2025年，堪稱中國大語言模型的元年，這一年DeepSeek橫空出世，很快在全球掀起風暴，甚至搶走了OpenAI的風頭。

但是AI大范圍應用后，有關AI技術的各種擔憂也接踵而至：AI是否會搶走人們工作？大語言模型為什么存在偏見？為什么會編造事實？各國如何監管AI技術？未來是否會出現有意識的超級AI威脅人類？等等，這些都成為熱烈討論的話題。

觀察者網遠程連線美國四院院士特倫斯·謝諾夫斯基，與他討論了上述問題。特倫斯是全球計算機神經科學領域的奠基人之一，也是人工智能研究的先驅。他在神經網絡、機器學習等領域取得了諸多開創性成就，包括與圖靈獎獲得者杰弗里·辛頓共同發明了玻爾茲曼機——這是最早能夠學習多層網絡中復雜模式的算法之一，他二人被譽為“AI的萊特兄弟”。

面對一個文科背景的訪問者，特倫斯用通俗的語言講述了，為什么AI技術在經歷了60年的研究后最近幾年才突飛猛進，變得如此強大并廣泛應用。他用科學家的激情和熱忱，逐一打消了我們對于AI大語言模型“編造事實”、帶有偏見、搶人類工作、甚至未來可能威脅人類的各種擔憂。他還講述了自己在1980年代和其他科學家一起挑戰語言學權威和數學權威，將語言之間的聯系用方程寫出來，從而奠定了大語言模型基礎的故事，并以此來鼓勵年輕人，科學探索要不畏懼權威，“當專家告訴你某件事不可能時，不要聽他們的。”

此外，針對各國紛紛出臺的AI監管法案，他一再強調AI大語言模型還處在初級階段，監管過早過細會影響科學發展。新技術只有被大規模使用，科學家們才能通過試錯，發現解決問題的辦法。以下是我們的對話實錄。

觀察者網連線特倫斯·謝諾夫斯基

OpenAI一夜成名背后，經歷了60年的積累

觀察者網：今年以來，隨著DeepSeek等應用的普及，我們開始更頻繁的使用AI工具。因此有關AI和大語言模型的問題的討論很受大家關注，恰好您的新書《大語言模型：新一輪智能革命的核心驅動力》也討論了這些問題。我的第一個問題是，您提到科學家們研究大語言模型（LLM）經歷了三代人60年的努力，是什么根本性的轉變使得這項技術突然變得如此強大和實用的？

特倫斯·謝諾夫斯基：首先，我認為需要回溯到20世紀80年代。那是神經網絡被引入、機器學習領域發生革命的時期。傳統的AI在上個世紀是基于邏輯的，也就是說，真或假，黑或白，當然，這也是數字計算機的工作方式。所以編寫基于邏輯的程序在當時看來非常合理。但事實證明，這非常困難，比任何人想象的都要困難得多。

傳統AI確實沒有取得太大進展，直到1980年代，杰弗里·辛頓、我以及其他幾位來自不同背景的人（例如杰弗里的背景是心理學和計算機科學，我的背景是神經科學和物理學）認為，一定有另一種方法。我們說，能夠解決AI領域任何問題的唯一參考就是大自然。那么，讓我們“打開引擎蓋”看看大自然是如何做到的，于是我們開始研究大腦的架構。我所說的“架構”是指不同的組件是如何組合在一起的。

在芯片上，晶體管彼此靠近，但它們之間沒有太多連接，它們是獨立工作的。在大腦中，情況恰恰相反，它們之間是海量連接的。順便說一下，關于數字芯片的關鍵一點是你必須明白，計算機程序中的指令是逐條按順序執行和處理的。整個芯片需要一個時鐘信號，滴答，滴答。然而，大腦沒有時鐘。相反，它有數十億個被稱為神經元的小處理單元，這些神經元彼此通信，一個單一的神經元可以與一萬個其他神經元對話，有大規模并行的、海量的交互。這就是大腦的架構。

那么，如何為神經網絡“編程”呢？如果你觀察大腦，它并不是被編程過的，而是通過經驗學習。嬰兒來到世界，他們必須學習語言；然后去學校學習知識，再走向世界，學習各種知識。所以，我們當時所做的是開發所謂的學習算法。算法就像一份食譜，它告訴你如何將食材組合在一起，需要烘烤多久，你按照食譜的說明進行烹飪。而學習算法則給出了你需要遵循的指令，讓這個大規模并行的架構能夠接收感官輸入和經驗，并將其轉化為知識。

