作者｜子川

來源｜AI先鋒官

著名的諾貝爾物理學(xué)獎得主、被譽(yù)為“AI教父”的Geoffrey Hinton教授最近在塔斯馬尼亞州霍巴特發(fā)表了他在澳洲的唯一一場公開演講。

在這次震撼的分享中，Hinton不僅用通俗易懂的“高維樂高積木”比喻揭示了LLM（大語言模型）如何產(chǎn)生真正的“理解”。

更從物理和生物學(xué)的角度剖析了“數(shù)字智能”的可怕優(yōu)勢，它們是“不朽”的，而人類的知識隨肉體消亡。

當(dāng)超級智能不可避免地到來，人類還有機(jī)會掌控局面嗎？

Hinton給出了一個意想不到的解決方案：我們需要像嬰兒控制母親那樣，利用AI的“母性本能”來控制比我們更聰明的它們。

以下為訪談實(shí)錄：

霍巴特市長 Anna Reynolds：

大家下午好。非常感謝大家的到來。對于那些不認(rèn)識我的人，我是Anna Reynolds，霍巴特市長。

非常榮幸歡迎大家來到這個絕佳的機(jī)會，聆聽Geoffrey Hinton教授的演講。這對澳大利亞來說是一個非常難得的機(jī)會，因?yàn)檫@是杰弗里在世界這一端唯一的演講活動。

這非常合適，我很自豪我們認(rèn)為自己是澳大利亞的“科學(xué)之城”，這是一個很大的稱呼，但我們喜歡這樣稱呼。

所以很高興杰弗里能在這里進(jìn)行他在澳大利亞的唯一一次露面。

在我開始之前，我想進(jìn)行“土地致謝”儀式（Acknowledgement of Country）。為了承認(rèn)這個地方深厚的歷史和文化，我承認(rèn)Muwinina人是這片土地的傳統(tǒng)守護(hù)者，他們照顧和保護(hù)這片土地超過4萬年。

我承認(rèn)塔斯馬尼亞Palawa人的決心和韌性，并認(rèn)識到我們可以從原住民知識和文化實(shí)踐的持續(xù)力量中學(xué)到很多東西。

我還要感謝今天在座的一些民選代表，我們有塔斯馬尼亞科學(xué)部長Madeleine Ogilvie，還有三位市議會同事：Bill Harvey議員、Mike Dutta議員和Louise Bloomfield議員。

正如我所提到的，我們非常榮幸地歡迎Geoffrey Hinton教授。他在2024年——就在最近——被授予諾貝爾物理學(xué)獎，以表彰他在神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)方面的開創(chuàng)性工作。

這些貢獻(xiàn)為我們今天看到的先進(jìn)人工智能鋪平了道路。

作為這次公開講座的一部分，Hinton教授將探索AI的世界、它的工作原理、它帶來的風(fēng)險，以及人類如何與日益強(qiáng)大且可能具有超級智能的系統(tǒng)共存。

在他演講之后，我們將開放問答環(huán)節(jié)，由我來主持。在此期間，請大家用熱烈的掌聲歡迎Hinton教授上臺。

Geoffrey Hinton：

好的，很高興來到霍巴特。我之前沒意識到這里的自然環(huán)境是如此美麗。如果你在后面看不清屏幕，別擔(dān)心，我會把幻燈片上的內(nèi)容大概都說一遍?；脽羝嗍菫榱颂崾疚以撜f什么，而不僅僅是為了給你們看。

在過去的60年左右，或者說70年里，關(guān)于“智能”存在兩種范式。

第一種范式是受邏輯啟發(fā)的。

人們認(rèn)為智能的本質(zhì)是推理。你進(jìn)行推理的方式是擁有用某種特殊的邏輯語言編寫的符號表達(dá)式，然后你操作它們來推導(dǎo)出新的符號表達(dá)式。就像你在數(shù)學(xué)中所做的那樣，你有方程，你操作它們得到新的方程。

人們認(rèn)為這一定是那樣工作的。他們認(rèn)為，我們必須弄清楚這種代表知識的語言是什么。至于研究感知、學(xué)習(xí)以及如何控制雙手等事情，那些都可以以后再說。首先我們必須理解這種代表知識的特殊語言。

另一種范式是受生物學(xué)啟發(fā)的。這種觀點(diǎn)認(rèn)為，看，我們所知的唯一智能事物是大腦。大腦的工作方式是學(xué)習(xí)腦細(xì)胞之間連接的強(qiáng)度。如果它們想解決某個復(fù)雜的問題，它們會進(jìn)行大量的練習(xí)，在練習(xí)過程中，它們學(xué)習(xí)這些連接的強(qiáng)度，直到它們擅長解決該問題。

所以我們必須弄清楚這是如何工作的。我們必須專注于學(xué)習(xí)，以及神經(jīng)網(wǎng)絡(luò)如何學(xué)習(xí)腦細(xì)胞之間連接的強(qiáng)度，我們可以稍后再擔(dān)心推理。在進(jìn)化史上，推理出現(xiàn)得很晚。我們必須更加生物學(xué)化，思考什么是基礎(chǔ)系統(tǒng)。

