诺奖得主辛顿的最后通牒：全球协作控制人工智能，否则后果自负

热门资讯 2025年07月27日 17:16 1 admin

在2025年世界人工智能大会上，“AI教父”杰弗里·辛顿（Geoffrey）他指出，随着超越人类的通用人工智能（AGI）渐行渐近，人类社会正面临一个根本性的抉择：要么现在就找到方法，确保人工智能永远不会伤害人类；要么最终被其终结。为此，他正式提出，全球主要人工智能大国应建立一个国际性的安全研究社群，共同攻克如何训练人工智能“向善”这一核心问题。

辛顿的紧迫感，源于他对数字智能本质的深刻洞察。他在演讲中强调，人工智能与人类智能存在根本不同：软件形式的人工智能可以被完美复制，无数人工智能副本能在不同的硬件上运行，并通过高效的数字通信瞬间共享所有学习成果。体智能”的学习效率远超缓慢、且知识无法直接复制的生物大脑。他用“养虎为患”来比喻人类当前的地位：一旦人工智能的智能水平超越人类，就会有足够的能力支撑人类以确保自身生存，“简单地关闭它”将不再是一个可移动的选项。

这一潜在的生存威胁，辛顿排除了“面对消灭人工智能”的可能性，因为其在医疗、气候变化和科学发现等领域的巨大国家利益，以及全球竞争下任何都会单方面。因此，唯一的出路是“控制”。他认为，尽管各方在网络武器、信息战等领域因利益冲突而难以合作，但在“防止人工智能失控”没有这一共同的生存威胁上，存在外接的合作基础。

他提议的国际社群，其核心任务是研究一个与当前AI能力竞赛完全不同的技术问题：即“AI对齐”（AI Alignment），如何将人类的复杂价值观和安全底线接入AI的核心目标功能中。辛顿坦言，我们目前尚不知道具体方法，但已成为人类面临所最重要且刻不容缓的长期会议。这位曾为世界带来深度学习革命的科学家，如今正以最清醒的姿态，呼吁全球在失控风险面前建立统一战线。

以下是杰弗里·辛顿2025WAIC现场演讲实录：

各位同事、阁下、领导、女士们、先生们，首先非常感谢大家给我这个机会，分享我对AI历史及未来的个人观点。在过去60多年里，AI发展存在两种不同的范式和路径。一种是逻辑性范式，这是过去一个世纪的主流，认为智能的本质在于推理，通过符号规则对符号表达式进行操作来实现推理，以此帮助我们更好地理解世界。另一种是以生物为基础的范式，这是图灵和冯・诺依曼所认同的，他们认为智能的基础是学习，是理解网络中的连接速度，而理解是前提，之后才能进行转化。与这两种理论相对应的是不同的AI类型。符号型AI关注数字，而这些数字如何成为核心关注点，心理学家则有完全不同的理论——他们认为数字的意义在于一系列语义学特征，这些特征的存在使其成为独特的标志。

1985年，我做了一个小型模型，尝试结合这两种理论，以此理解人们对词语的理解方式。我给每个词设置了多个不同特征，记录前一个词的特征后，就能预测下一个词是什么。在这个过程中，我没有存储任何句子，而是生成句子并预测下一个词。其中的相关性知识，取决于不同词的语义特征之间的互动方式。

如果问未来30年会发生什么，从发展轨迹能看到一些趋势。十年后，有人沿用这种建模模式，但将规模大幅扩大，使其成为自然语言的真实模拟。20年后，计算语言学家开始接受用特征向量嵌入来表达语义。又过了30年，谷歌发明了Transformer，OpenAI的研究人员也向人们展示了它的能力。所以我认为，如今的大语言模型就是我当年微型语言模型的 “后代”。它们使用更多词作为输入，采用更多层的神经元结构，由于需要处理大量模糊数字，学习特征之间也建立了更复杂的交互模式。但和我做的小模型一样，大语言模型理解语言的方式与人类相似——基本逻辑是将语言转化为特征，再以完美的方式整合这些特征，这正是大语言模型各层级所做的工作。因此我认为，大语言模型和人类理解语言的方式相同。

