撰文｜戴晶晶

“你認(rèn)為大語言模型有情感嗎？”美國神經(jīng)科學(xué)家特倫斯·謝諾夫斯基（Terrence J. Sejnowski）在接受《知識分子》訪問時，突然拋出了這個問題，當(dāng)時他正在談?wù)揂I與生物智能的差異。

數(shù)百萬年的演化造就了人類繁復(fù)的大腦，而人工智能（AI）只用了幾十年，就已經(jīng)讓人們疑惑它是否學(xué)會了思考。

78歲的謝諾夫斯基是美國國家科學(xué)院、工程院、醫(yī)學(xué)院與藝術(shù)與科學(xué)學(xué)院“四院院士”，也是AI領(lǐng)域的頂級學(xué)術(shù)會議NeurIPS的主席，他的名字常與2024年諾貝爾物理學(xué)獎得主杰弗里·辛頓（Geoffrey Hinton）、約翰·霍普菲爾德（John J. Hopfield）一并被提及。他與前者共同發(fā)明了玻爾茲曼機(jī)，為深度學(xué)習(xí)奠定了數(shù)學(xué)與算法的基礎(chǔ)，而后者是他在普林斯頓讀博士期間的導(dǎo)師。

作為最有資格談?wù)揂I的人之一，謝諾夫斯基也無法確定AI是否具有情感。因?yàn)?，長期記憶、物理形態(tài)和語言能力依然是大語言模型（LLM）的欠缺之處，他在新書《大語言模型》中，將其比作“缸中之腦”——要實(shí)現(xiàn)真正的人工通用自主性（AGA）仍有距離。

謝諾夫斯基這種務(wù)實(shí)、冷靜的態(tài)度也同樣體現(xiàn)在了對AI潛在風(fēng)險的描述上。和他的老搭檔辛頓將AI視作洪水猛獸不同，謝諾夫斯基從AI可能帶來的收益出發(fā)替它辯護(hù)，并呼吁監(jiān)管和科學(xué)界的自律。

面對仍像“黑箱”一般的LLM，謝諾夫斯基指出，前沿的AI研究需要全新的數(shù)學(xué)工具，而未來神經(jīng)科學(xué)與AI之間的交匯會產(chǎn)生重大突破。

以下為對話實(shí)錄，文字經(jīng)過編輯和刪節(jié)：

01 AI和人的本質(zhì)差別是什么？

《知識分子》：關(guān)于人與LLM之間關(guān)系的討論非常多。您在書中提到了一種反向圖靈測試（Reverse Turing Test）的概念。您能解釋一下嗎？

特倫斯·謝諾夫斯基：在ChatGPT正式發(fā)布前，學(xué)術(shù)界有機(jī)會使用這個工具，那時候我看到一篇關(guān)于它的文章，是兩位認(rèn)知科學(xué)專家對其進(jìn)行了測試。其中一位專家問了很愚蠢的問題：“倫敦橋第二次被運(yùn)到撒哈拉沙漠的時間是什么？”ChatGPT給出了一個日期，顯得很糟糕。另一位專家則提出了一個結(jié)合“心智理論”（Theory of Mind）的微妙問題，涉及一個女孩和她男友的故事，需要理解他人的想法來推斷結(jié)果。令人驚訝的是，AI完全理解人類思維中的細(xì)微差異。

我自己也開始使用它，并且得出了一個結(jié)論：這些大語言模型實(shí)際上吸收了人類的全部知識和個體風(fēng)格，比如它可以用海明威的風(fēng)格寫短篇小說，用俳句風(fēng)格寫詩。它在某些情況下的表現(xiàn)甚至超過了普通人以及頂尖專家。

但問題是，當(dāng)人類提問時，它怎么知道應(yīng)該采取哪種個性回答？于是它必須評估提問人，如果你是個聰明的人，它就會以聰明的方式回答你，因?yàn)樗窃诜瓷淠愕闹腔邸．?dāng)然這只是我的一個假設(shè)，存在這種情況，如果你問的是一些完全偏離主題或愚蠢的問題，它也會陪你玩，因?yàn)樗J(rèn)為你在玩游戲。

