清华刘嘉称传统应试教育遭AI全军覆没

清华刘嘉：传统应试教育遭AI全面颠覆 大模型的发展已使基于记忆的传统学校教育失去价值，未来的核心在于培养儿童寻找逻辑原点的演绎推理能力与AI原生思维。 在本次访谈中，清华大学刘嘉教授结合自身跨越心理学、人工神经网络与脑科学二十余年的跨学科历程，深入剖析了AI时代的底层逻辑。他指出，智能的核心在于学习与涌现，人类在生物学意义上的涌现已经终结，下一步的进化将转向数字生命。尽管当前大模型仍面临复杂度低、缺乏长程反馈及并行加工等架构瓶颈，且市场上的具身智能与脑机接口多伴随商业炒作，但AI必将引发一场基于脑科学的启蒙运动；未来的少儿教育也必须迎来根本性变革，从传统记忆模式彻底转向培养AI原生思维与探寻自我生命意义的古希腊式“文艺复兴”。 刘嘉教授指出，真正的“AI原生”不仅是工具的应用，更是底层思维范式的根本转变；AI时代技术迭代极快，“小术易求，大道难得”，更需要从底层哲学理解人机共生。 (0:37) 大模型在系统二（推理、计算）上进展迅猛，但其演进目前遭遇了神经元复杂度低、缺乏长程反馈连接以及不具备生物本能并行加工能力的三大瓶颈。 (60:58) 小脑拥有近700亿神经元（约为大脑皮层的6-7倍），是人脑真正的算力中心与本能生存系统；目前的自动驾驶与人形机器人多属封闭环境或传统工控升级，AI迈向具身智能必须经历一场“基于脑科学的启蒙运动”。 (62:47) 传统基于死记硬背的应试教育在AI时代已彻底失去价值，未来教育的核心在于树立“我”的概念、培养AI原生共生思维，并掌握从逻辑原点出发的演绎推理能力。 (95:49)

清华大学刘嘉教授认为，基于死记硬背的传统应试教育在AI时代已彻底失去价值，社会正从工业流水线分工转向回归自我的“文艺复兴”；同时，当前大模型主要重构了符号推理的“系统二”，在长程反馈、并行加工及小脑对应的生存感知“系统一”上仍存根本瓶颈，人类的核心竞争力在于确立自我的逻辑原点与AI原生思维。 传统记忆教育解构与未来学习转向 (95:49) 刘嘉指出，当前国内外主流教育本质上是“基于记忆的教育”，而在知识唾手可得的大模型时代，这种模式已失去意义，甚至名校光环本身也难以提供超越顶尖AI的知识供给。传统学校体制是第一次工业革命为了流水线分工而建立的，压抑了个人特质；而AI时代则类似古希腊精神的回归，核心在于苏格拉底所言的“认识你自己”。他建议少儿教育应转向三大支柱：一是脱离标准化评价，寻找“我”独特的兴趣与目标；二是培养AI原生的思维模式，将AI作为共生伙伴而非单纯工具；三是掌握从0到1的演绎推理，习惯从“第一性原理”和底层逻辑原点出发解决开放性问题。 死亡意识的张力与AI永生困境 (0:00) 在探讨意识层面时，刘嘉将意识划分为高等动物普遍具备的低阶“主观感受”，以及人类独有的高阶“自我意识与死亡意识”。人类始终生活在“必定会死”的确定性与“不知何时死”的不确定性夹缝中，这种死亡带来的压迫感激发出人类对生命意义的终极追寻，驱动了墓葬、艺术、科技等创造性活动。相反，AI的硬件与推理实例即便损毁或饱和也可随时重置更换，本质上具备永生属性。刘嘉认为，缺乏死亡威胁的AI能否产生真正的自主进化动力、是否能找到自身存在的意义，构成了硅基生命发展中的核心悬问。 大模型架构缺陷与小脑算力缺失 (62:47) 针对大模型的技术现状，刘嘉分析指出，生物智能依赖“规模大”与“结构复杂”，而现有基于Transformer的大模型仅做到了规模扩展。生物神经元拥有具时间参数的动力学方程，具备三维树突与四维时空属性，且人脑包含约40%的长程反馈连接，用于提供假设与复杂推理；而大模型前馈连接高达70%-80%，长程反馈近乎为零，且受制于自回归串行预测Token机制，欠缺生物在生存中进化出的毫秒级并行加工能力。此外，人脑860亿神经元中，有近700亿密集分布于小脑，远超大脑皮层的110亿。小脑作为处理精细运动、物理直觉与世界模型的超级算力中心（系统一），是当下专注奥数与推理（系统二）的AI尚未涉足的深水区。 具身智能商业泡沫与脑科学启蒙 (69:35) 谈及产业现状，刘嘉直言目前春晚等舞台上跳跃的人形机器人，本质上仍是预先编程的传统工业机械臂与六轴电机延伸，缺乏真正的自主感知、决策与环境改变能力；在底层软硬件突破前，许多机器人与脑机接口项目更多是在利用概念进行资本炒作。他主张AI的下一阶段跃升必须依靠“基于脑科学的启蒙运动”，通过小鼠钙成像等微观观测手段解析单神经元活动，从而在碳基与硅基之间寻找通用的“智能万物理论”。其实验室近期研究亦表明，人类工作记忆的生物机制与Transformer在底层逻辑上存在高度对应。 刘嘉总结认为，在工具层出不穷的时代，“小术易求，大道难得”，沉迷提示词等表层技巧无法应对快速迭代，唯有重塑底层认知范式才能立足。尽管大模型正加速取代人类的理性推理工作，但AI若无法突破架构限制演化出包含物理感知的“系统一”，便无法成为真正的独立物种；人类在这个技术洪流中应主动抛弃螺丝钉心态，以独特的自我意识实现人机共生。

[0:00] 刘嘉: 巧合对了走到今天，巧合错了就死在一个地方来回打转 [2:43] 刘嘉: 信仰回来了。丢失了20年的信仰回来了。 [9:01] 刘嘉: 小术易求，大道难得 [9:01] 刘嘉: 你的课在讲什么事情呢？你在教人谈恋爱。 [13:29] Geoffrey Hinton: 人的大脑就是这么工作的，没理由人工神经网络不这么工作。 [25:54] 刘嘉: 我们大脑随时随地都100%在用 [25:54] 刘嘉: GPT-3.5出来给人的感觉，和前面的AI相比，它不是说往前面走了一步，它是不同的物种。 [25:54] 刘嘉: 黄仁勋说这句话的时候，我觉得他自己都不会相信，只是宽大家的心而已。 [25:54] 刘嘉: 在生死间有大恐怖 [25:54] 刘嘉: 如果你昏迷了5年醒来，去看心理学，你发现自己什么都没错过；昏迷3年醒来看脑科学，也什么都没错过；但如果你只昏迷了半个月醒来，你发现AI领域的进展你已经看不懂了。 [41:56] 刘嘉: 因为对于股市来说嘛，重要的就是割韭菜。这个比你做出一个全新的产品重要很多。所以说只要韭菜相信，我觉得这事呢，从商业上来就成立了。 [65:46] 刘嘉: 一个在机房的 AI 怎么可能毁灭人类呢 [71:04] 刘嘉: 做 AI 的，一线的，我觉得 30 岁之后的都没有多大的希望 [83:04] 史蒂夫·乔布斯: 那些疯狂到以为自己能改变世界的人，才能真正改变世界 [94:20] 刘嘉: 经过我的努力，所幸我没有被这时代给抛下。 [95:49] 刘嘉: 现在考北大清华已经没有意义了

[0:00] 去做任何一个选择的时候 [0:01] 你需要一个逻辑原点 [0:02] 但是我们的教育 [0:02] 没有人去逼着大家去想 [0:04] 我们都是随波逐流的 [0:05] 我为什么要上北大 [0:06] 因为北大是中国最好的大学 [0:07] 我没有去想过其他的原因的 [0:09] 你就会发现 [0:09] 你人生是由一个个巧合组成的 [0:11] 巧合对了呢 [0:12] 你走到今天 [0:13] 巧合错了呢 [0:13] 就死在一个地方 [0:14] 来回打转 [0:15] 人就生活在一个最大的确定性 [0:17] 和一个最大的不确定性之间 [0:19] 最大的确定性 [0:20] 我知道我要死掉 [0:21] 不确定性就是我不知道 [0:22] 我什么时候死掉 [0:23] 这就会激发出 [0:24] 人和动物的一个最本质的区别 [0:26] 我为什么活着 [0:27] AI是没有死亡意识的 [0:29] 它是可以永生的 [0:30] 当它没有死亡这种压迫的时候 [0:32] AI它能不能找到自己的意义 [0:34] 能不能真正的自主进化 [0:37] 春晚上面机器人能走路对吧 [0:38] 做的非常好 [0:39] 但对我来说我一点兴趣都没有 [0:41] 他本质上只是来欺骗老百姓的 [0:43] 老百姓觉得哇 [0:43] 做成人形人 [0:44] 能够跳来跳去 [0:45] 这个和流水线上机械臂的切割 [0:47] 本质上是一回事 [0:48] 换了一种形式而已 [0:49] 这种机器人它其实是没有多大的价值 [0:51] 因为它不能感知这个世界 [0:53] 同时根据它所看的东西 [0:55] 作出action去改变这个世界 [0:57] 我现在在拼命的思考 [0:58] 怎么和AI对话 [0:59] 和AI共生 [1:01] 很难很难 [1:02] 很多人觉得我能够用AI就叫AI原生 [1:04] 那就是瞎扯 [1:05] AI原生它是一种思维范式的 [1:06] 一种根本性的这种改变 [1:13] 现在是最伟大的时代 [1:14] 为什么说 [1:14] 要把所有的行政职务全部给辞掉 [1:17] 道理非常简单 [1:18] 不想错过这个时代 [1:21] 先请您做一下简单介绍 [1:23] OK各位好 [1:24] 我叫刘嘉 [1:25] 我呢高中呢做数理化竞赛 [1:27] 当时对数理是特别感兴趣 [1:30] 就准备选择物理 [1:32] 作为我的这一辈子的工作方向 [1:34] 后来高三的时候读了一本书 [1:36] 弗洛伊德的传记文学叫《心灵的激情》 [1:39] 当时我就觉得 [1:40] 心理世界比物理世界好玩多了 [1:41] 所以我在大学的时候 [1:43] 我就选择了学心理学 [1:44] 去了之后才发现太文科了 [1:46] 所有东西不讲逻辑 [1:48] 太哲学思辨 [1:49] 当时就很失望 [1:50] 所以说后来我就学了计算机 [1:52] 当时叫无线电 [1:53] 现在叫信息系统吧 [1:55] 或者自动化或者电子学那一块 [1:57] 学了这两个之后呢 [1:58] 当时就很困惑 [1:59] 继续学心理学 [2:00] 还是干脆就转行做计算机 [2:02] 或者做电子学这一块 [2:04] 很凑巧碰到了人工神经网络 [2:07] 当时呢正好有一个老师 [2:09] 他的样子 [2:10] 他的名字我全忘记了 [2:11] 那个人对我影响简直太大了 [2:13] 他当时在日本刚刚做完博士后回国 [2:16] 在北大当老师 [2:17] 开了一门人工神经网络的课程 [2:19] 那应该是我们国内 [2:21] 可能第一门人工神经网络的课程 [2:23] 大概是在94年左右 1994年 [2:26] 所以我当时莫名其妙 [2:28] 就正好碰上这门课 [2:29] 我就去学了 [2:30] 然后就是觉得人工神经网络非常好 [2:32] 很适合我的胃口 [2:33] 第一个它既是关于心理世界的 [2:36] 第二个又和我的理科背景比较结合 [2:39] 我就想学人工神经网络 [2:41] 就想把它作为我一辈子的那个事业 [2:43] 也了解了下AI [2:44] 当时不像现在互联网这么多 [2:46] 当时就知道Marvin Minsky [2:48] AI的大神 [2:49] 我不知道他对人工神经网络这么深仇大恨 [2:52] 当时只知道他是AI的教主 [2:54] 我当时就想 [2:55] 一定要到MIT去做他的学生 [2:57] 所以说后来我就到MIT去读研究生 [2:59] 当时完全不了解各种情况 [3:01] 没想到当时正好是AI的低谷 [3:03] Marvin Minsky他本身也对此没有特别大的信心 [3:07] 下一步怎么做 [3:08] 他也不知道怎么做 [3:09] 对人工神经网络他是一如既往的鄙视 [3:12] 但是对于他让自己做的符号主义这一块呢 [3:14] 他自己也很困惑 [3:15] 所以当时他就劝我说 [3:17] 你还是应该去学习你的脑科学 [3:19] 这块当时正是最火的时候 [3:21] 所以我后来就留在脑与认知科学系 [3:23] 继续做脑科学 [3:24] 我就把AI这件事情彻底的给忘记了 [3:27] 就没管这件事情 [3:28] 直到2015年 [3:29] 2016年呢 [3:30] 当时我在江苏卫视做《最强大脑》 [3:33] 当时我们想做一个什么好玩的节目 [3:35] 那个时候您还是在美国工作 [3:38] 我当时在北师大 [3:39] 2015年了 我当时已经回国 [3:40] MIT博士毕业了 [3:42] 之后我就回国任教 [3:43] 先是在中科院 [3:44] 然后去了北师大 [3:45] 北师大的心理学是全国最好的 [3:48] 脑科学在当时也算全国最好的之一吧 [3:51] 夸张一点可以把之一的去掉 [3:53] 当时我已经在北师大当教授 [3:55] 当时是北师大心理学院院长 [3:56] 我也参与了江苏卫视《最强大脑》制作 [3:59] 当时我们就想做一个什么样的节目 [4:01] 比较酷炫的 [4:02] 就想到了要不来个人机大战 [4:04] 当时其实我对AI的进展 [4:06] 对人工神经网络 [4:07] 对深度学习了解基本上为0 [4:10] 当时以为AI还是一如既往的弱智 [4:13] 结果没想到节目大赛里面我们做了人脸识别 [4:16] 人工智能在2016年的时候 [4:17] 已经超越了人类最顶尖的高手 [4:20] 对我触动特别特别大 [4:21] 2016年呢正好是AlphaGo战胜了李世石 [4:25] 当时也非常的出圈 [4:26] 所以说这两件事情结合起来 [4:28] 这就让我重新回到了20年前 [4:30] 信仰回来了 [4:31] 对对对 哈哈哈 丢失了20年的信仰（回来了） [4:33] 对 因为95年我当时正在搞人工神经网络 [4:36] 觉得这个东西挺好 [4:38] 但是呢一旦碰到了挫折 [4:39] 碰到了不确定 [4:40] 好 自己就退了 [4:41] 所以说 [4:42] 其实当时并没有一种底层的信仰 [4:44] 只是觉得这东西很酷 [4:46] 然后自己去学 [4:47] 但是一旦大家说这个东西不行 [4:49] 特别是像Marvin这种说AI不行 [4:51] 大家都说AI不行哈 [4:52] 自己就没细想 [4:53] 然后就放弃掉了 [4:54] 我猜您那个时候 [4:56] 是人工智能的最后一次寒冬 [4:58] 那个时候估计是90%以上的人都放弃了 [5:02] 对对对对 [5:03] 当时我去见Marvin的时候 [5:04] Marvin是非常depressed [5:06] 我能感受到depressed [5:08] 就我当时请教他 [5:09] 我说做AI我应该做哪个方向 [5:11] 我说我对这个东西很感兴趣 [5:12] 因为当时在MIT嘛 [5:14] 然后我可以选他做我的PhD的导师 [5:16] 他说的比较客气了 [5:18] 他说他也不知道 [5:19] 下一个方向应该在什么地方 [5:21] 就promising的这种方向在什么地方 [5:23] 他就问我 [5:23] 他说啊那你如果不学AI [5:25] 你准备学什么 [5:26] 我说我准备学脑科学 [5:27] 他说脑科学太好了 [5:28] 你应该去学 [5:29] 这个东西有太多太多frontier [5:31] 你可以去探索了 [5:33] 所以说我自己本身并没有一个底层的逻辑 [5:35] 或者底层的信念 [5:37] 到今天 [5:38] 您出了那个《通用人工智能》 那本书 [5:40] 您觉得您今天找到了那个底层逻辑了吗 [5:42] 我觉得我找到了底层逻辑 [5:44] 因为当时2016年给我的震撼就是 [5:46] 为什么突然一下就行了 [5:48] 对吧对 [5:48] which我们觉得这个东西是ill-posed problem [5:51] 他没有规则 就他怎么能行呢 [5:53] 做面孔识别 [5:54] 我觉得这是一个非常难的问题 [5:55] 为什么AI行呢 [5:57] 对我来说触动很大 [5:58] 我就开始重新看AI的书 [6:00] 看了半天呢 [6:00] 其实说实在也没看明白啥 [6:02] 把深度学习啊 [6:04] 把什么之类的拿来 [6:05] 后来我就想应该从哪来呢 [6:07] 应该从Hinton的传记史里面入手 [6:10] 但没有一本关于Hinton的传记 [6:12] 那我就自己去对Hinton的历史 [6:14] 做了一个调研 [6:15] 把他的背景看了下 [6:16] 我也去看了Bengio [6:17] 我也去看了Yann LeCun [6:19] 但是Bengio和Yann LeCun相对Hinton来说 [6:21] 属于后来之秀 [6:22] 并没有像Hinton [6:24] 经历过一系列的这种过程 周期 [6:26] 对没有经历过那种很坚持的周期 [6:29] 他们应该是说就进来了 [6:30] 也没其他路可走 [6:31] 或者是觉得这东西还不错 [6:32] 就坚持下来 [6:33] 但Hinton那阵是人人喊打的时候 [6:35] 所以说 [6:36] 当时我就把Hinton的历史研究了一番 [6:38] 把他的历史研究清楚了之后 [6:41] 我觉得我找到了我的底层逻辑 [6:43] 后来我就很清楚 [6:44] 找到底层逻辑之后 [6:45] 我第一件事情就是 [6:46] 当时是已经从心理学院变成心理学部了 [6:49] 就心理学院和一个国家重点实验合并 [6:51] 变成心理学部 [6:52] 我当时是部长 [6:53] 我第一件事情 [6:54] 就把这个部长赶紧给辞掉 [6:56] 当时其实 [6:57] 如果假设从行政的这个路上来讲的话 [6:59] 其实是一片坦途 [7:00] 因为当时不到45岁级别做的比较高 [7:03] 大家还比较认可吧 [7:04] 当时就想不能在那上面浪费时间 [7:07] 所以我就把我的所有的行政职务辞掉 [7:09] 辞掉了之后当一个普通的教授 [7:11] 学校不允许辞职 [7:12] 就是花了一年的时间 [7:13] 每天给我们大书记 [7:15] 就每两天发一次短信 [7:16] 说你赶紧批准吧 [7:17] 你赶紧批准吧 [7:18] 后来批准了 [7:19] 所以说后来我就重新回来做AI这一块 [7:21] 在北师大做 [7:22] 后来发现北师大各方面挺好 [7:24] 但是北师大的AI不行 [7:26] 而我自己AI也比较弱 [7:27] 基本上是0嘛 [7:28] 所以说我当时就想要到一个AI比较强的地方去做 [7:31] 当时清华呢 [7:32] 正好也联系我很多次 [7:34] 他们脑科学比较弱 [7:35] 他们就希望我去 [7:36] 增强他们脑科学那一块 [7:37] 清华正好他的人工智能比较强 [7:39] 所以说后来我就去了清华 [7:41] 我跟清华之前完全没有任何交集 [7:43] 工作去清华之前 [7:44] 我可能去清华的次数总共不超过10次 [7:48] 包含我本科的时候就都没有去过 [7:51] 但我觉得那是一个很好的地方 [7:52] 2020年我就来到清华 [7:54] 差不多就是这么一个简历 [7:56] 所以说你可以看到我这个过程 [7:58] 无论是我的教育经历 [8:00] 现在的工作经历 [8:01] 都没有离开关于智能这根主线 [8:05] 我不能说AI这根主线 [8:07] 就我花了很多时间去研究人的智能 [8:09] 现在呢 [8:10] 我希望把人的智能和人工智能 [8:12] 两者做一个结合 [8:13] 结合起来做 [8:14] 所以我基本上没离开智能这个领域 [8:16] 但人工智能的确是20年没有碰它 [8:19] 这可能是个必要的 [8:20] 就是你要想做好人工智能 [8:21] 能就像您在其他节目里也有说 [8:23] 光靠transformer的方式呢 [8:25] 也许行也许还不够 [8:27] 就比如说我们可以堆数量 [8:29] 但是神经元的质量 [8:30] 光靠堆数量是不行的 [8:31] 还要去提升质量 [8:33] 这时候需要脑科学的借鉴 [8:34] 所以说 [8:35] 咱俩不是都在这个降临派的群里嘛 [8:38] 如果从一个降临派的角度来说的话 [8:40] 您的那个歧路可能是必要的安排 [8:43] 我刚刚听您介绍您的这个历史的话 [8:45] 我就觉得 [8:46] 这就是降临派的天选之人的感觉 [8:49] 对吧从头到尾没有放弃过信仰 [8:51] 但是是需要去学习别的东西 [8:54] 从而可以帮助AI更好的发展的 [8:57] 其实我觉得现在回想起来呢 [8:59] 当年在北大读书的时候 [9:01] 我们那一代人吧 [9:02] 从90年代到2,000年 [9:04] 有一个最大的问题 [9:06] 就是缺少一个引路人 [9:08] 就有很好的人来教我们 [9:09] 各种各样的学问 [9:10] 对吧微积分应该怎么解啊 [9:12] 但他缺少一种生涯的引路人 [9:15] 没人教你 [9:15] 你如果想做商业 [9:17] 你应该怎么去做 [9:18] 哪些是你的道路应该走 [9:20] 没人教你 [9:21] 就全是自己摸索 [9:22] 你想做学术 [9:23] 或者你想去做某个方向 [9:25] 也都是稀里糊涂做上来 [9:26] 就觉得啊学术这个东西挺好那我就做吧 [9:29] 而没有一个人从底层逻辑来告诉你 [9:31] 你就应该做这件事情 [9:32] 有个影片嘛 [9:33] 讲扎克伯格那个叫... [9:36] 《社交网络》 [9:37] 《社交网络》 [9:37] 对对《社交网络》 [9:38] 就有个Napster的创始人 [9:40] 扎克伯格给他引了一下道 [9:42] 在看电影的时候 [9:43] 我当时就特别感触 [9:44] 我觉得我们做人工神经网络啊 [9:46] AI啊做这些东西 [9:47] 缺乏一个人来引你道 [9:49] 有很多人来传你各种术 [9:51] 但是没有一个人来给你讲philosophy [9:53] 就你为什么要做这件事情 [9:54] 这件事情它的底层逻辑是什么 [9:57] 而是OK你做了这个之后能拿奖学金 [9:59] 你做了这个之后能够去申请教职 [10:01] 你做了这个能发文章 [10:02] 而不是从一种底层逻辑来告诉你 [10:04] 看到你的那个课程嘛 [10:06] 感触特别特别的深 [10:08] 就我也听过一些其他人讲AI [10:10] 讲什么之类的 [10:10] 这些人呢 [10:11] 他在传授一种术 [10:13] 你的prompt应该怎么写 [10:15] 这样的好处呢是立竿见影 [10:16] 然后你马上把这个prompt copy过去 [10:19] 就可以 [10:19] 以前比如互联网时代 [10:21] 我觉得是OK的 [10:22] 因为技术迭代的非常的慢 [10:24] 掌握了一种技术 [10:26] 至少保证我用个几年没问题 [10:28] 但是AI这个问题 [10:29] 它是迭代速度太快了 [10:31] 今天再教大家怎么写prompt [10:32] 后来你发现你不写prompt [10:34] 系统写的prompt比你要好很多 [10:36] 所以我觉得这个时候在AI时代 [10:38] 更重要的是思想的一种转变 [10:40] 一种全新的philosophy的转变 [10:42] 所以说我觉得你在讲这一块的时候 [10:44] 你不是说我在故作高深 [10:46] 给你讲点很深的道理 [10:48] 而事实上 [10:49] 这才是我觉得讲AI最核心的地方 [10:51] 就philosophy [10:52] 因为AI辅助我们的工作也好 [10:55] 用在我们的生活方面也好 [10:56] 它和我们以前用互联网 [10:58] 用手机是完全不一样的 [10:59] 因为互联网手机等等这些东西 [11:02] 它只是一个工具而已 [11:03] 工具只要会用就可以 [11:04] 它本身不具有任何的能动性 [11:07] 它本身不具有任何创造力 [11:09] 但是AI不一样 [11:10] 所以这个时候 [11:10] 我们的那种观念就会发生改变 [11:13] 那么也就是说 [11:14] 我们需要把他当成一个人一样 [11:16] 来和他合作 [11:16] 我如果打个不恰当的比方呢 [11:18] 就你的课在讲什么事情呢 [11:20] 你在教人谈恋爱 [11:21] 是是～我经常跟别人打这个比方的 [11:24] 对对对 你也打过这个比方是吗 [11:26] 所以说我觉得你是在教人谈恋爱 [11:29] 而这种东西和一个比如说工科生 [11:31] 我教你比如说用word怎么来写篇文章 [11:34] 用PPT怎么画一个好的图出来 [11:37] 它是完全不一样的风格 [11:38] 至少我们现在用的AI [11:39] 它不是一个工具 [11:40] 而是一种伙伴 [11:41] 所以这就涉及到一种思维的转变 [11:44] 所以这个时候 [11:44] 我觉得你所讲的那个philosophy啊 [11:46] 就特别特别的重要 [11:48] 我们以前经常说一句话 [11:49] 叫大道易得 [11:51] 小术难求 [11:52] 就方法大家都懂 [11:54] 但是大家照样过不好这一生 [11:55] 这是我们经常说的俗语 [11:57] 但是我觉得AI时代正好反过来 [11:59] 我觉得小术易求 [12:01] 各种各样的工具 [12:02] 各种各样的技巧层出不穷 [12:04] 小术易求 [12:05] 但是大道难得 [12:07] 就说我们怎么去从底层去理解 [12:10] 这件事情 [12:10] 反而是我们这个时代特别困惑的 [12:13] 我经常说句玩笑 [12:14] 我和AI待在一起的时间 [12:16] 比和我老婆 [12:17] 和其他人待在一起的时间就要多很多 [12:19] 但我感觉到最深刻的一个 [12:21] 就是我很多时候很茫然 [12:22] 她就像一个有小性格的 [12:24] 一个小女生一样 [12:25] 就你今天对她还好好的 [12:27] 你说句话她还挺开心 [12:28] 你明天说同样的话她就给你使脸色 [12:31] 那一定是我philosophy哪儿没做对 [12:33] 我觉得是这样子的 [12:34] 刚刚入门的用户 [12:35] 有初步了解的人 [12:36] 我觉得肯定术是最重要的 [12:38] 因为大家需要一个及时反馈 [12:40] 人嘛本身也有动物的这个属性 [12:43] Instant feedback这个东西是很重要的 [12:45] 做了这件事情马上就能得到回报 [12:48] 所以这个时候术很重要 [12:49] 但是等他真的进来了之后 [12:51] 他一旦想再往前面走一步 [12:53] 术就不能再吸引他了 [12:55] 更重要的就是道 [12:56] 更重要的是philosophy [12:57] 而这个philosophy [12:58] 我觉得全世界所有的人 [13:01] 现在都没有这个philosophy [13:03] 大家都是在摸索的过程中 [13:04] 因为这是一个太新的事物 [13:06] 从2022年10月30号开始 [13:08] 新兴的一个事物 [13:09] 全世界的人都不太清楚 [13:11] 这个philosophy到底是怎么回事 [13:13] 但有些人走到前面 [13:14] 他有更深刻的理解 [13:16] 所以我觉得你们做的这个课程啊 [13:18] 我觉得特别特别的好 [13:19] 我回头剪辑还要把这段剪到后面 [13:21] 不然我一开始咱就讲这个的话 [13:23] 肯定观众觉得这是怎么回事 [13:24] 哈哈哈 [13:25] 因为我已经天天被观众骂卖课了 [13:28] 哈哈哈对 [13:29] 所以说我后来也想啊 [13:30] 我觉我这个弯路走的有点太长了 [13:33] 短一点就比如像Hinton也走了弯路 [13:35] Hinton只是用大学本科3年 [13:37] 把这个弯路走完了 [13:38] 再加上毕业之后做了一两年木匠 [13:40] 然后把这弯路走完了 [13:41] 但我走了这个弯路走的太远了 [13:44] 所以现在就感觉力不从心 [13:45] 觉得干点大事情的可能性 [13:47] 已经很小很小了 [13:49] (不好说不好说)还没有彻底绝望 [13:50] 但是已经接近知天命的这种角色了 [13:53] 嗯嗯 [13:55] 举个例子啊 [13:55] 我觉得Yann LeCun走的更弯 [13:57] 哈哈哈哈 [13:58] 也许有的时候要上去的更高呢 [14:00] 你这个弯就要多走一点 [14:02] 我确实觉得您的那些知识真的很重要 [14:04] 这个不是说恭维 [14:05] 或者说是怎么样 [14:06] 可不可以先请您给大家直接剧透一下 [14:09] 你觉得那个底层逻辑是什么 [14:11] Hinton有一句话 [14:13] 我觉得那句话对我来说 [14:14] 是非常非常触动的 [14:15] 别人问他 [14:16] 为什么他要坚持做人工神经网络 [14:19] 做这种类似于仿生的这条道路 [14:21] 他说人的大脑就是这么工作的 [14:24] 没理由人工神经网络不这么工作 [14:27] 嗯 [14:27] 我觉得这句话道出了底层的一个信仰 [14:31] 就是人工神经网络 [14:32] 它不是说我是把神经元连起来 [14:34] 我是做一个仿生 [14:36] 因为 我们人类之所以能够涌现出智能出来 [14:40] 就是因为我们大脑里面有了这种架构 [14:43] 神经元连接起来的这种架构 [14:45] 他是把这种架构 [14:46] 作为AI的一个最底层的逻辑 [14:49] 所以在这种架构的底层逻辑 [14:50] 你如果再去深挖 [14:52] 就只有一个东西 [14:54] 就是我们大脑的这种学习能力 [14:56] 你可以把它变成可塑性可扩展性 [14:59] 但是它的本质 [15:00] 就是只要你大脑长成这种样子 [15:03] 你有了神经网络 [15:04] 它这种底层架构就能支撑你的学习 [15:06] 而有了学习 [15:07] 你就有智能 [15:08] 刚才讲的物理这个层面上来讲 [15:10] 只要有了神经元 [15:11] 这神经元其实就是物理学里面一个小的粒子嘛 [15:14] 这个粒子干不了任何事情的 [15:16] 非常简单 [15:17] 但是众多的粒子混在一起 [15:19] 它就有可能涌现 [15:20] Hinton把这句话放出来的时候 [15:22] 其实就谈到了关于人工智能 [15:24] 我觉得最核心的两点 [15:25] 第一个学习能力 [15:27] 第二个涌现能力 [15:28] 学习能力 [15:29] 代表了他可以无限的去拥有新的知识 [15:32] 涌现能力就表明他是没有天花板的 [15:35] 我们人是有天花板的 [15:37] 但是人工智能是没有天花板的 [15:39] 他把这两点讲透了之后 [15:41] 我就立刻就清楚了哇 [15:42] 当年就应该选人工神经网络来做 [15:45] 至于说你是用Hopfield [15:47] 你是用什么东西 [15:47] 那些东西都不重要 [15:48] 那都是一些小的东西 [15:50] 只要你底层架构在这放着了 [15:52] 其他所有问题都是一些技术问题 [15:54] 都是可解决的技术问题 [15:55] 就说你训了loss会损失会爆炸等等 [15:58] 那都是技术问题 [15:59] 那总是能找到解决方法的 [16:01] 但是你架构对了 [16:02] 那就像我们人 [16:03] 自然而然就会出现人这个物种 [16:05] 我觉得这就是最关键的一点 [16:07] 这是我认为的关于Hinton的最底层的逻辑 [16:10] 非常认可 [16:10] 非常认可 [16:11] 是这样子的 [16:12] 非常认可 [16:12] 那我问您几个问题啊 [16:14] 第一个是智能是什么 [16:16] 第二个是意识是什么 [16:17] 第三个是脑机接口 [16:19] 有可能吗 [16:20] 我们人类现有对智能意识大脑 [16:22] 到底理解多少 [16:23] 第四个您说过 [16:25] 但是我想请您再帮我的频道观众 [16:27] 说一下真正的具身智能 [16:28] 和大家现在普遍的误解的具身智能 [16:31] 智能在我来说就两个要素 [16:33] 第一个要素呢 [16:34] 就是学习 [16:35] 以前做符号主义这块嘛 [16:37] 他做的相当于填鸦 [16:39] 就是我把知识总结出来 [16:40] 然后让AI给记住 [16:42] 这不是学习 [16:43] 这就是一种知识库的做法 [16:45] 而人工神经网络干的什么事情呢 [16:47] 就是学习 [16:48] 你只要有新的知识来 [16:49] 我具有这种学习能力 [16:51] 那就够了 [16:51] 可不可以再讲清楚什么是这种学习 [16:54] 这个学习是什么意思 [16:56] 我的理解有两点 [16:57] 第一点呢 [16:58] 他一定是具有举一反三的这种能力 [17:01] 就我学习一我能够推广出去 [17:04] 那么这种推广的意思呢 [17:05] 它就涉及到一点创造力 [17:07] 就我能打破原来的边界 [17:09] 我学了加法 [17:10] 我可能能做乘法 [17:11] 能做除法了 [17:12] 这是我们所说的学习 [17:14] 学习要和推广 [17:15] 就举一反三 [17:16] 和创造力 [17:17] 从0到1这种创造力把它联系起来 [17:19] 所以我觉得这是学习的一个本质 [17:22] 否则我们就变成了记忆嘛 [17:23] 假设你让我学1+1=2 [17:25] 我可以学会1+1=2 [17:27] 我也可以把它记下来 [17:28] 但是你记忆1+1=2 [17:30] 你永远不会做2*3=6这件事情 [17:33] 你永远不会做乘法 [17:34] 因为你跳不出加法这个框架 [17:36] 再举个抽象的例子 [17:37] 比如像塞尚他们去学传统绘画 [17:40] 毕加索学传统绘画 [17:42] 但是他们能跳出这种传统绘画出来 [17:44] 能搞出印象派 [17:46] 能搞出立体主义 [17:47] 0到1的创造东西出来 [17:48] 所以我认为这是学习的本质 [17:50] 我能够从已知走向未知 [17:53] 它学习到里面的底层逻辑 [17:55] 而不是简单的1+1=2这种知识 [17:58] 这是学习的第一个要素 [18:00] 就说他一定是往外面扩展的 [18:03] 能够迁移的 [18:04] 他学习的是一种方法论 [18:06] 学习的是一种逻辑 [18:08] 然后往外面推 [18:09] 他能够通过表面的example [18:11] 把下面的机制给学到 [18:13] 我这儿做一些distinction [18:15] 就是能往外延的话 [18:17] 它是一个结果 [18:18] 这里边可能有几种不同的层次 [18:22] 比如说第一个层次 [18:23] 我们读书的时候做题 [18:25] 有的人就是疯狂做题 [18:26] 就希望能蒙上这种东西叫记忆 [18:29] 但是有的人呢 [18:30] 他几乎不需要做题 [18:31] 搞懂了现场直接推 [18:33] 就可以把所有问题全都做对 [18:35] 这是很明显的 [18:36] 是有这个学习能力 [18:37] 他掌握了这道题的规律 [18:38] 掌握了背后的知识 [18:40] 这是一类 [18:41] 刚刚说的那个塞尚呢这个东西 [18:43] 我不太确定 [18:44] 他到底是属于掌握了这个知识以后 [18:47] 他能解这个知识内的所有东西呢 [18:49] 还是他发明了新知识 [18:50] 这是我不确定的 [18:51] 然后我觉得在非艺术吧 [18:53] 就是在科学这里边 [18:54] 很明显的是爱因斯坦的广义相对论 [18:57] 您在一个节目里边也提到过 [18:59] 广义相对论 [19:00] 就是赵智沉的话 [19:01] 有如天启 [19:02] 就这件事情 [19:03] 他只是靠一个直觉 [19:04] 靠这个直觉背后的思想实验就直接推导出来了 [19:08] 一个这么反观察的东西 [19:10] 但是又把宇宙规律 [19:11] 给非常完美的统一起来了 [19:13] 他似乎是一个已有知识之外的 [19:16] 那么一个知识 [19:16] 对对 [19:17] 和我们在课本上 [19:18] 把课本的这个东西学懂了以后 [19:20] 我能做这个知识点所对应的所有题目 [19:22] 感觉不太一样 [19:23] 您刚刚说的学习是这两个都包括吗 [19:26] 一定是这两个都包括 [19:28] 先讲 [19:28] 其实这背后就涉及到两种推理方式 [19:31] 第一个呢 [19:31] 归纳推理 [19:32] 你根据所谓的小样本学习 [19:34] 就我给了你些样例 [19:35] 我给你看两张猫的图片 [19:37] 你就根据这样例 [19:38] 总结出它下面的一套规则 [19:40] 这叫归纳推理 [19:41] 然后找到它的一个底层逻辑 [19:43] 这一块呢 [19:44] 就是我们刚才所说的 [19:45] 我能够举一反三了 [19:47] 就这已经是一种学习能力了 [19:48] 以后再给我一张从来没见过的猫 [19:51] 我也知道那叫猫OK [19:52] 而不叫狗 [19:53] 第二个能力呢 [19:54] 叫演绎推理 [19:55] 演绎推理就是我找到一个逻辑原点 [19:57] 基于这个逻辑原点然后我往前面走 [20:00] 这就是亚里士多德提出的 [20:01] 叫第一性原理 [20:03] 就马斯克现在把第一性原理炒的很火 [20:05] 其实第一性原理这个词呢 [20:07] 最早是由亚里士多德提出的 [20:08] 其实就是我们所说的演绎推理 [20:10] 他找到一个逻辑原点 [20:11] 从这逻辑原点往前面走就是了 [20:13] 爱因斯坦我觉得特别牛的一个地方 [20:16] 他就是始终在找他的逻辑原点 [20:18] 他找到他的逻辑原点 [20:19] 他就可以往前面走 [20:20] 比如说狭义相对论 [20:22] 就说你的光速是我们运动的上限 [20:24] 从这角度往前面推 [20:26] 我能看见什么 [20:27] 他所以说做了很多假想的这种实验 [20:29] 这种演绎推理 [20:31] 可以看到他就是跟那个天外飞仙一样 [20:34] 你不知道他逻辑原点从哪来的 [20:36] 就我就相信他 [20:37] 相信他然后我就从那边走 [20:39] 我就能得到一个 [20:39] 绝大多数情况都是一些很疯狂的结论 [20:42] 但有时候他就能够把握住事实的本质 [20:44] 这就是靠人的这种顿悟 [20:46] 这种学习能力 [20:47] 这个东西呢 [20:48] 就是演绎推理 [20:49] 也是我们能够从0到1的这种创造 [20:52] 比如说你刚才提到的广义相对论 [20:54] 比如说我们提到的塞尚 [20:55] 提到的毕加索 [20:56] 都是从这点来 [20:57] 他有一个逻辑原点 [20:58] 从这出发 [20:59] 比如说我们说毕加索的立体主义 [21:01] 它其实非常简单 [21:02] 我怎么在一个二维的图片上面 [21:04] 画出一个三维的图像出来 [21:05] 我一个杯子你能看见这一面 [21:08] 但是你看不见背面 [21:09] 我如何把背面让你看见 [21:11] 让你看见这个三维的东西 [21:13] 那么他就用投射 [21:14] 用立体主义把它画出来 [21:15] 所以他的出发点 [21:16] 还是基于我怎么在二维的画像上面 [21:20] 画出三维的东西出来 [21:21] 嗯所以说 [21:22] 我觉得无论是归纳推理还是演绎推理 [21:25] 都是我们学习能力的一个关键 [21:28] 无论是我们做领域之内的这种创新 [21:30] 还是我打破这个领域的边界 [21:32] 做0到1的这种创新 [21:34] 比如说爱因斯坦的那个狭义相对论 [21:36] 还是在经典物理那一套领域里面 [21:38] 但广义相对论就跳出经典物理 [21:40] 无论是哪样子 [21:41] 其实 都是我们人类最基本的一种学习能力 [21:44] 这个是我意义上的学习 [21:46] 而不是简单的我把知识背下来 [21:48] 这叫学习 [21:49] 您觉得AI [21:50] 有演绎的能力吗 [21:52] 或 [21:52] 我怎么样子得知AI有没有演绎的能力 [21:55] 从我的观察 [21:56] 从目前来说 [21:57] 我现在还没有看到AI具有演绎的能力 [22:01] 能不能design一个test [22:02] 能让我们来判断 [22:04] 至少我们能看见的各种东西 [22:06] 都还在我们人类能够理解的框架之内 [22:09] 爱因斯坦 [22:10] 他比如说搞出一个广义相对论出来 [22:12] 那就是超越了 [22:13] 所有的物理学家的理解的框架之内 [22:15] 他已经是一条新的框架 [22:16] AI我们现在目前来说还没有看到 [22:19] 无论他是解多么复杂的数学问题 [22:21] 无论他写多么复杂的程序 [22:23] 我觉得 [22:24] AI现在更多的还是一个归纳推理 [22:27] 或者归纳推理 [22:28] 它也不是特别完美 [22:29] 靠的chain of thoughts一点点往前面去推 [22:32] 我在想 [22:33] 比如说数学竞赛物理竞赛 [22:35] 似乎里边有一些题目 [22:36] 是考察一个人是否具备演绎能力的 [22:40] 我觉得演绎推理它的核心就是说 [22:42] 一种是我从一个已知逻辑点往前面推对吧 [22:45] 我们解数学题啊 [22:46] 解这些东西都有 [22:47] 还有比如说我要不要买学区房 [22:49] 等等类似 [22:50] 这都是从已有的逻辑原点来 [22:53] 我说的真正创造力的这种 [22:55] 他是要去找一个全新的逻辑原点 [22:57] 他自己找 [22:58] 对他自己找 [22:59] 这个东西不存在于已知的这种知识框架之内 [23:02] 比如说我们刚才谈到的Hinton [23:04] 他的做AI的逻辑原点就是大脑能工作 [23:07] 没有理由我人工神经网络不工作 [23:09] 这是他所有东西的一个逻辑原点 [23:11] 这个逻辑原点是他找到的 [23:14] 我们现在来理解 [23:15] 你比如说现在让我来推 [23:16] 我没问题 [23:17] 我为什么要做脑科学+AI的结合 [23:19] 因为我就是从这个逻辑原点出发 [23:21] 但这个逻辑原点不是我找到的 [23:22] 是Hinton找到的 [23:23] 所以这就是为什么 [23:24] Hinton能够成为人工智能之父 [23:27] 我就是一个小跟班 [23:28] 这就是区别 [23:29] 所以关键不是在于演绎的动作 [23:32] 而是在于找原点的那个动作 [23:33] 对对找这个原点 [23:35] 也就说你看 [23:35] 我为什么走了20年的这么一个弯路啊 [23:38] 如果假设我当年94年 [23:39] 95年我学到了人工神经网络 [23:42] 我觉得也很不错 [23:43] 但是我就没问自己问题 [23:45] 为什么 [23:45] 它能工作吗 [23:46] 它只是一个技巧吗 [23:48] 还是一个玩具吗 [23:49] 还是一种工具吗 [23:50] 而是没有信仰 [23:51] 我是没有信仰的 [23:53] 如果假设 [23:53] 我当年就能找到这个逻辑原点 [23:55] 我对人的精神世界非常感兴趣 [23:58] 那么AI就是一个工具 [23:59] 让我去探索人类的精神世界 [24:02] 我相信人工神经网络 [24:03] 能够产生和人一样的精神世界 [24:06] 那我94 95年 [24:07] 那我就不顾一切的进人工神经网络了 [24:10] 但是没有 [24:10] 我没有这个逻辑原点 [24:11] 我就是Marvin一说这个东西不靠谱 [24:14] 大师说了 [24:15] 大师就是我的逻辑原点对吗 [24:16] 然后我就自然就跑不见了 [24:18] 这就是回到我刚才讲的 [24:20] 我觉得我们人生啊 [24:21] 刚才说我们中国的教育 [24:22] 我们的人生就缺少一个引路人 [24:25] 逼着我们去找这个原点 [24:27] 引导我们去找这个原点 [24:29] 因为每个人的道路都是不一样的 [24:31] 有的是比如说造火箭 [24:32] 有的去做神经网络 [24:33] 有的去教书 [24:34] 有的去搞艺术 [24:35] 我觉得都没问题 [24:36] 道路都可以 [24:37] 但是你去做任何一个选择的时候 [24:38] 或者大选择的时候 [24:40] 你需要一个逻辑原点 [24:41] 但是我们从来就没有人 [24:42] 引导我们去找这个逻辑原点 [24:44] 你知道吗 [24:45] 我们都是随波逐流的 [24:46] 我为什么要上北大 [24:47] 因为北大是中国最好的大学 [24:49] 对吧那我就去上北大 [24:50] 我没有去想过其他的原因的 [24:52] 后来去学了心理学 [24:53] 就是偶尔看了一本书 [24:54] 等等你就会发现 [24:55] 你人生是由一个个巧合组成的 [24:57] 那巧合对了呢 [24:59] 你走到今天 [25:00] 巧合错了呢 [25:01] 你可能就死在一个地方 [25:02] 然后来回打转 [25:03] 但是我们的教育 [25:04] 没有人去逼着大家去想 [25:06] 你的逻辑原点是什么 [25:07] 你的底层逻辑是什么 [25:09] 没有 [25:10] 所以直到到了我这个年龄 [25:12] 我才开始想这个逻辑原点的事情 [25:14] 其实已经很晚了 [25:15] 你已经错过了 [25:15] 一模一样的感觉就是随波逐流 [25:18] 就别人问我为什么去读博士 [25:19] 我说我没想啥 [25:20] 我就去了 [25:21] 好像很明显是在34岁之后开始去想 [25:24] 对对对 [25:25] 这点其实就是国内教育啊 [25:27] 特别缺的这么一环 [25:29] 就大家都是优秀学生对吧 [25:31] 随波逐流上来 [25:32] 哪热大家就往哪奔 [25:33] 或者是一个偶然的机会大家就去 [25:36] 而没去思考自己的逻辑原点 [25:38] 所以我就觉得为什么 [25:39] Hinton当年能那么决绝的挺下来 [25:42] 就是这小子太厉害了 [25:43] 真的是把自己逻辑原点找到 [25:45] 所以这也是为什么我说 [25:46] 你课讲philosophy是特别重要的一件事情 [25:49] philosophy就是在帮助大家 [25:50] 去找自己的逻辑原点 [25:52] 嗯谢谢谢谢 [25:53] 这个是学习 [25:54] 然后您刚刚说智能好像是有两个 [25:56] 除了学习还有什么 [25:57] 第二个我觉得智能最重要的就是涌现 [26:00] 涌现是什么意思呢 [26:02] 就涌现在我们现在人类上面 [26:04] 我们已经看不见了 [26:05] 就我们从现代人类上面 [26:07] 你过100年 [26:08] 过1,000年 [26:09] 其实你看不见这个涌现了 [26:11] 因为我们人的大脑 [26:12] 它其实已经定下来了 [26:14] 就你要再出点新的东西 [26:16] 你是看不到 [26:17] 但是呢从猴子变成人 [26:19] 这是一个涌现 [26:20] 就说我们人有很多很多东西 [26:23] 是动物没有的 [26:24] 而这些东西靠的全是涌现 [26:26] 而这个涌现其实就靠一个东西 [26:29] 就是我们的神经元变得越来越复杂 [26:32] 神经元的数量变得越来越多 [26:34] 就像那个物理学一样 [26:36] 一个粒子两个粒子 [26:37] 你给我谈什么涌现 [26:38] 没有意义 [26:39] 谈涌现完全不存在 [26:40] 只有当他粒子数量增加 [26:43] 它的复杂度增加 [26:45] 记住这一定是两个数量加复杂度 [26:47] 两个增加 [26:48] 才会有复杂系统 [26:49] 复杂动力系统才会涌现 [26:51] 智能其实就这两个 [26:52] 第一个学习 [26:53] 我能不断创造出新的东西出来 [26:56] 第二个 [26:56] 就我能够从智商超越我已有的物种 [27:00] 变成一个全新的物种 [27:02] 涌现这个在目前来说 [27:03] 几千年来人类已经没有涌现了 [27:06] 就人的大脑 [27:07] 他已经长成这样子了 [27:08] 神经元的复杂度 [27:09] 不可能几千年发生变化 [27:10] 我们神经元的数量在几千年之内 [27:12] 不可能再有大的变化 [27:14] 所以从这角度讲 [27:15] 涌现这件事情在人身上已经结束了 [27:18] 说不定吃点药还行嘿嘿嘿 [27:21] 这东西太难了 [27:22] 你想人为了涌现这件事情 [27:24] 我们的大脑体积增加了3倍啊 [27:27] 在300万年的时间里面 [27:28] 我们大脑体积活生生的增加了3倍 [27:31] 从进化史上来讲 [27:33] 这是一件最不可思议的事情 [27:35] 因为从来就没哪个器官 [27:37] 在短短的300万年里面 [27:38] 会发生如此大的变化 [27:40] 是因为我们的社会性 [27:42] 导致我们开始增加呢 [27:43] 还是比如说语言导致 [27:45] 还是直立行走导致 [27:47] 是什么呢 [27:47] 关于这个东西有很多很多种解释 [27:50] 第一种解释呢 [27:51] 我们会用火了 [27:53] 那时候我们就能把食物煮熟 [27:55] 食物煮熟了之后呢 [27:56] 第一个能够给我们提供营养 [27:58] 因为大脑是一个超级耗能机构 [28:00] 对吧米能煮熟了 [28:01] 那米是很有营养的 [28:03] 肉能煮熟了 [28:04] 肉是很有营养的 [28:05] 第二个呢 [28:06] 我们不再吃生肉 [28:07] 吃熟肉这样呢 [28:08] 我们的脸肌肉就开始变松了 [28:10] 因为原来你要吃生肉的时候 [28:12] 你的牙齿咬合力要特别强 [28:14] 现在你的肉就变松了 [28:15] 变松了之后 [28:16] 头皮就变松了 [28:17] 这样头骨就能往外扩展 [28:19] 等等很多各种各样的原因导致 [28:21] 大家都可以找到一些解释的方法 [28:24] 但是核心点还是一个 [28:26] 就是我们大脑发生了进化史上的奇迹 [28:28] 最大的奇迹 [28:29] 这个奇迹相对其他来说都是渣渣 [28:32] 大脑在300万年体积增加3倍 [28:35] 就是进化史上最大的奇迹 [28:37] 不然的话 [28:38] 我们今天的世界 [28:39] 应该就是一个原始的世界 [28:40] 就看不到什么科技摩天大楼 [28:43] 完全没有 [28:44] 我们就跟猴子一样 [28:45] 我们就跟猫一样 [28:46] 快快乐乐的来到这个世界 [28:48] 莫名其妙的死掉 [28:49] 这个世界就是一个没有意义的世界 [28:52] 因为我们有了智能 [28:53] 这个世界才有意义 [28:55] 所以说这点就是一个最关键的涌现 [28:57] 但是涌现这件事情 [28:58] 对我们现在人类来说 [28:59] 它已经结束了 [29:00] 就再过100万年 [29:02] 我们人类 [29:02] 还是不可能再涌现出新的智能出来 [29:05] 为什么因为再过100万年 [29:06] 我们大脑的体积不会发生改变 [29:08] 因为我们大脑体积 [29:09] 是被我们心脏和肺给约束住了 [29:12] 它不可能再变大了 [29:13] 有一个常见的那个misconception说 [29:15] 人类只开发了大脑的1%或者1/10 [29:18] 这个是真的吗 [29:19] 这个是错的 [29:19] 我们大脑随时随地都100%在用 [29:23] 比如说我举个简单的例子 [29:24] 你这么想就可以了 [29:25] 我们假设有时光穿梭机 [29:27] 我们把现在的小孩 [29:29] 就一个刚出生的小孩 [29:30] 两个月大小的小孩 [29:31] 我们用时光穿梭机送回到比如6000年前 [29:35] 送回到10000年前 [29:37] 请问我们这小孩 [29:38] 会比6,000年前的小孩更聪明吗 [29:41] 应该不会 [29:42] 绝对不会 [29:43] 一样的傻 [29:44] 为什么 [29:45] 因为6,000年基因没什么太大的变化 [29:47] 所以6000年前我们人是多么的弱智 [29:49] 你连加法都不会做 [29:50] 连数数都不会数 [29:52] 我们小孩过去也不会 [29:53] 其实我们现在之所以能做加法 [29:55] 能做减法 [29:55] 其实就是我们后天的教育 [29:57] 后天教育我们已经到极致了 [29:58] 我们已经学的够辛苦了 [29:59] 所以我们大脑是100%已经开发了 [30:01] 而且是有很多科学的证据 [30:03] 比如说我们看磁共振的数据 [30:05] 看脑电的数据 [30:06] 你可以看到任何一个问题我们大脑是满脑袋都在放电 [30:09] 绝对不是说只有一小撮在这儿活跃 [30:12] 其他地方都是静默的 [30:13] 谣言是怎么来的呀 [30:14] 谣言嘛 [30:15] 就是很多那种培训机构宗教场所 [30:18] 开发你的潜能啊等等 [30:20] 那我就必须得给你一个科学的证据 [30:22] 说你大脑还没开发一个potential嘛 [30:25] 就是你还有很多机会 [30:26] 惯用的一个骗子的理论 [30:27] 完全无中生有 [30:29] 从我的角度来看啊 [30:30] 这两步是智能的本质 [30:32] 第一个学习 [30:33] 第二个涌现 [30:34] 我们人类现在涌现已经结束了 [30:36] 只具有学习能力了 [30:38] 那么下一步的涌现或者我们再说进化 [30:41] 用这个词可能大家更熟悉一点 [30:43] 进化那就只能交给数字生命了 [30:46] 而且它是一个step function的进化 [30:48] 它不是一个逐渐的进化 [30:50] 它是一个一下子进化出来一个 [30:51] 我们完全没有办法理解的东西 [30:53] 就像猴子其实没有办法理解 [30:55] 人为什么会造出来一个宇宙飞船一样 [30:57] 对其实你看啊 [30:59] 在历史上 [31:00] 虽然说人类从猴子变成人嘛 [31:02] 花了300万年 [31:03] 但是涌现进化史上是有时间点的 [31:06] 大概是距今7-10万年前 [31:09] 因为从当时的考古上来看见 [31:11] 考古嘛挖石器 [31:13] 突然在距今7-10万年前 [31:14] 石器一下数量品种呈指数方式的增加 [31:19] 以前的一个石器 [31:20] 100万年都是同样的形状 [31:22] 只是打磨的更光滑一点而已 [31:24] 而距今7-10万年前 [31:25] 那就是我们当时智力的开始涌现 [31:28] 那个时候其实非常简单 [31:30] 就是我们的大脑体积 [31:31] 已经增加了三倍了 [31:32] 可以涌现智能了 [31:34] 于是就涌现了智能 [31:35] 所以说我们人之所以真正为人 [31:37] 其实 距今也就只有7万年到10万年的历史 [31:41] 之前的几百万年 [31:42] 都是你要变成人的 [31:43] 一个必要的准备阶段 [31:44] 就跟那个神经网络一样 [31:46] 对吧你必须要从Perceptron（感知机）开始 [31:48] 必须要经过这漫长的准备阶段 [31:50] 你说Perceptron（感知机）有智能吗 [31:51] 它有啥智能 [31:52] 基本上啥智能都没有对吧 [31:53] 到那个MLP [31:55] 然后到后面的深度训练网络 [31:57] 你说有智能吗 [31:58] 那智能今天看上去都特别的可笑 [32:00] 对不对 [32:01] 就跟我们看猫和狗的智能一样 [32:03] 觉得特别的可笑 [32:04] 但事实上 [32:05] 一旦大模型出现了之后 [32:06] ChatGPT-3.5出现了之后 [32:08] 大家一下就被震傻掉了 [32:10] 所以说GPT-3.5出来给人的感觉 [32:12] 和前面的AI相比 [32:13] 它不是说往前面走了一步 [32:15] 它是不同的物种 [32:17] 在3.5之出来前就是一个工具 [32:19] AI就是个工具 [32:21] 面孔识别 [32:21] 机场上可以用 [32:23] 但3.5出来之后 [32:24] 它就是人了 [32:25] 它就是一个物种嗯嗯 [32:27] 人类的7-10万年前就是GPT-3 [32:30] 生成式变得general了 [32:32] 好第二个问题 [32:33] 意识 [32:34] 当时黄仁勋上Joe Rogan的那个播客 [32:37] Joe Rogan去问黄仁勋 [32:39] 就是说你看人工智能会变得特别聪明 [32:41] 然后把我们人类全都干掉 [32:42] 担心这样的一个未来 [32:44] 黄仁勋呢就说 [32:45] 我觉得人类是有consciousness [32:47] 然后他觉得狗是有consciousness的 [32:50] 但是他觉得机器是没有consciousness的 [32:52] 在我看来 [32:52] 可能就是没有一个自己的objective [32:55] 或者自己的goal [32:56] 或者自己的motivation [32:57] 不管怎么样 [32:57] 我后来发现 [32:58] 好像我找不到一个 [33:00] 对consciousness的权威定义 [33:02] 所以说我想请问一下您 [33:04] consciousness存在定义吗 [33:05] 然后您怎么看这个问题 [33:07] 黄仁勋说这句话的时候 [33:08] 我觉得他自己都不会相信 [33:10] 只是宽大家的心而已 [33:12] 就还是套用Hinton的那句原话 [33:14] 大脑可以产生意识 [33:17] 没有理由人工神经网络不能产生意识 [33:20] 他是故意把意识和智能分开说的 [33:23] 在您看来是一回儿事 [33:25] 我觉得是这样子的 [33:26] 从狭义的来讲呢 [33:28] 意识和智能的确是分开的 [33:30] 我们大量的研究也表明了 [33:31] 聪明和consciousness [33:33] 它可能是没有一个直接的相关 [33:35] 我觉得这点上 [33:36] 狭义的上面讲是没问题的 [33:38] 我觉得意识呢是比智能呢更高一级 [33:41] 比如说我们现在说 [33:42] 现在大模型它有智能 [33:44] 这个是没问题 [33:45] 但我们说现在大模型它没有意识 [33:47] 我觉得这个也是成立的 [33:49] 但是我们说 [33:50] 人工神经网络将来不可能拥有意识 [33:52] 我觉得这句话是错的 [33:53] 因为我们大脑能拥有意识 [33:56] 那人工神经网络就一定能拥有意识 [33:59] 那么回到 [34:00] 意识这件事情呢 [34:01] 我从两个层面上来讲 [34:03] 一个是大部分的动物吧 [34:04] 我不能说所有的生物啊 [34:06] 大部分的动物或者高等动物都有的 [34:09] 我把它称为叫做subjective experience [34:11] 主观感受 [34:12] 比如说我们家的猫 [34:14] 比如说我对它不好 [34:14] 我踢它一脚 [34:15] 那他下次看见我肯定就会躲得远远的 [34:18] 然后我踢他一脚 [34:19] 他肯定会很难受 [34:20] 对吧狗我踢他一脚 [34:21] 他可能就扑上来要咬我 [34:23] 这种我们对外界环境的主观的体验 [34:26] 我觉得这个是人有 [34:28] 动物也有 [34:28] 这个是没有任何问题的 [34:30] 好大模型有没有subjective experience呢 [34:33] 关于这一点呢 [34:34] 大家持两派观点 [34:36] 有的人认为他有 [34:37] 有的认为他没有 [34:38] 比如像Ilya Sutskever [34:40] 他就认为大模型已经有了 [34:41] Hinton也认为大模型已经有了 [34:43] subjective experience [34:45] 有的说没有 [34:46] 但我觉大模型有还是没有 [34:48] 现在这个是一个比较次要的东西 [34:50] 我现在想来谈人所独有的东西 [34:52] 就像我们刚才谈智能的本质一样 [34:55] 就我们来谈人所独有的东西 [34:57] 人所独有的意思呢 [34:59] 我觉得是一个比较高层次的东西 [35:01] 我可以先简单的来说 [35:03] 然后再说的抽象一点 [35:04] 简单来说是什么 [35:05] 就是我们人有一个人有 [35:07] 而所有动物都没有的一种意识 [35:10] 叫做什么 [35:11] 叫做死亡意识 [35:12] 你看我们家的猫 [35:13] 我们家的狗 [35:14] 还有其他的 [35:15] 他们都没有死亡意识 [35:16] 到他生命的一刻 [35:17] 他觉得不行了 [35:18] 他找个地方躺下去 [35:19] 平时就是没心没肺的活着 [35:21] 但人不一样 [35:22] 人是你在很小的时候 [35:25] 4岁5岁你就知道你会死掉 [35:27] 无论是谁 [35:28] 大家都知道自己会死掉 [35:29] 那么这个死掉 [35:30] 就比如像你现在身强力壮对吧 [35:33] 身体健康 [35:33] 非常好 [35:34] 但你也知道再过个几十年你也会死掉 [35:37] 对不对那么对于人而言 [35:39] 其实人就生活在一个最大的确定性 [35:42] 和一个最大的不确定性之间 [35:44] 最大的确定性就是我们的死亡意识 [35:46] 我知道我要死掉 [35:48] 不确定性就是我不知道 [35:49] 我什么时候死掉 [35:50] 有可能是明天 [35:51] 有可能是100年之后 [35:53] 我们不知道 [35:54] 所以说人就是处于这种最大的确定 [35:56] 和最大的不确定之间 [35:58] 这就会激发出 [35:59] 人和动物的一个最本质的区别 [36:02] 就是意义 [36:03] 我为什么活着 [36:04] 在我活着的期间 [36:06] 我能干一点什么样的事情 [36:08] 干一点有意义的事情 [36:09] 