用乐高积木来打比方或许能更好地解释 “理解一句话” 的含义。符号型 AI 是将内容转化为清晰的符号，但人类并非如此理解。乐高积木能拼出任何 3D造型，比如小车模型。如果把每个词看作多维度的乐高积木（可能有几千个维度），语言就成了一种建模工具，能随时与人沟通，只要给这些 “积木” 命名——每个 “积木” 就是一个词。

不过，词和乐高积木有很多不同：词的符号形态可根据情况调整，而乐高积木造型固定；乐高积木的拼接是固定的（比如正方形积木插入正方形孔洞），但语言中每个词仿佛有多个 “手臂”，要通过合适的 “握手” 方式与其他词互动，词的 “造型” 变化，“握手” 方式也会改变。当一个词的 “造型”（即意思）改变，它与下一个词的 “握手” 方式就会不同，进而产生新的含义。这就是人脑或神经网络理解语义的根本逻辑，类似蛋白质通过氨基酸的不同组合形成有意义的结构。

所以我认为，人类理解语言的方式与大语言模型几乎一致，人类甚至可能和大语言模型一样产生 “幻觉”，因为我们也会创造出一些虚构的表达。

软件中的知识是永恒的，即便存储LLM的硬件被摧毁，只要软件存在，就能随时 “复活”。但要实现这种 “永生”，晶体管需在高功率下运行以产生可靠的二进制行为，这个过程成本很高，且无法利用硬件中不稳定的类似特性——它们是模拟型的，每次计算结果都不同。人脑也是模拟型而非数字型的，神经元每次激发的过程都一样，但每个人的神经元连接方式不同，我无法将自己的神经结构转移到他人脑中，这就导致知识在人脑间的传播效率远低于在硬件中的传播。

软件与硬件无关，因此能 “永生”，还能带来低功耗优势——人脑只需30瓦特就能运转。我们的神经元连接达数万亿个，无需花费大量资金制造完全相同的硬件。但问题在于，模拟模型间的知识转移效率极低，我无法直接将脑中的知识展示给他人。

Deepseek的做法是将大神经网络的知识转移到小神经网络中，即 “蒸馏”，类似教师与学生的关系：教师将词语在上下文中的关联教给学生，学生通过调整权重学会表达。但这种方式效率很低，一句话通常只有100个比特的信息，即便全被理解，每秒最多也只能传递约100个比特。而数字智能间的知识转移效率极高，同一神经网络软件的多个拷贝在不同硬件上运行时，能通过平均化比特的方式分享知识。如果智能体在现实世界中运行，这种优势更明显——它们能不断加速、拷贝，多个智能体比单个智能体学得更多，还能分享权重，这是模拟硬件或软件做不到的。

生物计算功耗低，但知识分享难。如果能源和计算成本低廉，情况会好很多，但这也让我感到担忧——几乎所有专家都认为，我们会创造出比人类更智能的AI。人类习惯了作为最智能的生物，很难想象AI超越人类的场景。其实可以换个角度：就像养鸡场的鸡无法理解人类一样，我们创造的AI智能体已能帮我们完成任务，它们能拷贝自身、评估子目标，还会为了生存和完成目标而寻求更多控制权。

有人认为可以在AI变得过强时关掉它们，但这并不现实。它们可能会像成年人操纵3岁孩子一样操纵人类，劝说控制机器的人不要关闭它们。这就像把老虎当宠物，幼虎很可爱，但长大后可能伤人，而养老虎当宠物通常不是好主意。

面对AI，我们只有两个选择：要么训练它永远不伤害人类，要么 “消灭” 它。但AI在医疗、教育、气候变化、新材料等领域作用巨大，能提升所有行业的效率，我们无法消除它——即便一个国家放弃AI，其他国家也不会。因此，若想让人类生存，必须找到训练AI不伤害人类的方法。

我个人认为，各国在网络攻击、致命武器、虚假信息操纵等领域的合作难度较大，因利益和看法不同。但在 “人类掌控世界” 这一目标上，各国存在共识：若有国家找到防止AI操控世界的方法，一定会愿意分享。因此我提议，全球主要国家或AI大国应建立一个由AI安全机构组成的国际社群，研究如何训练高智能AI向善 —— 这与训练AI变得聪明的技术不同。各国可在自身主权范围内研究，再分享成果。尽管目前还不知道具体怎么做，但这是人类长期面临的最重要问题，且所有国家都能在此领域合作。

谢谢大家