這就是我們在1980年代所做的事情。我們找到了讓神經網絡做到這一點的方法。但當時的問題是，以今天的標準看，計算機非常原始。即使IBM最昂貴的計算機，其計算能力也低于現在的智能手表。按當時的標準，我們現在的智能手表實際上是一臺非常強大的計算機。內存非常小，以兆字節計。

我們當時在這些原始的計算機上進行模擬，但顯然我們受到很大限制。盡管我們有了學習算法，但我們當時不知道它的擴展性（scaling）會有多好。擴展性意味著，隨著網絡變得越來越大，它能解決更多困難的問題。我們當時用小問題演示了它應該能行，但我們直到現在才知道結果。這已經是40年后的事兒了。

被譽為"AI萊特兄弟"的特倫斯·謝諾夫斯基（左）和杰弗里·辛頓（右）

經過40年的研究，特別是我的合作者兼朋友杰弗里·辛頓，他確實為此問題努力了40年，試圖擴大規模并解決越來越難的問題。

轉折點大約出現在10年前，當時他和他的學生們能夠解決一個在當時來說非常困難的視覺圖像識別問題。換句話說，AI能夠看著一張圖片說，“嘿，那是座山”或“嘿，那是頭大象”。這對我們來說似乎很容易，但事實證明并非如此，這在計算機視覺中是個非常困難的問題。后來，杰弗里在一個我協助組織的名為“神經信息處理系統大會”（NeurIPS）的會議上做了報告，這個會議如今是全球最大的AI會議。

這成了一個巨大的技術突破。大約三年前，OpenAI發布了ChatGPT。如你所知，它一夜間取得了巨大成功，這看似是一夜間的成功，但背后是40年的研究積累。所以現在我們知道了問題的答案：神經網絡的擴展性好得驚人，難以置信?，F在正在發生的是一場革命，AI正在對世界產生巨大影響。

大語言模型是“云端的大腦”，沒有情感、沒有長期記憶

觀察者網：而且這項技術正在逐步改進，這很神奇。上個月Sora 2也發布了，標志著AI視頻生成技術又前進了一步，令人驚嘆。您在書中提到，大語言模型受人類大腦啟發，但只模擬了大腦皮層稱為編碼功能的一小部分，就已經達到如此高的水平。這是否意味著大語言模型能夠無限改進，甚至達到您在書中提到的可能對人類構成威脅的超級AI（Super AI）的程度？

特倫斯·謝諾夫斯基：好的，讓我們退一步說。首先，這些大語言模型在整合知識的量上已經遠超大腦。換句話說，人類非常擅長特定領域的學習，例如如果你是醫生，你會非常擅長診斷疾病，但你不擅長法律，而律師擅長法律。也就是說，人類是專家型的。但ChatGPT的驚人之處在于它能回答任何問題，所以在這方面它已經超乎常人了。

但這并不意味著它要接管一切或其他什么。我認為，它只是一個更好的工具，是推動進步、提供幫助的更好方式。它確實是一種幫助人類提高生產力的方式，這正是它如今如此受歡迎的原因。因為它對你有幫助，我們都有同感。實際上，它仍然是一個需要學會如何使用的工具。你需要學習如何提問，學習如何與AI進行對話，那些能夠最有效使用AI工具的人正是取得最大進步的人。

你剛剛提到了大腦，我是一名神經科學家，我研究大腦，我的專業是計算神經科學。這意味著什么？從事計算神經科學的人試圖理解大腦是如何進行計算的。我剛才提到了神經網絡，那是一個好例子。但大語言模型基于一種特殊的架構，這種架構是受人類大腦皮層啟發的。大腦皮層是大腦表面的一層薄層，它非常重要，是我們知識的儲存庫。但大腦中還有數百個其他區域，這對人類的生存同樣重要。ChatGPT在其他區域的能力并未被使用。它有點像云端的大腦，沒有手臂和腿，沒有眼睛，它所知道的只有詞語，因為它是基于詞語訓練的。不過這種情況正在改變，現在新的網絡也開始基于圖像和電影進行訓練。這只是過去幾年取得進展的又一個例子。

AI生成的海邊小屋

這確實令人驚嘆。對我來說，比文字處理更令人驚訝的是，你只需輸入幾個詞就能生成新的圖像。比如我想要一幅美麗的場景，一棟能看到海景的漂亮房子……你可以描述你想要的，然后按一下按鈕，你就得到了。這原本可能需要一位藝術家花費數天甚至數周才能創作出來，但AI可以幾秒鐘就做到，這太神奇了。現在AI還能生成電影片段，幾乎與真實電影和真實演員真假難辨。

