Hinton上海對話周伯文：多模態(tài)聊天機器人已經具有意識

明敏 2025-07-27 09:42:21 來源：量子位

允中 發(fā)自 凹非寺

量子位 | 公眾號 QbitAI

AI圈眾所周知，家族淵源與中國頗深的Geoffrey Hinton因為患有嚴重的背疾幾乎無法長途旅行，只在去年因為領取諾獎才勉強“帶傷”飛抵瑞典。所以當本周的一張他與上海市領導會面照片出現(xiàn)在國內互聯(lián)網絡的時候，立刻引爆了朋友圈——終于可以在中國一睹教父真容。

△圖片來自“上海發(fā)布”

不過Hinton此次的中國上海之行，參與的基本都是閉門以及定向邀請研討，7月26日下午，他與上海人工智能實驗室主任周伯文的對話此次中國行程里的唯一一場面向AI和科學前沿研究者的公開對話活動，這也是他中國之行的最后一天，這場濃縮高密度智慧的尖峰對話，將Hinton的上海之行推向新高潮。

77歲的Geoffrey Hinton第一次飛越重洋踏上了中國，當他步入會場時，全場起立鼓掌，觀眾們高舉手機長達數(shù)分鐘，直播畫面中一度無法看到臺上的嘉賓。

在17分鐘的對話中，兩位科學家談及AI多模態(tài)大模型前沿、“主觀體驗”和“意識”、如何訓練“善良”的超級智能、AI與科學發(fā)現(xiàn)，以及給年輕科學家的建議。

在對話前，周伯文代表上海人工智能實驗室做了《無盡的前沿：AGI與科學的交叉口》主題演講，他認為AGI應該具備專業(yè)深度與泛化廣度，并在“通專融合”技術路線的基礎上提出 “SAGE ”框架：基礎模型層、融合層以及評估獎勵層三層并行、閉環(huán)反哺，使模型在科學發(fā)現(xiàn)中由“工具”升維為“引擎”。并且發(fā)布了全球領先的科學多模態(tài)大模型Intern-S1，它具有多學科、多模態(tài)、深思考能力，多模態(tài)綜合能力超越當前最優(yōu)開源模型，多學科超Grok4等前沿閉源模型。

關于對話專家

Geoffrey Hinton 1947年12月6日出生于英國溫布爾登，是英國-加拿大計算機科學家和認知心理學家，因其在人工神經網絡和深度學習領域的開創(chuàng)性工作被譽為“人工智能之父”。他于1970年在劍橋大學獲得實驗心理學學士學位，1978年在愛丁堡大學獲得人工智能博士學位。他在人工智能領域的貢獻包括1986年與他人共同發(fā)表的反向傳播算法（back propagation）論文，該算法成為訓練多層神經網絡的基礎。他還開發(fā)了玻爾茲曼機（Boltzmann Machine）、深度信念網絡（Deep Belief Nets）等技術，對語音識別和圖像分類等領域產生了深遠影響。

2013年至2023年，他在谷歌（Google Brain）擔任副總裁及工程研究員，推動了深度學習技術的商業(yè)化應用。2023年5月，他因擔憂人工智能風險辭去谷歌職務，以便更自由地討論相關問題。其貢獻獲得2018年圖靈獎（與Yoshua Bengio和Yann LeCun共同獲得）及2024年諾貝爾物理學獎（與John Hopfield共同獲得）。

辛頓出生于一個具有深厚學術傳統(tǒng)的家庭。他的曾曾祖父喬治·布爾（George Boole，1815-1864）是著名數(shù)學家和邏輯學家，創(chuàng)立了布爾代數(shù)，為現(xiàn)代計算機科學奠定了基礎。他的父親霍華德·埃弗里斯特·辛頓（Howard Everest Hinton）是一位杰出的昆蟲學家。他的家族歷史跨越英國、美國、墨西哥和加拿大。

辛頓與中國的重要淵源通過他的姑姑瓊·辛頓（Joan Hinton，中文名寒春）。瓊·辛頓是一位核物理學家，1948年移居中國。她在中國生活多年，嫁給一位中國工程師并養(yǎng)育子女，為辛頓家族與中國建立了深厚的文化和歷史聯(lián)系。這一背景使辛頓的家族故事與中國的科技發(fā)展歷史產生交集。

周伯文，上海人工智能實驗室主任、首席科學家，清華大學惠妍講席教授、電子工程系長聘教授，IEEE/CAAI Fellow，國家新一代人工智能治理專業(yè)委員會委員、新一代人工智能發(fā)展研究中心專家委員會委員，科技創(chuàng)新2030-“新一代人工智能”重大項目首席科學家。曾任IBM Research人工智能基礎研究院院長、IBM Watson Group首席科學家、IBM杰出工程師；京東集團高級副總裁、集團技術委員會主席、云與AI總裁。

