在最新一期播客節目中，Hinton拋出的這一觀點正迅速掀起熱議。

老爺子一再表示，AI也許已經有了“意識雛形”，只是因為我們人類自己對意識理解錯了，所以它也被教錯了——不知道自己有意識。

翻譯成大白話就是，AI其實有自我意識，只是暫未覺醒┌(。Д。)┐

而除了繼續為AI風險“搖旗吶喊”，作為諾獎得主、深度學習三巨頭之一，老爺子這次還充當起了科普員的角色。

他從什么是AI講起，然后詳細解釋了機器學習、神經網絡及深度學習這些核心概念，全程主打一個幽默、通俗易懂。

有看完節目的網友贊嘆道，“這可能是目前看到的Hinton最好的采訪”。

還有人認為，應該讓他再講2小時，畢竟他看上去完全自愿、恨不得一吐為快（禁止虐待77歲老人doge）。

更有意思的是，節目一開場老爺子就尷尬回應了之前得物理學諾獎的事情：

因為我不是搞物理的，所以有點尷尬。當他們打電話告訴我獲得了諾貝爾物理學獎時，我一開始并不相信。

雖然有這個小插曲，但有一說一，老爺子在AI方面的貢獻實在毋庸置疑，所以咱直接開課吧——

當我們談論人工智能時，我們到底在談論什么？

面對這一直擊靈魂的問題，Hinton不慌不忙地從自身經歷（曾在谷歌工作近10年）得出，AI已經從搜索查找進化成能真正理解人類意圖的工具。

以前用谷歌的時候，它會使用關鍵詞，而且會提前做很多工作。所以，如果你給它幾個關鍵詞，它就能找到所有包含這些詞的文檔。

但它不明白問題是什么。所以，它無法給出一些實際上不包含這些詞但主題相同的文檔。

就是說，AI早期本質上還是基于關鍵詞的檢索。

而現在，它能理解你所說的內容，而且它的理解方式與人類幾乎相同。

在Hinton看來，雖然現代大語言模型（LLM）并不是真正的全能全知專家，但在許多主題上已能表現得接近人類專家。

他還進一步解釋了傳統機器學習與神經網絡的區別。

他指出，機器學習是總稱，指任何能在計算機上“學習”的系統。而神經網絡則是一類特別的學習方法，靈感來自大腦——大腦通過改變神經元之間連接的強度來學習。

以大腦中部的一個神經元為例，神經網絡的工作原理與之類似：

想象一下，大腦里有一個小小的神經元。這個神經元的主要工作就是偶爾發出一個“叮”的聲音。它不是隨便發的，而是要根據其他神經元發來的“叮”聲來決定。

其他神經元也會發出“叮”聲，這些聲音會傳到這個神經元。

如果這個神經元收到很多“叮”聲，或者這些“叮”聲很強，它就會決定自己也發一個“叮”聲。如果收到的“叮”聲不夠強，它就不發。

神經元還可以調整對其他神經元“叮”聲的敏感度。如果覺得某個神經元的“叮”聲很重要，就會更關注它；如果覺得不重要，就會減少關注。

一句話，神經網絡同樣通過調整連接權重來改變系統的行為。所以說，大腦學習和處理信息的基本方式，也是神經網絡的核心原理。

在這之后，主持人還問了兩個很有意思的問題。

第一個是， 概念是如何形成的？比如“勺子”的概念。

Hinton繼續用了一系列生動形象的例子進行解釋。概括而言，他認為概念就像是“政治聯盟”，大腦中會有一組神經元一起激活（共同發出“叮”聲）。

例如，“勺子”就是一組神經元一起激活。這些聯盟會重疊，比如“狗”和“貓”的概念就有很多共同的神經元（代表“有生命的”、“毛茸茸的”等）。