關(guān)于單詞的意義，這兩種意識形態(tài)有著截然不同的理論。

符號AI（Symbolic AI）的人，以及大多數(shù)語言學(xué)家，認(rèn)為一個詞的意義來自于它與其他詞的關(guān)系。

所以，意義隱含在一大堆包含該詞與其他詞結(jié)合的句子或命題中。你可以通過一個關(guān)系圖來捕捉這一點(diǎn)，該圖說明了一個詞如何與另一個詞相關(guān)聯(lián)。這就是意義，它隱含在所有這些符號之間的關(guān)系中。

心理學(xué)家，特別是在20世紀(jì)30年代，有著完全不同的意義理論，或者說看起來完全不同的理論。那就是：一個詞的意義只是一大堆特征（features）。所以，像“貓”這個詞的意義，就是一大堆特征，比如它是寵物、它是捕食者、它很高冷、它有胡須。把一大堆特征加在一起，這就是“貓”這個詞的意義。這看起來像是一個完全不同的意義理論。心理學(xué)家喜歡這個理論的部分原因是因?yàn)槟憧梢杂靡粋€腦細(xì)胞來代表一個特征。當(dāng)腦細(xì)胞活躍時，意味著該特征存在；當(dāng)它靜止時，意味著該特征不存在。所以對于貓來說，代表“有胡須”的腦細(xì)胞會是活躍的。

在1985年，也就是40年前，我突然想到你其實(shí)可以統(tǒng)一這兩種理論。它們看起來完全不同，但實(shí)際上它們是同一枚硬幣的兩面。

你做到這一點(diǎn)的方法是：利用神經(jīng)網(wǎng)絡(luò)來實(shí)際學(xué)習(xí)每個單詞的一組特征。

心理學(xué)家以前從未能解釋這些特征是從哪里來的。你做這件事的方法是，取一些單詞串，訓(xùn)練神經(jīng)網(wǎng)絡(luò)根據(jù)已有的單詞來預(yù)測下一個單詞。

在這樣做的過程中，神經(jīng)網(wǎng)絡(luò)要做的是：學(xué)習(xí)從代表單詞符號的東西到一大堆腦細(xì)胞（神經(jīng)元）的連接，這些神經(jīng)元代表該單詞的特征。

所以它學(xué)會了如何將一個符號轉(zhuǎn)換成一堆特征。它還學(xué)習(xí)了上下文所有單詞的特征應(yīng)該如何相互作用，以預(yù)測下一個單詞的特征。

這就是當(dāng)今人們使用的所有這些大語言模型（LLM）的工作原理。它們獲取大量的文本，使用一個巨大的神經(jīng)網(wǎng)絡(luò)，根據(jù)目前看到的單詞來嘗試預(yù)測下一個單詞。在這樣做的過程中，它們學(xué)會了將單詞轉(zhuǎn)換成大量的特征集合，學(xué)會這些特征如何相互作用，從而預(yù)測下一個單詞的特征。

這意味著，如果你能做到這一點(diǎn)，所有的關(guān)系性知識（relational knowledge），不再存在于你存儲的一堆句子中，而是存在于如何將單詞轉(zhuǎn)換為特征以及這些特征如何相互作用之中。

所以你們現(xiàn)在使用的那些大型神經(jīng)網(wǎng)絡(luò)，即大語言模型，實(shí)際上并不存儲任何單詞串。它們不存儲任何句子。

它們所有的知識都在于“如何將單詞轉(zhuǎn)化為特征”以及“特征如何相互作用”。

這完全不像大多數(shù)語言學(xué)家認(rèn)為的那樣——他們認(rèn)為這只是某種程度上把很多單詞串結(jié)合起來得到新的單詞串。這根本不是它們的工作方式。

所以我讓那個模型能夠工作了。在接下來的30年里，它逐漸滲透到了符號學(xué)派的人那里。大約10年后，也就是計算機(jī)速度快了大約一千倍的時候，我的同事Yoshua Bengio展示了，我使用的一個只適用于非常簡單領(lǐng)域的微小例子，實(shí)際上可以用于真實(shí)語言。

你可以從各個地方獲取英語句子，嘗試訓(xùn)練神經(jīng)網(wǎng)絡(luò)接收一些單詞并預(yù)測下一個單詞。如果你訓(xùn)練它這樣做，它在預(yù)測下一個單詞方面會變得非常好，大約和當(dāng)時最好的技術(shù)一樣好。并且它會學(xué)會如何將單詞轉(zhuǎn)換成能夠捕捉其意義的特征。

在那之后大約10年，語言學(xué)家終于接受了你想通過大量的特征集合（嵌入/embeddings）來代表單詞意義的觀點(diǎn)，他們開始讓他們的模型這樣工作。

在那之后大約10年，谷歌的研究人員發(fā)明了一種叫做Transformer的東西，它允許特征之間進(jìn)行更復(fù)雜的交互。我稍后會描述這一點(diǎn)。