周教授在國際一流期刊及頂級學術會議上已發(fā)表上百篇論文，獲引用數(shù)萬次，其中多篇開拓性論文單篇他引數(shù)千次，在人工智能技術和產業(yè)界大規(guī)模應用核心領域取得杰出成就，有較高的國際影響力。2016年，周教授帶領團隊在國際上首次提出與下游任務無關的自注意力與多頭機制等表征新機理與新方法，奠定了Transformer架構的理論基礎之一，推動通用人工智能、語言大模型表征新進展，是實現(xiàn)生成式AI的重要里程碑。周教授其他兩篇生成式AI代表性論文總計被引5000余次。

以下為對話全文實錄。

當今多模態(tài)聊天機器人已經具有意識

周伯文：感謝Jeff，您能親臨現(xiàn)場，對我們所有人來說都是一份真切的榮幸。我想從一個本周早些時候本該探討的問題開始。這個問題是關于多模態(tài)和前沿模型的主觀體驗（Subjective Experiences）。您認為今天的多模態(tài)和前沿模型也能衍生出主觀體驗嗎？您能否就其可能性問題，展開談談您的看法？

Hinton：這嚴格來說與科學無關，這是一個關于你如何理解“主觀經驗”、“靈魂”或“意識”等概念的問題。我相信，大多數(shù)人持有的想法是深度錯誤的。很多人沒有意識到，即便你能正確地運用詞語，并且擁有一套關于詞語如何運作的觀點，這套觀點也可能完全是錯的，哪怕是對于最常用的詞。我舉一個最常用詞的例子，對于這些詞，你有一套自己的看法，它們看起來不復雜，但你的看法卻是錯的。

你需要接受這樣一種觀點：對于“工作”、“健康”等詞語真正含義的解釋可能是錯誤的。讓我們來看看“水平（horizontal）”和“垂直（vertical）”這兩個詞。大多數(shù)人認為他們理解這兩個詞的意思，但他們的理解其實是不正確的。我會通過問一個人們很少答對的問題來印證這一點。

假設我把許多小的鋁棒向空中拋散，它們在空中翻滾碰撞。然后我突然讓時間凝固，空中布滿了這些朝向千差萬別的鋁棒。問題是：與垂直方向夾角在1度以內的鋁棒多，還是與水平方向夾角在1度以內的鋁棒多，或者兩者數(shù)量接近？幾乎所有人都回答“差不多”，這是基于他們對這兩個詞的理解。

但他們大錯特錯，差距超過100倍。對于這些小鋁棒來說，處于水平方向一度范圍內的數(shù)量，大約是處于垂直方向一度范圍內數(shù)量的114倍。原因在于，“垂直”就是這樣（指一個方向），這也是垂直，僅此一個方向。但“水平”是這樣，這也是水平，凡圍繞地平面的，都是水平。因此，水平的“桿狀物”遠比垂直的要多。“垂直”是非常特殊的。

現(xiàn)在換個問題。我手里有一把鋁制的圓盤，我把它們撒向空中并凝固時間。那么，是與垂直方向夾角1度以內的圓盤多，還是與水平方向一度以內的多？這次情形逆轉，與垂直方向1度以內的圓盤數(shù)量，是水平方向的大約114倍。因為對于圓盤或平面來說，“水平”就是這樣，只能如此。而“垂直”是這樣，這也是垂直，任何垂直于地面的面，都算垂直。

所以在三維空間里，垂直的“桿”很特殊，而水平的“桿”很普遍；但水平的“面”很特殊，而垂直的“面”卻很普遍。當你形成關于這些詞的理解時，你常常取一個平均化的概念，認為水平和垂直差不多，但這完全是錯的。它取決于你討論的是線還是面。人們不了解這一點，因此會給出錯誤的答案。

乍一看似乎與意識問題無關，但并非如此。它說明了我們對于詞語如何運作的見解可能是完全錯誤的。我的觀點是，幾乎每個人對于像“主觀經驗”這類術語如何運作的認識，都是完全錯誤的。他們持有一個非常根深蒂固但完全錯誤的理論。所以這并非一個真正的科學問題，而是從一個錯誤的心理狀態(tài)模型出發(fā)導致的問題。基于錯誤模型，你必會做出錯誤的預測。

故此，我的觀點是：目前的多模態(tài)聊天機器人已經具備意識了。

周伯文：這個觀點可能會讓在座的許多研究者感到訝異。但讓我想想，在早些時候，另一位加拿大科學家理查德·薩頓（Richard Sutton）也進行了演講，主題是“歡迎來到經驗的時代”。

我認為他的意思是，當人類數(shù)據(jù)耗盡時，模型可以從自身的經驗中學習。而您似乎從另一個角度闡明了這個問題：智能體或多模態(tài)大模型不僅能從經驗中學習，還能發(fā)展出它們自己的主觀經驗。理查德今天似乎提及不多從主觀經驗中學習可能帶來的風險。您能否就“智能體可以學習主觀經驗”這一事實或假說，以及它可能隱藏的潛在風險，談談您的看法？

