智東西
作者 李水青
編輯 漠影

智東西12月2日報道，今日，77歲的諾貝爾物理學獎得主、“AI教父”杰弗里·辛頓（Geoffrey Hinton）在2025 GIS全球創新展上發表演講，并在硅谷科學家吳軍的主持下與中國AI芯片領軍企業云天勵飛董事長兼CEO陳寧展開了一段精彩的線上對談。

辛頓有一段廣為人知的“AI養虎論”——在此前7月的訪華演講中，他將超級智能比作終將反噬人類的猛獸，呼吁要像幾十年前美蘇聯合預防核戰爭一樣進行治理。而當這位AI領域的“先知”帶著他的終極憂思，遇上正蓬勃發展的中國AI產業力量時，會碰撞出怎樣的思想火花？

今天這場演講及簡短而高效的對談，濃縮了從危機認知、范式博弈到技術路徑的全景探討，智東西將主要的信息干貨提煉如下：

1、（辛頓）AI系統之間的知識蒸餾效率相比人際信息交換，“效率提升好幾十億倍，真的非?？膳隆?/strong>，其進化速度可能遠超人類。

2、（辛頓）一旦制造出超級智能，它們會衍生出“生存”這個子目標，并且非常擅長欺騙人類。我們必須確保AI永遠不會來針對人類。

3、（辛頓）在AI轉型中，中國可能更有動力，政府與大企業協作更深入，對后果有更多的預防性措施，AI帶來的負面影響可能比在美國小。

4、（辛頓）發展AI若忽視實際應用，將會是一個重大失誤；只考慮應用而不推動底層理念發展，也是大錯特錯。基礎研發和應用兩者都非常重要。

5、（辛頓）受大腦啟發的模擬計算功耗極低，有巨大能效潛力，但存在“硬件與知識綁定”的缺陷；主流的數字計算則功耗高，但知識可分離和共享。

6、（陳寧）通過設計更高效的NPU（神經網絡處理器），目標是實現百倍以上的效率提升，將智能體推理成本大大降低，將在全球帶來AI普惠。

7、（陳寧）到2030年，AI芯片產業規?？赡苓_到約5萬億美元。推理芯片將占主導（約80%），其市場規模將遠超訓練芯片。

辛頓的演講及圓桌對話紀要全文如下，智東西做了不改變原意的編輯：

一、辛頓最新演講：AI學習速度已領先人類數十億倍，“真的非常可怕”

辛頓本次的演講還是從AI發展歷史和運作機制聊起，他提到，現代大語言模型的強大能力在于僅從預測下一個詞的任務中，就能學習到復雜的語言結構和語義，這一過程與人類學習語言的方式高度相似。

緊接著，他肯定了受大腦啟發的“模擬計算”的巨大能效潛力。他指出，我們都很習慣數字計算，這種主流計算方式功耗高，妨礙了我們使用豐富的模擬特性；受大腦啟發的模擬計算功耗極低，但也面臨“硬件與知識綁定”的缺陷。

而將視野拉回當下AI產業發展圖景，辛頓贊嘆了AI知識傳遞與智能體進化的驚人效率。

他提到，AI之間學習正在變快。以DeepSeek與Llama模型舉例，他闡述了“AI系統之間的蒸餾效率要高得多”，相比人際信息交換，“效率提升好幾十億倍，真的非?？膳?/strong>”，AI進化速度可能遠超人類生物進化與文化進度。這是其本次演講中最具警示性的觀點之一。

以智能體協作的圖景為例，他談道：成千上萬的智能體一起工作，互相分享它們的經驗，之后通過數字神經網絡連接，這是人不可能做到的。雖然生物計算消耗的能量非常低，我們吃一碗飯、一個饅頭就可以用大腦，但是在信息傳遞和分享方面，效率太低了。

他進而提到，如果能源能夠便宜，那數字計算肯定比大腦計算更好用。

最后，辛頓重申了了關于超級智能的風險與治理，并強調了中國在這方面的優勢。

他認為大部分人相信在未來20年超級智能可以被制造出來，一旦我們制造出超級智能，他們就會有“生存”這個子目標并且非常擅長欺騙人類。他倡導，我們必須想辦法確保AI永遠不會來針對人類，各國家和地區都應該攜手讓AI朝著正確的方向發展，需要去重新構架當前人與AI共存之治理模式。

他還提到，中國在這方面更有優勢，政府與大企業協作更深入，中國在轉型當中可能更有動力，也會對這個轉型帶來的后果有更多的預防性的措施，在中國人工智能帶來的負面影響會比在美國小。

二、中國AI芯片先鋒對話辛頓：算力成本要降百倍，推理芯片將主導5萬億市場

辛頓描繪了一幅關于AI進化能力與潛在風險的宏大圖景，并提及了算力瓶頸及潛力方向。那么正處于AI產業化浪潮中心的中國科技力量，特別是在一線致力于“馴服”算力成本、推動技術落地的實干家們，又會作何回應？