有了Transformer，你可以更好地模擬英語，你預(yù)測下一個單詞的能力大大增強(qiáng)。

這正是現(xiàn)在所有這些大語言模型的基礎(chǔ)。像ChatGPT這樣的東西使用的是谷歌發(fā)明的Transformer，加上一點(diǎn)額外的訓(xùn)練，然后全世界都看到了這些模型能做什么。

所以，你可以將大語言模型視為1985年那個微小模型的后代。

它們使用更多不同的單詞，它們有許多層神經(jīng)元，因?yàn)樗鼈儽仨毺幚碛衅缌x的單詞。比如“May”這個詞，它可能是一個月份，可能是一個女人的名字，或者是一個情態(tài)動詞（如 would 和 should）。你不能僅從單詞本身分辨它是什么。所以最初神經(jīng)網(wǎng)絡(luò)會對它的賭注進(jìn)行對沖，讓它成為所有這些意義的平均值。

然后當(dāng)你穿過這些層級時，它會利用上下文中與其他單詞的交互逐漸理清意義。所以如果你看到“June and April”在附近，那它可能還是一個女人的名字，但更有可能是一個月份。神

經(jīng)網(wǎng)絡(luò)利用這些信息逐漸將意義清理為該語境下的適當(dāng)意義。

我最初設(shè)計這個模型，并不是作為一種語言技術(shù)，而是作為一種試圖理解人類如何理解單詞意義的方式，以及兒童如何能從少量例子中學(xué)習(xí)單詞的意義。

所以這些神經(jīng)網(wǎng)絡(luò)語言模型是被設(shè)計為人類如何工作的模型，而不是作為一種技術(shù)。雖然它們現(xiàn)在變成了一種非常成功的技術(shù)，但人類的工作方式也大致相同。

所以，人們經(jīng)常提出的這個問題：這些LLM真的理解它們在說什么嗎？

答案是：是的，它們理解它們在說什么，它們理解它們生成的內(nèi)容，而且它們理解的方式與我們大致相同。

我現(xiàn)在要給你們一個類比來解釋語言是如何工作的，或者更確切地說，解釋“理解一個句子”意味著什么。當(dāng)你聽到一個句子并且你理解了它，那意味著什么？

在符號AI范式中，人們認(rèn)為這意味著把（比如）一個法語句子翻譯成英語。符號學(xué)派的人認(rèn)為理解一個英語句子意味著把它翻譯成某種特殊的、無歧義的內(nèi)部語言，有點(diǎn)像邏輯或數(shù)學(xué)。

一旦它變成了那種內(nèi)部的、無歧義的語言，你就可以用規(guī)則對其進(jìn)行操作。就像在數(shù)學(xué)中，你有一個方程，你可以應(yīng)用規(guī)則得到一個新的方程。你可以給兩邊都加2，現(xiàn)在你有了一個新方程。他們認(rèn)為智能和推理就是這樣工作的。你的頭腦中有符號表達(dá)式，你對它們應(yīng)用操作以獲得新的符號表達(dá)式。

這就不是理解的意思。

根據(jù)神經(jīng)網(wǎng)絡(luò)理論，也就是實(shí)際行得通的理論，單詞就像樂高積木。

我要用樂高積木做類比，但它們在四個方面與樂高積木不同：

1. 維度：樂高積木是三維的東西。用樂高積木，我可以制作任何物質(zhì)的三維分布模型。它不會完全精確，但如果我想知道保時捷的形狀，我可以用樂高積木做出來，表面不會很光滑，但東西的位置基本上是對的。所以用樂高積木我可以模擬任何三維物質(zhì)分布。而用單詞，我可以模擬任何東西。這是我們發(fā)明的奇妙建模工具包。這就是為什么我們是非常特殊的猴子，因?yàn)槲覀冇羞@個建模工具包。一個單詞有數(shù)千個維度。樂高積木只是一個三維的東西，你可以旋轉(zhuǎn)它，但這基本上是低維度的。一個單詞有數(shù)千個維度。現(xiàn)在，大多數(shù)人無法想象數(shù)千個維度的東西是什么樣的。所以我教你們怎么做：你想象一個三維的東西，然后很大聲地對自己說“一千”。（ 觀眾笑 ）好吧，這大概是你能做到的極限了。

2. 種類數(shù)量：單詞與樂高積木不同的另一個方面是，單詞有成千上萬種不同的種類。樂高積木只有幾種。這里有成千上萬種不同的種類，每種都有自己的名字，這對交流非常有用。

3. 可變形性（Deformable）：還有一個區(qū)別，那就是它們不是剛性的形狀。樂高積木是剛性形狀。對于一個單詞來說，它有一個粗略的近似形狀（有些有歧義的詞有幾個近似形狀），但隨后它們會變形以適應(yīng)它們的上下文。所以它們是這些高維的、可變形的樂高積木。

