人工智能已經(jīng)成為當(dāng)今最熱門的話題之一，然而很多人仍然覺得它遙不可及，事實(shí)上它早已悄然融入我們的生活，默默為我們的衣食住行提供助力。這種既遠(yuǎn)又近的感覺，恰恰是人工智能最特別的地方。

近日，中央電視臺·央視頻特別節(jié)目《AI1001課》與中信出版集團(tuán)共同邀約到國內(nèi)外兩位人工智能領(lǐng)域的知名專家學(xué)者：中國工程院院士、之江實(shí)驗(yàn)室主任、阿里云創(chuàng)始人王堅(jiān)博士和《大語言模型》作者特倫斯·謝諾夫斯基教授，與我們共同走進(jìn)人工智能的世界，看看它如何影響當(dāng)下塑造未來。

以下為對話內(nèi)容精華摘編。

大語言模型、三體與平權(quán)

主持人：

談到人工智能，其實(shí)很多人最開始認(rèn)識到它，應(yīng)該是從一些科幻電影或者一些科幻小說當(dāng)中。想問問王博士，有沒有讓您記憶深刻的科幻電影或者科幻小說？

王堅(jiān)：

可能大家比較熟悉的就是《黑客帝國》。如果你記不得它是人工智能，但這個電影里邊肯定有個畫面大家不會忘掉，就是一串像代碼一樣的字符往下掉。這是那個時代最科幻的，甚至把那個時代的顏色也體現(xiàn)出來了——綠綠的，白白的，那樣就是未來。所有跟綠色有關(guān)的都自帶一種科技感和未來感。

最近幾年大家覺得比較科幻的就是《三體》，它反映了人們對一些今天還未知的、不存在的東西的追求。但實(shí)際上，今天人工智能已經(jīng)開始深入到我們的生活，它不再是一個未來式的東西。尤其是今年年初，DeepSeek給我們帶來巨大的驚喜。這半年以來有非常非常多的人工智能應(yīng)用上線。

除此之外，很多人都知道芯片是人工智能最基本的東西，如果我們沒有芯片，可能人工智能就沒法運(yùn)作。可是很少人知道另外一句話：在如今，如果沒有人工智能，芯片也造不出來。

如今芯片的復(fù)雜度，已經(jīng)到了沒有人工智能就做不了芯片。如果去看谷歌這些企業(yè)就會發(fā)現(xiàn)，他們花了很多精力在講人工智能怎么幫助我們設(shè)計(jì)下一代芯片。所以其實(shí)人類發(fā)展到今天，我們碰到的事情復(fù)雜度已經(jīng)非常非常大了，如果沒有一些更加先進(jìn)的工具來幫助我們，事實(shí)上我們很難做一些事情。

另外比如去年的這個巴黎奧運(yùn)會，我當(dāng)時跟奧委會開會聊奧林匹克的人工智能的議程的時候，我跟他們說過這樣一句話：其實(shí)觀眾是沒有真正看到奧運(yùn)會精彩的鏡頭的，觀眾只看到了導(dǎo)演認(rèn)為的精彩的鏡頭，其實(shí)大部分的鏡頭可能從來沒人看過。所以去年奧運(yùn)會，大家看到了很多因?yàn)橛辛巳斯ぶ悄懿乓姷降木淑R頭。所以人工智能其實(shí)比我們想象的有更多應(yīng)用場景。

電影《黑客帝國》劇照

主持人：

可能在過去，很多科學(xué)的術(shù)語跟老百姓其實(shí)沒有太多的關(guān)系，但現(xiàn)在人工智能時代來臨之后，跟人工智能有關(guān)的一些術(shù)語好像我們必須也要知道一下。在過去的一年的時間里面，媒體上不斷地出現(xiàn)各種各樣跟人工智能相關(guān)的詞語，比如像云計(jì)算、深度學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)、大語言模型。您能不能快速地幫我們掃掃盲？

王堅(jiān)：

第一個最關(guān)鍵的問題就是計(jì)算和智能的關(guān)系。人工智能是離不開計(jì)算的，云計(jì)算是今天為人工智能提供計(jì)算的最好的方式。聯(lián)合國去年寫過報(bào)告，認(rèn)為云計(jì)算現(xiàn)在不能夠讓所有人平權(quán)地去訪問，這依舊是我們打造一個更具包容性的人工智能生態(tài)最大的障礙。

所以我想直接一點(diǎn)，如果沒有今天的云計(jì)算，可能就不會有今天的人工智能，盡管是兩個不同的技術(shù)，但是它們之間真的是唇齒相依的關(guān)系。

第二件事情，我想先說大語言模型。大語言模型是普通老百姓真正認(rèn)識到人工智能就在身邊，是觸手可及的一個非常重要的機(jī)會，因?yàn)榇笳Z言模型你每天都可以用，可以理解成今天的人工智能就是以大語言模型為代表。

人工智能有很長的過去，只有很短的歷史，大語言模型就是今天的人工智能。大語言模型也讓今天的人工智能跟以前的人工智能劃了一條分水嶺，是徹底不一樣了。

當(dāng)然中間有兩個非常重要的過渡。在技術(shù)發(fā)展的歷史上，大語言模型依賴于神經(jīng)網(wǎng)絡(luò)的架構(gòu)。通俗來講，就是受大腦啟發(fā)出來的東西那就是神經(jīng)網(wǎng)絡(luò)本身的東西。中間又有一個很重要的問題是，怎么能夠把數(shù)據(jù)很好地應(yīng)用，那深度學(xué)習(xí)就出來了。

所以從這個角度，深度學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)是建立在云計(jì)算的基礎(chǔ)上，為大語言模型做了最重要的一個技術(shù)的儲備。在過去用神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)其實(shí)醞釀了不同的技術(shù)，但是很多沒有走到我們今天的大語言模型。所以這也是為什么大語言模型是有它獨(dú)立存在的條件。