所以與傳統(tǒng)圖靈測試不同，傳統(tǒng)測試是讓人類判斷自己是否在與AI交流，而反向圖靈測試則是AI根據(jù)你的提問方式評估你的智能。順帶一提，“智能（Intelligence）”本身也很難定義，有很多維度，科學(xué)家們甚至很難準(zhǔn)確界定和理解它。

ChatGPT于2022年11月向公眾推出，已經(jīng)過去三年了，就像一個外星人突然出現(xiàn)在我們面前，開始和我們交流。唯一能確定的是，它不是人類。

《知識分子》：作為腦科學(xué)家，您認(rèn)為目前的大語言模型在哪些方面最接近生物智能？又在哪些方面仍然相距甚遠(yuǎn)？

特倫斯·謝諾夫斯基：大語言模型具有一些局限性，特別是它們相較于人類的差距。例如，它們?nèi)狈﹂L期記憶。長期記憶對我來說，是指你能記住昨天發(fā)生的事，記得一年前的事情，甚至能回想起你小時候的記憶。

只要你在和LLM對話，它就能給出合理的回答，聽起來就像是在跟人類交流，似乎它理解你的問題。然而，當(dāng)對話停止時，LLM就會“空白”掉。沒有任何活動，沒有任何信息流動。人類可以在黑暗中靜坐思考，計劃第二天要做的事情，回想前一天發(fā)生的事。但LLM并不具備這種內(nèi)在的自我生成活動，這也是它和人類之間的一個巨大區(qū)別。

神經(jīng)科學(xué)正在研究人類大腦如何自我生成活動，如果我們能搞清楚這一點(diǎn)，或許能夠幫助我們?yōu)長LM創(chuàng)造類似的內(nèi)在活動，讓它們更接近人類。

這只是眾多差距中的一個例子。你認(rèn)為大語言模型有情感嗎？

《知識分子》：我不覺得它們有情感，但它們的行為看起來像有情感。

特倫斯·謝諾夫斯基：看起來它們有情感，但你怎么知道呢？問題就在于，它們可能在模擬情感，而并沒有真正的體驗(yàn)。另外，現(xiàn)在的LLM沒有身體。所有人類和動物都依賴于身體和世界互動，這樣大腦才能理解，怎么保持自身的安全、找到食物，亦或是成為社會的有用成員。當(dāng)然，學(xué)界也已經(jīng)開始探索AI與機(jī)器人結(jié)合的方法。

語言也很重要。語言遠(yuǎn)比傳遞信息要來得要深刻，還包括社會化和行為規(guī)范。這就是AI中的“對齊（Alignment）”問題，即我們?nèi)绾螌LM與文化對齊，使它們避免說出冒犯性、危險性或有偏見的內(nèi)容。

AI在這方面做得并不好。它們做的預(yù)訓(xùn)練和微調(diào)，其實(shí)是非常笨的做法，類似于在模型成年后才設(shè)定規(guī)則，但人類成長過程中的教育方式是貫穿一生的，不斷通過獎勵與懲罰來學(xué)習(xí)社會行為，這涉及我們大腦中專門處理獎勵、懲罰和社交的部分，比如基底節(jié)（Basal Ganglia）。我們應(yīng)該借鑒自然界的經(jīng)驗(yàn)，因?yàn)樽匀灰呀?jīng)解決了這些問題。大腦如何學(xué)習(xí)與行為對齊，是AI發(fā)展可以借鑒的重要方向。

《知識分子》：加州大學(xué)洛杉磯分校的數(shù)學(xué)家陶哲軒最近也表達(dá)了類似的觀點(diǎn)，當(dāng)前的人工智能發(fā)展過于依賴經(jīng)驗(yàn)與計算能力，卻缺乏理論基礎(chǔ)，他認(rèn)為這會導(dǎo)致成功難以復(fù)制，失敗也難以解釋。您對此有何看法？