這簡直是科幻變成了現實。三四十年前，我們是絕對預測不到這些的。大腦的其他區域對于在現實世界中的生存和自主性確實至關重要。例如，如果我們想制造機器人，就必須加入那些大腦區域的模擬，必須有感官信息輸入以方便機器人移動，必須有長期記憶。目前的大語言模型，在對話結束后，什么都沒有留下。它沒有長期記憶，它不會終身學習。而人類總是在學習，也許不如在學校時學習那么高效，但我們仍然能學習新東西。這一點上ChatGPT是做不到的，它被預訓練后就這樣了，不會再學習新東西。

這只是其中一個例子，大語言模型還有其他缺失的部分。比如，人類擁有一個極其復雜的系統，我們稱之為情緒，我們會快樂、悲傷、憤怒、厭惡等等。這些是人與人、人與世界互動時產生的情緒。而這些情緒對應的大腦部分在ChatGPT中完全缺失，它沒有情緒相關的腦部分區。當然，ChatGPT認識“情緒”這個詞，如果用戶輸入的內容顯示出不安，它或許能識別出來，因為有很多小說描寫人們不安的場景，它“知道”這些，但它自身無法擁有情緒。

“任何新技術都有被壞人利用的可能，AI不是特例”

觀察者網：所以您作為科學家，并不相信那些科幻小說所描繪的未來——超級AI會對人類構成威脅？

特倫斯·謝諾夫斯基：不，危險是另一個層面的問題。所有新技術都既可用于好的目的，也能用于壞的目的。我舉兩個例子。

當上個世紀，核能被發現時，人們說，哇，這將為我們的未來提供巨大的能量。而且它是一種清潔能源，不會產生大量煙霧或任何對環境有害的東西。但是你也看到了，它也能被用來制造核武器。所以人類必須對這項技術的運用進行監管，必須防止它被壞人利用。當然，事情有時可能失控，但總體而言，我們已經設法遏制了那些可能發生的可怕用途。

還有生物技術。當我們發現如何操縱基因時，情況就很清楚了，我們不僅可以用它來幫助人類健康、治療疾病，我們也可能制造出能夠消滅人類的可怕病毒，導致生存威脅。但你知道，科學家制定了規則，規定了在什么條件下可以開發對我們有益的新基因和新病毒，并防止任何可能傷害我們的東西被釋放出來。生物技術在醫學上為人類帶來了巨大益處，也創造了各種新設備和新藥物，幫助人類擁有更好的生活。

現在，我們有了AI新技術，它也會不斷往前發展。順便說一句，我們非常不擅長想象未來可能發生的壞事。例如，我們不善于理解那些無人能預測的意外后果。這肯定會發生，但只有當科學家開發的這項技術能讓人們大規模使用時，他們才能真正開始理解其影響。我們知道會有壞的影響，但首先必須理解這些壞影響是什么，然后才能像過去一樣去防止這項技術被壞人利用。

這次沒什么不同。250年前的工業革命到來之后，蒸汽機極大地增強了勞動生產力?，F在，人類不用鏟子去挖渠，而是可以操縱一臺大機器去挖一個更大的渠。所以，幾十年后，這個世界被徹底改變了：我們有了摩天大樓，有了能橫穿整個國家的火車——在中國，你們有3000公里長的高速鐵路，這不可思議。這些都是過去250年發展起來的技術。

而我們現在還正處在AI技術的開始階段。就像最初的蒸汽機，順便說一句，最早的蒸汽機會爆炸，因為人們不知道如何調節壓力。后來它徹底改變了農業生產。在那個時代，地球上99%的人都在農場工作，因為我們需要食物。而現在在美國，只有2%的人口在農場工作。因為一個人就能用機器耕整片土地，不再需要人們用手工或者甚至用馬來種植了。有趣的是，我們還用“馬力“這個詞來形容汽車動力性能有多強勁。

AI技術用于生物技術和藥物研發，能大大減少實驗時間，造福于人類

但我們僅僅處于AI技術的開端。即便是我們第一次接觸這項技術，它已經極大地提升人類的認知能力和我們的思考能力，它已經在科學上產生了這種影響。例如，AI已經改變了生物學，這令人難以置信。你知道，現在我們有人工智能預測現有分子的功能，還可以設計創造新分子。這太不可思議了。以前這必須通過反復試驗才能完成，現在我們可以用AI來做。AI用于科學領域的技術研發，其能力強大得令人難以置信，這為創新材料和藥物研發打開了大門。最終，這將讓每個公司、每個家庭受益。

