广州南沙举办千人公益长跑活动 传递文明新风

文｜王方玉

编辑｜苏建勋

7月26号，世界人工智能大会WAIC的开幕主论坛上，多位AI行业的顶级大咖出席并发表演讲，为与会者烹饪了一道学术大餐。

“深度学习教父”、图灵奖、诺贝尔奖得主杰弗里·辛顿（Geoffrey Hinton）是最受关注的演讲者，他真人出席，发表了名为《数字智能是否会取代生物智能？》的演讲。这也是他在中国的首次公开演讲。

大会前夕，辛顿和全球20位人工智能领域的顶级专家，刚刚在上海签完人工智能安全的“上海共识”。他的大会发言，同样也围绕人工智能安全为核心。

辛顿首先回顾了从早期模型到现代大语言模型的发展历程，并指出大语言模型已经实现了对语言理解的深度模仿，这与人类理解语言的方式是相似的。

但不同的是，AI系统具有“永生性”，且机器之间知识的复制可以在极大规模下进行，实现指数级的知识转移。因此AI的能力正在快速增长。

他由此提出疑问，如果未来AI比人更智能会怎么样？“如果AI足够聪明，它会通过操纵人类、获得控制权等方式来避免被关闭。”

因此，辛顿警示了人工智能超越人类智能的可能性及其带来的风险。“从长远来看，这是人类面临的最重要问题之一。”

辛顿提醒，AI可能发展出比人类更高级的智能，这将改变人类作为最智能生物的地位。AI智能体可能追求生存和控制力，这可能导致它们操纵人类，就像成年人操纵三岁孩童一样。因此，人类必须找到方法来训练AI，确保其不会对人类构成威胁。

与辛顿的发言主题不同，作为AI创业者，MINIMAX创始人、首席执行官闫俊杰的发言更多围绕AI大模型的实践和落地，主题是《每个人的人工智能》。

闫俊杰以AI在数据分析、信息追踪、创意设计及视频制作等方面的高效应用举例，指出了人工智能不仅是一种强大的生产力，也是对个人能力和社会能力的一个持续增强，并且未来AI大模型成本将越来越低，能力越来越强。

他判断，AI大模型不会被一家或者多家组织垄断。未来AGI一定会实现，并且将会是服务大众、普惠大众的一件事。

“如果有一天AGI实现了，我认为实现过程一定是需要AI公司和它的用户一起来实现的。并且AI模型或者AGI（的所有权）应该属于AI公司和它的广泛用户，而不是只属于单个组织某家公司。”

以下是经智能涌现编辑的嘉宾发言实录：

诺贝尔奖、图灵奖得主、多伦多大学计算机科学名誉教授 Geoffrey Hinton： 数字智能是否会取代生物智能？

从大约60年前开始，AI就发展出了两种不同的范式。一种是「符号主义」路径，强调逻辑推理的能力。我们通过规则操作符号来进行推理，这种方式可以帮助我们理解知识是如何被表达与处理的。这类AI模型的基础是对符号的处理，被认为更符合逻辑智能的本质。

另一种路径则以生物智能为基础，是图灵与冯·诺依曼更倾向相信的方式。他们认为智能的本质在于从神经连接中学习，在于速度、结构和连接模式的改变。这种「连接主义」强调的是学习与适应，而非显式的逻辑规则。

1985年，我曾构建过一个非常小的模型，试图将这两种理论结合起来。我的想法是：每一个词都可以由多个特征（features）表示，而这些特征之间可以被用来预测下一个词。这个模型不存储完整的句子，而是通过生成语言来学习词汇之间的关系。

这种方式强调语言中的「语义特征」——也就是说，我们并不是仅仅靠规则，而是通过「理解」词汇的语义来进行预测。这为后来计算语言学界接受特征表示打下了基础。二十年后，这种思想得到了进一步发展，例如被用于构建更大规模的自然语言处理系统。