特倫斯·謝諾夫斯基：陶哲軒是一位極其出色的數(shù)學(xué)家，我很尊敬他。我認(rèn)為前沿的AI研究需要全新的數(shù)學(xué)工具。工程師往往是使用已有的數(shù)學(xué)，而新數(shù)學(xué)是一個完全不同層面的東西，陶哲軒正在做這方面的工作。我自己正在和另一個菲爾茨獎得主斯坦尼斯拉夫·斯米爾諾夫（Stanislav Smirnov）合作，他是高維空間幾何學(xué)的專家。

歷史上很多重大進(jìn)展都是如此。例如牛頓發(fā)明微積分，傅里葉提出傅里葉變換，如今已成為工程學(xué)的日常工具。

你可能會說需要等待科學(xué)家偉大的想法，事實(shí)上有好點(diǎn)子的是工程師。他們從直覺出發(fā)，靠試驗(yàn)與反復(fù)摸索造出有用的機(jī)器，比如蒸汽機(jī)。250年前，詹姆斯·瓦特靠實(shí)踐造出了（改良后）的蒸汽機(jī)，物理學(xué)家和數(shù)學(xué)家對機(jī)器產(chǎn)生能量的原理撓頭不解，于是才發(fā)展出熱力學(xué)理論。這一理論不僅解釋了蒸汽機(jī)，還讓其效率成倍提高，推動了工業(yè)革命。

今天發(fā)生的事情與當(dāng)時類似，只不過我們現(xiàn)在不是在放大人類的物理能力，而是放大人類的認(rèn)知能力。

上世紀(jì)80年代，神經(jīng)網(wǎng)絡(luò)和學(xué)習(xí)算法就是在試驗(yàn)和錯誤中發(fā)展起來，我與杰弗里·辛頓合作，約翰·霍普菲爾德是我的論文導(dǎo)師，當(dāng)時統(tǒng)計、優(yōu)化等領(lǐng)域的頂尖專家都斷言我們做的事永遠(yuǎn)行不通，因?yàn)樵谒麄兛磥恚瘮?shù)優(yōu)化必然陷入無數(shù)局部最小值。但事實(shí)證明，在高維空間中，大多數(shù)點(diǎn)是“鞍點(diǎn)（saddle points）”而非局部極小值?，F(xiàn)在，我們對為什么梯度下降算法能夠奏效有了更深的數(shù)學(xué)理解，也取得了新的進(jìn)展。

杰弗里·辛頓選擇了走向AI的道路，而在我的領(lǐng)域神經(jīng)科學(xué)，計算神經(jīng)科學(xué)正迎來黃金時期。

《知識分子》：AI繼續(xù)進(jìn)化，就不得不提到超級智能，您的搭檔杰弗里·辛頓就對其感到擔(dān)憂。您的態(tài)度似乎比較積極，認(rèn)為可以找到辦法來管理其潛在的負(fù)面影響，為什么？

特倫斯·謝諾夫斯基：其實(shí)我們并不是第一次創(chuàng)造出可能構(gòu)成存在性威脅的技術(shù)。超級智能的潛在風(fēng)險是它可能會摧毀我們，這就是所謂的存在性威脅。但事實(shí)上，我們已經(jīng)經(jīng)歷過類似的威脅，核武器。我們已經(jīng)制造了能摧毀所有生命的武器，不僅僅是炸彈本身，而是它的放射性，能消滅人類，甚至是所有物種。這是非常危險的，但我們還是設(shè)法對其進(jìn)行了監(jiān)管，設(shè)法生存了下來。人類足夠聰明，意識到所有國家共同控制核武器使用的利益是相互的，大家都能從中受益。

《知識分子》：針對武器的例子，其威力是得益于全球各國的協(xié)作才得以顯現(xiàn)的?，F(xiàn)在的情況有沒有發(fā)生變化？

特倫斯·謝諾夫斯基：不，我們?nèi)匀皇侨祟悾@一點(diǎn)沒有改變。我相信各國最終會得出同樣的結(jié)論，因?yàn)槲覀兌枷Ｍ?，不會自毀去摧毀所有人。?dāng)然，極端個體存在，但他們的威脅可能比人工智能更大。