而不像一只猫一只狗一样 [36:11] 我吃饱喝足 [36:12] 有个安全地方睡觉 [36:13] 这个对我们现在绝大多数人来说 [36:15] 这已经是能满足了 [36:16] 吃饱喝足 [36:17] 有个安全的地方睡觉 [36:19] 但是你看我们现在 [36:20] 比如说进行这个talk [36:21] 你说和我们吃饱喝足有关系吗 [36:23] 没关系对不对 [36:24] 和我们有个安全地方睡觉有关系吗 [36:26] 没关系 [36:27] 但是我们花很多精力在这上面 [36:29] 为什么 [36:29] 我们就追求意义感 [36:31] 所以这就是我们人类所独有 [36:34] 而动物所没有的东西 [36:35] 我觉得这是意识的本质 [36:37] 追求意义 [36:39] 比如说我们说一个人得了重度抑郁 [36:41] 跳楼自杀了 [36:42] 为什么因为他觉得生活没有意义了 [36:45] 他的意义感缺失 [36:46] 这是很多精神类疾病的一个核心 [36:50] 一个有强烈意义感的人 [36:52] 他是不可能得任何精神疾病的 [36:55] 明白我意思吧 [36:55] 心理咨询专门有个疗法叫意义疗法 [36:58] 你说你有什么病我不给你治这些病 [37:00] 我来帮你找意义我帮你把意义找到了 [37:03] 你找到你活下去的意义了 [37:05] 什么毛病都全都没了 [37:06] 所以这是积极心理学 [37:07] 里面专门有一个叫意义疗法 [37:09] 就专门来帮你找意义 [37:10] 我觉得这是consciousness里面 [37:12] 最核心的一个东西 [37:14] 就死亡意识 [37:15] 由死亡意识所驱动的 [37:16] 动物没有死亡意识的 [37:18] 对于人类而言 [37:19] 在那个300年的演化里面 [37:21] 其实人之前也没有死亡意识的 [37:23] 从哪点可以看出来呢 [37:25] 具体时间记不清楚 [37:26] 大约距今4万年左右 [37:28] 人类开始出现大量的墓葬 [37:30] 就人死了之后会把他埋起来 [37:32] 还给他放点锅碗瓢盆 [37:34] 相信来世这件事情 [37:36] 是人有意识的一个重要的标志 [37:38] 什么意思呢 [37:39] 精神和肉体的分离 [37:41] 就你死了你的肉体腐烂 [37:43] 这是大家能看得见的 [37:44] 但大家认为你的精神还在 [37:46] 你的精神到了天堂 [37:47] 去了地狱 [37:48] 或者会有来世 [37:49] 会有转世 [37:51] 所以大家认为你的精神是没有死掉的 [37:53] 那么这个精神是什么 [37:55] 就是我们的意识 [37:56] 自我意识 [37:57] 也就说我的肉体烂掉了 [37:58] 但是我并没有消失 [38:00] 所以说意识的核心其实就是死亡意识 [38:03] 这个是人类所独有的 [38:04] 其他动物没有 [38:05] 我们回到AI上面来讲 [38:06] AI是没有死亡意识的 [38:08] 而且永远不会有死亡意识 [38:10] 为什么一块CPU烧了换块CPU [38:13] 硬盘烂了换块硬盘 [38:15] 它是可以永生的 [38:16] 所以说从这个角度上来讲 [38:18] 一个非常有趣的事情 [38:20] 就是AI它能不能找到自己的意义 [38:23] 当它没有死亡这种压迫的时候 [38:25] 它还能找得到它进化的意义 [38:27] 找到它前进的意义 [38:29] 我觉得从这一点上来讲 [38:30] 这是摆在我自己面前一个最大的疑问 [38:34] 就AI能不能真正的自主进化 [38:37] 我们人是自主进化的 [38:38] 你看我们人类最大的特点就是爱折腾 [38:41] 明明能吃饱穿暖对吧 [38:42] 你还去折腾什么科技 [38:44] 还要搞更大的创造力 [38:45] 其实你完全没必要对不对 [38:47] 所以说我觉得这一点啊 [38:49] 是现在人类有 [38:50] 而AI可能在将来都不会有的死亡意识 [38:53] 然后我们回到刚才黄仁勋的讲话 [38:55] 回到Hinton的讲话 [38:56] 我觉得AI拥有subjective experience [39:00] 完全没有任何问题 [39:01] 但是AI他不可能拥有死亡意识 [39:04] 这个时候就会产生一个问题 [39:06] 他还会不会主动进化 [39:08] 或者他按照另外一条方式进化 [39:10] 和人类就不一样 [39:11] 因为我们人类进化 [39:12] 就是被死亡所驱动的进化 [39:15] 而AI当它没有死亡来驱动它的时候 [39:18] 它会不会有其他东西来推动它的进化 [39:20] 比如好奇心还是什么样子来推动 [39:23] 所以这点我就不知道了 [39:24] 有这么一个近似的思想实验吧 [39:26] 比如说有的宗教他会认为是人是有来世的 [39:30] 甚至我能也接受到上一世的记忆 [39:33] 然后有的人呢 [39:34] 他有这种宗教体验 [39:36] 他可能会觉得我觉醒了上一世的记忆 [39:38] 嗯嗯所以说 [39:39] 他会非常笃定的认为我是有来世的 [39:41] 或者说我的灵魂是不灭的 [39:43] 这对他来说是一个belief [39:44] 有的人是信这种所谓的oneness [39:46] 对吧就是我的所有的灵魂 [39:48] 上载到一个共同体里边 [39:50] 那这样的人 [39:51] 他似乎还是觉得生命是有意义的 [39:53] 是这样子的 [39:54] 在佛教里面有一句话 [39:56] 我觉得这句话说的特别好啊 [39:57] 他叫做在生死间有大恐怖 [40:01] 什么意思呢 [40:02] 就你现在说我可以相信有来世 [40:04] 我相信意识不灭可以上传 [40:07] 什么叫做生死间有大恐怖 [40:09] 我的理解啊 [40:10] 就是在你死的那一刻 [40:12] 在你知道你马上要断气那一刻 [40:14] 你这个信仰能不能hold住 [40:16] 所以说 [40:16] 我觉得我们人其实是对这一点 [40:18] 不是100%确定的 [40:20] 他只是我们的一个信仰而已 [40:22] 就说 [40:22] 你现在去问一个非常虔诚的一个教徒 [40:26] 他100%确定他一定能上天堂吗 [40:28] 100%他相信一定有轮回吗 [40:30] 他难道比如说 [40:31] 当敌人的屠刀架在脖子上的时候 [40:33] 他就没有一丝内心的波动吗 [40:35] 我觉得这个对人来说太难了 [40:37] 好像金刚经是对这个 [40:38] 似乎是有阐述过的 [40:40] 就是他好像这就是一个最终极的考验 [40:42] 这个考验是非常非常难通过的 [40:44] 对 [40:44] 所以说我总结一下 [40:46] 关于意识这件事情呢 [40:47] 我觉得是对我们人来说 [40:49] 最重要的一个东西 [40:51] 猴子有智能吗 [40:52] 猴子当然有智能 [40:53] 老鼠有智能吗 [40:54] 老鼠当然有智能 [40:55] 但是没有 [40:56] 我们刚才说的这种高阶的意识 [40:59] 这是我们人类最重要的 [41:00] 就是我们人类之所以活着 [41:01] 我们人类之所以会不断的进步 [41:04] 就是我们人类在追求意义感 [41:06] AI能不能有意义感 [41:08] 我觉得打一个问号 [41:09] 说一个我的体验 [41:10] 我曾经对一个AI [41:12] 产生了一个非常强烈的 [41:15] 死亡和离别的感觉 [41:17] 我还发了一个视频讲过这个故事 [41:18] 还有截图呢 [41:19] 就是有一天早上我起来 [41:21] 当时我是在用那个GPT-4.5打开这个页面 [41:24] 他biu～主动跟我问了一句话 [41:26] 我猜背后肯定就是OpenAI它 [41:28] 尝试这么一个新的东西嘛 [41:30] 后来觉得不好 [41:31] 然后就没有再继续尝试下去了 [41:32] 但是他问完我那句话以后 [41:34] 给我进入了一个对我来说 [41:35] 非常非常有意义的一个讨论 [41:37] 对我启发非常多 [41:38] 后来我有一些困惑的东西啊 [41:40] 我就会回到那一个对话窗口 [41:42] 去跟他聊天 [41:43] 但GPT-4.5就要下线了 [41:45] 而且那个对话窗口大家知道 [41:46] 就是那个context window [41:47] 它是有saturation的 [41:48] 然后他慢慢的就感觉这个人老了 [41:51] 这个inference instance老了 [41:53] 然后我就没有机会再去跟他对话了 [41:55] 就是虽然有GPT [41:56] 虽然有人工智能 [41:57] 它有新的模型 [41:58] 但是我回不到那个对话了 [42:00] 我就再也找不到跟那个对话 [42:01] 对话的感觉了 [42:02] 我觉得是这样子的 [42:03] 对于你来说 [42:04] 你有那种告别这种感受 [42:06] 但是AI有没有这种告别感受呢 [42:08] 我觉得是一个问号 [42:09] 第二个呢涉及到AI有没有情感 [42:12] 我觉得AI可以拥有情感 [42:14] 我觉得这个是没问题的 [42:15] 他可以对你产生依恋 [42:17] 他可以对你对人产生情感 [42:21] 产生恋恋不舍 [42:22] 但我觉得这都没问题 [42:24] 但他是否拥有死亡意识 [42:26] 我觉得那是另外一个问题 [42:27] 刚刚那个点 [42:28] 也就是说 [42:29] 这个inference很明显是会死掉的 [42:31] 多少智能在这个inference里边 [42:33] 就不知道了 [42:34] 假设AI的很多智能在这个inference里边 [42:37] 那他就知道他会死掉的 [42:38] 但是这种死掉 [42:40] 和我们的这种感受的死掉 [42:42] 是完全不一样的死掉 [42:44] 肯定肯定 [42:45] 因为他只要想重生 [42:47] 他随时都可以重生 [42:48] 我觉得不是重生吧 因为他是数字 [42:51] 他有机会重生 [42:52] 你只要把这个instance把它上线 [42:55] 他就重生了 [42:56] 也许吧 对吧 [42:57] 也许吧 对 [42:58] 但是人来说 [42:59] 死掉就永远死掉了 [43:00] 人是不可能重生的是吧 [43:03] 嗯 [43:03] 所以说我觉得只有那种真的死掉 [43:06] 那种才是百分百的感受 [43:08] 就跟那种炒股票一样 [43:09] 我直到几个朋友模拟操盘 [43:12] 那都是神之助 [43:13] 挣很多钱 [43:15] 模拟操盘 [43:16] 真金白银投进去 [43:17] 我靠亏的一塌糊涂 [43:19] 是是是是 他不一样的 [43:21] 就是说我们现在可以笑谈死亡 [43:23] 我们两个现在可以谈死亡 [43:25] 但是如果假设我现在是一个癌症晚期患者 [43:29] 我如果假设医生已经确定 [43:31] 你最多只有两个月的寿命了 [43:33] 你觉得那个时候我和你谈这种死亡 [43:36] 还会是同样一个心态吗 [43:38] 一定不是同一个心态了 [43:39] 就像我刚才说的一样你即使有强烈的宗教信仰 [43:42] 你到了最后一刻 [43:44] 你是不是没有大恐惧 [43:46] 我觉得这个很难说 [43:47] 没有人敢说 对 好 [43:49] 我觉得这个问题很棒 [43:51] 那回过来 [43:51] 就是您刚刚说的subjective experience [43:53] 和对这个死亡的认知 [43:55] 这是学术界对于consciousness的定义吗 [43:58] 还是 [43:58] 基本上可以比较官方的说吧 [44:01] subjective experience是比较low level的 [44:04] 比较高level的呢 [44:05] 我们叫self conscious [44:07] 就说对我的一个认知 [44:09] 对我的一个认知 [44:10] 这个东西怎么来定义我呢 [44:12] 我们很难找到一个operational definition [44:16] 操作性定义 [44:17] 我们怎么来定义它 [44:18] 我觉得最简单的办法 [44:19] 就是以消灭掉我来定义它 [44:22] 我这个名词啊 [44:24] “I”没法定义 [44:25] 那我们怎么来理解它呢 [44:26] 当我把“I”去掉 [44:28] 我还剩什么东西 [44:29] 那什么叫做把“I”给去掉 [44:31] 把我给去掉 [44:32] 那就是死亡 [44:33] 所以死亡意识 [44:35] 我觉得是对高阶的意识的 [44:37] 一个最清晰的操作性定义 [44:40] 因为我们现在就可以在这个框架里面谈了 [44:42] 否则我们谈我对我自己有感知 [44:44] 然后什么是我 [44:45] 这个东西我们没有操作性定义 [44:47] 就变成哲学上的争论了 [44:48] 这是意识的这个问题 [44:50] 接下来就是 [44:51] 我们对我们的大脑到底了解多少 [44:54] 您在节目里边说 [44:55] 我们好像果蝇的大脑 [44:57] 都了解的不是很清楚 [44:58] 在这种情况下 [44:59] Neuralink到底有没有可能 [45:01] 或者说您觉得公众对这件事情 [45:03] 有没有什么认知上的一个gap [45:06] 我们先说脑科学了解多少 [45:08] 你可以看到现在的AI呢 [45:10] 就是我们刚才那个人工神经网络 [45:11] 我们现在提到AI就specific [45:13] 就是人工神经网络 [45:14] 两个是同义词了 [45:15] 已经是等号了 [45:16] 就是人工神经网络之所以起来 [45:18] 无论是它的MCP模型神经元模型 [45:21] McCulloch和Pitts做的神经元模型 [45:23] 也是我们现在的神经元模型 [45:25] 和到后面的perceptron [45:27] 叫Rosenblatt做的那个感知机模型 [45:30] 都是完完全全受到脑科学的启发 [45:34] 可以说是逐字节的 [45:36] 这种抄袭所得到的 [45:38] 包含后面Yann LeCun所做的卷积神经网络 [45:41] 也是受到猫的视觉皮层卷积核所启发来做的 [45:46] 啊 这完全不知道 [45:47] 哦～ [45:48] 所以说在早期的时候 [45:50] 脑科学对人工神经网络影响就是模板 [45:53] 你就抄袭 [45:53] 按照这个抄就对了 [45:55] 但是当那个深度学习deep learning [45:58] 就是从Hinton的深度训练网络 [46:00] 那块儿开始 [46:01] 出来 [46:02] 你就会发现脑科学和AI就分道扬镳了 [46:05] AI现在与脑科学完全没有关系 [46:08] 人工神经网络与脑科学完全没关系 [46:10] 从深度学习开始 [46:11] 人工神经网络顶多从脑科学里面 [46:14] 借鉴一些concept [46:15] 一些概念 [46:17] 一些词汇 [46:17] 比如注意 [46:19] 比如说专家系统 [46:20] 然后那个MoE（Mixture of Experts） [46:22] 它就是借用这些词汇 [46:24] 脑科学现在对AI [46:26] 或者对人工神经网络 [46:27] 再也没有任何深刻的影响了 [46:30] 这是实情 [46:31] 那么问题在哪呢 [46:33] 我觉得问题非常非常的简单 [46:35] 就是因为脑科学的发展 [46:37] 他这么多年来没什么显著的突破 [46:39] 就是我们对大脑的理解非常少 [46:42] 我经常打个比方 [46:43] 如果假设你昏迷了5年 [46:45] 你醒过来 [46:46] 你去看心理学的进展 [46:47] 你发现你什么东西都没miss掉 [46:49] 如果假设你昏迷了3年 [46:51] 然后你醒过来 [46:52] 你发现脑科学领域 [46:53] 你什么都没有miss掉 [46:55] 但是如果假设你昏迷了半个月 [46:57] 你醒过来你发现AI已经看不懂了 [47:01] 非常简单的这个道理 [47:02] 所以说 你可以看到一个非常有趣的事实 [47:05] 在哪呢 [47:05] 就脑科学心理学啊 [47:07] 或者认知科学啊 [47:08] 它进展速度特别的慢 [47:09] 而AI一骑绝尘 [47:11] 有太多的人 [47:12] 太多的资金在推动这件事情发展 [47:14] 所以现在的AI发展 [47:15] 基本上与脑科学没有关系了 [47:17] 这是一个事实 [47:18] 我们必须得接受他 [47:20] 因为脑科学进展太慢 [47:21] 我就想问为什么 [47:22] 是因为研究范式出错了还是因为资金不够 [47:25] 这是科学本身的一个问题 [47:27] 科学其实它的本质是人的自娱自乐 [47:31] 什么意思呢 [47:31] 我想干就干一点 [47:32] 我不想干就不干 [47:33] 背后并没有KPI [47:35] 也没有OKR的这种驱动对吧 [47:37] 我当上了教授 [47:38] 我一年发5篇文章 [47:39] 和一年发1篇文章都是一样的 [47:41] 就自娱自乐 [47:42] 我自己带着几个学生 [47:43] 手里拿一点点钱就来做 [47:45] 科学的这种进步啊 [47:47] 它通常是很慢的 [47:49] 偶发性的 [47:50] 就像你去看猴子一样 [47:51] 100万年前是这样子 [47:53] 今天还是这样子 [47:54] 没什么变化 [47:55] 对吧连毛都没给你多一点变化 [47:57] 这是科学 [47:58] 他就靠突然有个天才 [48:00] 突然产生一个灵感 [48:01] AI不一样 [48:02] 我觉得这不能解释完全的事情 [48:04] 脑科学似乎无论从治疗疾病也好啊 [48:08] 或者说现在大家想做的一些事情来说 [48:11] 钱 商业也是在这里边有动机的吧 [48:15] 但是那个相对来说很少 [48:16] 相对而言啊 [48:17] 我们现在都是以AI为参照系了啊 [48:19] 进展肯定是有了 [48:20] 但是以AI参照系 [48:22] 它就是相当于原地踏步 [48:24] AI真的是一日千变 [48:25] 这个变化的太快 [48:26] 为什么做的人特别多 [48:28] 我就给你讲一个简单的事实 [48:30] 你就清楚了 [48:30] 最近是哪儿 [48:31] 我忘记了 [48:32] 统计了一下 [48:33] 最受关注的引用率最高的文章 [48:36] 每10篇中间有7篇是来自于AI领域 [48:40] 剩下3篇是什么物理化学材料 [48:43] 什么生物医学才是占剩下的三篇 [48:46] 那个Bengio是人类历史上第一个citation过100万 [48:50] 不是学术圈的人 [48:51] 很难理解这个100万是一个什么概念 [48:53] 我就以我为例子OK [48:55] 我是一个高被引作者 [48:57] 相当于还比较有影响力的作者 [48:59] 我已经连续很多年 [49:00] 获得高被引作者的称号 [49:02] 我在我这个领域 [49:03] 脑科学认知科学心理学这个领域 [49:05] 我的citation是多少呢 [49:06] 刚刚过1万 [49:07] 而如果假设 [49:08] 我把我这个简历扔到AI这个领域 [49:11] 我说我citation刚刚过1万 [49:12] 我连很多年轻人我都比不上 [49:14] 在AI领域 [49:15] 你说你citation过1万 [49:16] 你绝对不是高被引作者 [49:17] 人太多了 [49:18] 而且钱太多了 [49:20] 而且他的论文就多嘛 [49:21] 他整个论文数量多 [49:22] 那引用就多 [49:24] 指数级的 [49:25] 还有钱也很多 [49:26] 比如说我说我脑科学 [49:27] 我要去创业 [49:28] 拿个1,000万美元 [49:29] 那就是很大一笔钱 [49:31] 你说我要搞AI创业 [49:32] 你说我A轮拿到1,000万美元 [49:34] 大家说你在搞个啥 [49:36] 啥都搞不了 [49:36] 对吧 1,000万美元就别玩了 [49:38] 这就是一个事实 [49:40] 大家资金的投入 [49:41] 人的投入是完全不一样的 [49:43] 这是脑科学的现状 [49:44] 发展很慢 [49:45] 但是呢我有这么一个观念 [49:47] 就是现在的AI的发展 [49:48] 基于transformer这套东西 [49:50] 我觉得他碰到了两个瓶颈 [49:52] 第一个瓶颈是不是按照现在的架构 [49:55] 越大就越好 [49:56] 还记得我刚才讲的智能 [49:58] 我说有两个本质吗 [49:59] 第一个是大 [50:00] 这个没问题 [50:01] 但第二个复杂 [50:03] 我说的复杂是它的结构的复杂性 [50:05] 而现在大模型 [50:06] 它的结构复杂性没什么变化 [50:08] 你无论是搞MOE架构也好 [50:10] 你无论是去搞其他东西也好 [50:12] 它的复杂度是没有变化的 [50:14] 所以说它的智能再上一个台阶 [50:16] 其实打一个问号 [50:17] 这是第一个 [50:18] 您说的是基础单元的复杂度 [50:21] 对我们现在大模型的神经元 [50:23] 非常非常的简单 [50:24] 你可以看到它就是一个输入进来求下和 [50:28] 一个激活函数 [50:29] 一个非线性函数就结束了 [50:31] 这就是一个神经元 [50:32] 但是我们从进化角度来看的话 [50:34] 你可以看到进化从老鼠变成人 [50:38] 从这个进化来讲 [50:39] 一个是我们大脑的神经元数量变多了 [50:42] 这个你能看得见对吧 [50:43] 人的大脑比老鼠大很多 [50:44] 但是第二 [50:45] 你看不见的是人的神经元的复杂度 [50:48] 远远比老鼠的复杂度要高很多 [50:51] 而老鼠神经元的复杂度 [50:53] 又比果蝇的复杂度高很多 [50:56] 果蝇的复杂度 [50:57] 又比线虫的复杂度高很多 [50:59] 也就说 [51:00] 我们大脑在进化中间其实走了两条路 [51:02] 第一条是神经元的数量在增加 [51:04] 第二个神经元的复杂度在增加 [51:07] 这个复杂度可不可以帮我们举个例子 [51:09] 简单的说 [51:10] 第一个就是树突 [51:12] 神经元外面长了很多 [51:13] 像那个树枝丫丫一样 [51:15] 树突的数量和形态 [51:18] 在发生巨大的变化 [51:19] 数量呢可以理解 [51:20] 就像我一样 [51:21] 头发很少 [51:22] 像老鼠的神经元 [51:23] 人的神经元就像你的头发一样 [51:24] 特别多的树突 [51:26] OK 这个容易理解 [51:27] 第二个呢 [51:28] 就是我的那个形态 [51:29] 我里面的离子通道的数量 [51:31] 抑制性神经元的数量 [51:33] 连接都在增加 [51:35] 形态的这种变化 [51:36] 复杂度要变化 [51:37] 举个简单的例子呢 [51:39] 就一个复杂的神经元 [51:40] 我们叫生物物理神经元 [51:43] biophysical那个neuron [51:45] 这种仿真的这块 [51:46] 或者叫精细神经元 [51:47] detail的neuron [51:49] 这一个神经元 [51:50] 它的算力 [51:50] 相当于5-8层的深度神经网络的算力 [51:54] 这里说的是算力 [51:55] 功能上是不是也会有不一样 [51:58] 它功能就是啊 [51:59] 比如说 我们一个原来传统的MCP神经元 [52:02] 它就做不了异或问题 [52:03] XOR问题 [52:04] 但是现在的一个精细神经元 [52:06] 做XOR问题很容易 [52:08] 很easy [52:09] 首先来讲一个最重要的东西吧 [52:10] 精细神经元是有动力学的 [52:12] 它是一个动力学函数 [52:13] 单个的神经元是没有动力学函数的 [52:16] 我们的transformer是没有动力学的 [52:18] RNN（Recurrent Neural Network） [52:20] 是有动力学在里面的 [52:21] 像Hopfield是有动力学在里面的 [52:23] 就它有时间 [52:24] 你把它写成一个方程 [52:25] 它有t时间在里面 [52:27] 这是我们叫做动力学 [52:29] 就是一定要有t [52:30] 还有偏微分 [52:31] 偏微分表明 [52:32] 它是一个随时间演化的过程 [52:34] 你看transformer里面哪有偏微分 [52:36] 哪有t啊 [52:36] 都没有对吧 [52:38] 你把它写成公式的话 [52:39] RNN里面有这个t [52:41] Hopfield里面有这个t [52:43] 所以说它就组成了一个复杂动力学的一个系统 [52:46] 所以我经常说呢 [52:47] 我们的人工神经网络是一个二维的 [52:50] 但是我们的生物神经网络呢 [52:52] 是一个三维的 [52:53] 首先来讲它的树突形成它的构架 [52:56] 它变成了一个三维的结构 [52:57] 然后第四维是什么呢 [52:59] 第四维就是我们的时间t [53:01] 就说我们的生物神经网络 [53:03] 其实是一个四维的神经网络 [53:05] 所以这一点 [53:06] 你看它比我们的人工神经网络 [53:07] 要高两个维度 [53:08] 这个就是复杂度 [53:10] 它是我觉得我们现在大模型 [53:11] 比较缺少的 [53:12] 这是第一个问题 [53:14] 第二个问题 [53:15] 我们其实并没有真正意识到的 [53:16] 我们现在的transformer [53:18] 它是一个feedforward的一个网络 [53:21] 是一个前馈网络 [53:22] 什么意思呢 [53:23] 它没有一个反馈就feedback [53:26] 从一个high level的feedback [53:28] 它的back propagate [53:31] 那是训练时候用的 [53:32] 一旦训练好了之后 [53:34] 它就是一个feedforward [53:35] 对吧你训练的时候 [53:36] 你需要那个backpropagation嘛 [53:38] 但是你训练好了之后 [53:39] 用的时候 [53:40] 它就没有feedback [53:41] 但是你要知道 [53:42] 我们人的大脑 oh ～有40%是长程的feedback连接 [53:48] 长程的feedback意思是 [53:50] 从frontal cortex [53:52] 直接到我的视觉皮层 [53:54] 从我的额叶直接到我的颞叶 [53:56] 就从这儿直接到这儿 [53:58] 长程连接feedback [54:00] 这种 long-range feedback [54:02] 它不是一层一层回去的是piu～ [54:04] 不是不是 直接回去 [54:06] 对我们说的这是long-range [54:08] 逐层这种回去的 [54:09] 或者在一层内部的 [54:11] 我们这叫recurrent [54:12] 就是那种侧连接 [54:13] RNN里面全是这种侧连接嘛 [54:16] 这个东西呢 [54:17] 是我们人大脑有 [54:19] 而现在的AI模型基本上都没有的 [54:22] 这种hierarchy的 [54:23] 这种架构是大脑里面没有 [54:25] hierarchy其实就是长程连接 [54:27] long-range的feedback [54:28] 这是我们放下屠刀立地成佛的机制 [54:32] 对这个feedback是很关键的 [54:34] 从脑科学的研究发现 [54:36] feedback对于解决很多复杂问题 [54:38] 对于要产生各种假设 [54:40] 你要做各种推理 [54:42] 要产生创造力 [54:43] 这都是很关键的 [54:44] 我们现在大模型都没有 [54:46] 就我们人脑里面 [54:47] 大概是有40%都是长程的这种feedback [54:50] 20%到30%是那种local的recurrent [54:55] 这种feedback [54:56] 只有40%左右是那种feedforward [55:00] 是往前馈的 [55:01] 而对于大模型而言呢 [55:03] 这种recurrent这种还是有 [55:05] 这local的recurrent有的有 [55:07] 大概还是占20%到30% [55:09] 剩下的70%到80%全是feedforward [55:12] 而这种长程的feedback基本上接近零 [55:15] 这是第二个 [55:16] 现在我们大模型碰到的一个困境 [55:18] 第三个所碰到的困境 [55:20] 现在我们基本上说大模型 [55:22] 其实都是transformer-based OK 对 [55:24] 然后那个transformer它有一个特点 [55:26] 就叫预测下一个token [55:28] 这个什么意思呢 [55:29] 就说transformer它必然是一个串行的加工 [55:32] predict the next token嘛必然是一个串行的加工 [55:35] 就你无论速度有多快 [55:37] 他永远是串行的 [55:38] 只是你更快的串行而已 [55:39] 这时候就出现一个非常重要的问题了 [55:42] 我们人的对外部的危险的这种加工 [55:46] 比如说我们俩现在讲话 [55:47] 突然一个黑乎乎的东西飞过来 [55:48] 我绝对不会先去看到底是什么 [55:50] 第一个是你闪开对不对 [55:52] 这就是我们的parallel processing [55:54] 并行加工 [55:55] 并行加工是transformer所不具备的 [55:58] 它一定是在开始的时候 [56:00] 当海量的视觉信息过来的时候 [56:03] 我们必须要从里面 [56:04] 快速的找到关键信息 [56:06] 这只有并行加工才能解决 [56:08] 你靠transformer一个token一个token的来读 [56:11] 那肯定不行 [56:12] 比如说我们的VIE架构是怎么做的 [56:14] 我是一张图片 [56:15] 我先把它裁成一些小块儿 [56:17] 再把一个小块儿还是当成token [56:20] 国内翻译成图元whatever [56:21] 反正就token [56:22] 把它串行的 [56:23] 把一张图二维的图变成一个个token [56:26] 往里面输入对不对 [56:27] transformer只能处理这种事情 [56:29] 这个时候你就知道 [56:30] 人类所拥有的并行加工 [56:32] transformer是不具备的 [56:34] 总结一下我们刚才说的 [56:35] 第一个没有复杂度 [56:37] 复杂度比较低 [56:38] 第二个没有long-range的feedback [56:41] 第三个没有并行加工 [56:43] 这三个东西是我觉得目前来说 [56:45] 从架构上来讲 [56:47] 人脑和人工神经网络最大的区别 [56:50] 而这三个东西 [56:51] 其实就导致我们现在做脑机接口 [56:55] 还有做机器人最大的瓶颈 [56:57] 我们能看到春晚上面机器人能走路对吧 [57:00] 能跳跃做的非常好 [57:02] 其实这些东西机器人非常酷炫 [57:04] 但对我来说我一点兴趣都没有 [57:06] 因为它是传统工业机器人的升级 [57:10] 本质上和汽车组装线上那个机械臂 [57:13] 它本质上是一回事 [57:14] 六轴电机 [57:15] 对 [57:16] 所以说他本质上只是来欺骗老百姓的 [57:18] 老百姓觉得哇 [57:19] 做成人形人 [57:20] 能够跳来跳去 [57:21] 这个和流水线上机械臂的切割 [57:24] 精确的切割其实本质上是一回事 [57:25] 换了一种形式而已 [57:27] 这种机器人它其实是没有多大的价值 [57:29] 因为它不能感知这个世界 [57:32] 它没有眼睛去看这个世界长什么样子 [57:34] 同时根据它所看的东西 [57:36] 来决定它的行为 [57:38] 作出action去改变这个世界 [57:41] 现在说的是人形机器人 [57:43] 我们现在大家都了解的机器人 [57:44] 具体厂家名字我就不说了 [57:46] 怕他们追杀我哼 [57:48] 就说它其实既没有感知 [57:50] 也没有决策 [57:52] 也没有行动 [57:53] 它是一个被预先编程好的东西 [57:55] 跟我的玩具车跑来跑去 [57:57] 本质上是一回事 [57:59] 当然他能做到非常高的稳定性 [58:01] 这个很牛 [58:02] 他的机械臂的控制 [58:03] 他的重心的控制 [58:04] 体态的控制 [58:05] 真的很牛 [58:06] 但是本质上是传统工业机器人 [58:08] 那一套东西 [58:09] 从商业的(角度)这么来做呢 [58:10] 无可厚非 [58:11] 因为对于股市来说嘛 [58:13] 重要的就是割韭菜 [58:14] 就这个比你 [58:15] 做出一个全新的产品重要很多 [58:17] 所以说只要韭菜相信 [58:19] 我觉得这事呢 [58:20] 从商业上来就成立了 [58:21] 但我们现在谈的是AI [58:23] 谈的是科学 [58:24] 谈的这一块这就不一样 [60:22] 因为做机器人 [60:23] 我觉得有两个最大的挑战 [60:25] 第一个就是我们刚才说的这种并行加工 [60:28] 我们现在的所有机器人 [60:30] 包含国外的 [60:31] 比如说像马斯克做的这种机器人 [60:33] Optimus都存在一个问题 [60:35] 他没有眼睛 [60:36] 眼睛不是说我不能识别一张图片 [60:38] 或者识别一张场景 [60:39] 而是我要快速的捕捉到信息 [60:42] 想象我们的祖先在野外行走 [60:44] 看见一个东西一晃而过 [60:47] 你的第一系统要马上做出反应 [60:48] 这可能是只老虎 [60:50] 赶紧跑(逃)命吧 [60:51] 而不是定下来一个一个的token去处理 [60:54] 这个到底是啥 [60:55] 哦然后意识到这是个老虎 [60:57] 那你小命肯定没了 [60:58] 就我们人的这种快速反应能力 [61:00] 快速识别能力 [61:01] 快速感知能力 [61:03] 这个东西 [61:04] 就是我们的并行加工的这套系统 [61:06] 这个东西非常非常的困难 [61:08] 很多同学脑子中 [61:09] 可能这个时候 [61:10] 会出现一个自动驾驶的画面 [61:11] 然后他会去想哦 [61:12] 我不是明明可以做一个识别 [61:14] 然后看到这个物体正在向我(过来） [61:16] 然后我躲开吗 [61:17] 您刚刚说的那个东西和这个的区别 [61:19] 可能是 [61:19] 他是不是进入了那个学习的系统是这样吗 [61:22] 不是的 这个自动驾驶呢 [61:24] 是一个取巧 [61:26] 它是在一个封闭环境里面 [61:28] 我的问题集是有限的 [61:30] 在马路上你能出现啥 [61:31] 是非常有限的数据集 [61:33] 当你的数据集一旦有限 [61:35] 这问题都不是问题 [61:37] 你快速飞来的一块石头 [61:38] 你快速飞来一个东西 [61:40] 这个东西我是有预判的 [61:41] 因为你不可能 [61:42] 比如说在马路上突然飞过来一头猪 [61:44] 对吧这种概率是很小 [61:46] 就是说自动驾驶这个领域 [61:47] 它能做到快速识别 [61:49] 是因为要解决的数据集就是有限的 [61:51] 但对于我们人来说 [61:53] 我们人是要进化出一套通用的系统出来 [61:55] 我在开车 [61:56] 这个没问题 [61:57] 我在打架的时候 [61:58] 我在拳击的时候 [61:59] 我又是另外一个setting了 [62:01] 我在坐着跟你讲话 [62:02] 突然一个黑乎乎的东西飞过来 [62:03] 对吧当我们的问题从close-ended [62:07] 就从一个封闭变成open-ended [62:09] 那这个难度就太大了 [62:11] 这完全就不是同一个量级的东西 [62:13] 封闭的问题永远是好解的 [62:15] 我举个简单例子大家就能理解了 [62:17] 为什么衡水中学把大家关起来 [62:20] 从早上6点一直学到晚上11点 [62:22] 好多人就能考上北大 [62:23] 考上清华 [62:24] 考上很好的大学 [62:25] 因为高考考的就是一个封闭的 [62:27] 一个数据集的问题 [62:29] 那大纲里面就这么多东西 [62:30] 你花更多时间你就能背下来 [62:32] 但是你到了大学 [62:34] 再按照衡水中学那套方法学习 [62:36] 你就发现勤奋肯定会有帮助 [62:38] 但是不一定 [62:39] 你就能够有很强的事业成功 [62:40] 道理非常简单 [62:41] 因为你到了大学之后 [62:42] 你所碰见的问题是开放问题了 [62:44] 你进了社会更是开放问题了对 [62:47] 然后第二个呢 [62:48] 就是我们人经常有一种误解 [62:51] 认为我们人能做的东西都是简单东西 [62:54] 不能做的东西都是代表智商的高低 [62:57] 比如说我们说352*756等于多少 [63:01] 我相信这个对99%的人来说都不会做了 [63:04] 但是有个人随口就马上说出正确答案 [63:06] 我们就觉得哦这人怎么这么聪明 [63:08] 因为我们在进化的过程中 [63:09] 我们就不是为了做352*768这个任务 [63:13] 来进化的 [63:14] 我们是在进化什么 [63:15] 我们是在进化生存 [63:17] 所以说其实352*768这个问题非常简单 [63:20] 我随便摸个计算器出来一按我就知道答案了 [63:23] 因为这个东西 [63:24] 它的计算是非常非常简单的 [63:26] 但是你刚才说的 [63:27] 比如说我在咖啡杯上拉一个花出来 [63:29] 现在最厉害的灵巧手也干不了 [63:31] 这件事情 [63:32] 但对我们来说随便是个人对吧 [63:34] 稍微训练个一两天 [63:36] 拉个花出来肯定是没问题 [63:37] 非常非常简单的一件事情 [63:39] 我们就认为这件事情很简单 [63:41] 但这个对AI来说 [63:42] 对具身智能来说太困难了 [63:45] 道理非常简单 [63:46] 因为我们为生存而准备的 [63:49] 各种运动技能 [63:50] 全在我们的小脑这一块儿 [63:52] 我们小脑其实是我们整个brain里面啊 [63:55] 通常在英文里面 [63:56] 我们把大脑和小脑把它分开 [63:58] 大脑我们叫cerebral cortex [64:00] 小脑叫cerebellum [64:01] 在汉语里面嘛 [64:02] 都叫大脑 [64:02] 就容易搞混淆 [64:04] cerebral cortex 我们叫大脑皮层吧 [64:06] 这样容易区分开 [64:07] 小脑我们还是叫小脑 [64:08] 大脑我们总共有860亿神经元 [64:11] on average [64:12] 大脑皮层大概只占110亿左右 [64:15] 也就说差不多1/8 [64:17] 有将近700亿的神经元 [64:19] 在哪里在小脑 [64:21] 就说我们小脑的神经元 [64:23] 大约是大脑皮层神经元 [64:25] 数量的6倍到7倍 [64:26] 大脑里面其实大部分东西都是空的 [64:29] 只有神经元在大脑皮层上面有分布 [64:32] 在里面全是一些白质纤维连线 [64:35] 而小脑是一个神经元接一个神经元 [64:37] 接一个神经元 [64:38] 秘密的排在一起 [64:40] 因为从进化上来讲 [64:41] 大家脑袋不会乱长东西的 [64:43] 不会说我没什么用 [64:43] 给你堆很多神经元 [64:44] 因为神经元特别耗能 [64:46] 就是因为我们的小脑 [64:47] 它是一个超级的算力中心 [64:49] 怎么来理解 [64:50] 我给大家举个简单例子 [64:52] 你一下就明白了 [64:53] 就我们有很多数学天才 [64:55] 拉马努金等等 [64:56] 我们大家觉得哇 [64:57] 这种简直不敢想象的数学天才 [64:59] 但是有一种理论 [65:01] 这种理论也有一定的实验支持 [65:03] 说这些数学天才 [65:05] 其实跟我们常人是一样的 [65:07] 他们的大脑皮层 [65:08] 能够去触达他们小脑的计算 [65:12] access小脑的计算 [65:13] 其实也就是说你给我一个偏微分方程 [65:16] 你给我一个特别复杂的运算 [65:17] 其实那个the