如果再總結(jié)一下，云計(jì)算是所有東西的基礎(chǔ)，像基礎(chǔ)設(shè)施一樣的存在，神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)是一個非常重要的基礎(chǔ)的方法，這個方法可能可以促成很多不同的新的東西誕生，但是其中最重要一個東西的誕生就是我們今天說的人工智能，叫大語言模型。但是大語言模型又不是人工智能的全部的表現(xiàn)形式。

如果用汽車做個類比，大語言模型就是人工智能的引擎，至于你是造個跑車還是轎車，那大家都有各自的方法。

人工智能在今年破圈，或者是說在最近幾年里面集中式的爆發(fā)，最重要的是它真的做到了足夠好，它真的通過了圖靈測試。

所以我覺得這是所有技術(shù)的一個最基本的要求，就是你能不能好到一定程度，真的能幫助人，而非只是好到能夠跟人炫耀一下我有這個技術(shù)。

事實(shí)上，這背后有個很重要的契機(jī)，那就是互聯(lián)網(wǎng)的發(fā)展，大語言模型是把整個互聯(lián)網(wǎng)裝到了一個模型里面。過去我們做搜索也是在互聯(lián)網(wǎng)上找東西，在過去幾十年互聯(lián)網(wǎng)上積累的所有東西被大語言模型裝到了一個口袋里，使得我們今天有機(jī)會真的能夠看到一個像人類智能一樣的東西的出現(xiàn)。所以我想這可能是它發(fā)展背后的一個非常非常重要的原因。

主持人：

王博士，您現(xiàn)在所在的之江實(shí)驗(yàn)室發(fā)射了一顆智能衛(wèi)星，在太空中進(jìn)行組網(wǎng)，要把算力布置在太空當(dāng)中，這個項(xiàng)目還有一個非常動聽的名字叫“三體計(jì)算星座”。這不禁讓人聯(lián)想到劉慈欣的科幻小說。

當(dāng)我們還在關(guān)注人工智能如何改善我們陸地生活的時候，你們怎么想到把人工智能送上天？這件事情的意義是什么？

王堅(jiān)：

這其實(shí)是個很大的話題，一是與我們對人工智能的認(rèn)知有關(guān)系，我自己覺得人類對太空的探索一定是我們很大的一個窗口，像之江實(shí)驗(yàn)室是做前沿研究的實(shí)驗(yàn)室，在今天對地面很多場景的應(yīng)用，人工智能已經(jīng)到了一個相當(dāng)完善的境界了，我是非常有信心的，但是我們要問一個問題是，下面的探索在哪里？我覺得太空就是一個非常好的地方。

我想說一個最簡單的數(shù)據(jù)，盡管我們了解地球好像很多了，但事實(shí)上我們對地球還是沒那么了解。來舉個最簡單的例子，事實(shí)上我們今天有那么多遙感衛(wèi)星在太空，大概只有不到20%的數(shù)據(jù)被傳回到地面，非常地限制我們對地球本身的了解。

大家都知道，你不從外太空了解地球那就是盲人摸象。當(dāng)你發(fā)現(xiàn)只有不到20%的數(shù)據(jù)能傳回來，那就說明什么，說明天上沒有足夠的算力。

過去大家為什么覺得這件事情還沒那么迫切，因?yàn)橐赃^去的算力，到了天上也沒有更好的手段能真的了解地球，做個模型出來。那人工智能恰巧在這個時候也相對成熟了，所以我想，把算力搞到天上、把模型搞到天上，就變成了一個非常直接的命題。

在國際上也有一個非常好的想法，把它叫做地球智能。我們對地球的了解也到了另外一個水平上，不再只是拍幾張地球的照片。今天如果不把在太空的衛(wèi)星互通互聯(lián)起來，是沒有辦法形成我們要的算力規(guī)模的。

所以中間有一個必要的過程就是太空中衛(wèi)星的互通互聯(lián)，但這個也是今天面臨的非常窘迫的現(xiàn)狀——現(xiàn)在天上有那么多衛(wèi)星，但衛(wèi)星之間是沒有關(guān)系的，它只能單一跟地面進(jìn)行通訊，甚至這些衛(wèi)星到了地面也互相沒有關(guān)系，這樣的話就受到了大大限制。

所以“三體計(jì)算星座”就是把算力送到太空，能做到讓衛(wèi)星互通互聯(lián)，最后把人工智能帶到太空，使得我們對地球的了解有一個全面支持可持續(xù)的發(fā)展。但是再往前走一步，其實(shí)地球上的所有表象也不是地球自己決定的，事實(shí)上是由太陽決定，所以自然而然就會想到怎么了解太陽。今天有科學(xué)家就在設(shè)想，我們應(yīng)該發(fā)射太陽人造衛(wèi)星，圍繞著太陽轉(zhuǎn)。

可以放太陽人造衛(wèi)星的地方，大概距離太陽有一億五千萬公里，離地球也有一億五千萬公里。如果要傳回?cái)?shù)據(jù)來，技術(shù)上基本是不可行的。所以這個時候就需要完整地部署一個太空計(jì)算的系統(tǒng)。當(dāng)然，人最后要走出地球到火星上去，那就更加需要這個系統(tǒng)。

所以我想這樣其實(shí)是讓我們對技術(shù)的未來會更有信心，當(dāng)然倒過來講這樣的技術(shù)嘗試對推動我們本身的發(fā)展有非常大的作用。

主持人：

那有多少衛(wèi)星才算是可以把這個系統(tǒng)串起來呢？

王堅(jiān)：

作為一個實(shí)驗(yàn)室最基本的大概需要一千顆衛(wèi)星，唯一的辦法就是大家一起做，所以要創(chuàng)造一個新的機(jī)制才能做這樣的創(chuàng)新，這個機(jī)制就反映在我們這個“星座”的名字上，叫三體。那么三體從科學(xué)的含義上，當(dāng)然是來自牛頓的一個表達(dá)。在宇宙里面，只有兩個物體之間的關(guān)系是有確定的解的，但當(dāng)有第三個物體的時候，這個事就變得無限復(fù)雜。我們想做的是在這樣一個環(huán)境下，我們能不能跟成百上千的企業(yè)合作，真的去完成這樣一件事情，所以我們就把它叫做三體。