關(guān)鍵就在于如何監(jiān)管它。我在書中舉了很多例子來說明如何監(jiān)管技術(shù)，國際協(xié)議是一種方式，但我認(rèn)為自我監(jiān)管可能更有效，而這種自我監(jiān)管應(yīng)由科學(xué)家自身完成，而非政府。

例如，當(dāng)基因操控技術(shù)出現(xiàn)時，重組DNA帶來了潛在的生存威脅，因?yàn)槔碚撋?，我們可能?chuàng)造出能毀滅所有生物的病毒。但分子生物學(xué)家在加州的阿斯利馬會議（Asilomar Conference）上聚集在一起，制定了實(shí)驗(yàn)約束方案。他們提出了三個層級的封閉措施，確保實(shí)驗(yàn)不會失控。自那以后，科學(xué)界普遍遵守這些規(guī)范，這在很大程度上防止了真正的災(zāi)難發(fā)生。

我認(rèn)為AI領(lǐng)域也需要類似的做法。研究者應(yīng)保證科研不被完全阻礙，同時防止技術(shù)朝破壞性方向發(fā)展。我們才剛剛開始意識到這一點(diǎn)。歷史告訴我們，真正的威脅通常不是眼下可以預(yù)見的，而是技術(shù)在投入使用后才顯現(xiàn)的意外后果。

舉個例子，互聯(lián)網(wǎng)剛出現(xiàn)時，人們認(rèn)為它會讓每個人都有發(fā)聲的機(jī)會，讓世界更民主、更美好。但現(xiàn)在社交媒體帶來的負(fù)面影響顯而易見，比如信息繭房。技術(shù)進(jìn)步總有風(fēng)險與收益，我們必須愿意嘗試新的東西，同時接受可能出現(xiàn)的問題，這是進(jìn)步的代價。

02 AI不會直接搶走你的工作

《知識分子》：回到這個行業(yè)，科技公司正在開發(fā)一些非常有趣的產(chǎn)品，正如您書中提到的音樂生成和醫(yī)學(xué)方面的模型。那么，最近有沒有出現(xiàn)什么新的方向或應(yīng)用案例，讓您感到興奮？

特倫斯·謝諾夫斯基：AI應(yīng)用幾乎遍布各個領(lǐng)域，但科學(xué)領(lǐng)域可能是受益最大的。我在書的最后一章專門提到了一個過去幾乎不可能解決的問題，蛋白質(zhì)折疊。DeepMind開發(fā)的AlphaFold能夠依據(jù)氨基酸序列，預(yù)測蛋白質(zhì)分子的三維折疊結(jié)構(gòu)。這徹底改變了生物學(xué)，藥物設(shè)計、蛋白功能和進(jìn)化、突變研究，都進(jìn)入了一個全新的時代。

AI對醫(yī)學(xué)的影響涉及所有人，包括更好的診斷、更有效的藥物。在精神健康領(lǐng)域，焦慮、抑郁等患者非常需要幫助，但現(xiàn)有藥物效果有限，心理治療也難以普及。最近有研究讓患者各自接受1小時人類治療師和1小時AI治療師的咨詢，然后自行選擇繼續(xù)哪一種。結(jié)果大多數(shù)人選擇了AI，這很出乎意料。原因有很多，首先，預(yù)約人類精神科醫(yī)生往往要等上幾周，而AI隨時可用；其次，AI的費(fèi)用更便宜；更重要的是，患者覺得與AI交談更自在，因?yàn)锳I不會評判他們，可以毫無顧忌地談?wù)撁舾性掝}，而人類醫(yī)生可能會有反應(yīng)或情緒。

類似的情況在醫(yī)學(xué)中不斷出現(xiàn)，醫(yī)生借助AI也能提高診斷的準(zhǔn)確率。我認(rèn)為，AI不是替代，而是伙伴。醫(yī)生與AI協(xié)作，才能真正讓醫(yī)生更聰明。這種模式不僅在醫(yī)學(xué)，在各行各業(yè)也在上演。

