演讲主题是《数字智能是否会取代生物智能》。

主要观点如下：

人类有可能就是大语言模型，人类也会和大语言模型一样有幻觉。

但大语言模型远远优于（类比信号驱动的）人类大脑。

人类将自己所学的知识永久保留很困难，比如大脑死亡之后，存储的知识相当于消失了；或者向外传递也很低效，比如知识只能通过说话等形式向外传递，不能完全copy。

但是AI通过共享参数就能快速传递，比如使用蒸馏，DeepSeek就是这么做的。

如果独立智能体完全共享一组权重，并以完全相同的方式使用这些权重，他们就能实现知识彼此传递，而且一次就是数十亿乃至数万亿比特的带宽。不过这要求所有智能体的运作方式必须完全一致。

人类和AI的现状，就好比养了一只非常可爱的小虎崽。当它长大后，可以轻易干掉你。为了生存，要么摆脱这只小虎崽，要么找到一种方法可以永远保护自己。

我们已经不可能消除AI了，它能使几乎每个行业大幅提效。哪怕有国家想要消除，其他国家也不会这么做。

所以，呼吁世界建立一个由各国人工智能安全研究所与国内研究网络组成的国际社群，培养出不会从人类手中夺权的好AI。

这是Hinton第一次公开到访中国。对于77岁高龄且患有严重腰伤的老爷子而言，十几个小时的长途飞行无疑是一次巨大挑战——但Hinton之前对中国非常向往，他甚至有中国堂姑，知名的核物理学家寒春——琼-辛顿，是第一批获得中国绿卡的外国人。

不过Hinton这次来到上海，依然更多是关于AI安全的呼吁。

在20分钟的演讲，Hinton以他独有的讲述方式，论述了AI与人类之间的复杂对立与共生关系。也一如既往先天下之忧而忧，呼吁全人类一起建立起正向引导AI发展的合理机制。

我们在不改变演讲原意的基础上，对全文进行实录整理，期待你能从中有所收获。大语言模型确实理解它们所说的话

大家好，我是Geoffrey Hinton，今天我要演讲的题目是《数字智能是否会取代生物智能》。

AI已经有60年发展历史，它有两种不同发展范式。

一种是过去几十年中都占主导地位的逻辑型范式，意思是智能的本质是逻辑推理，我们利用一些符号规则、表达式进行操作来实现推理，这样能帮助我们更好表达知识。

另一种范式是以生物学作为基础进行理解，这也是图灵和冯·诺依曼所支持的观点。他们认为智能的基础在于理解和学习神经网络中的连接速度。在这个过程中，理解是第一位的，只有在理解的基础上才能进行学习。

这两种范式相结合，一种是符号性AI，重点在于研究数字和这些词之间的关系；心理学家是另外一种理论。

数字的意思其实是一系列语义学特征。在1985年时，我提出了一个非常小的模型，想把这两个理论结合在一起，去更好理解“人类是如何理解一个词的”，每一个词我都放了好几个不同的特征，然后把前一个词的特征记录下来，就能预测下一个词是什么、进而再预测再下一个词。

这个过程中我没有存储任何的句子，我生成句子、预测下一个词，像关联型的这些知识也是取决于不同的词的语义特征是如何互动的。

在此之后接下来30年发生了什么呢？

10年之后，Yoshua Bengio用这样的方式建模，把这种模式做得更加实时，等于成为了一个自然语言的真实模拟。

20年之后，计算语言学家终于开始接受特征向量的嵌入来表达一个词的意思。

30年之后，谷歌发明了Transformer、OpenAI展示了更进一步的能力。

所以今天的大语言模型，我把它视为当时那个微型语言模型（1985年）的后代，它用更多的词作为输入、使用更多层神经元结构，因为需要有大量模糊不清的数字的使用，所以学习特征之间也建立了更加复杂的交互模式。

但是就像那些我做的小模型一样，大语言模型它也与人类去语言理解语言的方式是一样的，基本的理解就是把这些语言转化为一些特征，然后把这些特征以一种非常完美的方式整合在一起，这就是大语言模型里各个层次所做的事情。

所以我的理解是，大语言模型真正理解你是怎么理解问题的，它和人类理解语言的方式一样。

所以我在这里给大家打一个比方，什么叫理解一句话？符号型AI是将语言转化为一些不模糊的符号，但是人类实际不是这样理解。

我在这里打个比方，就好比乐高积木。通过乐高积木可以做成任何3D的一个物体，比如做成一个小车模型。把每一个词视为一个多维度的乐高积木，它可能有几千个不同的维度，那么这种乐高积木就可以建模成好多不同的内容，语言编程了一个建模，这些语言也能很好进行沟通，只需要给这些积木起一个很好的名字就行。

然后每一个乐高积木都代表一个词，当它们堆起来就不是有几个不同的差异了，我们有无数的词。乐高积木的造型是固定的，词的符号是基本固定的，但是也可以根据不同情况做调整。

