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GeoffreyHinton因?yàn)榛加袊?yán)重的背疾幾乎無法長途旅行，只在去年因?yàn)轭I(lǐng)取諾獎才勉強(qiáng)“帶傷”飛抵瑞典。所以當(dāng)本周的一張他與上海市領(lǐng)導(dǎo)會面照片出現(xiàn)在國內(nèi)互聯(lián)網(wǎng)絡(luò)的時(shí)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(shí)驗(yàn)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(xué)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GeoffreyHinton第一次飛越重洋踏上了中國，當(dāng)他步入會場時(shí)，全場起立鼓掌，觀眾們高舉手機(jī)長達(dá)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(xué)家談及AI多模態(tài)大模型前沿、“主觀體驗(yàn)”和“意識”、如何訓(xùn)練“善良”的超級智能、AI與科學(xué)發(fā)現(xiàn)，以及給年輕科學(xué)家的建議。

在對話前，周伯文代表上海人工智能實(shí)驗(yàn)室做了《無盡的前沿：AGI與科學(xué)的交叉口》主題演講，他認(rèn)為AGI應(yīng)該具備專業(yè)深度與泛化廣度，并在“通專融合”技術(shù)路線的基礎(chǔ)上提出“SAGE”框架：基礎(chǔ)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(xué)發(fā)現(xiàn)中由“工具”升維為“引擎”。并且發(fā)布了全球領(lǐng)先的科學(xué)多模態(tài)大模型Intern-S1，它具有多學(xué)科、多模態(tài)、深思考能力，多模態(tài)綜合能力超越當(dāng)前最優(yōu)開源模型，多學(xué)科超Grok4等前沿閉源模型。

關(guān)于對話專家

GeoffreyHinton1947年12月6日出生于英國溫布爾登，是英國-加拿大計(jì)算機(jī)科學(xué)家和認(rèn)知心理學(xué)家，因其在人工神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)領(lǐng)域的開創(chuàng)性工作被譽(yù)為“人工智能之父”。他于1970年在劍橋大學(xué)獲得實(shí)驗(yàn)心理學(xué)學(xué)士學(xué)位，1978年在愛丁堡大學(xué)獲得人工智能博士學(xué)位。他在人工智能領(lǐng)域的貢獻(xiàn)包括1986年與他人共同發(fā)表的反向傳播算法（backpropagation）論文，該算法成為訓(xùn)練多層神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)。他還開發(fā)了玻爾茲曼機(jī)（BoltzmannMachine）、深度信念網(wǎng)絡(luò)（DeepBeliefNets）等技術(shù)，對語音識別和圖像分類等領(lǐng)域產(chǎn)生了深遠(yuǎn)影響。

2013年至2023年，他在谷歌（GoogleBrain）擔(dān)任副總裁及工程研究員，推動了深度學(xué)習(xí)技術(shù)的商業(yè)化應(yīng)用。2023年5月，他因擔(dān)憂人工智能風(fēng)險(xiǎn)辭去谷歌職務(wù)，以便更自由地討論相關(guān)問題。其貢獻(xiàn)獲得2018年圖靈獎（與YoshuaBengio和YannLeCun共同獲得）及2024年諾貝爾物理學(xué)獎（與JohnHopfield共同獲得）。

辛頓出生于一個具有深厚學(xué)術(shù)傳統(tǒng)的家庭。他的曾曾祖父喬治·布爾（GeorgeBoole，1815-1864）是著名數(shù)學(xué)家和邏輯學(xué)家，創(chuàng)立了布爾代數(shù)，為現(xiàn)代計(jì)算機(jī)科學(xué)奠定了基礎(chǔ)。他的父親霍華德·埃弗里斯特·辛頓（HowardEverestHinton）是一位杰出的昆蟲學(xué)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（JoanHinton，中文名寒春）。瓊·辛頓是一位核物理學(xué)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(chǎn)生交集。

周伯文，上海人工智能實(shí)驗(yàn)室主任、首席科學(xué)家，清華大學(xué)惠妍講席教授、電子工程系長聘教授，IEEE/CAAIFellow，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(xiàng)目首席科學(xué)家。曾任IBMResearch人工智能基礎(chǔ)研究院院長、IBMWatsonGroup首席科學(xué)家、IBM杰出工程師；京東集團(tuán)高級副總裁、集團(tuán)技術(shù)委員會主席、云與AI總裁。