所以看上去，這個計(jì)劃最后還是要所有人的力量加起來。我們在國際上講這句話的時候還是很打動別人的——我們想最后“三體計(jì)算星座”可以把每一顆衛(wèi)星，分享給世界上的每一個人。

在這個軌道中的衛(wèi)星，也許它并不是專門做這件事情的，但我們打上去的那幾顆星是專門做這件事情，需要借助更多的衛(wèi)星來組成這個網(wǎng)絡(luò)。而且衛(wèi)星恨不得你就是一個國家才有一顆，或者大公司有一顆，但我們希望以后每一個個體都可以在這樣的一個計(jì)劃里，這樣整個社會的創(chuàng)造力就會被大大地激發(fā)出來。

所以今天我們談到人工智能的時候，經(jīng)常跟另外一個詞“平權(quán)”放在一起。其實(shí)它是一個分享的過程，如果我們不是站在自己的角度而是站在社會創(chuàng)造力的角度，我們在這個地球上的每一個人的創(chuàng)造力才能被充分地發(fā)揮出來，所以我想“三體”這個命名也有這個含義。

如何防止人工智能毀滅人類？“母愛”

主持人：

接下來就要請出我們的另一位嘉賓。讓我們歡迎美國國家科學(xué)院、國家工程院、國家醫(yī)學(xué)院以及藝術(shù)與科學(xué)學(xué)院的四院院士，索爾克研究所弗朗西斯·克里克講席教授、計(jì)算神經(jīng)生物學(xué)實(shí)驗(yàn)室主任，特倫斯·謝諾夫斯基教授。

兩位身上有很多共通的地方，第一個，兩位都是跨學(xué)科的破界的專家：王教授是心理學(xué)的教授，特倫斯一位是腦神經(jīng)科學(xué)的教授，但是他們都不約而同地在人工智能的領(lǐng)域?qū)崿F(xiàn)了重大的突破，而且他們都是大型科研實(shí)驗(yàn)室的負(fù)責(zé)人。在努力創(chuàng)新的路上他們也都曾經(jīng)在質(zhì)疑聲中咬牙堅(jiān)持，最終用他們的實(shí)力贏得認(rèn)可。接下來我們與兩位一起，聊一聊這些同頻共振背后的故事。

謝諾夫斯基教授，您的專業(yè)背景是神經(jīng)科學(xué)，那么您如何看待腦科學(xué)與人工智能的融合？我們對大腦的認(rèn)知，比如對情緒和意識這類概念的理解，又能如何幫助我們推動人工智能的發(fā)展？

謝諾夫斯基：

我們希望理解人類智能，而情緒顯然在其中發(fā)揮著作用，但并非所有人類情緒都是積極的，比如憤怒或者嫉妒。要知道我們未必希望在人工智能身上復(fù)制人類所有的特質(zhì)，無論是好的還是壞的。杰弗里?辛頓是我多年的好友兼合作伙伴，他最近提出的一個問題是，我們該如何防止人工智能毀滅人類，他建議我們可以將“母愛”這一情感融入人工智能。核心思路是嬰兒出生后母親會將注意力集中在嬰兒身上，而這種情感源于激素調(diào)節(jié)與情緒作用。他認(rèn)為這種情感非常值得融入人工智能的積極情緒?？傮w而言，“人工智能”這一概念的誕生很大程度上正是受到了人類大腦結(jié)構(gòu)的啟發(fā)。

主持人：

王博士的背景是心理學(xué)，那心理學(xué)跟人工智能它又是怎么結(jié)合到一塊的？

王堅(jiān)：

其實(shí)心理學(xué)跟大腦也有很多關(guān)系，包括大家熟悉的一些基本概念，比如說像工作記憶，其實(shí)都是跟心理學(xué)有關(guān)系。所以我經(jīng)常講，心理學(xué)應(yīng)該是人工智能的物理學(xué)，關(guān)于人工智能一些最基本的東西我覺得其實(shí)都是從心理學(xué)過來的。

在達(dá)特茅斯開會的學(xué)者里邊有好幾位是心理學(xué)家，所以從第一天起它們之間的關(guān)系就變得密不可分，實(shí)際上是不同學(xué)科的科學(xué)家共同創(chuàng)造出一個新的學(xué)科。事實(shí)上我一直認(rèn)為，人工智能很難說是不是一個學(xué)科，而更像是不同的科學(xué)家都在創(chuàng)造的新領(lǐng)域。謝諾夫斯基這樣的教授來，其實(shí)也反映了這一點(diǎn)。

算法、算力與數(shù)據(jù)

主持人：

我們一談到人工智能就會談到“三駕馬車”：算法、算力還有數(shù)據(jù)。所以我們今天先從算法來聊一聊。謝諾夫斯基教授作為神經(jīng)網(wǎng)絡(luò)領(lǐng)域的先驅(qū)，您認(rèn)為 Transformer 架構(gòu)相較傳統(tǒng)方法，為何能具備如此顯著的優(yōu)勢呢？

謝諾夫斯基：

首先，Transformer是深度學(xué)習(xí)的一種變體，它屬于前饋神經(jīng)網(wǎng)絡(luò)。它的目標(biāo)非常簡單，就是通過海量文本數(shù)據(jù)訓(xùn)練實(shí)現(xiàn)一個核心功能：預(yù)測句子中的下一個詞。

沒錯，就是預(yù)測 “下一個詞”。這種訓(xùn)練方式被稱為自監(jiān)督學(xué)習(xí)。現(xiàn)在這個架構(gòu)還額外增加了一個模塊。生物進(jìn)化中也常出現(xiàn)這種情況，以某種動物的基礎(chǔ)大腦為核心，在此之上新增功能模塊，而非完全拋棄原有結(jié)構(gòu)從零開始。