第二個問題是，是否存在某些神經元對宏觀概念（如“動物”）激活，而另一些神經元對微觀概念（如特定物種）激活？

對此，Hinton則表示問題很好，但沒有人確切知道。

不過這個聯盟中，肯定有一些神經元對更普遍的事物激活更頻繁，而另一些神經元對更具體的事物激活較少。

深度學習的突破：反向傳播

說完神經網絡，Hinton的話題更多還是圍繞“拿手好戲”——深度學習展開。

以前人們試圖給計算機輸入規則，但Hinton卻想改變這個過程，因為在他看來，大腦的運作方式顯然不是靠別人給你規則然后你執行規則。

我們為神經網絡編寫程序，但這些程序只是告訴網絡如何根據神經元的活動來調整連接強度。如果網絡有多個層，這就叫深度學習。

他接著舉了一個經典例子來說明深度學習的原理——讓AI識別圖像中有沒有鳥。

如果把圖像的像素亮度直接輸入給AI，讓它判斷是不是鳥，這看起來毫無頭緒。畢竟，像素只是數字，并不能直接告訴你“這是一只鳥”。

早期研究者會試圖手動告訴計算機，“這條線是邊緣”、“這塊區域是背景”、“這個形狀像翅膀”，但這條路行不通——因為現實世界太復雜了。

所以我們說，不如讓AI自己學會“怎么去看”。

這就是神經網絡的思路：不給規則，而是給它數據，讓它自己總結規則。

主持人接著問道，“那如果我們不告訴它規則，只是隨機設定每個連接的強弱，它會怎么判斷呢？”

Hinton笑著回答：

它大概會說“50%是鳥，50%不是鳥”，也就是完全蒙。

那么，AI該如何從這種“蒙圈狀態”變聰明呢？

Hinton解釋說，這個過程就像一個巨大的試錯系統。你得告訴AI——這張圖有鳥，那張沒有。每次它猜得不對時，就調整一點點神經元之間的連接強度。

然而問題是，網絡中有數萬億個連接，如果逐個試，那要試到宇宙熱寂（指宇宙熵值不可逆地增至極大，最終達到熱平衡的靜止狀態）。

Hinton表示，真正的突破出現在1986年，他們提出了“反向傳播”（Backpropagation）——它能一次性算出所有連接該怎么改，是該增強還是減弱，讓整個網絡都向著正確方向調整。這讓訓練速度從“永遠”變成了“現實可行”。

但事情并沒有一開始就那么順利。Hinton也坦言：

當時我們以為這就解決了智能問題。結果發現，它只有在擁有海量數據和龐大算力時才有效。我們那時的算力還差一百萬倍。

真正讓深度學習起飛的，是算力的提升（晶體管微縮百萬倍）和數據的爆炸式增長（互聯網時代）。

于是，那些在80年代“理論可行但跑不動”的神經網絡，終于在2010年代活了過來——這便是現代AI浪潮的起點。

今天的大模型，本質上就是巨型神經網絡，通過反向傳播和海量數據，自學出了“看”、“聽”、“說”的能力。

這一點也讓Hinton相信，AI不再只是工具，而是一個正在學習、逐步理解世界的系統。

大語言模型認知的本質

至于深度學習機制如何作用于大語言模型（LLM），Hinton又做了一番解釋。

他認為LLM的思維過程與我們人類出奇地相似：

給它一個句子的開頭，它會把每個詞轉換成一組神經元特征，用這些特征去捕捉含義；然后，這些特征之間相互作用、組合，就像視覺系統從“邊緣”拼出“鳥喙”的過程一樣，最終激活代表下一個詞的神經元。