制止AI偏見，科學家們正在努力

觀察者網：您對AI技術的信心鼓舞了我們。我同意，每一新技術剛出現時，人們都會有這種擔憂。下一個問題也是您在寫書時提到的，我也經常遇到。我在使用ChatGPT的時候，會發現它有時會編造事實和來源。這種現象您稱之為“幻覺”，為什么會發生這種情況？這是一個需要修復的技術缺陷，還是說這種虛構能力在特定情境下也可能是一種的創造力？

特倫斯·謝諾夫斯基：很好的問題。你說得完全正確。“幻覺”這個詞通常指服藥后開始看到不存在的東西，這是醫學上的一個專業術語。人類確實也會這樣做，會發生在正常人身上，也發生在大腦受損的人身上，這被稱為“虛妄癥”。

例如，酗酒的人，大量飲酒會損傷大腦，他們做的事情之一就是開始編故事，憑空捏造很多事情，而且他們自己并不知道，他們只是認為大腦告訴他們這事發生過，而實際上并沒有。而你所說的“幻覺”，在技術上，我們稱之為“虛構”。所以你看，人工智能反映了我們自己的缺點。

當我們要求AI幫助寫論文或準備要發表的文字材料時，我們不希望出現這種情況。然而，如果你是個作家，你需要新的情節，需要創造性的時候，AI能編造新故事，這就很棒。所以你看，它可以被用于好或壞的方面，這取決于你的目標是什么。

另一個問題是，這些大語言模型經常會“偏離軌道”。意思是它們可能產生偏見，說些不好的話，比如種族主義言論或其他冒犯的話。我們有文化，有規則，人類需要遵守。因此，我們確實需要控制這些大語言模型。

人類從一出生就開始學習什么是好，什么是壞，出于本能不會做傷害自己的事，比如把手伸進火盆里。人類通過經驗學到這點。然后，從父母、學校那里學習文化價值觀。大腦中負責訓練的部分，叫做基底神經節，它不僅僅是訓練動作，還參與高級認知功能，如學習、記憶、情感和習慣養成。這是強化學習的結果，如果你做了好事，得到了父母的認可，比如他們會拍拍你的頭，說你是好孩子，那就是積極強化，所以你以后還會這么做。但如果你做了壞事，你可能會挨打或被責罵，那感覺不好，你就學會了不該那樣做。

作者認為，AI會說謊其實反映了人類的缺點；大語言模型技術還處在開端，未來會增加是非判斷的功能

然而，大語言模型從未得到過任何這樣的反饋。它們只被喂了大量的詞語，這叫做預訓練。最后，科學家會嘗試做一些“微調”的工作，設置所謂的“護欄”來防止這些壞事發生，比如制止AI說不該說的話。但這已經有點晚了。

所以，再強調一次，我們仍然處在大語言模型技術的開端，正盡我們所能利用現有的技術。但在未來，這些大語言模型將會像養育孩子一樣被培養起來，在整個過程中，會不斷給予它們好與壞的反饋。這是當前AI所缺失、但未來將會被加入的功能之一。

過度依賴AI，不會削弱人類認知能力

觀察者網：隨著對AI功能的挖掘，引發我們很多思考。一些研究表明，重度依賴AI工具，可能會削弱我們深度思考或儲存知識的能力。例如，作為一個長期英語學習者，過度依賴DeepSeek來翻譯，可能會影響英語閱讀和寫作能力。這是AI改變我們的一個小小例子。作為精通神經科學和AI的專家，您認為長期依賴AI是否會逐漸削弱人類認知能力？

特倫斯·謝諾夫斯基：你指出的問題在過去也曾發生過。每當有新技術出現，人們總會擔心我們會忘記如何使用舊技術，這在某種程度上是事實。

比如，當手持計算器在20世紀80年代開始普及時，每個人都說，天哪，人類將不會做算術了，因為你不再需要計算能力了，只需按下按鈕就能得到答案。那么，這是否意味著我們不再教學生算術了呢？不，后來的學生們仍然像我們上學時一樣學習如何加減乘除。這是為什么？因為事實證明，加減乘數是大腦能夠思考數字、使用數字的基礎概念、核心基礎。這需要通過強化學習來打好基礎——練習、練習、再練習。