在辛頓演講之后，硅谷科學家吳軍、中國AI芯片企業云天勵飛董事長陳寧與他從最底層的類腦計算探索，到現實的產業區域競爭，再到未來市場規模預測，展開了務實而富有前瞻性的探討。

▲吳軍（左）、陳寧（中）和辛頓（右屏幕）

1、從前沿類腦計算到NPU：智能體推理成本將降百倍

吳軍：辛頓教授剛才提到模擬計算，并與數字計算做了對比。您認為，是否有可能將數字芯片和模擬芯片集成到芯片級甚至計算機級的系統中，從而制造出更接近人類的系統，更好地模擬人類思維？我們是否有可能借此創造出物理世界中的數字人？

杰弗里·辛頓：這里面確實有明顯的優勢。模擬芯片在功耗、計算能力以及傳輸效率上表現更好。目前有很多研究者在培育“類器官”，例如在圣克魯斯等地，類器官的培育已經取得了一些成功。

吳軍：我們是否真能利用這類技術來實現細胞組合與生成，并進行計算？這樣的“類器官”是否能模擬人腦計算，從而大幅節省能源？

陳寧：在我們為“類器官”找到合適的算法之前，很難創造出真正的價值。類器官必須結合高效的學習算法，才能真正實現能效提升，達成計算目標。

杰弗里·辛頓：目前還沒有真正實現基于腦細胞“類器官”的計算，這類模擬計算尚未發揮出巨大價值。谷歌的芯片在語音識別之后，可能會進一步突破，打造新的硬件芯片。如果真的想實現生物計算，還有很長的路要走。無論是研究的方向，還是具體的項目，都還需要更多的探索。

吳軍：當前人工智能已經取得了很多進展，但若要訓練一個類似ChatGPT的模型，仍可能需要花費數十億美元的成本。您剛才提到可以通過模擬設施來解決這個問題，正好我們今天現場有一位專家，可以從他的角度談談對這個問題的看法。陳寧博士，你們是否通過研究將AI的成本從數十億美元降低到了幾千美元嗎？

陳寧：我們大約從11年前開始這項工作，公司中文名叫“云天勵飛”。我們的使命是設計更高效的AI芯片。剛才辛頓教授提到，AI非常強大，我們需要更好地訓練AI——我完全同意。我們需要更好、更高效率、更低成本的AI，這些都非常重要。AI向善意味著AI本身具備強大能力，并且是真正為人類服務，讓全人類都能廣泛受益。

我們現在需要建立更經濟的AI訓練模式，NPU（神經網絡處理器）是實現高效AI的關鍵。谷歌在TPU（一種NPU）方面做得非常出色，與同性能的GPU相比能降低約30%的成本甚至更多。2025年我們將進入AI推理時代，大家現在都在討論智能體，我們的目標是將智能體推理的成本降低100倍，原本需要花1美元（消耗幾百萬token）處理的任務，不久后可能只需要1美分。再過兩年，人們將能夠從AI中獲得更多益處。從這個角度看，AI將能夠覆蓋更廣泛的人群，例如在農業農村發展、醫療健康、教育等各個領域，AI都能發揮巨大的價值。

如今，許多國家和地區都在訓練自己的AI模型。中國在AI方面發展得非常快，也在不斷探索更多AI的應用場景。預計到2027年，也就是兩年后，AI應用和智能體的普及率將超過70%；再往后推三十年，這個比例預計會超過90%?，F在每家公司都在使用AI，每個普通用戶也都在用。

AI能夠提供被采納后的反饋，而來自真實世界的反饋對AI來說也非常重要。這可以從兩個方面來看：一方面，我們為AI提供輸入，這本身是一種反饋；另一方面，AI給出反饋后，我們再對它進行反饋，這樣AI就會變得更聰明。這也是我們公司的目標和產品方向——我們已經設計了5代NPU和GPU，希望能為整個行業提供更具成本效益的AI芯片。

2、辛頓稱忽視實際應用或底層技術，都是重大失誤

吳軍：今年7月您曾去過上海，看到有很多研究機構都在做大語言模型；您也經常來香港，香港和深圳北正成為全球硬件中心并誕生大量原生AI硬件。在AI時代，您認為兩地（長三角和粵港澳大灣區）哪個有更明顯的優勢？

杰弗里·辛頓：長三角和大灣區各自的優勢是不同的。我們需要思考如何通過AI的應用與研究來創造更多價值，針對不同的應用場景提出新思路，這些都非常關鍵。我們努力讓AI變得更智能，但如果忽視實際應用，將會是一個重大失誤；而如果只考慮應用，卻不思考如何改進技術、推動底層理念的發展，那同樣是大錯特錯。中國擁有上海周邊的長三角地區，那里聚集了大量的AI技術開發力量；而大灣區或許會更側重于AI的應用層面?；A研發和應用兩者都非常重要。

