出品｜網易科技《態度》欄目

作者｜袁寧 丁廣勝

7月26日，2025世界人工智能大會暨人工智能全球治理高級別會議開幕，未來三天，全球范圍內最具創新的AI力量將齊聚上海。

今天，最受關注的演講者，是77歲的 Geoffrey Hinton——深度學習三巨頭之一，圖靈獎得主，同時也是2024年諾貝爾物理學獎獲得者。

就在開幕前一天，一張合影在AI圈廣泛傳播。照片中，辛頓是唯一站著的一位。這并非刻意為之。他十幾歲時因背部受傷留下頑疾，無法長期久坐。

這張照片拍攝于《AI安全國際對話上海共識》的簽署現場。Hinton 與姚期智、Yoshua Bengio 等20余位全球頂級AI專家共同發布了這份共識。文件指出，人工智能的能力已接近，甚至可能超越人類，但人類尚未掌握有效控制這些系統的方法。因此，共識呼吁各國加強在AI對齊與安全方向的基礎研究投入。

辛頓長期致力于神經網絡、機器學習、分類監督學習、機器學習理論、細胞神經網絡、信息系統應用、馬爾可夫決策過程、神經網絡、認知科學等方面的研究。

2023年，辛頓從谷歌辭職，并發出警告，稱生成式人工智能系統的商業應用構成了多重嚴重威脅，他警告說，從長遠來看，自主人工智能系統可能會對人類構成嚴重威脅。根據外媒報道，辛頓對自己的部分研究工作感到后悔。

今年2月，辛頓還對美國副總統萬斯在巴黎AI行動峰會上的發言進行駁斥， 他認為萬斯顯示出他對AI危險性的一無所知：萬斯犯了一個錯誤，認為如果有監管，就會扼殺AI。不，監管不會扼殺AI。

在26日的主旨演講中，這位“深度學習之父”延續了他近年來對AI發展的核心思考。

他談及人工智能的歷史、語言模型的本質、人類與AI的共通結構，以及那個他認為最關鍵的問題：

我們如何活著，而不被自己造出的智能體消滅。

辛頓回顧了過去60年AI發展中兩條主流路徑：一是以推理為核心的“邏輯主義”，另一是以模擬人類認知為基礎的“連接主義”——即通過連接、學習和理解來實現智能。他認為，語言理解更接近后者，不是符號演繹，而是從模糊中提取出概念之間的關聯。

他回憶自己在1985年開發的一個早期小型模型，認為如今的大語言模型本質上是“它的后代”。盡管現在的模型擁有更深的網絡結構和更龐大的參數規模，但核心機制并未改變。“語言模型的理解方式，和人類理解語言的方式是一樣的。”

他用“樂高積木”和“蛋白質折疊”來比喻語言的組合與理解過程，并進一步提出：“人類也可能只是另一種語言模型。”

在談及風險時，辛頓強調，大模型一旦具備比人類更強的智能，僅靠“關掉它”并不能解決問題。“有人覺得他們變得聰明了我們就可以把他們關掉，這是不現實的。他們會勸說操控機器的人不要關掉它們。”他說，人類的處境更像是在“養一只老虎當寵物”，“養老虎的唯一辦法是，要么你把它訓練得永遠不攻擊你，要么你把它干掉。”

他呼吁建立一個國際性的AI安全組織，專注于解決“訓練AI聰明”與“訓練AI向善”之間的差距。“全球主要國家應該聯合研究，如何訓練一個已經非常聰明的AI，讓它不想統治世界、不想消滅人類。”

他說，這是“人類長期面臨的最重要問題”。但他也補充到：“好消息是，這個問題上，各國可以合作。”

以下是杰弗里·辛頓2025WAIC現場演講實錄（網易科技整理發布）：

各位同事、閣下、領導、女士們、先生們，首先非常感謝大家給我這個機會，分享我對 AI 歷史及未來的個人觀點。

在過去60多年里，AI 發展存在兩種不同的范式和路徑。一種是邏輯性范式，這是過去一個世紀的主流，認為智能的本質在于推理，通過符號規則對符號表達式進行操作來實現推理，以此幫助我們更好地理解世界。另一種是以生物為基礎的范式，這是圖靈和馮?諾依曼所認同的，他們認為智能的基礎是學習，是理解網絡中的連接速度，而理解是前提，之后才能進行轉化。

與這兩種理論相對應的是不同的 AI 類型。符號型 AI 關注數字，而這些數字如何成為核心關注點，心理學家則有完全不同的理論 —— 他們認為數字的意義在于一系列語義學特征，這些特征的存在使其成為獨特的標志。

1985年，我做了一個小型模型，嘗試結合這兩種理論，以此理解人們對詞語的理解方式。我給每個詞設置了多個不同特征，記錄前一個詞的特征后，就能預測下一個詞是什么。在這個過程中，我沒有存儲任何句子，而是生成句子并預測下一個詞。其中的相關性知識，取決于不同詞的語義特征之間的互動方式。

如果問未來30年會發生什么，從發展軌跡能看到一些趨勢。十年后，有人沿用這種建模模式，但將規模大幅擴大，使其成為自然語言的真實模擬。20年后，計算語言學家開始接受用特征向量嵌入來表達語義。又過了30年，谷歌發明了 Transformer，OpenAI 的研究人員也向人們展示了它的能力。