不过乐高模型比较确定，一个格子插一个格子，但是语言不一样，语言相当于每一个词上都有好多个“首”，好比你想更好理解一个词的话，就是要让这个词和另一个词之间进行“握手”。如果一个词的造型变形，它和另一个词的“握手”方式就不一样了，这里就有个优化的定义，如果一个词发生变化那么怎么和下一个词连接，这也是人脑或者神经网络如何理解意思，这也有点像蛋白质之间的组合方式，氨基酸变换组合方式后就是不同的蛋白质。

人类大脑和大语言模型对语言的理解几乎是同一种方式，所以人类有可能就是大语言模型，人类也会和大语言模型一样存在幻觉。

AI的知识迁移效率远高于人类

但大语言模型也和人类之间有不同，甚至比人类更厉害。

从根本上理解计算，是要将软件和硬件拆开，在不同的硬件上跑不同的软件。在一个软件里面的知识是永恒存在的，你可以毁灭所有硬件，但只要软件存在，那它就能随时复活。从这种意义上讲，计算机程序内的知识是永恒的、不会死亡的。想要实现这种知识永存，需要非常高的经济成本。

人类不能利用这种特性，人类代表的生物计算是模拟型的，每一次神经元激发的过程都是一次新的模拟、每一次都是不一样的。我不可能把我大脑中的神经元转移到你的大脑里，因为每个人的神经元连接方式都不一样。

这就是人类大脑和计算机科学的差异，那么问题就来了。

我们的大脑计算是非常节能的，大约只要3瓦特就够了，我们有三亿神经元连接，人类不需要去花非常高的成本去做一模一样的计算。

另一个问题是，人类大脑之间的知识传递是非常不高效的，我无法把我大脑中的东西直接展示给你，我只能去和你解释我学到的是哪些东西。

所以AI要解决知识传递的问题，比如使用蒸馏，DeepSeek就是这么做的。将一个大型神经网络的知识转移到小型神经网络里，类似于老师和学生之间的关系。教师把一个词和另一个词之间联系起来，学生就能做相同的事情。

其实人类也是这样转移知识，但是非常不高效，可能一句话里只有100个比特的信息量，而且还是你能完全听懂我的话的情况下。相比之下AI的知识传播效率很高，同一个软件拷贝到不同的硬件里面，以数字的方式能平均、快速地进行知识共享。

我们可以有成千上万的研究团队来改变自己的权重，然后取平均数，那样就能快速转移知识，他们的转移速度可能是每次分享万亿个比特，比人类分享知识要快几十亿倍。

如果有智能体在现实世界中运行，这就更厉害了，因为它能不断加速、不断拷贝、分享权重，而模拟计算做不到这一点。

总之，生物计算虽然便宜，但是分享知识的效率很低，数字计算的知识分享效率很高，但是也更贵。

所有人要联合起来，引导AI向善

几乎所有专家都认为，我们会创造更加智能的AI。我们习惯性认为自己是最智能的生物，但想象一下，如果AI比人类更智能会怎么样？

我们创造可以帮助自己完成任务的智能体，他们有能力进行拷贝、可以给自己的字母表进行评级，那么他们会想做两件事情：

想要生存，然后来完成我们给他们制定的目标；

也希望获得更多控制权，同时也是为了完成我们制定的目标。

所以一些智能体想要生存、想要更多的控制权。

我觉得我们不能只是悲观了事。这就像我们操纵3岁小孩是很容易的，但不能当它变得聪明，我们就把它关闭。这也是为什么AI会操纵人类不要把他们关掉。

所以我觉得，我们的现状就像是有个人把老虎当宠物，现在养了一个可爱的小虎崽。

如果一直养着这个宠物，就要确保它长大后不会伤害你。一般来说，把老虎当宠物养都不是一个好想法。

养老虎通常只有两种结果，一种是把它训练好、让它不来伤害你，另一种是把它干掉。

但是我们已经没有办法消灭AI了，AI是非常好的，它在很多领域都做得很好，比如医疗、教育、气候、新材料等，它在这些任务上都表现得很好，几乎能让所有行业变得更有效率。

现在即便有一个国家想要消除AI，其他国家也不会这么做，所以这不是一个选项。

这意味着，人类如果想要生存，必须找到一个办法来训练AI，让它不要消灭人类。

我发表一下个人的观点，我认为各个国家应该在一些方面进行合作，比如网络攻击、致命自主武器、用于操纵公众意见的虚假视频，这样可以防止一些人来制造病毒。

以及我们现在需要进行国际合作，每个国家都希望人类能够掌控世界，而不是AI。如果一个国家能找到办法来预防AI操纵世界，那么这个国家也很乐意去告知其他国家如何做。所以我们希望会有一个AI安全机构，能够研究、培训AI如何更聪明、更向善。

我还有一个问题，全球或者是AI能力突出的国家应该思考一下，怎么让AI来不要想消灭人类、不要想统治世界，而是乐意做辅助工作，尽管它比人类更聪明。

现在我们还不知道该如何做这件事，这也是从长期来说人类面临的最重要的问题，在这个问题上，所有的国家都是可以一起合作的，谢谢！

— 完 —