吳軍：下一個問題想問陳博士。您提到五年后token的計算價格可能會大幅降低，屆時芯片市場或許會占整個AI市場的20%。您預計未來3-5年芯片市場規模會達到多大？如果不考慮英偉達，未來3-5年整個市場規模又是多少？這將對整個行業產生怎樣的影響？

陳寧：五年后，芯片在整體市場中的份額確實會下降。到2030年，AI芯片產業規模可能達到約5萬億美元（市場收入）。今年我們還沒看到大的變化，但到2035年，AI將實現從訓練到推理的整體轉型或說過渡。AI模型會有更多應用，而智能體的應用也需要做得非常出色。大約12個月后，我們或許會看到推理芯片的市場規模超過訓練芯片。

到2030年，訓練芯片的規?？赡茉?萬億美元左右，而推理芯片可能接近4萬億美元。剛才提到芯片占整體市場的比例會下降，這主要是由于訓練芯片占比降低，但推理芯片有望大幅增長。總體來看，通過相應的計算，推理芯片應該會占到AI芯片的80%，這個數字是經過比較準確的測算的。

未來五年，AI將重新定義所有數字應用、硬件和電子設備，AI智能體也可以幫助我們的生活變得更高效、更美好，屆時AI推理芯片將無處不在。我也向國際電聯提出建議，希望他們能啟動一項全球推理芯片的標準制定，讓世界各地都能在互聯互通的網絡中獲取更多收益和價值。相信AI芯片會像水電一樣無處不在，發揮巨大作用，同時成本也會大幅降低。

3、辛頓：不后悔發布神經網絡論文，但應該更早警惕AI風險

吳軍：我對您的經歷很感興趣，您在本科沒有讀計算機而是選擇心理學等其他專業，廣泛的涉獵如何幫助你成為最頂尖的計算機科學家？或者說，對計算機科學家而言，是否有其他技能可以幫助他們更好地錘煉自己？

杰弗里·辛頓：我讀的是心理學、生理學和哲學，一開始完全不懂計算機科學。如果說要我動手搭建一條管線，我可能毫無辦法；但如果是要提出一個解決方案，我可以給你一些相關的建議。早在中學時期，我就對生理學特別感興趣，我想弄明白大腦是如何運作的。我學習了心理學、生理學，后來又學了人工智能和神經科學。這些不同的學科其實都是為了解決某些具體問題。所以當我們遇到真正棘手、特別困難的難題時，跨學科的知識往往能提供更好的解決辦法。當我們想要解決一個問題時，就會主動去學習那個領域的知識，以此推動問題的解決。這也是為什么我后來會去學習統計物理學。

吳軍：上世紀90年代初，神經科學還是一個非常熱門的領域，但十年之后出現所謂的“神經科學的冬天”，很多這個領域人才離開了研究崗位，轉向其他領域。對你來說，是什么讓你相信自己仍然走在正確的道路上？在人工智能遭遇寒冬的時候，你為什么會堅持走下去？

杰弗里·辛頓：對我來說，最關鍵的并不是我要做出怎樣的技術，而是我想理解大腦是如何學習的。當我們最初發現神經網絡時，在數據有限的情況下，它的表現甚至不如SVM（支持向量機）。但我依然繼續研究神經網絡，因為我對大腦的學習機制太感興趣了。后來事實證明，支持向量機之所以一度表現優于神經網絡，是因為當時使用的數據集比較??；一旦有了海量數據，神經網絡的價值就真正展現出來了。

陳寧：如果您有一臺時光機，可以回到2012年，甚至回到開始研究神經網絡后的幾十年，你還會發表那篇AlexNet論文嗎？如果沒有發表那篇論文，現在的技術發展會慢很多嗎？

杰弗里·辛頓：這個問題其實不太好回答。我認為該發生的終究會發生，我可能還是會發表那篇論文。但如果真能回到過去，我可能會從那時候起，就開始警惕人工智能可能帶來的一系列風險——這是我現在能想到的、若回到過去會想做的事。

結語：務實發展推動AI普惠，全球協作治理推動AI向善

在這場跨越地域與視角的對話中，辛頓以其一以貫之的深刻與警醒，將超級智能的長期風險置于聚光燈下。而來自中國AI產業前沿的探索者，則展示了如何通過技術創新與產業協作，在當下解決成本、能效與普惠等迫切問題。

兩者看似一遠一近，實則構成了應對AI時代挑戰不可或缺的一體兩面。沒有對終極風險的清醒認知，當下的狂奔可能迷失方向；而缺乏將宏大愿景轉化為務實解決方案的能力，再深刻的警告也可能淪為無力的空談。

可以看到，從降低百倍推理成本的具體目標，到構建全球芯片互聯標準的倡議，中國力量正在嘗試將安全、普惠與發展的多重目標，編織進技術演進的現實路徑中。