再舉個好例子。比方說打乒乓球吧，剛開始學的時候只是發球，但球打不過去，或者打飛了等等。但隨著你練得越來越多，你的水平就越來越高。我的意思是，如何通過學習掌握一門技能？那就是強化學習。

作者認為，新技術出現后，人類不會放棄傳統能力，比如計算器早就發明出來了，但是數學運算能力仍然還是一代一代傳承

現在你知道問題所在了。不幸的是，這正在美國發生。有人主張，也許不需要練習，只要讀一本關于乒乓球的書就行了，書里有圖片教你怎么握拍等等。但是，書無法替代親自練習。你必須進入現實世界，真正去打乒乓球才能提高打球技術。做算術也是一樣的道理。你不能只按按鈕，也不能只讀書。你必須進入現實世界，思考數字，使用數字，哪怕只是為了估算。你要對數字有良好的感覺，這一點必須通過練習來獲得。

所以，看，這就是你現在正在做的事情，你在練習英語，你在實踐，這就是保持認知能力的方法。但順便說一句，如果你停止練習，任何技能都會開始生疏。你必須持續使用才能維持這些技能。所以不用擔心，使用AI不會讓你失去語言能力，未來的人們也仍然需要用以前的方式來學習語言技能。

而且，你使用AI的方式恰恰是提高語言技能的正確途徑。順便說一下，很多英語是第二語言的科學家覺得寫作非常困難。我的實驗室里也有這樣的人，他們年輕的時候除了在學校學英語，其余時間對外語接觸不多。他們的英語還算不錯，但寫作時語法仍不太準確。英語是一門很難寫的語言，也許沒有中文那么難，但也相當困難。所以他們現在的做法是，寫好論文后交給ChatGPT，說“請改進語法”。結果你看，效果很好。所以，這是一個極好的工具，可以將你自身的技能提升到更高的水平。

AI在某方面比你強，就會搶走你的工作，這是錯誤的看法

觀察者網：下一個問題是關于工作的。人們很擔憂， AI的到來會砸掉很多人的飯碗。特別是在中國，除了AI，還有機器人等技術，AI正開始逐步替代很多領域的工作，比如翻譯，以及許多初級文職工作。您認為，人們應該如何為這種轉變做準備？在這個AI成為常見工具的世界里，哪些新技能對人類取得成功最為重要，會成為人類最根本的、獨一無二的特質？

特倫斯·謝諾夫斯基：我做公開演講時，最常被問到的問題就是：我會失業嗎？人們為什么害怕失業？因為他們從報紙上讀到，AI來了，人們可能會失業。報紙上這么說是為了銷量，所以他們要拋出能吸引眼球的東西。如果媒體上說，AI在某方面比你強，那你的工作就會消失，這是一種錯誤的看法。

順便說一下，2018年，我在我的第一本書《深度學習：智能時代的核心驅動力量》（這本書有中文版）里就做過預測：你不會失去工作，但你的工作會發生變化；你需要學習新的技能，以便能夠使用這些工具來提高你的工作表現；如果你不學習這些技能，你可能會失業。

如果你現在是成年人，你就需要自己去學習，這將極大地提高你的工作能力和生活質量。因為你可以從重復性的、繁瑣的工作中解脫出來，騰出時間去做更有創造性的事情。這正是每個領域正在發生的。

在醫學領域，醫生使用AI來幫助他們診斷疾病，這比他們單獨診斷的效果更好。律師現在能夠在更短的時間內處理更多的案件，原本需要數周時間，現在按個按鈕，當天就能得到結果。建筑師也一樣，他們能更快地設計出房屋。這就是未來的方向。這將會改變一切。

我們再回到農業的例子。我說過以前99%的人在務農，他們現在去哪了？他們在工廠工作，在辦公室工作。工業革命等一系列技術革命發生之后，新的工作崗位會被不斷創造出來，這些是以前不存在的。將來的孩子們會以不同的方式工作學習，從事新創造的工作。

互聯網就是一個很好的例子。想想現在所有的工作：網頁設計師、互聯網內容創作者（如播客）等等，之前都是沒有的。舉個更貼切的例子：過去，如果你想成為一名記者，你得去報社工作?，F在不需要了，因為有社交媒體，有博客、播客等等。你可以作為一名“網紅“過上很好的生活，可以在家工作，不用通勤?！熬W紅“這個職業以前是不存在的，因為互聯網改變了一切。