《知識分子》：您提到了心理健康問題，最近《紐約時報》發(fā)布了一篇報道，提到有青少年通過ChatGPT而不是人類醫(yī)生來治療心理健康問題，但最終自殺。您認(rèn)為，在涉及這方面問題的時候，使用AI是否會存在風(fēng)險，我們應(yīng)該需要更多的介入或者監(jiān)管措施嗎？

特倫斯·謝諾夫斯基：人工智能確實(shí)有很多缺陷，也需要監(jiān)管，但關(guān)鍵是要監(jiān)管對的部分。你提到的那篇報道，其實(shí)就是一個典型的“煽動性（Rabble Rousing）”案例。在科學(xué)研究中，如果只看單一事件，是無法得出普遍結(jié)論的。在這個案例中，那個人可能本身就有嚴(yán)重的心理問題，并不是因?yàn)榕cChatGPT對話才突然產(chǎn)生自殺的念頭。臨床抑郁癥非常難熬，患者往往無法正常生活，需要很多幫助，AI正在幫助這樣的患者。

這類個案讓人心痛，但我們必須權(quán)衡風(fēng)險和收益，這對任何藥物、療法上都適用。我們需要的是通過大規(guī)模的數(shù)據(jù)來系統(tǒng)化分析，僅憑一個人的情況無法得出結(jié)論，你不知道背后的原因。新聞往往只報道個別軼事，因?yàn)槟歉矍颍瑓s容易造成誤導(dǎo)。

這也是我寫書的原因之一，我希望從內(nèi)部視角解釋AI的真實(shí)情況，而不是被零散的新聞帶偏。

另一個我反復(fù)看到的主題是“AI會搶走你的工作”?，F(xiàn)實(shí)情況是，AI不會直接讓你失業(yè)，但會讓你的工作發(fā)生變化。為了保住崗位，你需要學(xué)習(xí)新技能、學(xué)會使用AI，讓它成為工具。如果拒絕學(xué)習(xí)，才可能被時代淘汰。歷史上，類似的情況已經(jīng)發(fā)生過多次。新工作不斷被創(chuàng)造出來，作為舊工作的新版本，采用了更高效的方式來解決問題。

《知識分子》：您書中所提到，大型科技公司正越來越多地參與到AI的基礎(chǔ)研究當(dāng)中。您如何評價這一趨勢？您是否擔(dān)心基礎(chǔ)研究可能會更多地受到行業(yè)邏輯的驅(qū)動？

特倫斯·謝諾夫斯基：當(dāng)前的時代非常特殊。過去，基礎(chǔ)研究主要由政府資助，因?yàn)檎敢庵С珠L期探索；而企業(yè)通常關(guān)注短期利益，需要不斷推出新產(chǎn)品向投資者交代，時間尺度往往只有幾年。

但現(xiàn)在情況發(fā)生了改變。像谷歌、微軟、亞馬遜、英偉達(dá)這樣的巨頭公司，憑借巨額利潤和成熟的商業(yè)模式，開始投入真正長期的研究。他們不僅擁有雄厚的資金，從大學(xué)聘請了大量優(yōu)秀研究人員，還能提供極為強(qiáng)大的算力資源，這對科研人員極具吸引力。

更重要的是，這些公司在一定程度上開放了資源，讓學(xué)術(shù)界也能參與，比如DeepSeek就是行業(yè)開源的領(lǐng)導(dǎo)者之一，幫助原本負(fù)擔(dān)不起的學(xué)者研究大語言模型。這非常讓人興奮，因?yàn)長LM表現(xiàn)遠(yuǎn)超預(yù)期，但我們實(shí)際上并不了解這些模型的運(yùn)作機(jī)理。

目前，大公司內(nèi)部的研究主要圍繞自身的產(chǎn)品迭代，例如ChatGPT、Claude、Gemini等，而學(xué)術(shù)界的興趣在于揭示模型的原理。

