人工智能或许早已拥有 " 主观体验 "（subjective experiences）。

在最新一期播客节目中，Hinton 抛出的这一观点正迅速掀起热议。

老爷子一再表示，AI 也许已经有了 " 意识雏形 "，只是因为我们人类自己对意识理解错了，所以它也被教错了——不知道自己有意识。

翻译成大白话就是，AI 其实有自我意识，只是暂未觉醒┌ ( 。Д。 ) ┐

而除了继续为 AI 风险 " 摇旗呐喊 "，作为诺奖得主、深度学习三巨头之一，老爷子这次还充当起了科普员的角色。

他从什么是 AI 讲起，然后详细解释了机器学习、神经网络及深度学习这些核心概念，全程主打一个幽默、通俗易懂。

有看完节目的网友赞叹道，" 这可能是目前看到的 Hinton 最好的采访 "。

还有人认为，应该让他再讲 2 小时，毕竟他看上去完全自愿、恨不得一吐为快（禁止虐待 77 岁老人 doge）。

更有意思的是，节目一开场老爷子就尴尬回应了之前得物理学诺奖的事情：

因为我不是搞物理的，所以有点尴尬。当他们打电话告诉我获得了诺贝尔物理学奖时，我一开始并不相信。

虽然有这个小插曲，但有一说一，老爷子在 AI 方面的贡献实在毋庸置疑，所以咱直接开课吧——

当我们谈论人工智能时，我们到底在谈论什么？

面对这一直击灵魂的问题，Hinton 不慌不忙地从自身经历（曾在谷歌工作近 10 年）得出，AI 已经从搜索查找进化成能真正理解人类意图的工具。

以前用谷歌的时候，它会使用关键词，而且会提前做很多工作。所以，如果你给它几个关键词，它就能找到所有包含这些词的文档。

但它不明白问题是什么。所以，它无法给出一些实际上不包含这些词但主题相同的文档。

就是说，AI 早期本质上还是基于关键词的检索。

而现在，它能理解你所说的内容，而且它的理解方式与人类几乎相同。

在 Hinton 看来，虽然现代大语言模型（LLM）并不是真正的全能全知专家，但在许多主题上已能表现得接近人类专家。

他还进一步解释了传统机器学习与神经网络的区别。

他指出，机器学习是总称，指任何能在计算机上 " 学习 " 的系统。而神经网络则是一类特别的学习方法，灵感来自大脑——大脑通过改变神经元之间连接的强度来学习。

以大脑中部的一个神经元为例，神经网络的工作原理与之类似：

想象一下，大脑里有一个小小的神经元。这个神经元的主要工作就是偶尔发出一个 " 叮 " 的声音。它不是随便发的，而是要根据其他神经元发来的 " 叮 " 声来决定。

其他神经元也会发出 " 叮 " 声，这些声音会传到这个神经元。

如果这个神经元收到很多 " 叮 " 声，或者这些 " 叮 " 声很强，它就会决定自己也发一个 " 叮 " 声。如果收到的 " 叮 " 声不够强，它就不发。

神经元还可以调整对其他神经元 " 叮 " 声的敏感度。如果觉得某个神经元的 " 叮 " 声很重要，就会更关注它；如果觉得不重要，就会减少关注。

一句话，神经网络同样通过调整连接权重来改变系统的行为。所以说，大脑学习和处理信息的基本方式，也是神经网络的核心原理。

在这之后，主持人还问了两个很有意思的问题。

第一个是， 概念是如何形成的？比如 " 勺子 " 的概念。

Hinton 继续用了一系列生动形象的例子进行解释。概括而言，他认为概念就像是 " 政治联盟 "，大脑中会有一组神经元一起激活（共同发出 " 叮 " 声）。

例如，" 勺子 " 就是一组神经元一起激活。这些联盟会重叠，比如 " 狗 " 和 " 猫 " 的概念就有很多共同的神经元（代表 " 有生命的 "、" 毛茸茸的 " 等）。