AI的到來也會發生同樣的事情。它會改變一些東西，有些人可能會落后，通常是像我們這樣的年長者。但年輕人會直接接納它，他們沒問題。他們會像學習任何新事物那樣去學習AI。社會的進步就是這樣發生的。

AI不是隨機鸚鵡，如何應對“有主見”的AI，需要年輕一代的努力

觀察者網：下一個問題是關于大模型的偏見，您之前也已經提到過，比如我搜索同一個中國政治類話題，DeepSeek中文版的內容比較正常，但是如果切換成英文搜索，或者用ChatGPT直接查英文時，其回復常常表現出與西方媒體敘事一致的觀點，負面、帶有偏見。您也曾警告過在全球地緣政治競爭背景下AI被武器化的風險，這是個非常及時且重要的提醒。我的問題是，如何來減輕AI系統中的這種政治和文化偏見？

特倫斯·謝諾夫斯基：這是個很好的問題，也是一個意外后果的例子。我們當初沒有內置這方面的考量，但它出現了。

AI是如何變得有偏見的？因為它吸納了人類所有的文本資料，而人類本身就是有偏見的，所以它吸收了所有這些偏見?，F在我的問題是：我們想要扭轉這些偏見，你覺得，是扭轉人類的偏見容易，還是扭轉大語言模型的偏見容易？哪個會更容易？

觀察者網：大語言模型。

特倫斯·謝諾夫斯基：是的，說得對，就是這樣。

觀察者網：確實。對于人類來說，改變別人想法很難……

特倫斯·謝諾夫斯基：很難。沒錯，正是如此。所以，正如我前面所說，我們還處于起步階段。我們會找出改變偏見的方法，而且這已經在發生了，所以不用擔心。

還有另一點值得思考。人類非常有主見，我們都有各自的看法，真正的問題是，我們將如何應對那些同樣“有主見”的大語言模型。我們人類在成長過程中面對的是前所未有的事物，這和文化有關。你在中國長大，與你在美國長大很不同，也與你在非洲某些地方長大不同。那么，哪種文化更好呢？

觀察者網：不能說哪種更好。

特倫斯·謝諾夫斯基：說得對。所以，如果科學家用所有文化來訓練大語言模型，AI模型要怎么判斷你喜歡哪一種呢？實際上，大語言模型正在教給我們一些東西，一些我們應該吸取的教訓，我認為這將幫助我們理解自身。

我舉一個例子。目前專家們正在進行一場巨大的辯論，這些專家包括語言學家、研究大腦如何思考并產生新想法的認知科學家，還有心理學家，爭議的焦點在于大語言模型是否理解語言。

作者反駁：AI不是隨機鸚鵡。但是AI是否真的理解人類提出的問題，尚未定論。

很多語言學家說，不，它們只是“隨機鸚鵡”。它們只是被灌輸了所有這些詞語，然后只是鸚鵡學舌般地回給你。但也有人說，等等，AI現在能夠回答從沒有人問過的新問題；所以，如果它能輸出新的內容，那就不僅僅是鸚鵡學舌了；如果僅僅是鸚鵡學舌，不理解指令，怎么能回答我的問題呢？

所以，實際上，學者們無法下定論。如果專家們都無法確定這個問題的答案，這就告訴我們，人類自己并不理解“理解”是什么。確切地說，如果人類都無法達成一致，那就意味著我們使用這個詞的方式有問題。不僅僅是“理解”，還有什么是“語言”？什么是“意識”？你知道，這些詞在我們使用時含義不定，我們似乎知道它們的意思，但其中有細微差別和多維度的含義，很難精確界定。

這真正告訴我們的是，我們需要一門更好的語言科學。我這么說是什么意思？如果回溯到科學革命時期，大概是16到17世紀，甚至更早，人們對于投擲長矛時會發生什么，或者太陽上有什么，僅有一些直覺。當時的人們產生了各種理論，比如認為是一架馬車駛過天空等等。如果他們掌握了某種語言，可以使用類比的方法，也就能帶領人類的認知走出很遠。但是，有一群人說，等等，讓我們看看能不能做得更好，關于運動、投擲物體等等，讓我們提出更精確的、更好的定義，這就誕生了物理學，這顯然首先要歸功于牛頓的工作， 這是一個內核，也是一個教訓：如果人類想取得進步，就必須超越語言，必須有精確的定義，以及可以量化的詞語之間的關系，比如做實驗，寫方程，這就是我們今天的處境。