Transformer新增的這個模塊就是自注意力機(jī)制，它是前饋鏈路中的重要組成部分，作用是在句子的不同詞語之間建立關(guān)聯(lián)，包括詞語間的聯(lián)系、詞語本身的含義等。我認(rèn)為這正是Transformer架構(gòu)中真正關(guān)鍵的創(chuàng)新之處。

主持人：

除了算法然后就是算力，為什么算力對人工智能這么重要？今天我們看到每個國家都要發(fā)展人工智能，而且他們只要說到提到人工智能就必提算力。為什么它是這么重要的一件事？

王堅(jiān)：

它其實(shí)跟人工智能發(fā)展有關(guān)系。從今天我們已有的以神經(jīng)元受啟發(fā)的這個方法來講，其實(shí)剛才謝諾夫斯基介紹的點(diǎn)非常有意思。那個時候我讀研究生二年級，我們用了一個教科書，我想謝諾夫斯基教授應(yīng)該比較熟悉，我們叫PDP（并行分布式處理），講并行計(jì)算，那里邊講的都是神經(jīng)網(wǎng)絡(luò)的東西。那個時候我們怎么算節(jié)點(diǎn)上的權(quán)重？我們就是在用筆算。那個時候輸出節(jié)點(diǎn)只有三個，中間的隱藏層只有兩個節(jié)點(diǎn)，所以你基本上靠一支筆都可以算 ，規(guī)模很小。而且那時候也有程序，在DOS（磁盤操作系統(tǒng)）下面的程序。所以我想那個時候最重要的一件事情就是規(guī)模不夠大。

這個規(guī)模什么時候可以大到一定程度？就是辛頓跟他的幾個學(xué)生做AlexNet的時候。他們發(fā)表了那篇著名的文章，第一次把數(shù)據(jù)、算法跟算力放在一起了。但那個時候的規(guī)模也還沒有那么大，只是辛頓的學(xué)生亞歷克斯在他自己的寢室里，在自己的電腦上插了兩塊GPU卡（顯卡），但對那時做研究的來講已經(jīng)是一個很大的算力。

就像謝諾夫斯基講到，當(dāng)Transformer有了自注意力機(jī)制的時候，這個模型對算力的需求是大大地增加，所以我想這中間很明顯地證明了為什么算力那么重要。因?yàn)閿?shù)據(jù)足夠大了，模型足夠復(fù)雜了，模型對算力的需求就大大地增加了，我們又找到了GPU（顯卡）這么一條路，所以就造成了我們今天事實(shí)上對算力的需求是成百萬倍的增加。

主持人：

有了算法有了算力，還有一個最重要的資產(chǎn)就是數(shù)據(jù)。在今天我們談到數(shù)據(jù)的時候，幾乎已經(jīng)把它上升到經(jīng)濟(jì)學(xué)的生產(chǎn)資料范疇里了。其實(shí)王堅(jiān)教授做的很多事情，包括像城市大腦，它背后就必須要海量數(shù)據(jù)來支持。能不能給我們講講，數(shù)據(jù)是怎么幫我們解決一些原來解決不了的問題？

王堅(jiān)：

其實(shí)數(shù)據(jù)規(guī)模達(dá)到一定程度的時候，就會發(fā)生質(zhì)的變化。我覺得互聯(lián)網(wǎng)是一個最典型的案例了。今天有大語言模型的存在，就是因?yàn)榛ヂ?lián)網(wǎng)上的文本數(shù)據(jù)其實(shí)是足夠大的。

第二點(diǎn)是，今天大語言模型只談到了文本的數(shù)據(jù)或者互聯(lián)網(wǎng)上文本的數(shù)據(jù)，這就是為什么我們叫它是語言模型。事實(shí)上在過去的幾百年，科學(xué)研究也積累了很多數(shù)據(jù)，但很多數(shù)據(jù)不是文本。這部分事實(shí)上還像寶藏一樣，沒有被觸及。

所以可以想象，今天人工智能涉及到的數(shù)據(jù)，也只是我們這個地球所擁有數(shù)據(jù)的很少的一部分。這既說明了在模型這個角度還有很多的可能性，也說明它可能未來對算力的要求會更高。

對AI禮貌有用嗎？大語言模型是否存在幻覺？

主持人：

今天也想為大家介紹兩本謝諾夫斯基先生的書：《深度學(xué)習(xí)》和《大語言模型》。我聽到一個很有意思的故事，您當(dāng)年寫《深度學(xué)習(xí)》的時候花了大約2年時間才完成，但您最新一本《大語言模型》只用了1年就寫完了。所以想請教您，具體是如何利用人工智能提升寫作效率的呢？

謝諾夫斯基：

首先我將ChatGPT用作實(shí)例，換句話說我實(shí)際用它做實(shí)驗(yàn)進(jìn)行測試。并且在書中每一項(xiàng)測試都配有專屬的標(biāo)注框，這樣讀者就能清楚區(qū)分哪些內(nèi)容是ChatGPT的輸出，哪些是我本人的表述。

除此之外我還做了一件比較特別的事，目前我還沒在其他地方看到有人這么做：在每章的結(jié)尾我會把整章內(nèi)容發(fā)給ChatGPT，然后要求它為普通讀者總結(jié)本章內(nèi)容，結(jié)果非常出色。

說實(shí)話它總結(jié)得比我自己寫得還要好，而且這本書的審稿人也反饋對他們而言這些總結(jié)比章節(jié)原文更容易理解。

主持人：

我想有不少人正在使用ChatGPT或其他類似的應(yīng)用，您有沒有什么關(guān)于提示詞的使用技巧可以和大家分享一下呢？

謝諾夫斯基：

當(dāng)你與ChatGPT或者DeepSeek或其他任何大語言模型交互時，必須明確告訴它要扮演什么角色，因?yàn)檫@些模型已經(jīng)吸收了各類作者、各行業(yè)從業(yè)者的角色特質(zhì)，比如醫(yī)學(xué)、法律領(lǐng)域。理論上你可以向它提出任何領(lǐng)域的問題，所以你得明確指令，比如“你現(xiàn)在是全球頂尖的癌癥醫(yī)學(xué)專家，請針對這個醫(yī)學(xué)問題給出解答”，你需要清晰地說明自己的問題以及對回答的預(yù)期，越明確越好。

