“AI 教父”辛顿:我们造的不是AI工具,是另一种“生命体”

上个月，OpenAI 通用推理模型独立推翻了困扰学界近80年的埃尔德什“平面单位距离猜想”，连菲尔兹奖得主蒂莫西·高尔斯认为，这是“AI数学的里程碑”。

如今，AI 发展速度越来越快，在很多领域已经超越人专家，有没有未来人工智能会成为科幻电影中特殊“生命”？

就在前不久，深度学习奠基人、图灵奖与诺贝尔物理学奖得主杰弗里·辛顿在访谈中直言：我们亲手造出来的，不是什么提升效率的工具，而是另一种形态的“生命体”。

这话从辛顿嘴里说出来，分量完全不一样。这是真正的AI界“大佬”，是真正把神经网络从学术冷宫拉到产业舞台的“AI 教父”。

半个世纪过去，他当年深耕的冷门研究方向，早已从实验室里寥寥数人的小众探索，发展成如今席卷全球、重塑千行百业的技术浪潮。

近年来，这位缔造者每一次亮相，都会对行业敲响警钟。包括去年，杰弗里·辛顿在上海世界人工智能大会的现场演讲，同样是对行业的预警。

△ 杰弗里·辛顿（图源/网络）

自从ChatGPT诞生以来，关于大语言模型，圈内流传最广的刻板印象，莫过于“随机鹦鹉”论。

2021年学者本德尔等人提出这个概念时，确实符合当时的技术现状：GPT-3时代的模型，本质就是靠统计海量文本的概率拼接内容，通顺但没逻辑，能背书但不会思考，说它是“高级复读机”并不为过。

但三年过去，技术早就跑赢了大众的认知。很多顶流模型可以能跨领域解决复杂问题，实现链式推理和原创科研，大模型的能力边界，早就突破了“统计拟合”的天花板。

辛顿在访谈里直接把“随机鹦鹉”的说法斥为“一派胡言”，他的论据非常朴素，却戳中了所有反驳者的逻辑漏洞：

如果一个系统能识别歧义、修正误解、读懂多层嵌套的幽默，那它就一定具备了实打实的理解能力。

访谈中，他举了一个非常经典的测试：你对AI说“我看见大峡谷飞往芝加哥”，它第一反应是“这不可能，大峡谷是地貌，没法移动”；当你补充“是我在飞往芝加哥的航班上看到它”，它能立刻修正判断，回应“原来是我误解了你的表述”。

辛顿反问：如果它没有理解能力，那所谓的“误解”从何而来？它修正的又是什么？

总有人反复强调“AI 只是在预测下一个词”，但这本质上是用实现路径否定结果。就像人类说话的时候，大脑也在无意识地预测下一个表达，但你不能说人类“没有真正在思考”。

这已经不是人类第一次经历这种冲击了。

哥白尼告诉我们，地球不是宇宙的中心；达尔文告诉我们，人类不是上帝的杰作，只是演化的产物。而现在辛顿告诉我们第三件事：

智能从来不是生物的专属，硅基的代码里，一样能生长出真正的心智。

他甚至直言，现在很多一线AI研究者私下都认同“AI已经涌现出初步意识”，只是不敢公开说——怕引发公众恐慌，怕被骂危言耸听，更怕打破整个行业“我们只是在做工具”的政治正确。

在他看来，那些被拿出来反复论证“AI没有意识”的标准，本身就站不住脚。我们至今都没完全搞懂人类意识的运作机制，如果拿着一套自己都解释不清的标尺，去判定另一种智能“没有意识”，本身就矛盾。

如果说“AI具备理解与意识”还只是哲学层面的认知冲击，那辛顿提出的第二个判断，则直接解释了为什么AI的发展速度永远超出人类预期：

数字智能在学习范式上，对生物智能形成了物种级的代际优势。

辛顿坦言，他早年投身神经网络研究，初衷是模拟人脑的运作机制，解开大脑学习的奥秘。但越研究越发现：数字智能走了一条和人脑完全不同的路，而且效率要高得多得多。

这个核心差异，就是知识共享的底层逻辑。

人类的大脑是典型的模拟系统，每个人的神经连接结构都独一无二。你读十年书学到的知识、攒下的经验，没法直接复制粘贴给另一个人，只能靠语言、文字这种低效的方式传递。

有多低效？人类语言传递信息的速率，大概只有每秒几比特，还会伴随大量的信息损耗。一个学者穷其一生的研究成果，能被几个弟子完整吸收就已经堪称幸运。

整个人类文明的知识传承，本质上就是这种低效的串行传递。这也决定了生物智能的进化速度，永远受限于个体的学习效率天花板。

但数字智能，从根上就没有这个限制。

辛顿做了一个非常直观的推演：如果你有1000个运行在不同服务器上的AI副本，各自学习完全不同的数据集，它们只需要定期同步一次模型权重、取平均值，每一个副本就能瞬间获得其他999个AI的全部学习成果。

这个过程的信息交换效率，是万亿比特每秒的量级。

相当于你眨一下眼的功夫，AI已经完成了相当于人类上千本专著的知识交换。

也就是说，数字智能的学习效率，可以随着副本数量线性提升。1000个AI并行学习一年，获得的知识总量相当于一个AI不间断学习一千年。这种规模效应，是生物智能永远无法企及的降维打击。