Hinton：是的。目前的情況是，像大型語言模型主要是從我們輸入的文檔中學習。但一旦你擁有了像機器人這樣存在于真實世界中的智能體，它們就能從自己的經驗中學習。我認為它們最終學到的會比我們格外多。我相信它們將擁有經驗，但“經驗”不是一個實存物。經驗不像一張照片，它是一種你與客體之間的關系。

周伯文：此外，關于我們可能涉及的潛在風險，還有幾件事。幾天前和您交流時您提到，減少未來AI風險的一個可能解決方案，是設法將AI的不同能力分別處理。

Hinton：我其實不是那個意思。我的意思是，你將會有一個既聰明又不善良的AI。但如何訓練它變得聰明和如何訓練它變得善良是兩個不同的問題。所以你可以有讓它變得善良的法子和讓它變得聰明的法子，這會是同一個AI，但使用了不同的技術。因此，各個國家可以分享使AI變得善良的技術，即使他們不想分享使AI變得聰明的技術。

周伯文：我對此也有些憂慮的。這個想法的初衷很好，我也很欣賞，但我不確定這條路能走多遠。您認為會存在一種普適性的、訓練AI“善良”的方法，可以應用于不同智能水平的AI模型嗎？

Hinton：這是我的希望。它可能無法實現(xiàn)，但這是一個值得我們去深究的可能性。

周伯文：確實。但我想用一個類比來提出我的疑問，我提出這個問題是為了刺激更多人對您提到的方向進行研究。我的類比來自物理學：當物體低速運動時，牛頓定律有效；但當物體接近光速時，牛頓定律就喪失效力，我們必須求助于愛因斯坦的理論。額…順便說一句，我真不敢相信自己正在一位諾貝爾物理學獎獲得者面前講大學物理101！

Hinton：哦不（他們給我頒獎）原本就是個錯誤。其實他們（組委會）就是想要有一個給AI的諾貝爾獎，只好就把物理學獎借出來用了。

周伯文：哈哈哈他們沒錯，您絕對值得這項殊榮！

不過這個類比或許說明，對于“善良”的要求，可能需要根據(jù)智能系統(tǒng)的不同層級進行調整和改變。我不知道這是否正確，但我希望在座或在線的聰明的年輕人們能找到實現(xiàn)它的方法。

Hinton：是的，很有可能隨著決策系統(tǒng)變得越來越智能，我們讓它保持善良的技術也需要相應改變。我們現(xiàn)在還不知道答案，這也是我們需要立刻開始研究它的原因之一。

周伯文：您作為一位成就卓著的學者，卻常常說“我不知道”，這讓人深感佩服。我認為這非常坦誠，并保持了開放的態(tài)度，這是我們都想向您學習的。今天我們這里有一半的參會者來自量子物理、細胞生物學等不同前沿科學領域。我們之所以聚集于此，正是因為我們相信無論是AGI、AI還是AI與科學的交叉領域，都正迎來無盡的前沿機遇。所以，關于利用AI促進科學進步，或者反過來利用科學驅動AI發(fā)展，您有什么想說的？

Hinton：我認為AI將極大地助推科學發(fā)展，這一點非常明確。最令人矚目的例子莫過于蛋白質折疊，Demis Hassabis等人通過明智地運用AI并投入巨大努力，極大地提升了預測的準確性。這是一個早期的信號，預示著AI將在眾多科學領域帶來進步。您也提到了預測臺風登陸點和天氣預報的例子，AI的表現(xiàn)已經能比最好的傳統(tǒng)物理系統(tǒng)高出一籌。

周伯文：在您卓越的學術生涯中，您不僅推動了AI技術的邊界，也深刻地指引了下一代研究者，比如Yoshua Bengio和許多更年輕的后輩。在上海AI實驗室，我們的研究人員平均年齡約為30歲，這清晰地表明AI的未來掌握在年輕一代手中?？粗@些年輕的面孔，您有什么建議想與他們分享，幫助他們更快地成長嗎？

Hinton：我只有一條建議：如果你想做真正原創(chuàng)性的研究，就應該去尋找那些你認為“所有人都搞錯了”的領域。通常，當你抱持這種想法并開始研究自己的方法時，最終你可能會發(fā)現(xiàn)大家那樣做是有原因的，而你的方法是錯的。但關鍵是，在你親身領悟到它為什么錯之前，絕不要放棄。不要因為你的導師說“這個方法很蠢”就放棄它。忽略導師的建議，堅持你所篤信的，直到你自己弄懂它錯在哪里。

偶爾，你會發(fā)現(xiàn)自己堅持的東西并沒有錯，而這正是重大突破的來源。這些突破從不屬于半途而廢者。即便別人都不同意你，你也要堅持下去。這背后有一個簡單的邏輯：你要么直覺很好，要么直覺很差。如果你直覺很好，顯然應該堅持它。如果你直覺很差，那你做什么關系都不大，所以你同樣應該堅持你的直覺。

周伯文：咱們可以就此暢談一整天，但我知道您需要休息了。最后，請在場所有人隨我一同再次感謝Jeff付出的時間。非常感謝您！