其次有一點(diǎn)讓我特別意外，這是我從一篇文章里看到的。你會驚喜地發(fā)現(xiàn)，如果你很禮貌，你得到的回復(fù)質(zhì)量會高很多。這就像與人交流一樣，如果你的態(tài)度生硬——在模型這個角度還有很多的可能性，得到的回應(yīng)也會很敷衍。但如果你能積極反饋表達(dá)認(rèn)可，那對方給出的回應(yīng)質(zhì)量也會顯著提升。

主持人：

我很好奇您剛才提到的對人工智能保持禮貌這個技巧。有人會提出不同觀點(diǎn)，覺得這樣做會占用過多的tokens（詞元），反而可能影響回答質(zhì)量。您覺得這里的權(quán)衡點(diǎn)在哪里？

謝諾夫斯基：

我認(rèn)為用占用過多tokens來解釋這個問題是不準(zhǔn)確的。其實(shí)當(dāng)你對人工智能表現(xiàn)禮貌時，本質(zhì)上是激活了它更多的功能模塊，就像人類大腦一樣不同區(qū)域負(fù)責(zé)不同功能，而社交互動是人類大腦的重要功能之一，我們的前額葉皮層就負(fù)責(zé)處理人際交互相關(guān)的活動。

有意思的是，研究發(fā)現(xiàn)大語言模型也存在類似人類前額葉皮層的功能模塊，所以如果你希望像與人交流一樣與人工智能互動，就需要用對待人的方式去對待它。

主持人：

教授，我還有一個關(guān)于大語言模型的問題。我知道大語言模型存在幻覺的情況，但您之前提出過一個觀點(diǎn)，認(rèn)為這種幻覺也可以被看作是一種創(chuàng)造力的體現(xiàn)，您能具體談?wù)勥@一點(diǎn)嗎？

謝諾夫斯基：

首先我認(rèn)為從某種意義上來說幻覺這個詞用得并不恰當(dāng)，它會給人錯誤的印象。并不是說大語言模型像服用了致幻藥物一樣產(chǎn)生了意識混亂，完全不是這樣的。所謂的“幻覺輸出”實(shí)際上邏輯性非常強(qiáng)，表述也很精準(zhǔn)，同時還具備很強(qiáng)的創(chuàng)造性。

就像我之前說的，你可以讓它寫一首詩，這首詩里會包含新穎的元素。順便提一句現(xiàn)在很多作家也在借助它來輔助創(chuàng)作，如果它沒有創(chuàng)造性，作家們就不會對它感興趣了。

王堅(jiān)：

我和謝諾夫斯基的想法很接近。今天幾乎所有用在批評語言模型的那些詞，以前都是用在人的身上，這說明人也有這些弱點(diǎn)，但人的弱點(diǎn)不是人不該有的東西，而只是他的弱點(diǎn)。所以我一直覺得，這個事情其實(shí)不值得大驚小怪。

另外如果這樣的一個特性在人工智能上表現(xiàn)出來，事實(shí)上給了我們更多的機(jī)會去研究它。如果在人的身上可能還不太好研究，但是因?yàn)樵谌斯ぶ悄苌?，我們就有更多機(jī)會去了解它。盡管我不能完全贊同這個“幻覺”就是創(chuàng)造力，因?yàn)樵谛睦韺W(xué)里面這是兩個不同的事情。但是無論如何，我覺得這是一個非常有意思的現(xiàn)象，至少是不值得擔(dān)心的一個現(xiàn)象。

關(guān)于數(shù)據(jù)這件事情，我覺得非常有意思。謝諾夫斯基教授也在說數(shù)據(jù)質(zhì)量的問題，可是我們還是要承認(rèn)，數(shù)據(jù)本身無所謂質(zhì)量的好壞，數(shù)據(jù)的質(zhì)量最后是由人決定的，是人決定了用什么樣的數(shù)據(jù)去確認(rèn)模型。

主持人：

謝諾夫斯基教授，您認(rèn)為大語言模型未來的發(fā)展方向是怎樣的呢？

謝諾夫斯基：

首先，我覺得大語言模型在數(shù)據(jù)量和模型規(guī)模方面似乎正逐漸接近一個瓶頸。目前還不清楚單純增大模型規(guī)模是否能讓性能持續(xù)提升，或許讓模型的覆蓋范圍更全面會更好。不過我們發(fā)現(xiàn)關(guān)鍵不在于數(shù)據(jù)量本身，而在于數(shù)據(jù)的質(zhì)量。也就是說現(xiàn)在如果直接從網(wǎng)絡(luò)上抓取數(shù)據(jù)會得到各種各樣無關(guān)的內(nèi)容，這些內(nèi)容可能沒什么幫助，甚至與人類價值觀相悖，但如果對數(shù)據(jù)進(jìn)行篩選，讓數(shù)據(jù)更有針對性且更純凈，當(dāng)然這需要投入大量精力，不過現(xiàn)在已有多家公司證明這樣做不僅能讓模型輸出更好的結(jié)果，還能縮小模型規(guī)模。所以這才是我們需要努力的方向。

我們需要獲取更高質(zhì)量的數(shù)據(jù)，而且不僅需要覆蓋全球的全面數(shù)據(jù)，還需要針對特定領(lǐng)域的專屬數(shù)據(jù)，比如醫(yī)學(xué)、法律等領(lǐng)域。就像人類有各領(lǐng)域的專家一樣，未來我們也會有各領(lǐng)域的人工智能專家。