科學變得更加精確，并且不僅僅基于某種直覺，而是基于能夠區分不同理解方式的真實實驗數據，建立起了一座巨大的大廈。通過物理學來“理解”這個世界，已經帶我們走了很遠。

而現在，我們需要在語言方面做同樣的事情。我們需要發展一套真正的語言理論，要像物理學理論一樣精確和強大，而這正在開始發生。原因在于，像大腦（本身是個謎）一樣，我研究這些大語言模型，而它們本質上只是方程，非常復雜的方程，但我可以像物理學一樣，把它們寫下來。

我記得大概是在2018-2019年，應數學家們的邀請，我在國家科學院組織的一個會議上做演講，我當時是這么對他們說的：我說，這些語言大模型能做的事情，似乎與數學家們一直告訴我們的東西相矛盾；在80年代我們剛開始研究大模型的時候，最好的數學家、統計學家、優化理論專家告訴我們，我們在做的事情很瘋狂，永遠行不通。因為他們更懂行，他們是專家。這些數學家非常聰明，但他們告訴我們這是不可能的。

但這并沒有阻止我們。我們當時年輕氣盛，就這么繼續做下去了。所以，我告訴那些數學家，看，大語言模型的背后是方程。還有誰比數學家更懂得分析方程呢？先生們、女士們，你們會搞明白的。而事實也正是如此。這很神奇?，F在，大語言模型變得非常強大，數學家們正在發現他們以前甚至無法想象的東西。

我給一點提示。我們生活在一個擁有三個空間維度和時間的世界里。所以維度數很低，是個很小的數字，三或四，我們生活在一種非常有限的環境中，但我們的大腦適應了它。我們的大腦非常擅長思考空間，我們生活其中，比如我們拿起杯子、處理我們所處的世界，這方面我們有很多經驗。

但事實證明，這些大語言模型并不生活在三維空間里，它們生活在擁有數十億、數萬億維度的空間里。我們無法想象那是什么樣的，人類甚至無法想象六維空間，更別說十億維了。但是數學家可以，因為他們可以發展關于這些高維空間的數學理論。

而這正是正在發生的事情。我們正在發現一個全新的、我們之前一無所知的宇宙。

它無比復雜，無比有趣，而且這是好事。它正在改變數學，催生新的數學、新概念、新思維方式，去理解大語言模型內部發生了什么。我們正在學習的東西絕對令人著迷。我不得不說，這是我從未預料到，甚至從未想象過的，但它正在開始發生。

語言學家諾姆·喬姆斯基，至今對大語言模型不買賬

我給你最后一個例子。

在上個世紀，像諾姆·喬姆斯基這樣的世界頂尖語言學專家認為，語言的特殊性在于有一種叫做“句法“的東西。什么是句法？就是語法。你在學校學過，不同的詞有不同的角色，有名詞、動詞和形容詞。所以它們組合在一起的順序對于理解句子非常重要。他們基于句法建立了一個龐大的理論體系，但結果呢，我們現在知道他們完全搞錯了方向。事實證明，“句法”當然也是語言的一部分，但那不是語言的關鍵；語言的關鍵叫做“語義”，它建立在句法之上，語義就是關于一個詞的含義。我們現在有工具可以深入這些大語言模型內部，并且我們已經發現，有很多不同的線索可以用來判斷一個詞的意義，這就是上下文。

一個詞可以有多種不同的意思，所以你必須從上下文中推斷出它的具體含義，而這正是大語言模型所擅長的。它們非常擅長結合上下文審視這個詞，以及在整個對話中你所用過的所有其他句子和詞語的語境。它綜合所有這些詞語，來推斷下一個詞會是什么。我們已經深入其內部觀察過了，我們發現句子的內部結構是基于語義的。在這個高維空間中，事物是根據意義的相似性聚集在一起的。而AI能回答新問題的唯一方式，就是AI能夠理解這個問題。這就是我們學到的東西。

這幾乎就說明了，上個世紀的語言專家們的理解偏差太大了。我認為，他們實際上阻礙了我們對語言的理解，因為他們過于專注于語言的某一個細小部分。我本人不是語言學家，所以我只能說，這真的很遺憾，因為當年那些大專家正是現在那些說“不，ChatGPT不理解語言”的人。

他們在否認，為什么？因為他們是既得利益者。他們建立了自己的聲譽，曾被認為是語言學界最頂尖的人物。而現在我們已經表明，他們的理論是可疑的，他們不再是（最頂尖的）了，時代變了。抱歉，他們必須向前看。我們確實取得了重大突破。如果你不想承認，那也沒關系，但我們會繼續前進。