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。

图源：企业授权

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。

MINIMAX创始人、首席执行 闫俊杰： 每个人的人工智能

大家好，我给大家分享的题目是《每个人的AI，Everyone’s AI》。讲这个题目，跟我个人过去经历有关。当Hinton先生开始设计AlexNet之时，我是国内第一批从事深度学习研究的博士生；当AlphaGo人机大战上演，也是人工智能走进所有人视野之时，我在参与一家创业公司；而当ChatGPT出来的前一年，我们开始创立MiniMax，也是国内第一批大模型公司。

在过去的15年里，当我每天面对任务写代码，看论文做实验的时候，一直都在想一件事：如此受关注的人工智能到底是什么？人工智能跟这个社会到底有什么样的联系？

随着我们模型变得越来越好，我们发现人工智能正逐步成为社会的生产力。比如，我们在做人工智能研究的时候，每天需要分析大量的数据，一开始我们需要来写一些软件来分析这些数据，后续我们发现其实可以让AI来生成一个软件，来帮助分析所有数据。作为一个研究员，我非常关心每天AI领域的所有进展，一开始我们设想，是不是可以做一款APP，来帮我们追踪各领域的进展？后面我们发现，这件事也不需要自己来做，让一个AI Agent来自动跟踪更加高效。

AI是更强的生产力，也是越来越强的创意。比如，15年前上海举办世博会的时候，有一个非常火爆的吉祥物叫“海宝”。过去15年，上海有了全方位的发展，我们如果想继续用“海宝”IP生成一系列更具上海特色，符合时下潮流的衍生形象时，AI可以做得更好。正如现场屏幕展示的，徐汇书院×海宝、武康大楼×海宝，AI能一键直出，帮我们生成各种各样的创意形象。

再比如最近非常火的Labubu，此前制作一个Labubu创意视频，可能需要两个月，花费大约几十甚至百万人民币。通过越来越强的AI视频模型，像大屏幕右边展示的Labubu视频，基本一天时间就可以生成出来，成本只有几百块钱。

过去六个月，我们的视频模型海螺（Hailuo）已经在全世界生成超过3亿个视频。通过高质量的AI模型，互联网上的大部分内容与创意会变得越来越普及，低门槛让每个人的创意得以充分发挥。

除了释放生产力与创意之外，我们发现，AI的使用其实已经超出最初的的设计与预期，各种各样想象不到的应用场景正在发生；比如解析一个古文字、模拟一次飞行、设计一个天文望远镜……这样意想不到的场景，随着模型能力越来越强，变得越来越可行；仅仅需要少量协作，就可以增强每个人的创意。

面对这么多变化，一个想法开始在我的心里涌现出来：作为一个AI创业者，AI 公司并不是重新复制一个互联网公司，AI是一个更基础更根本的生产力，是对个人能力和社会能力的持续增强。这里有两点比较关键：第一、AI是一种能力，第二是AI是可持续的。

人类很难突破生物定律，永不停歇学习新知识，持续变聪明，而AI可以。当我们在建造更好的AI模型时，我们也发现，AI也在和我们人类一起进步，一起做出来更好的AI。就在我们公司内部，员工每天需要写很多代码，做很多研究型实验，这里边大概有70%的代码是AI来写，90%数据分析是靠AI来做。

图源：企业授权

AI怎么能变得越来越专业？大约在一年前，当时训练模型还需要大量的基础标注工作，标注员是一个不可或缺的工种。而今年，当AI能力变得越来越强的时候，大量机械的标注工作被专业AI完成，标注员则可以专注于更有价值的专家型工作，一起帮助模型变得更好。标注工作也不再是简单给AI一个答案，而是教会AI思考的过程，让AI来学习人类的思考过程，从而使AI能力变得更加泛化，越来越接近人类顶尖专家的水平。

除了通过专家来教AI之外，还有另外一种进步，就是在环境中大量学习。在过去半年，通过各种环境，从编程IDE，到Agent环境，再到游戏沙盒，当我们把AI放到一个能够持续提供可验证的奖励环境中学习，只要这个环境可以被定义出来，有明确的奖励信号，AI就可以把问题给解决。这个强化学习也变得可持续，规模越来越大。