AI時代孩子應(yīng)該學(xué)什么？

主持人：

如果放在一個更長遠(yuǎn)的未來，當(dāng)人工智能進(jìn)一步的發(fā)展進(jìn)入到我們生活的方方面面，我們的孩子以后怎么辦，他們還需要學(xué)習(xí)具體的知識嗎？未來我們應(yīng)該怎么去培養(yǎng)我們的孩子，在人工智能無處不在的時代里他們應(yīng)該具備什么能力？

王堅(jiān)：

我覺得這可能是一個今天沒辦法有準(zhǔn)確答案的問題。首先孩子比我們學(xué)得快，孩子對這個問題怎么想可能超出我們想象，甚至超過創(chuàng)造技術(shù)的這些人的想象。所以我覺得這個可能很難有一個很好的答案。

但我們還是可以回到一個最基本的面上去討論。圖靈曾經(jīng)說過一句話，他說人的大腦，加上一張紙、一支筆和一個橡皮擦，再加上一定的規(guī)則，就是一臺通用機(jī)器。所以大家可以設(shè)想一下，其實(shí)我們的大腦如果沒有一張紙、一支筆的話，其實(shí)我們的創(chuàng)造力是釋放不出來的。今天我們有了人工智能，有了像大語言模型這樣的東西，是另外意義上的一張紙一支筆，把我們?nèi)说膭?chuàng)造力給釋放出來。我們怎么把小孩的創(chuàng)造力給真正釋放出來，可能就會變成一個非常重要的問題。

有了紙和筆以后，可能有的小孩寫字還是歪的，有的還是寫字很潦草。有人能寫出一篇很好的詩，有的人能解一個很好的算術(shù)題。我想可能人工智能幫助我們也是從這個角度幫助，它不會讓人變得更加一樣，而會讓創(chuàng)造力變得更加不一樣，創(chuàng)造出不同的價值。

謝諾夫斯基：

我想接著聊聊“多樣性”這個概念。如果你觀察整個生物學(xué)領(lǐng)域，就會發(fā)現(xiàn)沒有兩個人是完全相同的，你身體里也沒有兩個完全相同的細(xì)胞。生物學(xué)本質(zhì)上是一門研究多樣性的科學(xué)，而孩子們也具有很強(qiáng)的多樣性。任何一個有兩個孩子的家長都會意識到這一點(diǎn)。

每個學(xué)生使用人工智能的方式都會有所不同，我們不能用統(tǒng)一的模式去要求他們，必須給孩子足夠的空間。他們天生好奇，會主動接觸各種事物，像玩玩具一樣探索，還擁有豐富的想象力，我認(rèn)為人工智能本質(zhì)上會為他們提供新的工具、新的與世界互動的方式，幫助他們產(chǎn)生更好的想法。

我舉個例子，現(xiàn)在有一些國際象棋程序水平已經(jīng)能達(dá)到人類頂尖棋手的級別，甚至能和國際象棋世界冠軍抗衡。在我這一代，最偉大的國際象棋冠軍是一位成長于小鎮(zhèn)的挪威人，叫馬格努斯?卡爾森。過去國際象棋大師通常在大城市的象棋俱樂部里對弈，那他是如何成為世界冠軍的呢？他的方法是和國際象棋程序?qū)?。這確實(shí)這讓國際象棋變得 “大眾化” 了。也就是說你不必身處紐約、莫斯科或北京這樣的大城市，也能通過與程序?qū)奶嵘逅嚒?/p>

現(xiàn)在這種情況也會發(fā)生在孩子們身上，他們會和人工智能互動探索，無論他們身處世界的哪個角落，不管是在這里還是在非洲。

2017年5月，中國烏鎮(zhèn)，柯潔對戰(zhàn)AlphaGo的棋局

王堅(jiān)：

謝諾夫斯基講的是國際象棋其實(shí)很有意思的。其實(shí)中國下圍棋的人很多了，對于很多小孩他一生是沒有機(jī)會跟九段的棋手下棋的，但是有了圍棋的程序以后，他就有機(jī)會跟一個“九段的棋手”下棋。

所以它其實(shí)幫助了人類很多東西，它的意義不是它比人下得好下得壞，而是它給所有的人創(chuàng)造出很多不同的機(jī)會，會讓更多的小孩飛速進(jìn)步。

從大語言模型到大型科學(xué)模型

主持人：

那我們現(xiàn)在再回歸到您兩位作為科學(xué)家的身份，以及你們正在帶領(lǐng)的大型實(shí)驗(yàn)室的科研工作。比如說像在之江實(shí)驗(yàn)室，我們現(xiàn)在在做哪些跟人工智能相關(guān)的比較有意思前沿研究呢？

王堅(jiān)：

我們看待大語言模型其實(shí)要分成兩部分，一個就是我們今天看到的大語言模型，另外一個是它下面支持大語言模型的架構(gòu)。這個架構(gòu)今天可能大家比較熟悉的就是Transformer，但是不管怎么樣它是個大語言模型，它的呈現(xiàn)效果就是用大量的文本。

那么之江實(shí)驗(yàn)室希望專注在怎么讓人工智能技術(shù)能幫助科學(xué)發(fā)現(xiàn)，所以我們在做一個非常重要的事情，我把它叫做大型科學(xué)模型。

其中一個很重要的差別就是你能不能夠用除了文本以外的科學(xué)數(shù)據(jù)，比如說光學(xué)觀察、地學(xué)的數(shù)據(jù)，這些數(shù)據(jù)都不是傳統(tǒng)意義上的文本。

我跟天文學(xué)家跟地學(xué)家討論的時候，他們告訴我如果要讀懂一篇天文學(xué)或者地學(xué)論文，你讀不懂圖的話，是讀不懂這篇論文的。所以就說明我們在除了文本以外，還有非常多東西要做。

如何把科學(xué)數(shù)據(jù)放入我們今天大語言模型的框架下，這是一個非常大的挑戰(zhàn)。

這個挑戰(zhàn)如果從數(shù)據(jù)角度解讀，就是怎么為科學(xué)數(shù)據(jù)做分詞（tokenization）。這就是之江實(shí)驗(yàn)室目前非常關(guān)注的在大科學(xué)基礎(chǔ)模型上真正幫助科學(xué)發(fā)現(xiàn)。