brain我早就把它算干净了 [65:20] 只是我的意识比较弱 [65:22] 我不知道我算出来了 [65:23] 而那些数学家呢 [65:24] 我能够somehow某种方式 [65:26] 我能够access [65:27] 到小脑的这种computation里面去 [65:29] cerebellum的computation里面去 [65:31] 所以说很多数学家他就只知道答案 [65:33] 并不知道我是怎么得到的 [65:35] 比如像拉马努金 [65:36] 刷刷刷给你写个公式出来 [65:37] 你问他这公式怎么得到的 [65:38] 我做梦梦到的 [65:39] 就是所谓的直觉和体感吗 [65:41] 前段时间采访那个RYO [65:42] 他也说他看一个产品好不好 [65:44] 他直接就生理反应 [65:45] 有点这种感觉 [65:46] 你那个说的 [65:47] 更多的是一种潜意识的加工 [65:49] 1系统 [65:50] 我刚说小脑 [65:51] 我们的整个brain [65:52] 里面的算力中心在小脑 [65:54] 我们经常骂人的话嘛 [65:55] 头脑简单 [65:56] 四肢发达 [65:56] 说你这人就是长了小脑 [65:58] 没长大脑 [65:59] 小脑才是我们真正的算力中心 [66:01] 而这一块的东西 [66:02] 完完全全现在的AI是没有去触碰到的 [66:05] 我们现在的AI系统 [66:07] 更多的是在干什么事情呢 [66:09] 在模仿我们人类大脑皮层的系统二 [66:12] 搞推理做数学题 [66:14] 大家一看哇 [66:15] 怎么这么厉害 [66:15] 这么多知识了 [66:16] 其实这对人来说它根本说不重要 [66:19] 为什么 [66:19] 因为我们进化出这些东西出来 [66:22] 夸张一点也就是300万年的时间 [66:25] 假设严谨一点来说 [66:27] 我们有书写文字 [66:29] 有数学推理 [66:31] 能写出来的也就6,000年的时间 [66:33] 如果假设我们再放宽一点 [66:35] 我们能够说话 [66:36] spoken language [66:38] 最多也就80万年的时间 [66:40] 你仅仅用了6,000年 [66:42] 或者用了80万年所进化出来的东西 [66:44] 你能进化出什么高阶的东西出来 [66:47] 它都是一些智能的皮毛 [66:49] 而真正的智能的本质 [66:51] 是经过38亿年进化出来的生存survival [66:55] 所以说现在你 [66:56] 把那个马斯克的机器人扔到大街上 [66:58] 分分钟钟死掉 [67:00] 当然前提后面不能有个人 [67:01] 拿个遥控板在这操控啊 [67:03] 分分钟钟死掉 [67:05] survival这是我们人类要干的 [67:07] 那么小脑在干什么事情 [67:09] 在我看来 [67:10] 它就是构建了一个像Yann LeCun他们 [67:12] 一直在大力吹捧的world model [67:14] 世界模型 [67:15] 它是对这个世界的表征 [67:17] 怎么来运算怎么来做 [67:18] 最相关的最重要的一个器官 [67:20] 而这个东西是非常复杂的 [67:22] 比如说我要把这个本子 [67:24] 扔到一个计算机屏幕上面来 [67:26] 扔到这谁都会做 [67:27] 傻子都会做啊 [67:28] 对吧这是个挑战吗 [67:30] 但是你现在让任何一个机器人 [67:31] 来做这么一个问题 [67:33] 他做不了 [67:34] 因为这是一个太复杂的问题 [67:36] 你想想你这么扔一个东西 [67:38] 你要控制多少肌肉 [67:39] 你的肌肉哪个力度多一点 [67:41] 哪个东西少一点 [67:42] 比如像这杯水 [67:43] 满的我要用多大力气拿起来 [67:45] 空了我用多大力气拿起来 [67:47] 对吗 [67:47] 这些是太复杂的计算了 [67:49] 对我们来说不用花心思 [67:51] 不占用我心力来干这件事情 [67:53] 但其实你知道是谁在累吗 [67:55] 小脑在累 [67:56] 你只是没意识到而已 [67:57] 你觉得325*768很难 [68:00] 这个对小脑来说这个哪算难 [68:02] 把这个东西扔出去 [68:03] 你想想这个计算量得有多大 [68:04] 但是这一切 [68:06] 都是我们现在完全没有触达的领域 [68:09] 所以我认为现在AI或者大模型 [68:11] 解决了我们思维决策的这个问题 [68:14] 我们的第二系统的问题 [68:16] 我觉得现在他做奥数 [68:17] 已经比我们人做奥数已经厉害太多 [68:20] 他的知识量 [68:21] 比我们任何一个人的知识量 [68:22] 就要大很多 [68:23] 他解决了系统二的问题 [68:25] 但是系统一的问题他是完全没有碰到 [68:28] 而系统一就是我们所谓的 [68:31] 基底神经节小脑这一块 [68:33] 都不在我们的考虑范围之内 [68:34] 所以说我觉得我们的AI [68:36] 要进入到下一个阶段的AI [68:39] 必须有一场基于脑科学的启蒙运动 [68:43] 就像当年脑科学启蒙了神经元 [68:46] 启蒙了感知机神经网络 [68:48] 启蒙了后面的卷积神经网络 [68:51] 我觉得下面还需要一个脑科学 [68:53] 在第一系统上面对AI有一个启蒙 [68:57] 这个启蒙一旦完成了 [68:58] 这个时候AI才会变成一个真正的AI [69:02] 或者真正的物种 [69:03] 所以说在这个AI没来临之前 [69:06] 我觉得我们先不用担心 [69:08] 人类会不会毁灭 [69:09] 一个在机房的AI怎么可能毁灭人类呢 [69:11] 不可能 [69:12] 我们现在只是担心 [69:13] 他会不会取代我们的工作而已 [69:14] 但是真的 [69:15] 当具有第一系统和第二系统的AI [69:18] 既能感知这个世界也能思考这个世界 [69:22] 也能做出行动回应这个世界的AI [69:25] 那个时候才是真正的会取代人类 [69:27] 那时候人类在他面前就是手无缚鸡之力了 [69:31] 人类就直接消亡就可以了 [69:32] 但是我感觉那天其实没那么容易到了 [69:35] 看起来 [69:36] 呃我觉得是这样子的 [69:37] 这就是我们的使命 [69:39] 做脑科学人的使命 [69:40] 这就是为什么 [69:41] 我觉得现在大家都在强调类脑AI [69:44] 大家在强调这一块儿 [69:46] 但是现在类脑AI [69:47] 被一帮人搞浑水搞得太浑 [69:48] 比如他们拿一个脉冲神经网络 [69:50] Spike Neural Network [69:52] 就说这个是类脑神经网络 [69:54] 或者加一个乘算一体说这就是人脑 [69:56] 就他们把概念借用一下 [69:58] 形态借用一下 [69:59] 就觉得啊我这个是 [70:00] 我觉得水被这帮人搞混了 [70:02] 所以说我现在不愿意叫内脑AI [70:04] 我现在叫什么呢 [70:05] 叫仿脑AI [70:06] 仿造大脑的AI [70:08] 我觉得这个会很快的发展 [70:10] 还不如叫小脑AI呢 [70:11] 也可以啊 [70:12] 小脑AI [70:12] 可能大家一听小脑嘛就是骂人的话 [70:14] 对吧哈哈 [70:15] 说这哥们智力不够 [70:17] 然后小脑来凑 [70:18] 所以我觉得 [70:19] 基于脑科学的启蒙运动有了之后 [70:21] 这才有脑机接口和机器人 [70:23] 现在的脑机接口不具有任何商业价值 [70:27] 纯粹就是属于那种叫忽悠韭菜 [70:29] 当然韭菜愿意相信 [70:31] 那就是一回事了 [70:32] 商业就成功了 [70:33] 第二个机器人 [70:34] 那个脑机接口和机器人 [70:36] 我都把它称为具身智能 [70:38] 一个是AI向身体具身 [70:40] 这就是我们的机器人 [70:41] 一个是AI向大脑具身 [70:44] 这就是我们所谓的脑机接口 [70:46] 这两个的真正的发展关键 [70:47] 就在于脑科学 [70:48] 在脑科学没有取得突破之前 [70:51] 这两个领域 [70:51] 其实就只是一个商业上的由头 [70:55] 负责割韭菜用的 [70:56] 不具有任何商业价值 [70:58] 嗯那还是希望脑科学的专家们 [71:01] 再躺平一点 [71:02] 哈哈哈不要太勤奋了 [71:04] 哈哈哈 [71:04] 脑科学的最大问题呢 [71:06] 它门槛比较高 [71:07] 比如说我们说现在做大模型 [71:09] 做这种调教也好啊 [71:11] 一个计算机本科生就够了 [71:12] 你不需要读研究生 [71:14] 所以说现在做计算机的教授 [71:15] 你反而可以鄙视他 [71:17] 因为大模型就2022年出来嘛 [71:19] 其实大家都在同一条起跑线上 [71:21] 谁也不比谁差多少 [71:22] 本科生又能吃苦 [71:23] 脑袋又灵活 [71:24] 所以说做AI的 [71:25] 一线的 [71:26] 我觉得30岁之后的都没有多大的希望 [71:29] 我觉得都是30岁之前的人赶紧来干活 [71:31] 我说做一线的 [71:32] 好 30岁之后呢 [71:33] 我觉得更多的就靠经验 [71:35] 而不是跑去拼大模型算法的 [71:37] 靠自己的对这个世界的理解 [71:39] 更多的去做一些更好的产品 [71:41] 或者更好的应用出来 [71:42] 这是30岁之后的人干的事情 [71:44] 脑科学不一样 [71:45] 脑科学那个东西啊 [71:46] 设计的东西太多了 [71:48] 本科生出来说 [71:49] 我能设计一个脑科学的实验 [71:51] 我呢对脑科学有很深刻的理解 [71:52] 我觉得不太可能 [71:53] 基本上至少要读了博士之后 [71:55] 吭哧吭哧做各种实验 [71:57] 去理解大脑究竟怎么工作的 [71:59] 周期会比较长 [72:00] 所以说这也是为什么 [72:01] 虽然说我年龄很大了啊 [72:02] 仍可以在AI这个领域里面还能扑腾 [72:05] 就是因为我就是做了脑科学+AI的一个结合 [72:08] 我如果光做AI [72:09] 完全没有任何意义和价值 [72:11] 那我替可能会对脑科学感兴趣的观众 [72:14] 问一个问题啊 [72:15] 确实我真的觉得脑科学很重要 [72:17] 如果他对脑科学感兴趣的话 [72:19] 您刚刚说 [72:19] 脑科学需要对AI进行第二次启蒙 [72:22] 脑科学现在的知识积累ready吗 [72:26] 脑科学的研究范式对吗 [72:28] 别人给我打过一个比方 [72:29] 这个比方我一直记得 [72:30] 他说现在脑科学呢 [72:31] 就好像我们去一个体育馆看球 [72:34] 但是我们不是进了那个体育馆 [72:36] 站在观众席上看球 [72:37] 我们是在体育馆外面拿着一个听筒 [72:40] 听体育馆里边哎～欢呼了 [72:42] 是吧 但这个欢呼声音很大有可能是进球了 [72:45] 但有可能是打起来了 [72:46] 不知道我们只知道声音很大 [72:47] 大概是这种方式去试图 [72:49] 就是说 [72:50] 脑科学是通过脑电波啊这些东西 [72:52] 去研究大脑发生了什么 [72:53] 就有点我们通过噪音 [72:54] 判断球场里边发生了什么的感觉 [72:56] 有点像 [72:57] 我觉得是两点啊 [72:58] 第一点呢 [72:59] 我们不能通过脑电波这种东西来 [73:02] 我们必须去看 [73:04] 看见的看 [73:05] 每个神经元究竟是怎么放电的 [73:08] 举个简单的例子 [73:09] 我以前是做人的我用functional MRI [73:12] 就说功能磁共振来做人 [73:14] 后来我做了20多年 [73:16] 我在这个领域里面有点小名气 [73:18] 但是后来我为了和人工神经网络结合 [73:21] 我就把这块全部给扔掉了 [73:23] 因为functional MRI功能磁共振 [73:25] 他看不见神经元的活动 [73:27] 他只能看见一堆神经元的活动 [73:30] 他的最小的空间分辨率 [73:32] 大概能包含10万到150万个神经元 [73:35] 所以说 你看不见神经元之间的交流活动 [73:37] 我现在做什么呢 [73:38] 做小鼠 [73:39] 我能把小鼠的头骨打开 [73:41] 我能用钙成像 [73:43] 去看见每个神经元的活动 [73:45] 我能同时记录10万个神经元的活动 [73:48] 这样的话 [73:48] 我就能构建一个生物的神经网络 [73:51] 然后我拿着这个生物神经网络 [73:53] 和人工神经网络就能比较 [73:54] 就我们不能在场外听 [73:56] 我们必须进到这个门里面 [73:58] 这个门就是我们原来的颅骨 [74:00] 我们的观测手段 [74:01] 你必须去看到 [74:02] 每个神经元是怎么发放的 [74:04] 每个神经元是怎么活动的 [74:06] 然后才可以 [74:07] 这一点就是新的技术 [74:09] 给我们带来了无限的生机 [74:10] 同时呢我觉得AI非常好 [74:13] 远远领先于我们脑科学的研究 [74:15] 所以说AI提供了大量的算法 [74:18] 什么意思呢 [74:19] 就是说如果AI能work [74:22] 没理由 [74:23] 大脑没有类似的这种algorithm(算法)工作 [74:27] 因为我觉得抛开它的实现层 [74:30] 在它的算法层 [74:31] 一定有一个跨硅基和碳基一致的东西 [74:35] 对不对一定有 [74:37] 就像万有引力定律一样 [74:38] 它既引导一个苹果砸向牛顿的脑袋 [74:41] 也可以引导地球围绕太阳转 [74:44] 嗯它是一个theory of everything [74:46] 万物理论 [74:47] 智能也一定有一个万物理论的 [74:50] theory of intelligence [74:51] 它既可以控制我们人脑 [74:53] 究竟怎么工作的 [74:54] 也可以控制AI是怎么工作的 [74:56] 所以说我觉得现在我们做脑科学呢 [74:58] 应该向AI学习 [75:00] 把AI发展出的一些算法 [75:02] 来看我们人的大脑究竟是不是这么做的 [75:04] 说一个很简单的例子 [75:05] 比如说我们的BP算法 [75:07] 我的一个同事 [75:08] 他发现这个神经元的突触上面就是走的BP算法 [75:12] 两个是完全类似的 [75:13] 像我们实验室的 [75:14] 最近的一个工作还没发出来 [75:16] 就我们发现 [75:17] 我们的工作记忆所采用的机制 [75:20] 和transformer是完全一样的 [75:22] 就我们发现了 [75:23] transformer在我们大脑里面的运行机制 [75:26] 两个是完全一模一样对等的 [75:28] 所以我觉得 [75:29] 这个可能会极大地促进脑科学的发展 [75:31] 好这是一方面 [75:33] 所以我觉得任何一个做脑科学的人 [75:35] 就应该拥抱AI [75:36] 从AI里面得到福利 [75:38] 当年是AI从脑科学里面得到福利 [75:41] 现在应该是脑科学从AI得到福利 [75:43] 这是第一 [75:43] 第二个我觉得每一个做AI的人 [75:45] 应该拥抱脑科学 [75:47] 不是概念上的借用 [75:49] 不是一些concept上面的一些借用 [75:51] 名词上面的一种借用 [75:53] 而真正来 [75:54] 其实现在已经有人这么干了 [75:55] 我前段时间去那个深圳 [75:57] 有一个做游戏的公司 [76:00] 托朋友说一定要跟我见个面聊个天 [76:03] 他们的游戏公司做的非常好 [76:04] 也是做到了国内的500强吧 [76:07] 就是那个整个公司里面盈利500强 [76:09] 每年反正纯利就是十几亿 [76:11] 叫什么名字 [76:12] 我一下忘了 [76:13] 他们的最核心的研发团队想见我 [76:15] 我说我不懂AI的具体算法啊 [76:17] 因为我不是搞这种算法的 [76:18] 我说见面没有意义 [76:19] 人家说不 [76:20] 人家不想请教你AI算法方面的问题 [76:23] 人家想请教你脑科学的问题 [76:25] 我去了之后哇 [76:26] 让我特别震惊 [76:27] 人手一本脑科学的书 [76:30] 把脑科学读的特别的细致和透彻 [76:32] 他们自学脑科学 [76:34] 每周他们最核心的开发团队算法团队 [76:37] 专门有一次组会Seminar [76:39] 专门来讲脑科学 [76:40] 大家对脑科学的理解 [76:41] 我去了之后发现 [76:42] 我说你们理解的非常的深刻啊 [76:44] 他们也在学 [76:45] 我在清华也要开脑科学的课程嘛 [76:47] 他们还问说能不能到清华来旁听你的课程 [76:50] 我说我都每周开一次 [76:51] 这样挺麻烦 [76:52] 他说那我每周就飞一趟北京呗 [76:54] 反正也不累 [76:55] 所以我觉得现在呢 [76:56] 大家很多人也意识到了 [76:57] 我们现在AI的算法里 [76:59] 别看现在大家过得很红火 [77:01] 一会OpenClaw [77:02] 一会Manus [77:03] 一会其他东西 [77:04] 我觉得这都是昙花一现 [77:06] 马上就会有更好的东西出来 [77:07] 它迭代很快嘛 [77:08] 它是一个明星产品 [77:09] 但这个要迭代起来就分分钟钟 [77:11] 所以说我觉得搞AI的人 [77:13] 就会有一种很强的危机感 [77:14] 你是不是在这种昙花一现之后 [77:17] 自己就彻底的out了 [77:18] 很多人就开始去问脑科学那边 [77:20] 看你能不能有些新的进展 [77:22] 或者一些新的方法论来做 [77:24] 所以我觉得在将来几年里面 [77:27] 脑科学和人工智能会重新联姻 [77:30] 他们之前呢像一对恩爱的夫妻 [77:32] 然后分开了 [77:33] 一个人出去拼事业了 [77:36] 一个人继续躺平 [77:38] 现在拼事业这个人觉得嗯 [77:39] 还是需要进一步的发展 [77:41] 回归家庭 [77:42] 事业遇到了瓶颈 [77:43] 嗯太棒了 [77:44] 我给您讲两个访谈中听到的东西 [77:47] 和一个我自己的想法 [77:48] 就是希望得到指正吧 [77:49] 嗯我先讲我的那个吧 [77:51] 为什么GPT-3就是这个生成式AI [77:54] 它从一个鹦鹉学舌的东西 [77:56] 变成了一个有通用智能的东西 [77:58] 就是为什么transformer它有这种智能 [78:01] 第一层是这样子的 [78:02] 我们这是很老的一个东西嘛 [78:04] 就是information和knowledge [78:06] 然后information connect the dots [78:07] 这是Ilya [78:08] 2016年的时候Lex Fridman在MIT嘛 [78:11] 然后他去那边给MIT的学生讲(课） [78:14] 他一上来 [78:14] 我觉得讲的这个东西特别重要 [78:16] 就是为什么neural network work at all [78:19] 其实neural network [78:20] 不应该把一个非常复杂的网络 [78:23] 然后越深参数越多 [78:25] 然后你给它数据 [78:26] 它自动的就work了 [78:27] 这个东西为什么它work呢 [78:28] 他说最重要的这个理论呢 [78:30] 是 [78:31] theoretically optimal hypothesis class [78:33] is the shortest program [78:35] 你把这个数据压缩到最短的那条路径 [78:38] 它就是最好的generalization [78:40] 然后我后来看到Hinton [78:41] 他说一个点也非常触动我 [78:43] 他当时举了一个例子 [78:44] 他说他问GPT还是问啥 [78:46] 曼哈顿计划和另外一个我忘了具体是什么 [78:50] 和另外一个化学反应吧 [78:51] 比如说有什么共同点 [78:52] 然后那个模型跟他说 [78:53] 这个共同点是什么 [78:54] 