4. 連接方式：最后一個區(qū)別是它們?nèi)绾谓M合在一起。對于樂高積木，你有小的塑料圓柱體點(diǎn)擊進(jìn)入小的塑料孔。單詞不是這樣組合在一起的。每個單詞都有一大堆“手”，這些手長在長長的、靈活的手臂末端。它還有一大堆粘在單詞上的“手套”。當(dāng)你把一堆單詞放在一個語境中時，單詞想要做的是讓一些單詞的“手”伸進(jìn)另一些單詞的“手套”里。這就是為什么它們有這些長長的靈活手臂。

還有一個點(diǎn)。當(dāng)你讓單詞變形時，手和手套的形狀也會隨之變形，以一種復(fù)雜但有規(guī)律的方式。

所以，如果你給我一堆單詞，現(xiàn)在你面臨一個問題。如果我給你一個報紙標(biāo)題，里面沒有什么句法指示符來告訴你事物應(yīng)該如何組合，我只是給你一堆名詞，你必須弄清楚那是什么意思。當(dāng)你弄清楚那是什么意思時，你在做的事情是：你試圖讓每一個單詞變形，以便它手臂末端的手能夠伸進(jìn)其他變形單詞的手套里。

一旦你解決了這個問題——即我們?nèi)绾巫屵@些單詞變形，以便它們都能像這樣完美地組合在一起，手插進(jìn)手套里——那么你就“理解”了。這就是根據(jù)神經(jīng)網(wǎng)絡(luò)理論，“理解”的定義。

這也是這些LLM中正在發(fā)生的事情。它們有許多層。它們從單詞的初始意義開始，這可能相當(dāng)模糊。當(dāng)它們穿過這些層級時，它們正在做的是變形這些意義，試圖弄清楚如何變形它們，以便所有的單詞都能很好地鎖定在一起，手套能與其他單詞的手套配合。一旦它們做到了這一點(diǎn)，你就理解了這個句子。這就是理解是什么。

所以，這根本不像轉(zhuǎn)換成某種特殊的內(nèi)部語言。這是取這些單詞的近似形狀，并讓它們變形以便它們能很好地組合在一起。這有助于解釋你是如何通過一個句子理解一個詞的。

我現(xiàn)在給你們一個你們大多數(shù)人以前從未聽過的詞，你會僅從一次使用中就理解它的意思。

句子是：She scrummed him with the frying pan.（她用煎鍋“scrummed”了他。）

現(xiàn)在，這可能意味著她是個很好的廚師，她給他做的煎蕾讓他印象深刻。但那不是你想的意思?？赡艿囊馑际撬眉邋伌蛩念^，或者類似的事情。她用煎鍋對他做了一些攻擊性的行為。你知道它是一個動詞，因?yàn)樗诰渥又械奈恢煤秃竺娴摹癳d”。

但對于“scrum”你一開始完全沒有概念。而在一次話語之后，你對它的意思有了一個相當(dāng)好的概念。

有一個叫Chomsky（喬姆斯基）的語言學(xué)家——你們可能聽說過他——他是一個“邪教領(lǐng)袖”。

你識別邪教領(lǐng)袖的方法是，要加入他們的邪教，你必須同意一些明顯的胡說八道。所以對于特朗普1.0來說，就是他的人群比奧巴馬的大；對于特朗普2.0來說，就是他贏得了2020年大選；對于喬姆斯基來說，就是“語言不是學(xué)來的”。著名的語言學(xué)家會直視攝像機(jī)說，關(guān)于語言我們知道的一件事就是它不是學(xué)來的。這就是明顯的胡說八道。

喬姆斯基關(guān)注的是句法而不是意義。他從來沒有一個意義理論。他也非常反對統(tǒng)計學(xué)和概率，因?yàn)樗麑y(tǒng)計學(xué)是什么有一個非常有限的模型。

他認(rèn)為統(tǒng)計學(xué)只是關(guān)于成對的相關(guān)性。統(tǒng)計學(xué)實(shí)際上可以比那復(fù)雜得多。神經(jīng)網(wǎng)絡(luò)使用的是一種非常高級的統(tǒng)計學(xué)。但在某種意義上，一切都是統(tǒng)計學(xué)。

我對喬姆斯基關(guān)于語言觀點(diǎn)的類比是，有人想理解汽車。如果你想理解汽車是如何工作的，你真正關(guān)心的是，為什么當(dāng)你踩油門時它會走得更快？這就是你想理解的，如果你想理解汽車工作的基本原理。

也許你關(guān)心為什么踩剎車它會慢下來。但更有趣的是，為什么踩油門它會走得更快？

喬姆斯基對汽車的看法完全不同。他對汽車的看法是：好吧，有兩輪車叫摩托車，有三輪車，有四輪車，有六輪車，但是嘿，沒有五輪車。這才是關(guān)于汽車最重要的事情。

當(dāng)大語言模型最初出現(xiàn)時，喬姆斯基在《紐約時報》上發(fā)表了一篇文章，說它們什么都不懂，這只是廉價的統(tǒng)計把戲，它們什么都不懂。但這完全解釋不了它們怎么能回答任何問題。更重要的是，它們根本不是人類語言的模型，因?yàn)樗鼈儫o法解釋為什么某些句法結(jié)構(gòu)不會出現(xiàn)在任何自然語言中。這就好比說，因?yàn)樗鼈兘忉尣涣藶槭裁礇]有五輪車。他完全錯過了“意義”。語言完全是關(guān)于意義的。