之江實(shí)驗(yàn)室

謝諾夫斯基：

科學(xué)界正在經(jīng)歷一場變革，正如大家已經(jīng)知道的，2024年的諾貝爾化學(xué)獎授予了利用人工智能解決某一難題的研究。這個難題是生物學(xué)家曾認(rèn)為永遠(yuǎn)無法攻克的，那就是蛋白質(zhì)折疊問題。

在你身體的每個細(xì)胞里都存在數(shù)千種不同的蛋白質(zhì)，蛋白質(zhì)的功能由其折疊形成的三維結(jié)構(gòu)決定，而通過第一性原理來計(jì)算這種三維結(jié)構(gòu)在計(jì)算層面上曾是不可行的。但可以通過利用已有的晶體結(jié)構(gòu)數(shù)據(jù)訓(xùn)練一個網(wǎng)絡(luò)，去預(yù)測新的蛋白質(zhì)結(jié)構(gòu)。

現(xiàn)在我們知道了每個物種中蛋白質(zhì)的功能，還能直觀看到它們的三維結(jié)構(gòu)。例如現(xiàn)在設(shè)計(jì)藥物不僅速度更快。準(zhǔn)確性也更高，這都要?dú)w功于人工智能。未來幾十年里這將對醫(yī)學(xué)產(chǎn)生巨大影響，而這只是科學(xué)界眾多案例中的一個。

人工智能正在切實(shí)改變?nèi)祟惱矛F(xiàn)有理論解決實(shí)際問題的方式，這些問題的解決將在我們生活的方方面面提供幫助。

王堅(jiān)：

這個例子恰恰就是我講的大科學(xué)模型的最基本的出發(fā)點(diǎn)，撇開對生物科學(xué)的貢獻(xiàn)，這里面還有一個非常非常重要的貢獻(xiàn)，就是怎么把蛋白質(zhì)的數(shù)據(jù)能夠很好地放到一個模型里面去，這是傳統(tǒng)的文本模型很難完成的事情。

所以我想是不是能夠有一個更加通用的，可以把科學(xué)的數(shù)據(jù)跟現(xiàn)在人工智能模型結(jié)合的方法。

這是一個非常大的挑戰(zhàn)，而且它一旦跑通之后潛力是巨量的。

我跟幾個天文學(xué)家合作，他們說過一句很有意思的話。因?yàn)槲覀兘?jīng)常講“一張圖勝過千言萬語”，他們后面加了一句話：“一段光譜勝過千萬張圖”。所以這光譜就是科學(xué)數(shù)據(jù)。

堅(jiān)守科研初心，相信自己的直覺

主持人：

謝諾夫斯基教授，我們還有一樣?xùn)|西要您看，這張照片大概是在三四十年前拍攝的吧？照片里還有杰弗里?辛頓。您還記得當(dāng)時和辛頓教授在討論什么內(nèi)容嗎？

謝諾夫斯基與辛頓

謝諾夫斯基：

是的，這是我在哈佛醫(yī)學(xué)院做博士后的時候，在我公寓門口拍的。具體到那個瞬間的對話我已經(jīng)記不太清了，但我們當(dāng)時正在一起研究一個叫 “約束滿足”的課題。比如在視覺研究中圖像不同部分的拼接方式是存在約束條件的，就像人臉的輪廓，這在研究中被稱為 “圖像分割”。

我們當(dāng)時正嘗試通過手動設(shè)計(jì)小型神經(jīng)網(wǎng)絡(luò)來解決這類問題，那就是我們研究的起點(diǎn)，也是思考視覺問題的核心開端——思考視覺系統(tǒng)是如何工作的。

我們對視覺系統(tǒng)的工作原理其實(shí)毫無頭緒，因?yàn)檫@一切都是在潛意識層面發(fā)生的，所以這就需要一種全新的研究方法，而這也為現(xiàn)代人工智能的發(fā)展奠定了基礎(chǔ)，讓我們開始從大腦內(nèi)部尋找靈感。

主持人：

您和辛頓教授在神經(jīng)網(wǎng)絡(luò)領(lǐng)域的合作經(jīng)歷過一段被質(zhì)疑的時期，您個人是如何度過那個階段的呢？

謝諾夫斯基：

其實(shí)從某種意義上來說，我們當(dāng)時是在開辟一個新的研究方向，這也印證了年輕研究者的價值。當(dāng)時人工智能領(lǐng)域的主流觀點(diǎn)是采用邏輯符號和規(guī)則，但我們提出不應(yīng)該這樣，我們必須參考人類大腦的組織方式。大腦具有高度并行的結(jié)構(gòu)，神經(jīng)元之間存在大量連接，而其核心關(guān)鍵就在于“學(xué)習(xí)”機(jī)制。當(dāng)時我們吸引了很多年輕研究者加入，所以我們是一股從基層崛起的力量。

我打個比方，我們就像恐龍腳下那些不起眼的小型哺乳動物。王堅(jiān)教授提到過在加州大學(xué)圣地亞哥分校開展的并行分布式處理研究，順便說一句，辛頓當(dāng)時就在那里做博士后，我是在他組織的一個小型研討會上認(rèn)識他的。

所以科學(xué)的進(jìn)步往往就是這樣從一小群有著不同想法的研究者開始，朝著獨(dú)特的方向探索。

王堅(jiān)：

其實(shí)就在幾周前我還在中國見到了辛頓，我和他聊起了那段時期的研究，他對當(dāng)時的情況還有書中提到的那段歲月依然記得非常清楚。那段時光真的太難忘了，感謝您寫的《深度學(xué)習(xí)》這本書，它是我早期學(xué)術(shù)生涯的重要啟蒙。

其實(shí)我一直認(rèn)為，堅(jiān)持你相信的就是要專注，相信你堅(jiān)持的就是要有耐心。而這個耐心如果回到人工智能的話，就是像謝諾夫斯基所講的。我經(jīng)常跟別人開玩笑說你要做一件事情，如果你自己沒想好你能不能堅(jiān)持至少干十年的話，那我的建議就是你不要干這些，特別是對創(chuàng)新，可能是一個更加基本的道理了。