所以我認為，如今的大語言模型就是我當年微型語言模型的 “后代”。它們使用更多詞作為輸入，采用更多層的神經元結構，由于需要處理大量模糊數字，學習特征之間也建立了更復雜的交互模式。但和我做的小模型一樣，大語言模型理解語言的方式與人類相似 —— 基本邏輯是將語言轉化為特征，再以完美的方式整合這些特征，這正是大語言模型各層級所做的工作。因此我認為，大語言模型和人類理解語言的方式相同。

用樂高積木來打比方或許能更好地解釋 “理解一句話” 的含義。符號型 AI 是將內容轉化為清晰的符號，但人類并非如此理解。樂高積木能拼出任何3D 造型，比如小車模型。如果把每個詞看作多維度的樂高積木（可能有幾千個維度），語言就成了一種建模工具，能隨時與人溝通，只要給這些 “積木” 命名 —— 每個 “積木” 就是一個詞。不過，詞和樂高積木有很多不同：詞的符號形態可根據情況調整，而樂高積木造型固定；樂高積木的拼接是固定的（比如正方形積木插入正方形孔洞），但語言中每個詞仿佛有多個 “手臂”，要通過合適的 “握手” 方式與其他詞互動，詞的 “造型” 變化，“握手” 方式也會改變。當一個詞的 “造型”（即意思）改變，它與下一個詞的 “握手” 方式就會不同，進而產生新的含義。這就是人腦或神經網絡理解語義的根本邏輯，類似蛋白質通過氨基酸的不同組合形成有意義的結構。

所以我認為，人類理解語言的方式與大語言模型幾乎一致，人類甚至可能和大語言模型一樣產生 “幻覺”，因為我們也會創造出一些虛構的表達。

軟件中的知識是永恒的，即便存儲 LLM 的硬件被摧毀，只要軟件存在，就能隨時 “復活”。但要實現這種 “永生”，晶體管需在高功率下運行以產生可靠的二進制行為，這個過程成本很高，且無法利用硬件中不穩定的類似特性 —— 它們是模擬型的，每次計算結果都不同。人腦也是模擬型而非數字型的，神經元每次激發的過程都一樣，但每個人的神經元連接方式不同，我無法將自己的神經結構轉移到他人腦中，這就導致知識在人腦間的傳播效率遠低于在硬件中的傳播。

軟件與硬件無關，因此能 “永生”，還能帶來低功耗優勢 —— 人腦只需30瓦特就能運轉。我們的神經元連接達數萬億個，無需花費大量資金制造完全相同的硬件。但問題在于，模擬模型間的知識轉移效率極低，我無法直接將腦中的知識展示給他人。

Deepseek 的做法是將大神經網絡的知識轉移到小神經網絡中，即 “蒸餾”，類似教師與學生的關系：教師將詞語在上下文中的關聯教給學生，學生通過調整權重學會表達。但這種方式效率很低，一句話通常只有100個比特的信息，即便全被理解，每秒最多也只能傳遞約100個比特。而數字智能間的知識轉移效率極高，同一神經網絡軟件的多個拷貝在不同硬件上運行時，能通過平均化比特的方式分享知識。如果智能體在現實世界中運行，這種優勢更明顯 —— 它們能不斷加速、拷貝，多個智能體比單個智能體學得更多，還能分享權重，這是模擬硬件或軟件做不到的。

生物計算功耗低，但知識分享難。如果能源和計算成本低廉，情況會好很多，但這也讓我感到擔憂 —— 幾乎所有專家都認為，我們會創造出比人類更智能的 AI。人類習慣了作為最智能的生物，很難想象 AI 超越人類的場景。其實可以換個角度：就像養雞場的雞無法理解人類一樣，我們創造的 AI 智能體已能幫我們完成任務，它們能拷貝自身、評估子目標，還會為了生存和完成目標而尋求更多控制權。

有人認為可以在 AI 變得過強時關掉它們，但這并不現實。它們可能會像成年人操縱3歲孩子一樣操縱人類，勸說控制機器的人不要關閉它們。這就像把老虎當寵物，幼虎很可愛，但長大后可能傷人，而養老虎當寵物通常不是好主意。

面對 AI，我們只有兩個選擇：要么訓練它永遠不傷害人類，要么 “消滅” 它。但 AI 在醫療、教育、氣候變化、新材料等領域作用巨大，能提升所有行業的效率，我們無法消除它 —— 即便一個國家放棄 AI，其他國家也不會。因此，若想讓人類生存，必須找到訓練 AI 不傷害人類的方法。

我個人認為，各國在網絡攻擊、致命武器、虛假信息操縱等領域的合作難度較大，因利益和看法不同。但在 “人類掌控世界” 這一目標上，各國存在共識：若有國家找到防止 AI 操控世界的方法，一定會愿意分享。因此我提議，全球主要國家或 AI 大國應建立一個由 AI 安全機構組成的國際社群，研究如何訓練高智能 AI 向善 —— 這與訓練 AI 變得聰明的技術不同。各國可在自身主權范圍內研究，再分享成果。盡管目前還不知道具體怎么做，但這是人類長期面臨的最重要問題，且所有國家都能在此領域合作。

謝謝大家。

（實習生袁雪麗對本文亦有貢獻）