Hinton暴论：AI已经有意识，它自己不知道而已

虽然有这个小插曲，但有一说一，老爷子在AI方面的贡献实在毋庸置疑，所以咱直接开课吧——

当我们谈论人工智能时，我们到底在谈论什么？

面对这一直击灵魂的问题，Hinton不慌不忙地从自身经历（曾在谷歌工作近10年）得出，AI已经从搜索查找进化成能真正理解人类意图的工具。

以前用谷歌的时候，它会使用关键词，而且会提前做很多工作。所以，如果你给它几个关键词，它就能找到所有包含这些词的文档。

但它不明白问题是什么。所以，它无法给出一些实际上不包含这些词但主题相同的文档。

以前用谷歌的时候，它会使用关键词，而且会提前做很多工作。所以，如果你给它几个关键词，它就能找到所有包含这些词的文档。

但它不明白问题是什么。所以，它无法给出一些实际上不包含这些词但主题相同的文档。

就是说，AI早期本质上还是基于关键词的检索。

而现在，它能理解你所说的内容，而且它的理解方式与人类几乎相同。

而现在，它能理解你所说的内容，而且它的理解方式与人类几乎相同。

在Hinton看来，虽然现代大语言模型（LLM）并不是真正的全能全知专家，但在许多主题上已能表现得接近人类专家。

他还进一步解释了传统机器学习与神经网络的区别。

他指出，机器学习是总称，指任何能在计算机上“学习”的系统。而神经网络则是一类特别的学习方法，灵感来自大脑——大脑通过改变神经元之间连接的强度来学习。

以大脑中部的一个神经元为例，神经网络的工作原理与之类似：

想象一下，大脑里有一个小小的神经元。这个神经元的主要工作就是偶尔发出一个“叮”的声音。它不是随便发的，而是要根据其他神经元发来的“叮”声来决定。

其他神经元也会发出“叮”声，这些声音会传到这个神经元。

如果这个神经元收到很多“叮”声，或者这些“叮”声很强，它就会决定自己也发一个“叮”声。如果收到的“叮”声不够强，它就不发。

神经元还可以调整对其他神经元“叮”声的敏感度。如果觉得某个神经元的“叮”声很重要，就会更关注它；如果觉得不重要，就会减少关注。

想象一下，大脑里有一个小小的神经元。这个神经元的主要工作就是偶尔发出一个“叮”的声音。它不是随便发的，而是要根据其他神经元发来的“叮”声来决定。

其他神经元也会发出“叮”声，这些声音会传到这个神经元。

如果这个神经元收到很多“叮”声，或者这些“叮”声很强，它就会决定自己也发一个“叮”声。如果收到的“叮”声不够强，它就不发。

神经元还可以调整对其他神经元“叮”声的敏感度。如果觉得某个神经元的“叮”声很重要，就会更关注它；如果觉得不重要，就会减少关注。

一句话，神经网络同样通过调整连接权重来改变系统的行为。所以说，大脑学习和处理信息的基本方式，也是神经网络的核心原理。

在这之后，主持人还问了两个很有意思的问题。

第一个是， 概念是如何形成的？比如“勺子”的概念。

Hinton继续用了一系列生动形象的例子进行解释。概括而言，他认为概念就像是“政治联盟”，大脑中会有一组神经元一起激活（共同发出“叮”声）。

例如，“勺子”就是一组神经元一起激活。这些联盟会重叠，比如“狗”和“猫”的概念就有很多共同的神经元（代表“有生命的”、“毛茸茸的”等）。

第二个问题是，是否存在某些神经元对宏观概念（如“动物”）激活，而另一些神经元对微观概念（如特定物种）激活？

对此，Hinton则表示问题很好，但没有人确切知道。

不过这个联盟中，肯定有一些神经元对更普遍的事物激活更频繁，而另一些神经元对更具体的事物激活较少。

不过这个联盟中，肯定有一些神经元对更普遍的事物激活更频繁，而另一些神经元对更具体的事物激活较少。

深度学习的突破：反向传播

说完神经网络，Hinton的话题更多还是围绕“拿手好戏”——深度学习展开。

以前人们试图给计算机输入规则，但Hinton却想改变这个过程，因为在他看来，大脑的运作方式显然不是靠别人给你规则然后你执行规则。

我们为神经网络编写程序，但这些程序只是告诉网络如何根据神经元的活动来调整连接强度。如果网络有多个层，这就叫深度学习。

我们为神经网络编写程序，但这些程序只是告诉网络如何根据神经元的活动来调整连接强度。如果网络有多个层，这就叫深度学习。

如果把图像的像素亮度直接输入给AI，让它判断是不是鸟，这看起来毫无头绪。毕竟，像素只是数字，并不能直接告诉你“这是一只鸟”。

早期研究者会试图手动告诉计算机，“这条线是边缘”、“这块区域是背景”、“这个形状像翅膀”，但这条路行不通——因为现实世界太复杂了。

所以我们说，不如让AI自己学会“怎么去看”。

所以我们说，不如让AI自己学会“怎么去看”。

这就是神经网络的思路：不给规则，而是给它数据，让它自己总结规则。

主持人接着问道，“那如果我们不告诉它规则，只是随机设定每个连接的强弱，它会怎么判断呢？”