周教授在國際一流期刊及頂級學(xué)術(shù)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(shù)和產(chǎn)業(yè)界大規(guī)模應(yīng)用核心領(lǐng)域取得杰出成就，有較高的國際影響力。2016年，周教授帶領(lǐng)團(tuán)隊(duì)在國際上首次提出與下游任務(wù)無關(guān)的自注意力與多頭機(jī)制等表征新機(jī)理與新方法，奠定了Transformer架構(gòu)的理論基礎(chǔ)之一，推動通用人工智能、語言大模型表征新進(jìn)展，是實(shí)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(jì)被引5000余次。

以下為對話全文實(shí)錄。

當(dāng)今多模態(tài)聊天機(jī)器人已經(jīng)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(shí)候本該探討的問題開始。這個問題是關(guān)于多模態(tài)和前沿模型的主觀體驗(yàn)（SubjectiveExperiences）。您認(rèn)為今天的多模態(tài)和前沿模型也能衍生出主觀體驗(yàn)嗎？您能否就其可能性問題，展開談?wù)勀目捶ǎ?/p>

Hinton：這嚴(yán)格來說與科學(xué)無關(guān)，這是一個關(guān)于你如何理解“主觀經(jīng)驗(yàn)”、“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(yùn)用詞語，并且擁有一套關(guān)于詞語如何運(yùn)作的觀點(diǎn)，這套觀點(diǎn)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(fù)雜，但你的看法卻是錯的。

你需要接受這樣一種觀點(diǎn)：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(rèn)為他們理解這兩個詞的意思，但他們的理解其實(shí)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(diǎn)。

假設(shè)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(shí)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(nèi)的鋁棒多，還是與水平方向夾角在1度以內(nèi)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(nèi)的數(shù)量，大約是處于垂直方向一度范圍內(nèi)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(yuǎn)比垂直的要多?！按怪薄笔欠浅Ｌ厥獾摹?/p>

現(xiàn)在換個問題。我手里有一把鋁制的圓盤，我把它們?nèi)鱿蚩罩胁⒛虝r(shí)間。那么，是與垂直方向夾角1度以內(nèi)的圓盤多，還是與水平方向一度以內(nèi)的多？這次情形逆轉(zhuǎn)，與垂直方向1度以內(nèi)的圓盤數(shù)量，是水平方向的大約114倍。因?yàn)閷τ趫A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(dāng)你形成關(guān)于這些詞的理解時(shí)，你常常取一個平均化的概念，認(rèn)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(diǎn)，因此會給出錯誤的答案。

乍一看似乎與意識問題無關(guān)，但并非如此。它說明了我們對于詞語如何運(yùn)作的見解可能是完全錯誤的。我的觀點(diǎn)是，幾乎每個人對于像“主觀經(jīng)驗(yàn)”這類術(shù)語如何運(yùn)作的認(rèn)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(xué)問題，而是從一個錯誤的心理狀態(tài)模型出發(fā)導(dǎo)致的問題?；阱e誤模型，你必會做出錯誤的預(yù)測。

故此，我的觀點(diǎn)是：目前的多模態(tài)聊天機(jī)器人已經(jīng)具備意識了。

周伯文：這個觀點(diǎn)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(shí)候，另一位加拿大科學(xué)家理查德·薩頓（RichardSutton）也進(jìn)行了演講，主題是“歡迎來到經(jīng)驗(yàn)的時(shí)代”。

我認(rèn)為他的意思是，當(dāng)人類數(shù)據(jù)耗盡時(shí)，模型可以從自身的經(jīng)驗(yàn)中學(xué)習(xí)。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(jīng)驗(yàn)中學(xué)習(xí)，還能發(fā)展出它們自己的主觀經(jīng)驗(yàn)。理查德今天似乎提及不多從主觀經(jīng)驗(yàn)中學(xué)習(xí)可能帶來的風(fēng)險(xiǎn)。您能否就“智能體可以學(xué)習(xí)主觀經(jīng)驗(yàn)”這一事實(shí)或假說，以及它可能隱藏的潛在風(fēng)險(xiǎn)，談?wù)勀目捶ǎ?/p>

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(xué)習(xí)。但一旦你擁有了像機(jī)器人這樣存在于真實(shí)世界中的智能體，它們就能從自己的經(jīng)驗(yàn)中學(xué)習(xí)。我認(rèn)為它們最終學(xué)到的會比我們格外多。我相信它們將擁有經(jīng)驗(yàn)，但“經(jīng)驗(yàn)”不是一個實(shí)存物。經(jīng)驗(yàn)不像一張照片，它是一種你與客體之間的關(guān)系。

周伯文：此外，關(guān)于我們可能涉及的潛在風(fēng)險(xiǎn)，還有幾件事。幾天前和您交流時(shí)您提到，減少未來AI風(fēng)險(xiǎn)的一個可能解決方案，是設(shè)法將AI的不同能力分別處理。