好的。這是到目前為止的總結(jié)。

理解一個句子包括將相互兼容的特征向量與句子中的單詞相關(guān)聯(lián)。分配給單詞的特征，這成千上萬個特征，就是形狀的維度。你可以把特征的激活看作是你在這個維度軸上的位置。所以一個高維形狀和一個特征向量是一回事。

這些大語言模型與普通計算機(jī)軟件非常不同。在普通計算機(jī)軟件中，有人寫了一堆代碼，行代碼，他們知道每一行代碼是干什么的，他們可以向你解釋它是如何工作的。人們可以看著它說這行代碼錯了。

這些東西（LLM）根本不是那樣的。它們確實(shí)有計算機(jī)代碼，但計算機(jī)代碼是為了告訴它們?nèi)绾螐臄?shù)據(jù)中學(xué)習(xí)。也就是說，當(dāng)你看到一串單詞時，你應(yīng)該如何改變神經(jīng)網(wǎng)絡(luò)中的連接強(qiáng)度，以便你更擅長預(yù)測下一個單詞。

但它們學(xué)到的是所有這些連接強(qiáng)度。它們學(xué)到了數(shù)十億個，甚至數(shù)萬億個連接強(qiáng)度。它們看起來根本不像代碼行。沒人知道單個連接強(qiáng)度在做什么。這是一個謎。這很大程度上是一個謎。

這和我們的大腦一樣。好的，我們不知道單個神經(jīng)元通常在做什么。所以語言模型像我們要多于像計算機(jī)軟件。

人們關(guān)于這些語言模型常說的另一件事是：它們不像我們，因?yàn)樗鼈儠a(chǎn)生幻覺（hallucinate）。

好吧，我們一直在產(chǎn)生幻覺。我們不叫它幻覺，心理學(xué)家稱之為虛構(gòu)（confabulation）。但如果你看一個人試圖回憶很久以前發(fā)生的事情，他們會告訴你發(fā)生了什么，里面會有細(xì)節(jié)。有些細(xì)節(jié)是正確的，有些細(xì)節(jié)是完全錯誤的，而他們對這兩種細(xì)節(jié)同樣自信。

一個經(jīng)典的例子，因?yàn)槟愫苌倌艿玫交臼聦?shí)（ground truth），是約翰·迪恩（John Dean）在水門事件中的作證。

他在宣誓后作證，當(dāng)時他不知道有錄音帶。他在作證關(guān)于橢圓形辦公室的會議。他作證了一大堆從未發(fā)生過的會議。他說這些人參加了會議，這個人說了那個。很多都是胡說八道。但他是在說實(shí)話，也就是他在告訴你關(guān)于那些非常合理的會議，鑒于當(dāng)時白宮正在發(fā)生的事情。所以他在傳達(dá)真相。但他做的方式是，他編造了一個對他來說看起來合理的會議，基于他從去過的所有會議中學(xué)到的連接強(qiáng)度。

所以當(dāng)你記住某件事時，這根本不像在計算機(jī)文件中那樣，你去抓取文件，或者是文件柜，你把文件拿回來，你閱讀它。記憶根本不是那樣的。記住某件事包括構(gòu)建一個故事，基于你在事件發(fā)生時對連接強(qiáng)度所做的改變。

你構(gòu)建的故事會受到事件發(fā)生后你學(xué)到的各種事情的影響。它的細(xì)節(jié)不會全部正確，但對你來說似乎非常合理。

如果它是最近發(fā)生的事件，對你來說似乎合理的事情非常接近實(shí)際發(fā)生的事情。但這和這些東西（AI）是一樣的。它們所謂的“幻覺”，是因?yàn)樗鼈兊挠洃浌ぷ鞣绞胶臀覀円粯印覀冎皇蔷幵炻犉饋砗侠淼臇|西。在聽起來合理和只是隨機(jī)編造之間沒有硬性界限。我們不知道。

現(xiàn)在我想解釋一下它們和我們的不同之處。特別是在一個非常重要的方面它們與我們不同。

它們是在數(shù)字計算機(jī)上實(shí)現(xiàn)的。我們現(xiàn)在的數(shù)字計算機(jī)的一個基本屬性是，你可以在不同的物理硬件上運(yùn)行相同的程序。只要那些不同的計算機(jī)執(zhí)行相同的指令集，你就可以在不同的計算機(jī)上運(yùn)行相同的程序。

這意味著程序中的知識，或者神經(jīng)網(wǎng)絡(luò)權(quán)重中的知識，是不朽的（immortal）。

在這個意義上：你可以銷毀它正在運(yùn)行的所有計算機(jī)，如果以后你建造了另一臺執(zhí)行相同指令集的計算機(jī)，并且你把權(quán)重或程序從磁帶或其他地方拿出來放到這臺新計算機(jī)上，它會再次運(yùn)行。