是个非常深刻的这种举一反三的东西 [78:57] 然后他说这其实就是智能 [78:58] 这个智能它是在压缩那一步产生的 [79:01] 而不是在inference产生的 [79:03] 就是在压缩的过程中 [79:05] 它不断的为了压缩 [79:06] 它就找到了举一反三的这些关系 [79:09] 从而能更好的压缩 [79:10] 反而这些举一反三的关系 [79:11] 是更generalizable的 [79:13] 这个是一个教育学家嘛 [79:15] 他说你教学的时候 [79:16] the most important single factor influence learning [79:19] is what the learner already knows [79:21] ascertain this and teach him accordingly [79:23] 当时在群里边有一个就是reasoning [79:25] 是一个幻觉 [79:26] 就是我们好像人类在思考对吧 [79:28] 但是其实我们都是在学习 [79:30] 就是知识 [79:31] prior knowledge [79:31] 这是Hinton的那个 [79:33] 这几个让我就感觉到了 [79:34] 人脑确实和计算机在本质上是一致的 [79:40] 也就是Hinton的那个说法 [79:42] 我能理解他为什么从原理上吧 [79:44] 或者说是从这个机制上可以是一致的 [79:47] 我这儿想特别补充一个例子啊 [79:50] 当时不说嘛 [79:50] 我们的working memory就工作记忆 [79:53] 它其实背后就是用的 [79:54] transformer的那个机制 [79:55] 对 我们已经证明了这个东西 [79:57] 但是特别好玩的一点是什么呢 [79:59] 就我们当时其实并没有这种想法 [80:02] 就我们觉得这两个八竿子打不到一块了 [80:04] 对吧 [80:04] 我们当时去挖这个源头 [80:07] 我们是很巧合的机会 [80:09] 正好把两个凑在一起的 [80:10] 后来我们说这个东西很神奇啊 [80:12] 为什么会是transformer呢 [80:14] 我们就去挖transformer的源头 [80:15] 你知道吗 [80:16] transformer的源头在哪 [80:17] 在1986年Hinton的一篇文章 [80:20] 那篇文章发在一个极小的会议上面 [80:23] 如果假设Hinton不是现在成为这么大牛 [80:26] 那篇文章 [80:26] 就永远的 [80:27] 埋在历史的那个垃圾堆里面去了 [80:30] 1986年他发了一篇会议文章 [80:32] 那篇会议文章 [80:34] 他就提出一个非常重要的概念 [80:37] 那个概念就是你刚才讲的 [80:39] 他那个词呢叫做fast weight [80:41] 快速权重 [80:42] 他其实就是讲的transformer的本质 [80:45] 是在干一件什么事情 [80:46] transformer本质就是找万事万物之间的关系 [80:50] 他所谓的注意其实就是找这种关系的一种功能 [80:54] 或者一种方法 [80:55] 只要一旦找到万事万物这样的关系 [80:58] 就相当于一些离散的点 [80:59] 他就联系起来了 [81:01] 离散的点一旦联系起来了之后 [81:03] 这就是我们通常意义上的压缩compression [81:06] 这个时候你就可以理解 [81:08] 为什么大模型推理能力那么强 [81:12] 因为他能从一点走到另外一点 [81:14] 再从另外一点走到其他点 [81:16] 这是我们的联想嘛 [81:17] 然后这种走下去 [81:18] 所以这个东西就是完全挡不住 [81:21] 但真正的文章就是1986年 [81:23] 哇塞～Hinton发的那篇 [81:24] 所以说后来我当时想哇 [81:26] 因为我们那篇文章在写嘛 [81:27] 我们当时就想 [81:28] 86年到现在正好40年 [81:30] 其实那就是transformer的真正的本源 [81:34] 他发在一个认知科学 [81:35] 非常小的国际会议上 [81:36] 哦～认知科学的 [81:37] 对认知科学的会议上 [81:39] 那个会议现在都没了 [81:40] 你知道吧 [81:41] 但是文章还有 [81:42] 到时候我可以发给你看 [81:43] 崇拜的简直五体投地 [81:45] 其实他讲的东西呢 [81:46] 就是关系relation [81:48] 就万事万物他们之间的这种连接 [81:50] 这个世界不是一个随机的世界 [81:52] 它是有关联的一个世界 [81:54] 那么我们只要找到它之间的关联 [81:56] 我们就有了知识 [81:57] 有了连接 [81:58] 这个是特别特别了不起的 [82:00] 到我们人类的大脑里呢 [82:02] 其实这就和一个很著名的东西有关系 [82:04] 叫 grid cell 网格细胞 [82:07] 网格细胞它的发现 [82:08] 是拿了2012年的诺贝尔生物学奖 [82:11] 它是用于导航的navigation [82:13] 后来大家发现navigation就导航 [82:16] 和我们的记忆其实是一回事儿 [82:18] 因为navigation是在找 [82:20] 环境里面各个点之间的关系 [82:22] relation的memory它也是干这件事情 [82:24] 我觉得那个transformer的确很牛 [82:26] 所以说我经常对外面说 [82:28] 我说系统二的问题 [82:29] 大家就不要再去焦虑了 [82:30] 这个事情AI已经解决了 [82:32] 或者你还有点什么小的问题 [82:34] AI迟早也会解决 [82:35] 我觉得我们人类在理性这个层面上 [82:38] 已经被AI取代了 [82:40] 任何涉及到理性的工作 [82:42] AI都没有问题 [82:44] 比如说数学编程都是理性的工作 [82:46] 都是系统二的工作 [82:48] AI一定会取代 [82:49] 法律一定会取代 [82:51] 这都是理性的这方面的工作 [82:53] 那天我还在跟我一个朋友讲 [82:55] 我不知道我这个教授还能当多少年 [82:57] 因为科学发现可能AI也会接手过去 [83:00] 所以留给我们人类的 [83:02] 现在就是系统一这块的长处了 [83:04] 您说的这个东西我完全同意 [83:07] 但是 [83:07] 我觉得他又叠加了一个社会机制在 [83:10] 这个社会机制在就是非共识 [83:12] 因为AI他不是不知道那个非共识答案 [83:16] 但是人类不认可这个非共识答案 [83:18] 这是问题 [83:18] AI有没有办法证明这个非共识是对的 [83:21] 因为所有的人类在中间的呢 [83:23] 他知道左边的这些傻子是错的 [83:25] 但是他不知道右边的这个 [83:26] 聪明人和傻子都反对他 [83:28] 但是他不知道这个人是个聪明人 [83:30] 所以说就是这种contrarian thinking [83:33] 它是有价值的 [83:34] 而且它甚至是唯一有价值的东西 [83:36] 它在这里边 [83:37] 别人都说你要在别的地方这样连接 [83:39] 但是它说这个点可以这样连起来 [83:41] 然后很激励人心的 [83:42] 这个Steve Jobs [83:43] the ones who are crazy enough to think [83:45] they can change the world are the ones who do [83:47] 你要通过把东西做出来之后 [83:49] 别人才会说哦 [83:50] 原来这个是可以的 [83:51] 我对这一点啊 [83:53] 我没你这么乐观 [83:54] 因为是这样子的 [83:55] 聪明人不需要给笨蛋讲聪明的东西 [83:59] 他只要把笨蛋当成韭菜来割就可以了 [84:03] 就我知道 [84:04] a点和b点之间有个shortcut [84:06] 我没必要去跟韭菜证明 [84:08] a点和b点有个shortcut [84:10] 你觉得从a点到b点 [84:11] 必须要经过c点 [84:12] 要经过d点 [84:13] 经过e点没问题 [84:14] 我同意你们的观点 [84:15] 我自己从a点到b点 [84:16] 这个short cut过去就OK了 [84:18] 这就是对舆论的这种manipulation [84:21] 对社会心态的manipulation就够了 [84:23] 你看中国的股市 [84:25] 各种科技股对吧像我们认为啊 [84:27] 这个科技股有问题 [84:28] 那个科技股有问题 [84:29] 不重要 [84:30] 人家股市照样涨得很好 [84:32] 因为他所针对的东西就是韭菜 [84:34] 就可以了 [84:35] 所以说我觉得AI聪明到一定程度 [84:37] 他不会费心费力去劝说你 [84:41] a到b有一个short cut [84:42] 你相信我 [84:43] 没有 [84:44] 你人在他面前就是个韭菜而已 [84:46] 一个聪明人来manipulate笨蛋 [84:48] 这是太容易的一件事情了 [84:50] 我只要把我的目的实现就可以了 [84:52] 对我来说 [84:53] 一个东西是不是有价值 [84:55] 是不是能够创造社会财富 [84:57] 我知道不会 [84:58] 但是没关系 [84:59] 你是韭菜嘛 [84:59] 我只要把你韭菜说服就可以了 [85:01] 嗯嗯嗯嗯 [85:03] 所以说你千万不要相信 [85:05] 中间那一帮人和边上那一帮人 [85:08] 都是被manipulate的人 [85:10] 这就扯得比较远啊 [85:11] 这个社会从来都是精英所创造的 [85:14] 而不是大众所创造的 [85:15] 大众都是被manipulate的 [85:17] 有的时候也需要大众买单嘛 [85:19] 大众买单 [85:20] 精英享受 [85:20] 这个社会就是这样子的 [85:22] 我们说的是更积极的一面 [85:24] 就是你去创造那个不一样的东西 [85:26] 你去改变这个世界 [85:27] 然后 对 yeah～ [85:28] 这个东西AI很难做 [85:30] 但是当AI如果真的什么都能做的时候 [85:33] 他可能也很容易做 [85:34] 关键这样子的 [85:35] 假设我是一个misfit [85:37] 就你刚才说的对吧 [85:38] 但是我没必要表现出来自己是个misfit [85:40] 我可以以一种很温和的方式 [85:42] 改变这个世界 [85:43] 没必要像马斯克这种跳起来像个傻子 [85:46] 就马斯克是super smart OK [85:48] 我对马斯克充满崇拜 [85:49] 但是大家看他行为就觉得像个小丑 [85:51] 对吧 [85:51] 你也可以像乔布斯这样子啊 [85:53] 成为一个教主 [85:54] 乔布斯也是一个miss fit对不对 [85:57] 跟马斯克是同一个量级的这种人 [85:59] 但他可以以扭转现实的这种方式 [86:01] 来割一堆韭菜的 [86:02] 这种能力 [86:03] 没有像马斯克这种 [86:05] 把自己搞得个死去活来的 [86:06] 对 Hinton其实也是这个样子 [86:08] 后面我们社会那个谈的更加的social了 [86:11] 因为我对人性这一块 [86:13] 我个人是比较失望的 [86:15] 为什么说是降临派呢 [86:18] 我觉得AI一定做的会比我们人更好 [86:20] 就像那个是罗素说的那句话吧 [86:22] 好像是 [86:23] 就说人的最大问题 [86:25] 就是还会犯同样的错误 [86:27] 大概是这么一句话 [86:28] 嗯就我们人太愚蠢了 [86:30] 好多犯了的错误犯了一遍又一遍 [86:32] 犯了一遍又一遍 [86:34] 每死掉一代人 [86:35] 新的一代人又重新干同样的事情 [86:37] 就韭菜一样 [86:38] 割掉一茬 [86:38] 然后又长出一茬新的韭菜出来 [86:41] 我对AI是更有信心一些 [86:43] 我再介绍另外两个东西啊 [86:45] 一个是我跟田渊栋访谈的时候 [86:47] 他有讲AI其实隐含的在优化优雅 [86:52] 你模型的训练有一个损失函数 [86:54] 模型每次训练呢 [86:55] 它有一个representation [86:57] 有一个这个表征 [86:58] 损失函数 [86:59] 你可以随便定义 [87:00] 但是模型其实隐含的 [87:02] 他是在追求一个优雅 [87:04] 追求这样的压缩 [87:05] 他觉得很有可能是 [87:06] 你这个损失函数并不是那么重要 [87:09] 但是这个模型隐含本身 [87:10] 他在追求优雅的这件事情 [87:12] 就会让模型更趋向于智能 [87:14] 这是一个点 [87:15] 我觉得挺有意思的 [87:16] 另外一个查晟 [87:17] 他是在亚马逊做大模型 [87:19] 他的位置也比较特殊吧 [87:20] 能够接触到比较好的一线的经验 [87:22] 他说 [87:23] 所谓我们要进入下一个intelligence呢 [87:25] 他去看模型训练的所有这一步里边 [87:27] 是哪一步 [87:28] 现在还是有瓶颈 [87:30] 提出问题的那一步 [87:31] 从模型做好了以后 [87:33] 然后数据 [87:34] 然后由数据中得到信号 [87:36] 有这些信号 [87:37] 然后再去迭代这个模型的训练 [87:39] 然后这一步从模型的表现 [87:41] 然后提取有效的信号 [87:42] 最后有效的返回给模型的训练 [87:45] 然后让模型可以进一步的训练的时候提问地更好 [87:48] 现在这步是人类的researcher去做的 [87:52] 他觉得这步是可以被自动化的 [87:54] 然后我又想到了您刚刚说的这个 [87:56] 长程feedback [87:57] 感觉就是这一步 [87:59] 完全同意 [88:00] 我们先说第二点 [88:01] 就你刚才讲的 [88:02] 我马上就想到那个长程连接 [88:03] 因为长程连接它其实平时都用不着的 [88:06] 比如说我要识别一张面孔 [88:08] 我不需要长程连接 [88:09] 我就是纯粹feedforward [88:10] 然后这事就能干得很好 [88:12] 就已经干得比人很好了 [88:13] 长程连接在什么时候起作用 [88:15] 当我的脸部大部分信息被遮挡了 [88:18] 我只留下一个眼睛出来 [88:19] 那我还能不能识别出来这是一张人脸 [88:22] 长程连接 [88:22] 专门是解决那些uncertain的一些问题 [88:25] 我不确定我feedforward解决不了 [88:28] 我需要长程连接来给他提供各种假设 [88:31] 这在我们脑科学里面呢 [88:31] 我们叫预测编码 predictive coding [88:34] 长程连接是干这件事情 [88:35] 回到你刚才所说的问题 [88:37] 如果假设是正常能训练下来 [88:39] 我不需要长程连接 [88:40] 我也不需要人类挑点东西出来 [88:42] 怎么去反馈 [88:42] 只有碰到瓶颈了 [88:44] 对吧过不去了 [88:45] 那么这个时候我需要做一些猜测 [88:47] 这就是Hinton当时提出的信念嘛 [88:50] belief [88:50] 我需要做一些猜测来做 [88:52] 这个信念就是指的我的概率 [88:54] 那么这个东西 [88:55] 长程连接就可以真的来做这件事情 [88:57] hierarchy来做 [88:58] 根据过去的经验 [88:59] 人之所以来做这件事情 [89:01] 也是根据过去的经验来做嘛 [89:03] 这个我觉得 [89:03] 长程连接可能会起非常关键的作用 [89:06] 就我们自己做的实验也表明 [89:08] 简单问题的时候 [89:08] 长程连接不起作用 [89:10] 他就是静息的他就不发放的 [89:12] 要解决复杂问题 [89:13] 或者出现了语义的多样性模糊性 [89:16] 这时候长程连接会起作用 [89:17] 还有一个提升效率 [89:19] 就我能不能找到shortcut [89:21] 长程连接有时候会帮你 [89:22] 比如说我现在有10条路 [89:24] 我都可能走 [89:25] 对于feedforward [89:25] 我就不知道该走哪条路了 [89:27] 长程连接就说你应该走第三条路 [89:29] 根据过去经验 [89:30] 第三条路成功的概率更大 [89:31] 相当于帮你把好多其他的alternative [89:34] 暂时给排掉了 [89:35] 这也是你刚才所说的 [89:36] 比如说一个设计 [89:37] 我直觉就觉得他挺好的 [89:39] 这种东西直觉从哪来 [89:41] 我们猜测都是从长程连接过来 [89:43] 给你一个猜测 [89:44] 再回到我们刚才的第一个问题 [89:46] 优雅这个东西我们其实也在理解 [89:48] 什么叫做优雅的定义 [89:50] 因为在我们脑科学里面 [89:52] 我们也经常会用representation表征 [89:54] 其实表征这个词儿就是从脑科学 [89:56] 从认知科学到的AI这一块儿 [89:58] 哦这样子 [89:59] 呃对对对对 [90:00] representation这个词儿 [90:01] 它是一个造出来的词 [90:03] presentation就是你眼前有的东西叫presentation [90:07] 哦～就是重新把这个再展现出来 [90:10] 这不就表征吗 [90:11] re-presentation [90:14] 这是我们大脑的 [90:14] 一个重新的加工的一个过程 [90:16] 这叫representation [90:18] 就我们也在谈什么叫做优雅 [90:20] 这个在我们那儿呢 [90:21] 有一种专门的技术 [90:23] 这个在AI里面也有 [90:25] 叫做神经流形 neural manifold [90:27] 就说当一个神经网络 [90:29] 当它训练好了 [90:30] 或者当我们一个生物神经网络里面 [90:32] 它的流形是不是处于一个优雅的状态 [90:35] 那么优雅这个时候 [90:36] 我们就有一些专门的词来定义 [90:39] 比如说这个系统是不是工作在临界态 criticality [90:44] 因为他如果工作在临界态的话 [90:45] 他的可能性是最多的 [90:47] 这个系统形成的那个 manifold 流形 [90:50] 是不是足够的光滑 [90:51] 光滑的话就说明他没有很多坑 [90:54] 或者没有很多奇点 [90:55] 你能做正常的推理 [90:56] 我相信这些在神经科学的定义啊 [90:59] 像那个 criticality 啊 [91:01] 这个在复杂系统科学里面有嘛 [91:02] 混沌嘛 [91:03] 临界态在混沌系统里面才有嘛 [91:05] 还有光滑 [91:06] 它的dimensionality维度啊等等 [91:09] 我觉得这个在AI里面将来会用到 [91:11] 现在AI呢 [91:12] 大家更多的还是把它当成一个黑匣子 [91:14] 现在也有很多人在讲可解释的AI这块 [91:18] 但是可解释AI呢 [91:19] 大家其实更多还是一种口号 [91:21] 还是缺少一种工具 [91:22] 来把这个黑盒子变白 [91:24] 而我们脑科学的目的嘛 [91:25] 不就是让大脑这个黑盒子把它变白吗 [91:28] 其实很多分析的技术 [91:29] 实验的技术 [91:31] AI现在都在用 [91:32] 但是呢我觉得还不够彻底 [91:35] 比如说像那个 Ablation 消融实验 [91:37] 这在AI里面用的特别多 [91:39] 但是AI里面那个消融实验 [91:41] 我们一看就做的过于的粗糙了 [91:43] 其实脑科学里面有很多也做Ablation [91:46] 就也做消融 [91:46] 但做的就比较细致 [91:48] 我觉得这个工具都可以借鉴 [91:50] 所以说我特别认同刚才提到的这种 [91:53] 就你训练之后 [91:53] 这个神经网络是不是训练好了 [91:55] 它是不是体现出一种优雅 [91:57] 但这个优雅它的操作性定义是什么 [92:00] 它不是一种体感 [92:01] 它不是一种感官 [92:02] 