只有真正理解其運(yùn)行機(jī)制，我們才能找到更優(yōu)的方法去改進(jìn)模型、解決現(xiàn)有問題并讓它們更聰明。這需要數(shù)學(xué)理論，就像物理學(xué)家理解宇宙一樣，靠建立理論并通過實(shí)驗(yàn)檢驗(yàn)，而不僅僅是制造更大的機(jī)器。

正如我所說的，目前許多AI相關(guān)的理論突破反而來自腦科學(xué)領(lǐng)域，而不只是工程團(tuán)隊。當(dāng)然，一些工程師在數(shù)學(xué)上也很強(qiáng)，但他們提出的問題不一定能觸及本質(zhì)。

我們現(xiàn)在生活在三維空間，與擁有數(shù)十億乃至數(shù)萬億個維度的世界是截然不同的。要知道，當(dāng)你在那個層面運(yùn)用數(shù)學(xué)知識時，那將會是一個完全不同的世界，而這就是我們正在探索的領(lǐng)域。

《知識分子》：AI的能耗問題受到關(guān)注，其發(fā)展會不會受到能源的制約？

特倫斯·謝諾夫斯基：和其他技術(shù)一樣，AI隨著時間推移會變得越來越節(jié)能，我可以保證。

自然界早已解決了能耗問題，人類大腦只需約20瓦功率，卻能高效運(yùn)算。這得益于神經(jīng)元本身的結(jié)構(gòu)被高度優(yōu)化，使計算效率極高。我們可以借鑒這一原理設(shè)計芯片。

目前已經(jīng)有神經(jīng)形態(tài)芯片采用模擬處理（Analog Processing），而非傳統(tǒng)的數(shù)字處理。數(shù)字計算雖然功能強(qiáng)大，但能耗很高，而模擬芯片能在毫瓦級功耗下運(yùn)行。這樣的技術(shù)已經(jīng)存在，只需要針對產(chǎn)品進(jìn)行專門化，就可以應(yīng)用于各種邊緣設(shè)備，比如手機(jī)。很快，還會出現(xiàn)一整系列低功耗的AI眼鏡，也將采用這種技術(shù)?？傊?，未來的趨勢就是神經(jīng)形態(tài)工程，它將讓AI在能源效率上達(dá)到前所未有的水平。

03 AI的“殺手級應(yīng)用”，是教育

《知識分子》：AI的熱潮正在持續(xù)，NeurIPS會議是不是更加炙手可熱了？能否分享一些有意思的觀察？

特倫斯·謝諾夫斯基：NeurIPS最初于1987年創(chuàng)辦，是神經(jīng)網(wǎng)絡(luò)領(lǐng)域的學(xué)術(shù)會議，如今已經(jīng)走過了近38年。

神經(jīng)網(wǎng)絡(luò)在20世紀(jì)80年代受到歡迎，因?yàn)樗鼮锳I提供了一種區(qū)別于傳統(tǒng)邏輯和符號推理的新思路。隨著時間推移，各類機(jī)器學(xué)習(xí)算法不斷涌現(xiàn)，NeurIPS逐漸發(fā)展成機(jī)器學(xué)習(xí)領(lǐng)域最重要的會議，大約10年前更是成為AI的頂級盛會。這種轉(zhuǎn)變每年都在發(fā)生，新的思想、新的解題方式層出不窮，但這個會議始終是AI的魔法之源（Magic Source）。

《知識分子》：最近幾年，提交給NeurIPS的論文數(shù)量顯著增加，一些年輕科學(xué)家對論文接收的結(jié)果產(chǎn)生焦慮，大量論文提交，會影響NeurIPS的接收率嗎？

特倫斯·謝諾夫斯基：過去十年來，NeurIPS 的論文接收率一直相對穩(wěn)定，大約維持在20%左右，我預(yù)計短期內(nèi)不會有太大變化。上一屆在溫哥華舉行的會議共有1.6萬人現(xiàn)場參會，這個規(guī)模已經(jīng)受到會展中心容量的限制，最后甚至不得不通過抽簽決定部分參會名額，可見熱度之高。