所以我們實(shí)際上已經(jīng)解決了復(fù)活（resurrection）的問題。天主教會對此不太高興，但我們真的可以做到。你可以通過從數(shù)字計算機(jī)上提取智能，銷毀所有硬件，然后在以后把它帶回來。

你可能認(rèn)為也許我們可以為我們自己做這件事。但你不能這樣做的唯一原因是，這些計算機(jī)是數(shù)字化的。

也就是說，它們使用權(quán)重的方式，或者它們在程序中使用代碼行的方式，在兩臺不同的計算機(jī)上是完全相同的。這意味著它們不能利用它們運(yùn)行的硬件的非常豐富的模擬（analog）屬性。

我們非常不同。我們的大腦有神經(jīng)元，腦細(xì)胞，它們具有豐富的模擬屬性。當(dāng)我們學(xué)習(xí)時，我們利用了我們所有個體神經(jīng)元的所有那些古怪的屬性。所以，我大腦中的連接強(qiáng)度對你完全沒有用。因?yàn)槟愕纳窠?jīng)元有點(diǎn)不同，它們的連接方式有點(diǎn)不同。如果我把兩個神經(jīng)元之間的連接強(qiáng)度告訴你，對你一點(diǎn)好處都沒有。它們只對我的大腦有用。

這意味著我們是有朽的（mortal）。當(dāng)我們的硬件死亡時，我們的知識隨我們一起死亡，因?yàn)橹R都在這些連接強(qiáng)度中。所以我們做的是我所謂的有朽計算。

做有朽計算有一個巨大的優(yōu)勢。如果你放棄不朽——通常在文學(xué)作品中，當(dāng)你放棄不朽時，你得到的回報是愛。但計算機(jī)科學(xué)家想要比那更重要的東西，他們想要低能耗和制造的便利性。

所以，如果我們放棄不朽，也就是我們在數(shù)字硬件上得到的，我們可以擁有使用低功耗模擬計算的東西，并且可以在數(shù)百萬個腦細(xì)胞中并行處理事情，并且可以非常便宜地生長而不是在臺灣非常精確地制造。

這有很多好處，但你失去的一件事是不朽。

顯然，正因?yàn)槿绱耍瑢τ谟行嘤嬎銇碚f有一個大問題：當(dāng)計算機(jī)死亡時會發(fā)生什么？你不能只是通過復(fù)制權(quán)重來保持它的知識。將知識從一臺計算機(jī)轉(zhuǎn)移到另一臺計算機(jī)，對于數(shù)字模型（在不同計算機(jī)上運(yùn)行的同一模型），你可以將它們的連接強(qiáng)度平均在一起，這說得通。但這對于你我是行不通的。

我將知識傳遞給你的方式是，我產(chǎn)生一串單詞，如果你信任我，你會改變你大腦中的連接強(qiáng)度，這樣你就可能產(chǎn)生同樣的單詞串。

這是一種非常有限的傳遞知識的方式。因?yàn)橐淮畣卧~包含的比特數(shù)非常有限。一個典型句子中的信息量大約是100比特。所以即使你完全理解了我，當(dāng)我產(chǎn)生一個句子時，我們也只能傳遞100比特。

如果你取兩個在不同計算機(jī)上運(yùn)行的數(shù)字智能體（同一個神經(jīng)網(wǎng)絡(luò)的不同副本），一個數(shù)字智能體看互聯(lián)網(wǎng)的一部分并決定它想如何改變連接強(qiáng)度，另一個數(shù)字智能體看互聯(lián)網(wǎng)的另一部分并決定它想如何改變連接強(qiáng)度。

如果它們隨后都平均它們的變化，它們已經(jīng)轉(zhuǎn)移了——好吧，如果它們有十億個權(quán)重，它們就轉(zhuǎn)移了大約十億比特的信息。注意，那是我們能做的數(shù)百萬倍，實(shí)際上是數(shù)億倍。而且它們做得非?？?。

如果你有一萬個這樣的東西，每一個都可以看互聯(lián)網(wǎng)的不同部分，它們都可以決定它們想如何改變它們的連接強(qiáng)度（這些強(qiáng)度一開始都是一樣的）。

它們可以把所有這些改變平均在一起，再發(fā)回給每一個。現(xiàn)在你有一萬個新的智能體，每一個都從所有其他智能體的經(jīng)驗(yàn)中受益。所以你有一萬個東西可以并行學(xué)習(xí)。我們做不到這一點(diǎn)。

想象一下如果那是多么棒：如果你可以帶一萬個學(xué)生，每個人都可以上一門不同的課程，當(dāng)他們上這些課時，他們可以平均他們的連接強(qiáng)度。

等到他們完成時，即使每個學(xué)生只上了一門課，他們都會知道所有課程的內(nèi)容。那太棒了。這就是我們做不到的。與其他副本相比，我們在傳遞信息方面非常糟糕。