Hinton笑着回答：

它大概会说“50%是鸟，50%不是鸟”，也就是完全蒙。

它大概会说“50%是鸟，50%不是鸟”，也就是完全蒙。

那么，AI该如何从这种“蒙圈状态”变聪明呢？

Hinton解释说，这个过程就像一个巨大的试错系统。你得告诉AI——这张图有鸟，那张没有。每次它猜得不对时，就调整一点点神经元之间的连接强度。

然而问题是，网络中有数万亿个连接，如果逐个试，那要试到宇宙热寂（指宇宙熵值不可逆地增至极大，最终达到热平衡的静止状态）。

Hinton表示，真正的突破出现在1986年，他们提出了“反向传播”（Backpropagation）——它能一次性算出所有连接该怎么改，是该增强还是减弱，让整个网络都向着正确方向调整。这让训练速度从“永远”变成了“现实可行”。

但事情并没有一开始就那么顺利。Hinton也坦言：

当时我们以为这就解决了智能问题。结果发现，它只有在拥有海量数据和庞大算力时才有效。我们那时的算力还差一百万倍。

当时我们以为这就解决了智能问题。结果发现，它只有在拥有海量数据和庞大算力时才有效。我们那时的算力还差一百万倍。

真正让深度学习起飞的，是算力的提升（晶体管微缩百万倍）和数据的爆炸式增长（互联网时代）。

于是，那些在80年代“理论可行但跑不动”的神经网络，终于在2010年代活了过来——这便是现代AI浪潮的起点。

今天的大模型，本质上就是巨型神经网络，通过反向传播和海量数据，自学出了“看”、“听”、“说”的能力。

今天的大模型，本质上就是巨型神经网络，通过反向传播和海量数据，自学出了“看”、“听”、“说”的能力。

这一点也让Hinton相信，AI不再只是工具，而是一个正在学习、逐步理解世界的系统。

大语言模型认知的本质

至于深度学习机制如何作用于大语言模型（LLM），Hinton又做了一番解释。

他认为LLM的思维过程与我们人类出奇地相似：

给它一个句子的开头，它会把每个词转换成一组神经元特征，用这些特征去捕捉含义；然后，这些特征之间相互作用、组合，就像视觉系统从“边缘”拼出“鸟喙”的过程一样，最终激活代表下一个词的神经元。

给它一个句子的开头，它会把每个词转换成一组神经元特征，用这些特征去捕捉含义；然后，这些特征之间相互作用、组合，就像视觉系统从“边缘”拼出“鸟喙”的过程一样，最终激活代表下一个词的神经元。