基于上面的原因，我们非常确定AI会越来越强，并且可能是无止境地强。

接下来出现的问题是，AI这么强，对社会的影响越来越大，那么AI到底会不会被垄断？它是会被掌握在一家组织里，还是掌握在多家组织里呢？

我们认为，AI领域一定会有多个玩家持续存在。原因有三点：第一，我们目前用到的所有模型，都依赖对齐（Model Alignment）。很明显，不同模型的对齐目标其实是不一样的，比如有的模型对齐目标是一个靠谱的程序员，那么做 Agent就会特别的强；有的模型它对齐目标是与人的交互，那么它就会比较有情商，能够做流畅的对话；有的模型可能会充满想象力。不同的对齐目标反映了不同公司或者组织的价值观，这些价值观最终会导致模型的表现非常不一样，也会使得不同的模型拥有各自的特点，并且长期存在。

第二，我们在最近半年用的AI系统其实都已经不是单个模型了，而是一个多 Agent系统，里面涉及多个模型，不同的模型也可以使用不同的工具，通过这样的方式让AI智能水平越来越高，能够解决越来越复杂的问题。这个东西带来的结果是，单一模型的优势在这样一个多Agent系统里逐渐变弱。

第三，在过去半年，有很多非常智能的系统，都不是大公司所拥有的。背后的原因，是过去一年开源模型如雨后春笋般涌现，开源模型变得越来越有影响力。这张图是过去一年比较受关注AI的排行榜，可以发现最好的模型还是闭源的，但最好的开源模型越来越多，同时也在不断逼近最好的闭源模型。

基于这三点原因，我们认为，AI一定会被掌握在多家公司的手中。

与此同时，我们认为AI一定会变得越来越普惠，使用成本也会变得更加可控。

在过去一年半，AI模型的大小没有发生特别大的变化，即便我们可使用算力更多了。为什么呢？对所有实用模型而言，计算速度是一个比较关键的因素。如果模型计算速度特别慢，就会降低用户的使用意愿，所以所有公司都关注模型的参数量和智能水平之间的平衡。

此前，模型大小增长和芯片的进步速度基本上是成正比的。我们知道芯片的进步速度是每18个月会翻一倍，模型也会相应保持这样的增长趋势。而现在，虽然大家都有更多的算力了，模型参数却没有变得更大。那这些增长的算力花在哪呢？

首先说训练，规模增长的速度在过去半年已经变得比较缓慢，训练单个模型的成本实际上却没有显著增加。这些算力花在做更多的研究跟探索上。而我们知道研究和探索，除了取决于算力之外，还取决于高效的整体实验设计，高效的研发团队，以及一些天才的创意。结果是，拥有非常多算力的公司和没拥有那么多算力的公司，在训练上其实的差异可能不会那么大。没有那么多算力的公司，可以通过持续提升自己的实验设计、提升思考能力和组织形式，让实验探索变得更加高效。

再说推理，在过去一年，最好模型的推理成本其实是降了一个数量级，通过大量的计算网络系统和优化算法，我们认为在接下来一两年之内，最好模型的推理成本可能还能再降低一个数量级。总结而言，我们认为训练单个模型的成本不会显著地增加。

我们认为，大量创新能让AI研发变成一个没有那么烧钱的行业，但是算力使用还会增加。尽管Token会变得很便宜，但是使用Token的数量会显著增加。去年ChatBot单个对话只要消耗几千个Token，现在Agent单个对话可能消耗几百万个Token，并且因为AI解决的问题越来越复杂，越来越实用，那么用的人也会越来越多。

让每个人都用得起AI，这是我们对AI发展的判断。Intelligence with Everyone，这也是我们创业的初衷。我们认为AGI一定会实现，并且一定会服务大众、普惠大众。

如果有一天AGI实现了，其过程一定是由AI公司和它的用户一起来实现，并且这个AGI应该属于多家AI公司和它的广泛用户，而不是只属于单个组织某家公司。

我们也愿意长期为这个目标而奋斗。感谢大家！