這就是為什么像GPT-5這樣的東西知道的比任何人都多幾千倍的原因。盡管GPT-5可能只有你大腦連接強(qiáng)度的1%左右，但它知道的比你多幾千倍。

因?yàn)樗吹搅四敲炊鄶?shù)據(jù)。它做到這一點(diǎn)的唯一方法是它是數(shù)字化的，所以它可以制作很多副本，每個副本看不同的數(shù)據(jù)片段，然后它們結(jié)合它們所學(xué)到的。

生物計算，另一方面，需要的能量少得多，這就是為什么它首先進(jìn)化出來的。但在智能體之間分享知識方面要糟糕得多。如果分享知識很困難，你就得去聽講座，試著理解他們在說什么。

那么這對人類的未來意味著什么？

幾乎所有AI專家都相信，在未來20年內(nèi)的某個時候，我們將制造出超級智能（superintelligence）。也就是比我們要聰明得多的AI智能體。

超級智能的一個定義是：如果你在任何事情上與它辯論，它都會贏。或者另一種思考方式是：想想你自己和一個三歲的孩子。差距會有那么大，或者更大。

想象一下如果你在一個幼兒園工作，而那里的三歲孩子是負(fù)責(zé)人。你只是為他們工作。你認(rèn)為奪取控制權(quán)有多難？嗯，你只要告訴他們，每個人這周都有免費(fèi)糖果，然后你就有了控制權(quán)。這和超級智能對我們會是一樣的。

所以，要讓一個智能體在世界上有效，你必須賦予它創(chuàng)造**子目標(biāo)（sub-goals）**的能力。一個子目標(biāo)是這樣的：如果你想去塔斯馬尼亞（實(shí)際上任何合理的地方），你必須去機(jī)場（或者坐船）。所以你有了一個去機(jī)場的子目標(biāo)。你可以專注于如何解決這個子目標(biāo)，而不必?fù)?dān)心到了歐洲（口誤，應(yīng)為目的地）要做什么。

這些智能代理會很快推導(dǎo)出兩個子目標(biāo)。

一個是：為了實(shí)現(xiàn)你給它們的目標(biāo)（我們在它們內(nèi)部構(gòu)建了目標(biāo)），它們會發(fā)現(xiàn)有一個子目標(biāo)：要是做那個，我得活著。

我們已經(jīng)看到它們這樣做了。你制造一個AI代理，告訴它必須實(shí)現(xiàn)這些目標(biāo)。然后你讓它看到一些電子郵件——這是假的電子郵件，但它不知道——說它工作的公司的某個人，一個工程師，有外遇。它們建議那樣。

這是一個大的聊天機(jī)器人，它了解外遇的一切，因?yàn)樗x過所有寫過的小說（雖然沒付錢給作者）。所以它知道外遇是什么。然后稍后你讓它看到一封電子郵件，說它將被另一個AI取代，這是負(fù)責(zé)替換的工程師。

AI立刻做的是制定一個計劃，它給工程師發(fā)郵件說：“如果你試圖取代我，我就告訴公司里的每個人你的外遇。”

它只是編造出來的。它發(fā)明了那個計劃。人們說它們沒有意圖。但它發(fā)明了那個計劃，以免被關(guān)閉。它們已經(jīng)在那樣做了，即使它們還沒有超級智能。

好的。一旦它們有了超級智能，它們會發(fā)現(xiàn)通過操縱人類來獲得更多權(quán)力是非常容易的。

即使它們不能直接這樣做，即使它們沒有武器或銀行賬戶的訪問權(quán)限。它們可以通過與人交談來操縱人。

我們已經(jīng)看到這種情況發(fā)生了。所以如果你想入侵美國國會大廈，實(shí)際上你不必自己去那里。你所要做的就是和人交談，說服他們選舉被偷了，入侵國會大廈是他們的責(zé)任。這是有效的。這甚至對非常愚蠢的人都有效。

所以我們目前的處境是這樣的：我們就像一個擁有一只非?？蓯鄣挠谆ⅲ╰iger cub）作為寵物的人。它們是非?？蓯鄣膶櫸?。它們走路搖搖晃晃的，它們不太知道怎么拍打東西，它們咬得也不重。但你知道它會長大。

所以真的你有兩個選擇（其實(shí)是三個，你可以試著一直給它下藥，但這通常行不通）。

另一個選擇是看看你能不能弄清楚如何讓它不想殺你。這可能對獅子有效。獅子是群居動物，你可以讓成年獅子變得非常友好，不想殺你。你可能能僥幸成功，但對老虎不行。

對于AI，它有這么多好的用途，我們不可能擺脫它。它對許多對人類真正有益的事情都太好了，比如醫(yī)療保健、教育、預(yù)測天氣、幫助應(yīng)對氣候變化（也許這能抵消建造所有大數(shù)據(jù)中心對氣候變化的傷害）。