幾個星期以前碰見辛頓，我就跟他講起發(fā)生的事情，他說的第一句話就是：你看，當(dāng)年談的這些事情今天都發(fā)生了，可是這已經(jīng)是過去了。我就覺得十年都是一個很短的數(shù)字，所以才會有這個堅(jiān)持你相信的，相信你堅(jiān)持的。

主持人：

那么謝諾夫斯基教授，您作為腦科學(xué)家能否教教我們該如何訓(xùn)練自己的大腦，從而更好地理解或?qū)嵺`深度學(xué)習(xí)呢？

謝諾夫斯基：

我認(rèn)為教育領(lǐng)域?qū)⒊蔀槿斯ぶ悄茏钪匾膽?yīng)用方向。我們知道幫助孩子學(xué)習(xí)的最佳方式是與優(yōu)秀的教育者進(jìn)行一對一互動，這類教育者既專業(yè)又了解孩子的特點(diǎn)。但目前的課堂上往往有幾十個能力各異的孩子，很難針對每個孩子提供個性化指導(dǎo)。不過如果我們?yōu)槊總€孩子配備人工智能輔導(dǎo)老師，就能極大地助力他們的學(xué)習(xí)，而且這種模式未來會在全球范圍內(nèi)普及，所以我認(rèn)為這就是教育的未來方向。

為此我也盡了自己的努力，我在Coursera平臺上開設(shè)了一門名為《學(xué)會如何學(xué)習(xí)》的在線課程，全球已有200多個國家的600萬人參與了這門課程，學(xué)員年齡從10歲到90歲不等。這門課程的設(shè)計(jì)基于我們對人類大腦的認(rèn)知以及提升學(xué)習(xí)能力的方法，而且這是一門免費(fèi)的在線課程。我的合作伙伴芭芭拉?奧克利是世界級的教育專家，而我則在幕后負(fù)責(zé)解釋她給出的學(xué)習(xí)建議背后所涉及的大腦運(yùn)作機(jī)制，也就是大腦如何處理這些學(xué)習(xí)方法，并利用我們對大腦的認(rèn)知幫助人們成為更優(yōu)秀的學(xué)習(xí)者。

主持人：

我最后還有一個問題要給到兩位，關(guān)于給我們的年輕人的一些建議，如何在這個人工智能時代能夠保持不可替代的競爭力和創(chuàng)造力，我們的年輕人需要擁有那些思維或者能力？

王堅(jiān)：

我覺得用深度學(xué)習(xí)的一句話，我們還是需要深度的思考，今天我們面臨的所有技術(shù)好像讓我們就不需要思考了，但事實(shí)上深度思考還是非常重要的。

我記得互聯(lián)網(wǎng)剛出來的時候《大西洋月刊》曾經(jīng)寫過一篇文章，說互聯(lián)網(wǎng)的出現(xiàn)會不會讓人變得更加淺?。渴聦?shí)上我今天不好說有沒有這個答案，但是我想這樣的問題會一直伴隨著我們技術(shù)的發(fā)展，所以我想我們還是應(yīng)該更加深入地思考問題，更加有批判性。批判性思維最重要。

謝諾夫斯基：

我的建議是相信自己的直覺，當(dāng)專家告訴你某件事不可能時，不要輕易相信。因?yàn)樵?0世紀(jì)80年代我們就處于這樣的境地，當(dāng)時也有人說我們正在嘗試的事情是不可能實(shí)現(xiàn)的。我想王博士也提到過，那就是堅(jiān)持不懈。像ChatGPT這樣看似一夜成功的成果，背后其實(shí)是四十年的不懈努力，所以堅(jiān)持是成功的關(guān)鍵。

主持人：

在我們節(jié)目快要結(jié)束的時候，教授您能為觀眾推薦幾本關(guān)于人工智能的好書嗎？

謝諾夫斯基：

其實(shí)我非常推薦我自己寫的書?，F(xiàn)在市面上的人工智能相關(guān)書籍非常多，有很多實(shí)用類書籍教大家怎么使用ChatGPT ，這類書現(xiàn)在很受歡迎。但如果是剛?cè)腴T的學(xué)生或者想了解現(xiàn)代人工智能起源歷史的人，我認(rèn)為更重要的書籍是我寫的《深度學(xué)習(xí)》。這本書出版于2018年，雖然聽起來已經(jīng)過去很久了，但實(shí)際上現(xiàn)在仍在重印。

另外還有一本我強(qiáng)烈推薦的書。大型語言模型其實(shí)只是模擬大腦頂部大腦皮層的模型，而大腦還有數(shù)百個其他功能區(qū)域，如果你們對大腦其他部分的工作原理感興趣，我強(qiáng)烈推薦我和帕特?邱吉爾合著的《計(jì)算大腦》。這本書出版于1982年，它原本是為普通讀者寫的，向大家解釋大腦的工作方式，也面向工程師群體，同時還介紹了當(dāng)時新興的學(xué)習(xí)算法。我們將這些算法引入了神經(jīng)科學(xué)領(lǐng)域，所以這本書會是一個很好的起點(diǎn)。

王堅(jiān)：

我建議大家趁這個時候去讀一些最基礎(chǔ)的心理學(xué)的大學(xué)教科書。因?yàn)橛行┳罨镜牡览砥鋵?shí)在教科書里面都說得很清晰，這樣會減少很多無謂的一些爭論。

普通人也能看懂的前沿通識作品

了解深度學(xué)習(xí)，讀這一本就夠了

謝諾夫斯基《深度學(xué)習(xí)》

權(quán)威、通俗的大語言模型科普讀物

一本書講透AI的現(xiàn)在與未來

謝諾夫斯基《大語言模型》

-End-

2025.11.5

編輯：閃閃 | 審核：孫小悠