我想，我們這個訪談的聽眾有很大一部分是年輕人。他們不像我們這一代人，我們已經盡了最大努力。雖然我還在工作，但未來將由下一代、由年輕一代創造。我給你們的建議是，當專家告訴你某件事不可能時，不要聽他們的。

因為肯定會有某個年輕人出現，并找出行得通的方法。這是我的經驗，也是永恒的經驗。創造革命、創造未來的總是年輕一代。馬克斯·普朗克是量子理論的先驅之一。在上個世紀，物理學中的量子理論與相對論一起，是最重大的理論之一，它都是由二三十歲的年輕人創造的，就像我們當年研究神經網絡一樣。馬克斯·普朗克年老時說了一句名言：物理學的進步是一次葬禮接一次葬禮地進行的。換句話說，是世代的更迭使進步成為可能。

量子力學奠基人馬克斯·普朗克

如果我們處在一個固步自封的社會，它不是基于推動進步，而純粹是想阻礙進步發生，那么就意味著你無法進步，事物會停滯不前。但幸運的是，人類在不斷變化，因為我們有新人一代又一代人地出現，他們正在創造未來。所以，年輕人，未來是你們的。不要聽我們這些“老古董“的話，我們在這里只是為了幫助你們。

政府對AI監管過細過早，不利于探索試錯

觀察者網：太棒了！我希望我們的年輕讀者能聽到您的話，這對他們很有幫助。最后一個問題。關于AI治理，目前像歐盟、美國和中國等不同國家和地區采取了不同的監管方法。您也倡導個體包容的全球化，以避免冷戰式的AI競賽。您認為這會導致全球技術格局碎片化嗎？有哪些實際步驟可能促進國際合作？

特倫斯·謝諾夫斯基: 你知道，我們以前經歷過這種情況，我們也會再次經歷。我是全球最大規模人工智能會議之一的神經信息處理系統大會（NeurIPS）基金會的主席，今年12月，我們將有3萬人在圣地亞哥參加這個會議。它從39年前的幾百人起步，至今已有萬人參加的規模。

我們對這些問題非常敏感。換句話說，我們不僅僅是生活在真空中制造機器的工程師和科學家，我們也是社會的一部分，我們和公眾一樣關注這些問題。不同之處在于，我們理解這項技術，并正在努力解決所有我們知道AI技術存在的問題。

而我們能夠做到這一點的另一個條件是，我們必須能夠不斷探索和嘗試新事物。如果政府限制說不能做這個，不能做那個，那我們就永遠無法解決這些問題。因為很多進步都來自試錯。所以我贊成自我監管，我認為我們能做到，我們的社群里有真正聰明的人可以幫我們做到這一點。

目前，我認為政府試圖加以限制還為時過早。因為如果不進行探索，你無法真正理解什么是防止壞事發生的最佳方式。顯然，一旦出現意外后果，你希望防止最壞的情況發生，而這已經開始發生了。

一個例子是，歐盟提出了一個長達100頁的《人工智能法案》，里面充滿了各種細節，比如，你不能用AI來評估求職簡歷。這很荒謬。就好像說，你不能用大模型來改善你的英語語法。這100頁的法案，全是細枝末節，微觀管理，你打算如何執行呢，這很荒謬，這是錯誤的做法。我認為我們能找到更好的方法。

不同國家會以不同方式處理，我認為中國做得相當不錯。我剛好了解到，中國出臺的規則比歐盟提出的要合理得多。美國目前治理機構陷入僵局，所以沒有新規則出臺。這也許是件好事，也許這就是為什么美國AI技術能夠快速推進、能取得快速進展的原因。

我沒有定論。每個人都有自己的看法，做任何事都沒有所謂的最佳方式。我們只是在摸索，盡力而為。歷史告訴我們，必須讓事情隨著時間逐步展開。只要決策者心里裝著人類的最大利益，事情總會解決的。

觀察者網：好！您對AI技術的信心令人鼓舞。感謝您用通俗的語言講述這么復雜的問題，就像您說的，一切才剛剛開始，我們每個人都應該去嘗試這項新技術，感謝您接受我們的采訪！

本文系觀察者網獨家稿件，文章內容純屬作者個人觀點，不代表平臺觀點，未經授權，不得轉載，否則將追究法律責任。關注觀察者網微信guanchacn，每日閱讀趣味文章。