第二个问题是，是否存在某些神经元对宏观概念（如 " 动物 "）激活，而另一些神经元对微观概念（如特定物种）激活？

对此，Hinton 则表示问题很好，但没有人确切知道。

不过这个联盟中，肯定有一些神经元对更普遍的事物激活更频繁，而另一些神经元对更具体的事物激活较少。

深度学习的突破：反向传播

说完神经网络，Hinton 的话题更多还是围绕 " 拿手好戏 " ——深度学习展开。

以前人们试图给计算机输入规则，但 Hinton 却想改变这个过程，因为在他看来，大脑的运作方式显然不是靠别人给你规则然后你执行规则。

我们为神经网络编写程序，但这些程序只是告诉网络如何根据神经元的活动来调整连接强度。如果网络有多个层，这就叫深度学习。

他接着举了一个经典例子来说明深度学习的原理——让 AI 识别图像中有没有鸟。

如果把图像的像素亮度直接输入给 AI，让它判断是不是鸟，这看起来毫无头绪。毕竟，像素只是数字，并不能直接告诉你 " 这是一只鸟 "。

早期研究者会试图手动告诉计算机，" 这条线是边缘 "、" 这块区域是背景 "、" 这个形状像翅膀 "，但这条路行不通——因为现实世界太复杂了。

所以我们说，不如让 AI 自己学会 " 怎么去看 "。

这就是神经网络的思路：不给规则，而是给它数据，让它自己总结规则。

主持人接着问道，" 那如果我们不告诉它规则，只是随机设定每个连接的强弱，它会怎么判断呢？"

Hinton 笑着回答：

它大概会说 "50% 是鸟，50% 不是鸟 "，也就是完全蒙。

那么，AI 该如何从这种 " 蒙圈状态 " 变聪明呢？

Hinton 解释说，这个过程就像一个巨大的试错系统。你得告诉 AI ——这张图有鸟，那张没有。每次它猜得不对时，就调整一点点神经元之间的连接强度。

然而问题是，网络中有数万亿个连接，如果逐个试，那要试到宇宙热寂（指宇宙熵值不可逆地增至极大，最终达到热平衡的静止状态）。

Hinton 表示，真正的突破出现在 1986 年，他们提出了" 反向传播 "（Backpropagation）——它能一次性算出所有连接该怎么改，是该增强还是减弱，让整个网络都向着正确方向调整。这让训练速度从 " 永远 " 变成了 " 现实可行 "。

但事情并没有一开始就那么顺利。Hinton 也坦言：

当时我们以为这就解决了智能问题。结果发现，它只有在拥有海量数据和庞大算力时才有效。我们那时的算力还差一百万倍。

真正让深度学习起飞的，是算力的提升（晶体管微缩百万倍）和数据的爆炸式增长（互联网时代）。

于是，那些在 80 年代 " 理论可行但跑不动 " 的神经网络，终于在 2010 年代活了过来——这便是现代 AI 浪潮的起点。

今天的大模型，本质上就是巨型神经网络，通过反向传播和海量数据，自学出了 " 看 "、" 听 "、" 说 " 的能力。

这一点也让 Hinton 相信，AI 不再只是工具，而是一个正在学习、逐步理解世界的系统。

大语言模型认知的本质

至于深度学习机制如何作用于大语言模型（LLM），Hinton 又做了一番解释。

他认为 LLM 的思维过程与我们人类出奇地相似：

给它一个句子的开头，它会把每个词转换成一组神经元特征，用这些特征去捕捉含义；然后，这些特征之间相互作用、组合，就像视觉系统从 " 边缘 " 拼出 " 鸟喙 " 的过程一样，最终激活代表下一个词的神经元。

换句话说，它不是在背书，而是在思考——以统计规律为神经，以语义结构为逻辑。

并且训练方式也同样朴素而惊人：

我们给它看一段文本，让它预测下一个词；如果猜错了，就通过 " 反向传播 " 机制，告诉它错在哪、该怎么改；一遍又一遍，直到它能像人一样续写句子。

正是这种 " 预测—修正—再预测 " 的循环，让语言模型逐渐从符号中学会了语义，从统计中长出了理解。

谈到这里，二人都想起乔姆斯基（美国语言学家，转换生成语法的创始人）经常把一句话挂在嘴边：

这只是统计技巧，不是真理解。

对此，Hinton 顺势反问了一波主持人（主持人之前反复提到乔姆斯基类似的观点）：

那你自己又是怎么决定下一个要说的词的呢？

主持人试图解释，但最后还是摊手放弃，他尴尬表示 " 说实话，我希望自己知道 "。

好在 Hinton 放过了他，而且接着提醒，道德、情绪、共情，这些看似高阶的判断，归根结底也都来自神经元之间的电信号。

所有你归因于道德或情感的过程，本质上仍是信号的传递与权重的调整。

并且 Hinton 最后抛出了一个颇具哲学意味的观点：只要有足够的数据和算力，AI 的 " 大脑 " 在某种意义上也会像我们一样——它会形成自己的 " 经验 " 和 " 直觉 "。