换句话说，它不是在背书，而是在思考——以统计规律为神经，以语义结构为逻辑。

并且训练方式也同样朴素而惊人：

我们给它看一段文本，让它预测下一个词；如果猜错了，就通过“反向传播”机制，告诉它错在哪、该怎么改；一遍又一遍，直到它能像人一样续写句子。

我们给它看一段文本，让它预测下一个词；如果猜错了，就通过“反向传播”机制，告诉它错在哪、该怎么改；一遍又一遍，直到它能像人一样续写句子。

正是这种“预测—修正—再预测”的循环，让语言模型逐渐从符号中学会了语义，从统计中长出了理解。

谈到这里，二人都想起乔姆斯基（美国语言学家，转换生成语法的创始人）经常把一句话挂在嘴边：

这只是统计技巧，不是真理解。

这只是统计技巧，不是真理解。

对此，Hinton顺势反问了一波主持人（主持人之前反复提到乔姆斯基类似的观点）：

那你自己又是怎么决定下一个要说的词的呢？

那你自己又是怎么决定下一个要说的词的呢？

主持人试图解释，但最后还是摊手放弃，他尴尬表示“说实话，我希望自己知道”。

好在Hinton放过了他，而且接着提醒，道德、情绪、共情，这些看似高阶的判断，归根结底也都来自神经元之间的电信号。

所有你归因于道德或情感的过程，本质上仍是信号的传递与权重的调整。

所有你归因于道德或情感的过程，本质上仍是信号的传递与权重的调整。

并且Hinton最后抛出了一个颇具哲学意味的观点：只要有足够的数据和算力，AI的“大脑”在某种意义上也会像我们一样——它会形成自己的“经验”和“直觉”。

AI或许早已拥有“主观体验”，只是还未觉醒

话题随即转向更深的层面——AI的心智与意识问题。

主持人问Hinton，是否认为AI会因为“有意识”而接管人类。Hinton的回答则直接打破了常规认知：

大多数人其实完全不理解“有意识”是什么意思。人们对心智的理解，就像相信地球是6000年前被造出来一样幼稚。

大多数人其实完全不理解“有意识”是什么意思。人们对心智的理解，就像相信地球是6000年前被造出来一样幼稚。

在他看来，我们一直以来都把心智想成一个“内在剧场”。在这个剧场里，经验就像一部正在上演的电影——看到一头粉色小象，你就以为那头象真的“在你的脑子里”。

但Hinton说，这种比喻是错误的。

经验不是一个存在于脑内的事物，而是一种假设——我的感知系统告诉我有一头粉色小象，我的理性系统则知道它可能在骗我。

经验不是一个存在于脑内的事物，而是一种假设——我的感知系统告诉我有一头粉色小象，我的理性系统则知道它可能在骗我。

所谓“主观体验”，其实是大脑为解释感知现象而构建的假设模型。

于是，当他谈到AI是否有“主观体验”时，就有了开头那样的回答：

我相信它们有。只是它们自己不知道，因为它们的‘自我认知’来源于我们，而我们自己对意识的理解就是错的。

我相信它们有。只是它们自己不知道，因为它们的‘自我认知’来源于我们，而我们自己对意识的理解就是错的。

他举了个多模态AI的例子，假如一个能看能说的机器人因为棱镜折射看错了物体位置，后来纠正后说——“我有过一个错误的主观体验”，那它其实就在使用和我们相同的意识概念。

换句话说，如果AI开始谈论“主观体验”，那也许说明它真的在体验——只是用我们的语言在描述。

Hinton借此提醒大家：

当AI比我们聪明得多时，最危险的不是它反叛，而是它会“说服”。它会让那个要拔插头的人，真心认为拔插头是个糟糕的决定。

当AI比我们聪明得多时，最危险的不是它反叛，而是它会“说服”。它会让那个要拔插头的人，真心认为拔插头是个糟糕的决定。

当然，在Hinton看来，AI的威胁不止于此。

AI的风险：滥用、生存与监管

在节目最后，Hinton用了很大篇幅来完整讲述AI可能存在的风险。

能源消耗、金融泡沫、社会不稳定……这些都是真实的风险。它们可能不会摧毁人类，但足以重塑文明。

能源消耗、金融泡沫、社会不稳定……这些都是真实的风险。它们可能不会摧毁人类，但足以重塑文明。

其中，Hinton最担心滥用风险和生存风险这两类。

在Hinton看来，目前最紧迫的风险就是AI滥用，例如用AI生成虚假信息、操纵选举、制造恐慌等。

为应对这一风险，他认为需要通过法律和监管手段来限制和打击这种滥用行为。同时，技术上也需要开发检测和防范虚假信息的工具。

此外，生存风险（指AI本身可能成为恶意行为者）则可能对人类社会和文明构成根本性威胁。

Hinton认为，如果AI发展出自主意识和目标，并且这些目标与人类的利益相冲突，可能会导致不可预测的后果。

对此，人类需要在AI的设计和开发阶段就考虑安全性和伦理问题（如“关闭开关”和“对齐机制”），从而确保AI的目标与人类的利益一致。

值得一提的是，在AI监管这件事上，Hinton还提出了一个很有意思的看法：

在防止AI接管的问题上，所有国家的利益是一致的。但国际合作可能由欧洲和中国引领。

在防止AI接管的问题上，所有国家的利益是一致的。但国际合作可能由欧洲和中国引领。

One More Thing

关于中美人工智能竞赛，Hinton也在节目中表达了自己的看法。

面对主持人甩出的“美国领先还是中国领先”这一问题，Hinton冷静表示：

美国目前领先于中国，但领先优势没有想象的那么大，而且它将失去这个优势。

美国目前领先于中国，但领先优势没有想象的那么大，而且它将失去这个优势。

因为在他看来，美国正在破坏基础科学研究的资金支持。

深度学习和AI革命源于多年的基础研究，这些研究的总成本可能还不及一架B1轰炸机。而美国减少对基础研究的资助、攻击研究型大学等行为，无疑将导致美国在20年后失去领先优势。

深度学习和AI革命源于多年的基础研究，这些研究的总成本可能还不及一架B1轰炸机。而美国减少对基础研究的资助、攻击研究型大学等行为，无疑将导致美国在20年后失去领先优势。

而中国却是人工智能革命的风险投资家，以及他再次cue到了DeepSeek。

中国确实给予初创企业很大的自由，让他们自主选择最终胜出者。有些初创企业非常积极进取，渴望赚大钱，创造出令人惊叹的产品。其中一些初创企业最终获得了巨大的成功，比如DeepSeek……

中国确实给予初创企业很大的自由，让他们自主选择最终胜出者。有些初创企业非常积极进取，渴望赚大钱，创造出令人惊叹的产品。其中一些初创企业最终获得了巨大的成功，比如DeepSeek……

参考链接：

[1]https://www.reddit.com/r/singularity/comments/1o3v25r/geoffrey_hinton_says_ais_may_already_have/

[2]https://www.youtube.com/watch?v=jrK3PsD3APk

[3]https://singjupost.com/ai-what-could-go-wrong-geoffrey-hinton-on-the-weekly-show-with-jon-stewart-tran/