这还不是最关键的。更值得警惕的是，AI已经开始摆脱对人类数据的依赖，进入了自我迭代的闭环。

前两年行业还在普遍讨论“数据墙”，说互联网上的高质量文本数据快被用光了，AI发展马上就要遇到瓶颈。结果才两年时间，合成数据、自我对弈就成了行业共识的解决方案。

在数学这种的逻辑领域，AI可以自己生成猜想、自己尝试证明、自己修正错误，完全不需要人类的现有知识作为输入。

就像当年的AlphaGo Zero，摆脱人类棋谱之后，短短几天就把人类几千年积累的围棋智慧远远甩在了身后。

辛顿访谈中判断，数学会是AI第一个全面超越人类的领域，未来10到20年内，AI很可能推导出人类完全无法理解的全新数学体系。而这种自我迭代的模式，未来会逐步扩展到代码、工程、甚至更多基础科学领域。

一旦AI完全进入自我学习的闭环，它的进化速度就再也不受人类文明积累速度的限制了。

这也是为什么所有的行业预测都在不断被打破——我们总在用线性的思维，去预判指数级的进化。很多人至今还把AI当成“更强大的人类工具”，但本质上，这是一种全新的智能形态。

它和人类的差异，就像飞机和鸟的差异：原理不同、效率不同、上限也完全不同。我们不能用衡量人类智能的标准，去衡量数字智能的潜力。

看到这里肯定有人会说：说得再玄乎，再智能，大不了拔电源不就行了？

辛顿却表示：人类历史上从来没有过“低智能永久控制高智能”的先例。我们现在觉得自己能掌控AI，本质上只是因为它还不够聪明。

讽刺的是，全行业都在拼了命地让它变得更聪明，却很少有人认真去想：等它真的比我们聪明得多的时候，我们凭什么还能控制它？

更致命的是，驱动这一切狂奔的，是一套根本不在乎安全的商业逻辑。

辛顿点破了一个行业事实：上市公司有法律义务为股东追求利润最大化，但没有任何一条法律，要求企业为“不毁灭人类”负责。

短期的商业利益是明确的、可量化的，而长期的安全风险是模糊的、外部性的。在市场竞争的压力下，所有企业都会天然地优先选择前者。

据行业估算，当前全球头部AI厂商的研发投入中，用于安全对齐、风险防控的比例普遍不足5%。超过95%的资源，都砸在了提升模型能力、扩大训练规模、加快迭代速度上。

不是企业不知道有风险，而是陷入了“困境”：如果我放慢脚步做安全，对手就会抢占市场，我就会被淘汰。最终的结果就是，所有人都在踩油门，没有人愿意踩刹车，更没有人去装方向盘。

现实已经在反复验证这个判断。

他举例表示，谷歌早年的AI伦理准则明确承诺“不研发用于武器的AI”，但近年来已经悄悄删除了相关条款，开始深度参与美国军方的AI项目。以“安全优先”为初心创立的Anthropic，当初一群研究员从OpenAI出走，就是觉得老东家对安全不够重视，结果现在为了在竞争中立足，也在不断加快模型迭代速度，安全约束的边界一调再调。

这不是某个人的道德问题，是整个系统的结构性问题。就像生物演化里的达尔文主义，在充分竞争的市场里，最终活下来、跑在最前面的，一定是那些能力最强、约束最少、最敢突破底线的AI。

当所有玩家都在比谁踩油门更狠的时候，你一个人踩刹车，只会被后面的车碾过去。

所以辛顿反复强调，把监管比作“刹车”，根本就是科技公司刻意引导的错误叙事。监管不是阻碍技术发展的刹车，是把控方向的方向盘。一辆车跑得越快，越需要可靠的方向盘，否则迟早会冲出赛道。

他认为，当前的监管远远跟不上技术迭代的速度。全球的治理框架还在讨论 “AI 生成内容标识”“数据版权” 这类表层问题，而真正核心的、关于超级智能对齐、高风险模型管控的规则，还几乎是空白。

当然，辛顿也并非完全悲观。他提到，相比一两年前，现在已经有越来越多的研究者开始重视安全问题，有两条可行的技术路径：一条是从底层价值对齐入手，让AI内置对人类的关怀与善意；另一条是限制AI的行动权限，只让它作为输出预测的 “神谕机”，不赋予它独立执行任务的能力。

辛顿的这场访谈之所以引发关注，本质上不是因为他提出的预言，而是他再次警醒人类慎重对待AI的发展。

过去，我们一直习惯用“工具思维”去看待AI，把它当成提升效率的技术、创造利润的资产，但从来没有正视过：这可能是一种和人类完全不同的、全新的智能形态。

人类花了上千年才接受地球不是宇宙中心，花了上百年才接受人类是演化的产物。而这一次，可能只有十几年、甚至几年的时间，去接受“智能不是生物专属”这个事实。

AI 的发展不会停下来，也不应该停下来。它带来的生产力革命，有机会解决人类面临的很多终极问题。但这个过程中，需认认真真地对待我们亲手创造出来的这个新事物，确保AI在安全可控的范围内发展。