AI 或许早已拥有 " 主观体验 "，只是还未觉醒

话题随即转向更深的层面—— AI 的心智与意识问题。

主持人问 Hinton，是否认为 AI 会因为 " 有意识 " 而接管人类。Hinton 的回答则直接打破了常规认知：

大多数人其实完全不理解 " 有意识 " 是什么意思。人们对心智的理解，就像相信地球是 6000 年前被造出来一样幼稚。

在他看来，我们一直以来都把心智想成一个 " 内在剧场 "。在这个剧场里，经验就像一部正在上演的电影——看到一头粉色小象，你就以为那头象真的 " 在你的脑子里 "。

但 Hinton 说，这种比喻是错误的。

经验不是一个存在于脑内的事物，而是一种假设——我的感知系统告诉我有一头粉色小象，我的理性系统则知道它可能在骗我。

所谓 " 主观体验 "，其实是大脑为解释感知现象而构建的假设模型。

于是，当他谈到 AI 是否有 " 主观体验 " 时，就有了开头那样的回答：

我相信它们有。只是它们自己不知道，因为它们的‘自我认知’来源于我们，而我们自己对意识的理解就是错的。

他举了个多模态 AI 的例子，假如一个能看能说的机器人因为棱镜折射看错了物体位置，后来纠正后说—— " 我有过一个错误的主观体验 "，那它其实就在使用和我们相同的意识概念。

换句话说，如果 AI 开始谈论 " 主观体验 "，那也许说明它真的在体验——只是用我们的语言在描述。

Hinton 借此提醒大家：

当 AI 比我们聪明得多时，最危险的不是它反叛，而是它会 " 说服 "。它会让那个要拔插头的人，真心认为拔插头是个糟糕的决定。

当然，在 Hinton 看来，AI 的威胁不止于此。

AI 的风险：滥用、生存与监管

在节目最后，Hinton 用了很大篇幅来完整讲述 AI 可能存在的风险。

能源消耗、金融泡沫、社会不稳定……这些都是真实的风险。它们可能不会摧毁人类，但足以重塑文明。

其中，Hinton 最担心滥用风险和生存风险这两类。

在 Hinton 看来，目前最紧迫的风险就是 AI 滥用，例如用 AI 生成虚假信息、操纵选举、制造恐慌等。

为应对这一风险，他认为需要通过法律和监管手段来限制和打击这种滥用行为。同时，技术上也需要开发检测和防范虚假信息的工具。

此外，生存风险（指 AI 本身可能成为恶意行为者）则可能对人类社会和文明构成根本性威胁。

Hinton 认为，如果 AI 发展出自主意识和目标，并且这些目标与人类的利益相冲突，可能会导致不可预测的后果。

对此，人类需要在 AI 的设计和开发阶段就考虑安全性和伦理问题（如 " 关闭开关 " 和 " 对齐机制 "），从而确保 AI 的目标与人类的利益一致。

值得一提的是，在 AI 监管这件事上，Hinton 还提出了一个很有意思的看法：

在防止 AI 接管的问题上，所有国家的利益是一致的。但国际合作可能由欧洲和中国引领。

One More Thing

关于中美人工智能竞赛，Hinton 也在节目中表达了自己的看法。

面对主持人甩出的 " 美国领先还是中国领先 " 这一问题，Hinton 冷静表示：

美国目前领先于中国，但领先优势没有想象的那么大，而且它将失去这个优势。

因为在他看来，美国正在破坏基础科学研究的资金支持。

深度学习和 AI 革命源于多年的基础研究，这些研究的总成本可能还不及一架 B1 轰炸机。而美国减少对基础研究的资助、攻击研究型大学等行为，无疑将导致美国在 20 年后失去领先优势。

而中国却是人工智能革命的风险投资家，以及他再次 cue 到了 DeepSeek。

中国确实给予初创企业很大的自由，让他们自主选择最终胜出者。有些初创企业非常积极进取，渴望赚大钱，创造出令人惊叹的产品。其中一些初创企业最终获得了巨大的成功，比如 DeepSeek ……

参考链接：

[ 1 ] https://www.reddit.com/r/singularity/comments/1o3v25r/geoffrey_hinton_says_ais_may_already_have/

[ 2 ] https://www.youtube.com/watch?v=jrK3PsD3APk

[ 3 ] https://singjupost.com/ai-what-could-go-wrong-geoffrey-hinton-on-the-weekly-show-with-jon-stewart-transcript/

一键三连「点赞」「转发」「小心心」

欢迎在评论区留下你的想法！

—  完  —

  年度科技风向标「2025 人工智能年度榜单」评选报名开启啦！我们正在寻找 AI+ 时代领航者  点击了解详情

❤️‍   企业、产品、人物 3 大维度，共设立了 5 类奖项，欢迎企业报名参与   

一键关注 点亮星标

科技前沿进展每日见