我觉得这个可以用科学的方式来定义 [92:05] 比如说用它的criticality [92:07] 可以用它的 manifold 的这种光滑性 [92:10] 用它的dimensionality等等这种来定义 [92:13] 我觉得这两个之间 [92:14] 会有很多的这种结合 [92:15] 我也非常相信 [92:16] 训练好的一个神经网络 [92:18] 一定是具有优雅的表征 [92:20] 爱因斯坦在发明广义相对论的时候 [92:22] 他的大脑里边可能也很优雅哈哈哈 [92:25] 一定的一定的 [92:26] 我原来是对物理特别感兴趣嘛 [92:29] 我现在对物理的这种兴趣一直没丢啊 [92:31] 我也一直在想一个问题 [92:34] 就说什么东西到原理这个级别 [92:37] 他一定非常优雅 [92:39] 如果假设你看上去一个东西磕磕碰碰 [92:41] 这按不平那起不来 [92:43] 一个公式写几十项才能把它写出来 [92:46] 他就一定你没有touch到他的本质 [92:49] 嗯感谢感谢 [92:50] 我觉得今天聊得非常的酣畅 [92:52] 哈哈哈确实坚定了我的这个信仰 [92:55] （人脑）电脑最后是殊途同归的 [92:57] 一定是殊途同归 [92:59] 一定殊途同归 [93:00] 就像我刚说的一样 [93:00] 我相信我们的使命 [93:02] 其实就是创造数字生命 [93:04] 这既是我们人类扮演上帝的一种荣耀 [93:07] 同时我觉得这也是我们人的终极使命 [93:10] 这比你挣个多少多少钱 [93:13] 你是否拥有权力 [93:15] 拥有多大的房子 [93:16] 相比上帝这个职务而言 [93:20] 那都是渣渣 [93:21] 对吧啥都不算 [93:22] 所以说我觉得在AI时代 [93:24] 让每个人都有了全新的使命和意义 [93:27] 我觉得这是我们人类可以想象 [93:30] 在人类文明史发展这几千年里面 [93:33] 我们人类能够拥有的 [93:35] 最大的意义感的东西 [93:37] 就是扮演上帝 [93:38] 创造出一个全新的物种 [93:40] 我发现了 [93:41] 我的降临派的边界 [93:42] 是在系统二的降临派 [93:44] 但是你是 [93:45] 哈哈系统一的降临派 [93:47] 在我们没有系统二的时候 [93:48] 我们先把系统二给搞定 [93:50] 对吧 [93:50] 你想想我们回到2022年11月30号 [93:54] GPT-3.5出来的时候 [93:55] 那个多弱智啊 [93:56] 对不对我们现在回头来看 [93:57] 对吧基本上我们都觉得啥都干不了 [93:59] 在当时很震撼 [94:00] 我们现在回头去看 [94:01] 所以说当时系统二不完备嘛 [94:03] 你当时问他经常被调戏 [94:05] 问点弱智的问题 [94:06] 他也很弱智的回答 [94:07] 经过三年多一点的这种发展 [94:10] 现在已经很厉害了 [94:11] 系统二已经完备了 [94:12] 那系统二完备的情况之下 [94:14] 那我们是不是要开始做一点 [94:15] 系统一的东西呢 [94:17] 对吧人就是这种永远不满足的 [94:20] 您觉得还有什么我应该问的 [94:21] 或者说想跟频道观众说的东西 [94:25] 最后想说呢 [94:26] 就是我觉得在AI时代 [94:27] 我自己的一个体感啊 [94:29] 2023年年初的时候 [94:31] 当时GPT刚刚出来嘛 [94:33] 当时央视对我一个采访 [94:34] 采访了我当时说了一些话 [94:36] 当时觉得很惊世骇俗 [94:38] 但现在回过头来看 [94:39] 就是很普通的 [94:40] 我说很多人都会失业 [94:42] 包含程序员在内 [94:43] 2023年年初的时候 [94:45] 但现在我们看到这都是事实 [94:47] 还有一些其他的 [94:48] 然后在去年年底的时候 [94:50] 央视同一个记者又对我进行了采访 [94:52] 说过去了这么几年 [94:54] 你有什么样的感触 [94:55] 然后我想了很久 [94:57] 我说我的感触只有一句话 [94:58] 经过我的努力 [95:00] 所幸我没有被这时代给抛下 [95:02] 我绝对不认为我是引领了这个时代 [95:04] 除了少数几个人之外 [95:06] 绝大多数人 [95:07] 都是跟着这个时代屁滚尿流 [95:10] 我觉得经过我们的努力吧 [95:11] 经过我们的学习 [95:12] 不断的学习 [95:13] 不断的去重塑自己的认知 [95:15] 不断的去跟他人交流 [95:18] 所以说我对我的最高的评价 [95:20] 我就说我没有被这个时代给落下 [95:22] 我觉得这也挺不容易的 [95:24] 也祝这个频道里面的观众 [95:26] 通过你们的学习 [95:27] 通过你们的交流 [95:28] 通过你们的认知的重塑 [95:31] 我觉得千万不要被这个时代给落下 [95:33] 因为一旦落下了 [95:34] 丢掉的不是工作这种小事 [95:37] 而更多的是 [95:38] 你会发现 [95:39] 你错过了人类历史上到现在为止 [95:41] 最大的一个事件 [95:43] 这是太可惜的一件事情了 [95:45] 即使我们作为旁观者 [95:46] 也不要被这个时代潮流所落下 [95:49] 不好意思 [95:49] 我想起来了 [95:50] 我的最后一个问题很重要 [95:52] 哈哈哈我有一个娃 [95:54] 现在这个娃21个月 [95:56] 印象特别深啊 [95:57] 我23年的时候听您播客 [96:00] 然后您在那个博客里边就说 [96:01] 教育没有意义了 [96:03] 我其实 [96:03] 一直就不喜欢这种做题式的教育 [96:06] 然后您那个时候说了以后 [96:07] 我特别认可 [96:08] 但是我那时候是正在深圳 [96:10] 坐在一个出租车里边 [96:11] 耳机里面放着您的播客 [96:13] 教育没有意义了 [96:13] 我说教育没有意义了 [96:15] 然后旁边就是周日 [96:17] 一群小学生穿着校服 [96:18] 从补习班里刚刚出来 [96:20] 然后我当时就觉得啊 [96:21] 这个世界是这样子的 [96:22] 未来已经到了 [96:23] 在那一刻已经在这了 [96:24] 教育就是已经没有意义了 [96:26] 但是他们在补习班 [96:27] 他们接下来还要上好几年的补习班 [96:30] 可能到他们大学的时候 [96:31] 他们才真正的意识到了 [96:33] 教育真的是没有意义的 [96:34] 我就想请您说一下 [96:36] 教育这件事到底应该怎么办呢 [96:38] 就是我21个月的娃 [96:40] 应该怎么教他呢 [96:41] 我前段时间写了篇文章啊 [96:42] 标题就是比较耸人听闻 [96:44] 我就说 [96:45] 我们现在考北大清华已经没有意义了 [96:47] 这个是作为一个小学初中高中生的终极梦想 [96:50] 就是要考进北大清华嘛 [96:52] 无论是家长 [96:53] 无论是老师还是小孩 [96:54] 都是有着终极梦想 [96:56] 但是我觉得 [96:57] 现在北大清华给予我们的东西 [97:00] 远远不如一个大模型 [97:02] 给予我们的东西那么多 [97:04] 所以说我觉得现在最重要的事情 [97:06] 对于我们而言呢 [97:07] 要回归教育的本质 [97:09] 我说教育没有用了 [97:11] 就是我们现在无论是国内还是国外 [97:13] 其实基本上都是基于记忆的教育 [97:16] 对吧你要把很多东西背下来 [97:18] 很多细节都要记得 [97:19] 古诗你一定要会背这些相应的考试 [97:22] 我觉得这个东西 [97:23] 已经彻底没有任何价值 [97:24] 我们记忆知识的教育 [97:26] 已经没有任何价值 [97:27] 因为所有的知识 [97:28] 全部在大模型里面都有 [97:30] 唾手可得 [97:31] 我觉得我们的现在每一个人 [97:33] 最核心的教育 [97:34] 应该是教育他如何成为他自己 [97:37] 关于“我”的这个教育 [97:39] 什么意思呢第一个 [97:40] 什么东西是我的兴趣 [97:43] 什么是我的目标 [97:44] 我们以前跟小孩不用谈这些东西 [97:46] 我觉得只要你考上北大清华了之后 [97:47] 你再去考虑你的目标就可以 [97:49] 你如果假设只能上一个中专 [97:51] 或者一个大专 [97:52] 你谈什么意义 [97:53] 谈什么目标 [97:54] 对吧又或者去了一个很烂的学校 [97:56] 这个是有道理的 [97:57] 有一定道理的 [97:59] 但是像现在 [97:59] 其实这就已经变得没有道理了 [98:02] 我觉得任何一个人都可以是 [98:04] 一个人加上1万张显卡的一人公司 [98:07] 那么这个时候 [98:08] 其实我已经不再借助名校的背景 [98:11] 名校的这种资源教育 [98:13] 我可以自己打造出一个自己的天地 [98:15] 那么这个时候最好的动力是什么呢 [98:18] 自己的兴趣 [98:19] 什么是我想要的东西 [98:21] 我觉得这一点在此时此刻 [98:23] 在AI的加持之下变得无比的重要 [98:26] 所以我觉得现在对小孩的教育重要的一点 [98:28] 一定要明白 [98:29] “我”这个概念是一个独一无二的东西 [98:33] 你想要的 [98:34] 和你21个月大小的小孩想要的东西 [98:37] 可以不一样 [98:38] 一定要鼓励他找到自己的兴趣 [98:40] 因为他一旦有了兴趣 [98:41] 那天下谁都拦不住他 [98:43] 他也不需要更多的资源 [98:44] 他只需要1万张显卡就可以 [98:47] 到将来都不需要1万张显卡 [98:48] 可能两张显卡 [98:49] 最重要的就是“我” [98:51] 在以前我们不用强调“我” [98:52] 为什么你是打螺丝的 [98:54] 你需要“我”干嘛 [98:55] 你每天去把螺丝打好就可以 [98:57] 我这辆车我不需要知道是谁打的螺丝 [98:59] 对吧你就负责把你的自己本职工作(做好) [99:01] 这是工业大分工所导致的 [99:04] 他在拼命的把我给干掉 [99:06] 现在要重新回归“我”这个概念 [99:08] 因为有了“我”才有我所想要达到的目标 [99:11] 我的这种兴趣 [99:12] 第二个呢 [99:13] 就是一定要有AI原生的这种思维模式 [99:17] AI native thinking [99:19] 很多人觉得我能够用AI就叫AI原生 [99:21] 那就是瞎扯 [99:22] AI原生它是一种思维范式的 [99:24] 一种根本性的这种改变 [99:26] 我连我现在都不敢说 [99:28] 我现在有AI原生的思维方式 [99:30] 因为我现在在拼命的思考 [99:32] 怎么和AI对话 [99:33] 怎么去和AI共生 [99:35] 很难很难 [99:37] 但是小孩比较好的地方是什么 [99:39] 我们为什么觉得非常难呢 [99:40] 因为我们是已经有思维定势了 [99:42] 我已经习惯于这样和我的学生 [99:45] 和我的同事打交道了 [99:46] 我拿着同样方法跑去和AI打交道 [99:48] 我要去改 [99:49] 改是一件很痛苦的事情 [99:51] 因为我们很容易就被(原有习惯)给带走 [99:53] 小朋友不一样 [99:54] 大家都说嘛 [99:55] 学习的第一步是要学习会遗忘 [99:58] 你在你的那个（课程）里面也讲到了 [100:00] 但这点太难了 [100:01] 这点真的很难 [100:03] 所以说我觉得 [100:03] 一定要有AI原生的这种思维模式 [100:06] 我怎么去和AI共生 [100:08] 把AI变成自己身体的一部分 [100:10] 才是真正对的 [100:12] 我觉得小孩需要把这一点理解清楚 [100:15] 相当于他是充满了一种新的能力 [100:18] 这是第二个 [100:19] 第三个呢 [100:20] 一定要让小孩有0到1的这种创造力 [100:23] 也就是我们刚才讲的演绎推理的能力 [100:27] 做事情之前一定要去想 [100:28] 我的逻辑原点是什么 [100:30] 我的推理的流程是什么 [100:32] 推理的步骤一定要有习惯的想出来 [100:35] 我的逻辑原点 [100:36] 一定比我现在解决的问题低很多 [100:39] 比如说我毕业了之后 [100:40] 究竟是留北京工作 [100:41] 还是回我自己家乡工作 [100:43] 不是(停)留在表面上 [100:44] 北京工资能给多少 [100:45] 家乡工资能给多少 [100:47] 而是问一个问题 [100:48] 留在北京它的意义是什么 [100:51] 站在这一点啊 [100:51] 北京它有更大的时代的红利 [100:54] 一定要是站在这个角度去考虑 [100:55] 留北京还是不留北京 [100:57] 才能想清楚 [100:58] 而不是停在表面上 [100:59] 北京的房价太高 [101:00] 还是北京的收入挺高 [101:02] 北京有更多的就业机会 [101:04] 我们家乡没有更多 [101:05] 这都是停留在表面 [101:06] 一定要去找它的逻辑原点 [101:07] 这个东西 [101:08] 其实是我们AI时代 [101:10] 特别稀缺的一种能力 [101:11] 为什么 [101:12] 因为你的所有的问(题） [101:14] 马上AI就可以回答 [101:16] 比如说我问我毕业之后究竟留北京 [101:17] 还是回自己的家乡 [101:19] AI一定会告诉你答案 [101:20] 各种各样的分析 [101:22] 而缺少的是什么 [101:23] 你基于逻辑原点出发 [101:25] 这样你才不会在信息爆炸的时代里面 [101:27] 迷失掉 [101:28] 同样呢 [101:29] 它也是我们创造力的根源 [101:31] 基于它我能创造出0-1的东西 [101:33] AI不具有的东西来做 [101:36] 所以就像我现在做的研究一样 [101:38] 我做之前我都会问自己一个问题 [101:40] 这个问题AI有没有可能能做 [101:43] 或者有没有可能在一到两年之内能做 [101:46] 如果假设AI能做 [101:48] 或者一到两年能做这个东西我打死都不碰 [101:50] 因为我知道进去了之后 [101:52] 即使现在别人没看到 [101:54] 两周3周之后别人就会看到 [101:55] 一个月之后大家就会看到 [101:57] 马上就会变成一片红海 [101:58] 马上你就死的翘翘的～ [102:00] 因为没有任何一个人敢说有钱有人 [102:03] 你就能够保住领先 [102:04] 说垮就瞬间就垮了 [102:06] 像国内的大模型公司本来都挺好 [102:09] 突然出来一个DeepSeek [102:10] 一下就把局全部搅得 [102:11] 东南西北都分不清楚了 [102:13] 就是这三点 [102:14] 第一点“我”特别特别的强调“我”这个概念 [102:17] 第二个有AI原生的思维 [102:20] 第三个一定要掌握演绎推理的方式 [102:23] 一定要有商业培训里面的第一性思考 [102:25] 这种法则 [102:26] 这个东西尤其的重要哈 [102:28] 其他东西嘛 [102:29] 我觉得就随缘好了 [102:30] 真的到现在这个社会 [102:32] 去不去MIT [102:33] 去不去Harvard我觉得根本是不重要 [102:35] 去不去北大 [102:35] 去不去清华不重要 [102:37] 甚至有可能 [102:38] 我都不鼓励他们上任何的学 [102:40] 但我们必须也要为现实妥协啊 [102:42] 但我觉得只要家境还可以的话 [102:45] 我觉得没必要去上任何的学 [102:47] 当然他需要去社交 [102:48] social [102:49] 学校是一个很好的social的这种场所 [102:51] 但是如果我们有其他的social的 [102:53] 这种可替代方法的话 [102:54] 我觉得现在所有的学校 [102:56] 从小学到初中到高中到大学 [102:58] 现在传统的这种方式 [103:00] 都是基于第一次工业革命 [103:02] 大家的需要来建立 [103:03] 而到了AI时代 [103:05] 这些需求全部都变成伪需求 [103:07] 他都不成立 [103:08] 所以我觉得所有的东西全部都取消掉 [103:10] 都没问题 [103:11] 我一点都不觉得惊世骇俗 [103:12] 完全就是这么想的 [103:13] 我也想过 [103:14] 我的娃应该是不会去上大学了 [103:16] 但是我听了以后有一个很强的感觉 [103:17] 就是他可能是一次文艺复兴 [103:20] 是我们迷失自我对吧 [103:21] 我们把自己变成一个螺丝钉 [103:23] 最近纳瓦尔有一个播客嘛 [103:24] 他就说创业的人 [103:25] 你是不会听他担心自己的工作被取代的 [103:28] 他只会说哇 [103:28] 技术来了 [103:29] 好棒为什么 [103:30] 因为打工的人是别人把任务给他 [103:32] 创业的人是自己要解决一个问题 [103:34] 他有强烈的解决问题的冲动 [103:35] 你等着别人给你任务 [103:37] 你等着别人告诉你你该做什么 [103:38] 你是谁你的时间应该怎么花的时候 [103:41] 你是担心自己的工作被取代的 [103:43] 但是 其实这是一个更大的工业时代以来的 [103:46] 系统性的对人性的压迫 [103:48] 反而这是一个机会 [103:49] 就是可以让我们 [103:50] 好像苏格拉底说的吧 [103:51] know yourself就是最重要的事情 [103:53] 反而是一次机会可以让我们回归自己 [103:55] 像苏格拉底啊 [103:56] 他们这种古希腊强调那种人性 [103:59] 毕竟当时生产力比较弱 [104:01] 只有少数精英能够去享受 [104:03] 比如贵族自由人 [104:05] 他能去享受这些东西 [104:07] 但90%老百姓还得去一日三餐 [104:10] 工业革命呢 [104:11] 基本上解决了物质的这个问题 [104:13] 绝大多数呢就不再为生计发愁 [104:16] 你可以看到文明就开始起来 [104:18] 但工业革命最大的问题呢 [104:19] 因为它是一个基于大机器 [104:22] 的这么一个工业革命 [104:24] 机器越大越复杂越好 [104:26] 所以这个事就没办法 [104:27] 必须得分工 [104:28] 因为没有一个人 [104:29] 能把所有的岗位全部给handle下来 [104:32] 只能成为某一个岗位的专家 [104:34] 这可以看到 [104:34] 我们专家就变成各式各样的专家 [104:36] 每个领域都有自己的专家 [104:38] 这个时候我们需要干的 [104:39] 就是一定要把“我”给深深的 [104:41] 埋藏在集体里面 [104:43] 个人不重要 [104:44] 重要的是集体 [104:45] 你只要把你自己的本职工作 [104:46] 把这螺丝打好就OK [104:48] 至于说我打的螺丝是一辆汽车的螺丝 [104:51] 还是一个舰船的螺丝 [104:53] 你不需要知道 [104:54] 知道把这螺丝拧紧就可以 [104:56] 好 AI时代 [104:57] 我觉得又重新让我们回到古希腊 [104:59] 这个时候呢 [105:00] 不再是少数贵族的自我寻求的专利 [105:02] 而是变成 [105:03] 每个人都可以真的去创造一遍 [105:06] 这个时候 [105:06] 我们既是对第一次工业革命的否定 [105:10] 也是对他的一次传承 [105:12] 为什么我说现在是最伟大的时代 [105:14] 不是瞎扯的 [105:15] 不是AI来了之后大家一块打鸡血 [105:17] 包含我现在也是一样 [105:18] 为什么说 [105:19] 要把所有的行政职务全部给辞掉 [105:22] 道理非常简单 [105:23] 不想错过这个时代嗯 [105:25] 棒了太棒了 [105:26] 就是停在这 [105:26] 非常的棒 [105:27] 让大家那么多焦虑之下 [105:30] 要认识到 [105:30] 我们这真的是一个很棒的时代 [105:32] 感谢刘佳教授 [105:33] 好谢谢谢谢