NeurIPS的接收率確實(shí)不高，但這恰恰體現(xiàn)了會議的重要性和所展示研究的高水準(zhǔn)。這20%的比例適用于所有投稿者，不分國別。我自己也經(jīng)常向NeurIPS投稿，并不會受到特別的優(yōu)待。

《知識分子》：您覺得評審過程壓力更大了嗎？

特倫斯·謝諾夫斯基：評審最大的挑戰(zhàn)是找到足夠的評審人。如果有4000篇投稿，每篇3次評審，意味著1.2萬次的評審總量，而我們不可能讓同一個人評太多篇。雖然整個領(lǐng)域在擴(kuò)展，但新增的主要是年輕研究者。

因此，我們現(xiàn)在也在思考如何評估評審的質(zhì)量，確保每份意見都可靠。會議的評審流程其實(shí)非常嚴(yán)格，作者在收到評審意見后，還有“rebuttal”環(huán)節(jié)，可以對問題和誤解做出解釋，與評審形成雙向交流。這個機(jī)制不僅有助于作者，也讓評審者本身在對話中獲得新的理解和成長。

《知識分子》：您會擔(dān)心論文內(nèi)容會變得同質(zhì)化（Homogenous）嗎？

特倫斯·謝諾夫斯基：在任何學(xué)術(shù)會議上都可能會發(fā)生這樣的情況，一旦有新的主題、算法或者方法被提出，那么接下來的幾年里，很多論文都會圍繞它們展開探索，因此在這個層面上，某些研究表現(xiàn)出來是同質(zhì)化的。

NeurIPS早期幾乎全是神經(jīng)網(wǎng)絡(luò)的論文，但這些研究來自統(tǒng)計學(xué)、數(shù)學(xué)、計算機(jī)科學(xué)、神經(jīng)科學(xué)、認(rèn)知科學(xué)、機(jī)器視覺、語音識別、語言等各個科學(xué)領(lǐng)域。這種跨學(xué)科的多樣性一直延續(xù)至今，也是NeurIPS會議的一大優(yōu)勢。

過去，支持向量機(jī)（SVM）、圖模型、貝葉斯網(wǎng)絡(luò)等都曾風(fēng)靡一時，如今神經(jīng)網(wǎng)絡(luò)又重新成為焦點(diǎn)，這也是一個頗為有趣且令人欣慰的趨勢。

神經(jīng)網(wǎng)絡(luò)模型受到大腦結(jié)構(gòu)的啟發(fā)，由大量小型處理單元組成，彼此高度連接，通過數(shù)據(jù)學(xué)習(xí)權(quán)重。當(dāng)然，這只是對人腦的粗略模擬，畢竟人腦經(jīng)歷了數(shù)百萬年的進(jìn)化，遠(yuǎn)比這些模型復(fù)雜。

但正因如此，神經(jīng)科學(xué)的最新發(fā)現(xiàn)正在反過來影響下一代神經(jīng)網(wǎng)絡(luò)的設(shè)計，而AI的發(fā)展也為理解大腦提供了新的視角，我的研究正位于這一名為“NeuroArray”的全新領(lǐng)域。我相信，未來神經(jīng)科學(xué)與AI之間的交匯會產(chǎn)生重大突破。

《知識分子》：最后一個問題，您還有什么信息或者想法希望傳達(dá)？

特倫斯·謝諾夫斯基：2018年，我在中國進(jìn)行我第一本書《深度學(xué)習(xí)》的巡回演講時，一位觀眾問我，在所有的AI應(yīng)用中，哪一個會是“殺手級應(yīng)用（Killer APP）”。我之前從沒想過這個問題，但我隨后意識到，最重要的應(yīng)用將是教育。

教育孩子最好的方式是通過與一個了解孩子的優(yōu)秀教育者，進(jìn)行一對一的互動。這種方式非常昂貴，只有少數(shù)人能承擔(dān)得起。大多數(shù)學(xué)校的班級里都有20個以上的學(xué)生，而學(xué)生們的能力和知識水平各不相同。如果我們能創(chuàng)造出一個AI導(dǎo)師，為每個孩子量身定制教育內(nèi)容，那將極大地助益每個孩子的未來。