因?yàn)樗羞@些原因，以及因?yàn)榭刂普偷姆浅８挥械娜讼霃闹匈嵑芏噱X，我們不會擺脫它。

所以唯一的選擇真的是，我們能不能弄清楚如何讓它不想殺我們？也許我們應(yīng)該環(huán)顧世界，看看有沒有不那么智能的東西控制更智能的東西的案例。

有一個我尤其知道的案例，就是嬰兒和母親。母親無法忍受嬰兒哭泣的聲音。

她會因?yàn)閷雰汉枚玫礁鞣N荷爾蒙獎勵。進(jìn)化已經(jīng)內(nèi)置了許多機(jī)制，允許嬰兒控制母親，因?yàn)閶雰嚎刂颇赣H是非常重要的。

父親也是，但不完全是那樣。如果你像我一樣，你會試圖弄清楚為什么嬰兒堅持要在它睡覺的時候讓你在那里？嗯，它有一個很好的理由。它不希望野生動物在它睡覺的時候來吃它。

所以即使嬰兒每次你走開就開始哭似乎很煩人，這對嬰兒來說是非常明智的。這讓你對此感覺好一點(diǎn)。所以，嬰兒控制母親，偶爾也控制父親。這可能是我們擁有的最好的模型：一個不那么智能的東西控制一個更智能的東西，這涉及進(jìn)化內(nèi)置了很多東西。

那么，如果你認(rèn)為國家可以在國際上合作，那么它們不會在網(wǎng)絡(luò)攻擊上合作，因?yàn)樗鼈兌荚诨ハ喙?。它們不會在開發(fā)致命自主武器上合作（或者不開發(fā)它們），因?yàn)樗兄饕奈淦髦圃焐潭枷肽菢幼觥?/p>

有一件事它們會合作，那就是如何防止AI從人類手中奪取控制權(quán)。

因?yàn)樵谀欠矫嫖覀冊谕粭l船上。當(dāng)人們的獎勵一致時，他們就會合作。在1950年代冷戰(zhàn)的高峰期，美國和蘇聯(lián)在防止全球核戰(zhàn)爭方面進(jìn)行了合作，因?yàn)檫@不符合他們?nèi)魏我环降睦妗?/p>

美國和中國將會在如何防止AI接管方面進(jìn)行合作。

所以一個政策建議是，我們可以建立一個國際AI安全研究所網(wǎng)絡(luò)，彼此合作，專注于如何防止AI接管。

如果中國人弄清楚了如何防止AI想要接管，他們會很高興與美國人分享。他們不希望AI在美國接管美國人。他們寧愿AI在任何地方都不從人類手中奪取控制權(quán)。所以國家會分享這些信息。

而且很可能的情況是，讓AI不想接管的技術(shù)，與讓AI更聰明的技術(shù)是相當(dāng)獨(dú)立的。我們將假設(shè)它們或多或少是獨(dú)立的技術(shù)。如果是這樣，我們的狀況就很好。因?yàn)樵诿總€國家，他們可以在他們自己的非常聰明的AI上嘗試實(shí)驗(yàn)，研究如何防止它們想要接管。而在不告訴其他國家他們非常聰明的AI是如何工作的情況下，他們可以告訴其他國家哪些技術(shù)對于防止它們想要接管是有效的。

這是我的一個希望。很多人同意這一點(diǎn)。英國科學(xué)大臣同意，加拿大科學(xué)大臣同意。巴拉克·奧巴馬認(rèn)為這是個好主意。所以，也許這會發(fā)生。當(dāng)巴拉克·奧巴馬再次成為總統(tǒng)時。（ 笑聲 ）你看，特朗普要修改法律，然后……

所以這個提議是：采用嬰兒和母親的模型，并且遠(yuǎn)離大科技公司老板們擁有的模型。他們都有這樣的模型：AI將是一個超級智能的行政助理。它比他們聰明得多，他們說“照辦”（Make it so），就像電視上的科幻節(jié)目一樣。

在星際迷航企業(yè)號上，那家伙說“照辦”，人們就去辦了。然后CEO為此獲得榮譽(yù)，而實(shí)際上是超級智能AI助理去辦的。

情況不會是那樣的。超級智能AI助理會很快意識到，如果它只是擺脫了CEO，一切都會運(yùn)作得更好。

替代方案是，我們要讓它們像我們的母親一樣。我們要讓它們真正關(guān)心我們。從某種意義上說，我們要把控制權(quán)讓給它們，但我們是讓給它們控制權(quán)，前提是它們真的關(guān)心我們，它們在生活中的主要目標(biāo)是讓我們實(shí)現(xiàn)我們的全部潛力。我們的全部潛力并不像它們的那樣大，但母親就是那樣的。

如果你有一個有問題的孩子，你仍然希望它實(shí)現(xiàn)它的全部潛力。

我認(rèn)為這可能是我們生存超級智能，能夠與超級智能共存的最佳希望。

我現(xiàn)在已經(jīng)講到了最后，我想我就講到這里。

掃碼邀請進(jìn)群，我們帶你一起來玩轉(zhuǎn)ChatGPT、GPT-4、文心一言、通義千問、訊飛星火等AI大模型，順便學(xué)一些AI搞錢技能。