Hinton：我其實(shí)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(xùn)練它變得聰明和如何訓(xùn)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(shù)。因此，各個國家可以分享使AI變得善良的技術(shù)，即使他們不想分享使AI變得聰明的技術(shù)。

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(yuǎn)。您認(rèn)為會存在一種普適性的、訓(xùn)練AI“善良”的方法，可以應(yīng)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(shí)現(xiàn)，但這是一個值得我們?nèi)ド罹康目赡苄浴?/p>

周伯文：確實(shí)。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(jìn)行研究。我的類比來自物理學(xué)：當(dāng)物體低速運(yùn)動時(shí)，牛頓定律有效；但當(dāng)物體接近光速時(shí)，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(xué)獎獲得者面前講大學(xué)物理101！

Hinton：哦不（他們給我頒獎）原本就是個錯誤。其實(shí)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(xué)獎借出來用了。

周伯文：哈哈哈他們沒錯，您絕對值得這項(xiàng)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(jìn)行調(diào)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(shí)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(shù)也需要相應(yīng)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(xué)者，卻常常說“我不知道”，這讓人深感佩服。我認(rèn)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(xué)習(xí)的。今天我們這里有一半的參會者來自量子物理、細(xì)胞生物學(xué)等不同前沿科學(xué)領(lǐng)域。我們之所以聚集于此，正是因?yàn)槲覀兿嘈艧o論是AGI、AI還是AI與科學(xué)的交叉領(lǐng)域，都正迎來無盡的前沿機(jī)遇。所以，關(guān)于利用AI促進(jìn)科學(xué)進(jìn)步，或者反過來利用科學(xué)驅(qū)動AI發(fā)展，您有什么想說的？

Hinton：我認(rèn)為AI將極大地助推科學(xué)發(fā)展，這一點(diǎn)非常明確。最令人矚目的例子莫過于蛋白質(zhì)折疊，DemisHassabis等人通過明智地運(yùn)用AI并投入巨大努力，極大地提升了預(yù)測的準(zhǔn)確性。這是一個早期的信號，預(yù)示著AI將在眾多科學(xué)領(lǐng)域帶來進(jìn)步。您也提到了預(yù)測臺風(fēng)登陸點(diǎn)和天氣預(yù)報(bào)的例子，AI的表現(xiàn)已經(jīng)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(xué)術(shù)生涯中，您不僅推動了AI技術(shù)的邊界，也深刻地指引了下一代研究者，比如YoshuaBengio和許多更年輕的后輩。在上海AI實(shí)驗(yàn)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(yīng)該去尋找那些你認(rèn)為“所有人都搞錯了”的領(lǐng)域。通常，當(dāng)你抱持這種想法并開始研究自己的方法時(shí)，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(guān)鍵是，在你親身領(lǐng)悟到它為什么錯之前，絕不要放棄。不要因?yàn)槟愕膶?dǎo)師說“這個方法很蠢”就放棄它。忽略導(dǎo)師的建議，堅(jiān)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(jiān)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(jiān)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(yīng)該堅(jiān)持它。如果你直覺很差，那你做什么關(guān)系都不大，所以你同樣應(yīng)該堅(jiān)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?jiān)趫鏊腥穗S我一同再次感謝Jeff付出的時(shí)間。非常感謝您！

官服文化:從飛禽走獸圖案紋樣入手,淺談明朝官服的文化意蘊(yùn)

根據(jù)歷史資料記載，官服補(bǔ)子最早起源于唐朝，武則天在位時(shí)，為了賜賞百官，特意在服飾上繡上不同的錦紋，上面包括文字及禽獸圖案——_。到了明朝時(shí)期，逐漸發(fā)展為補(bǔ)子樣式，文字被圖案所取代，最后只留下了圖案內(nèi)容?！a(bǔ)子最大的特色：文官與武官的補(bǔ)子圖案不同，文官補(bǔ)子上的圖案為飛禽，武官補(bǔ)子上的圖案為猛獸，即“文禽武獸”。 在萬潔眼中，漢服不僅僅是一種服飾，更承載著博大精深的傳統(tǒng)文化——_。每逢傳統(tǒng)佳節(jié)，如元宵觀燈、端午祭屈原、七夕相親、中秋拜月等，“同袍”們都會盛裝出行，舉辦盛大的漢服活動。這些場景激發(fā)了萬潔通過短視頻傳播漢服文化的熱情_。她廣泛涉獵漢服知識，從網(wǎng)絡(luò)論壇、專業(yè)文獻(xiàn)到書籍，如袁杰英的《中國歷代服飾史》和沈從文是什么--。