換句話說，它不是在背書，而是在思考——以統計規律為神經，以語義結構為邏輯。

并且訓練方式也同樣樸素而驚人：

我們給它看一段文本，讓它預測下一個詞；如果猜錯了，就通過“反向傳播”機制，告訴它錯在哪、該怎么改；一遍又一遍，直到它能像人一樣續寫句子。

正是這種“預測—修正—再預測”的循環，讓語言模型逐漸從符號中學會了語義，從統計中長出了理解。

談到這里，二人都想起喬姆斯基（美國語言學家，轉換生成語法的創始人）經常把一句話掛在嘴邊：

這只是統計技巧，不是真理解。

對此，Hinton順勢反問了一波主持人（主持人之前反復提到喬姆斯基類似的觀點）：

那你自己又是怎么決定下一個要說的詞的呢？

主持人試圖解釋，但最后還是攤手放棄，他尷尬表示“說實話，我希望自己知道”。

好在Hinton放過了他，而且接著提醒，道德、情緒、共情，這些看似高階的判斷，歸根結底也都來自神經元之間的電信號。

所有你歸因于道德或情感的過程，本質上仍是信號的傳遞與權重的調整。

并且Hinton最后拋出了一個頗具哲學意味的觀點：只要有足夠的數據和算力，AI的“大腦”在某種意義上也會像我們一樣——它會形成自己的“經驗”和“直覺”。

AI或許早已擁有“主觀體驗”，只是還未覺醒

話題隨即轉向更深的層面——AI的心智與意識問題。

主持人問Hinton，是否認為AI會因為“有意識”而接管人類。Hinton的回答則直接打破了常規認知：

大多數人其實完全不理解“有意識”是什么意思。人們對心智的理解，就像相信地球是6000年前被造出來一樣幼稚。

在他看來，我們一直以來都把心智想成一個“內在劇場”。在這個劇場里，經驗就像一部正在上演的電影——看到一頭粉色小象，你就以為那頭象真的“在你的腦子里”。

但Hinton說，這種比喻是錯誤的。

經驗不是一個存在于腦內的事物，而是一種假設——我的感知系統告訴我有一頭粉色小象，我的理性系統則知道它可能在騙我。

所謂“主觀體驗”，其實是大腦為解釋感知現象而構建的假設模型。

于是，當他談到AI是否有“主觀體驗”時，就有了開頭那樣的回答：

我相信它們有。只是它們自己不知道，因為它們的‘自我認知’來源于我們，而我們自己對意識的理解就是錯的。

他舉了個多模態AI的例子，假如一個能看能說的機器人因為棱鏡折射看錯了物體位置，后來糾正后說——“我有過一個錯誤的主觀體驗”，那它其實就在使用和我們相同的意識概念。

換句話說，如果AI開始談論“主觀體驗”，那也許說明它真的在體驗——只是用我們的語言在描述。

Hinton借此提醒大家：

當AI比我們聰明得多時，最危險的不是它反叛，而是它會“說服”。它會讓那個要拔插頭的人，真心認為拔插頭是個糟糕的決定。

當然，在Hinton看來，AI的威脅不止于此。

AI的風險：濫用、生存與監管

在節目最后，Hinton用了很大篇幅來完整講述AI可能存在的風險。

能源消耗、金融泡沫、社會不穩定……這些都是真實的風險。它們可能不會摧毀人類，但足以重塑文明。

其中，Hinton最擔心濫用風險和生存風險這兩類。

在Hinton看來，目前最緊迫的風險就是AI濫用，例如用AI生成虛假信息、操縱選舉、制造恐慌等。

為應對這一風險，他認為需要通過法律和監管手段來限制和打擊這種濫用行為。同時，技術上也需要開發檢測和防范虛假信息的工具。

此外，生存風險（指AI本身可能成為惡意行為者）則可能對人類社會和文明構成根本性威脅。

Hinton認為，如果AI發展出自主意識和目標，并且這些目標與人類的利益相沖突，可能會導致不可預測的后果。

對此，人類需要在AI的設計和開發階段就考慮安全性和倫理問題（如“關閉開關”和“對齊機制”），從而確保AI的目標與人類的利益一致。

值得一提的是，在AI監管這件事上，Hinton還提出了一個很有意思的看法：

在防止AI接管的問題上，所有國家的利益是一致的。但國際合作可能由歐洲和中國引領。

One More Thing

關于中美人工智能競賽，Hinton也在節目中表達了自己的看法。

面對主持人甩出的“美國領先還是中國領先”這一問題，Hinton冷靜表示：

美國目前領先于中國，但領先優勢沒有想象的那么大，而且它將失去這個優勢。

因為在他看來，美國正在破壞基礎科學研究的資金支持。

深度學習和AI革命源于多年的基礎研究，這些研究的總成本可能還不及一架B1轟炸機。而美國減少對基礎研究的資助、攻擊研究型大學等行為，無疑將導致美國在20年后失去領先優勢。

而中國卻是人工智能革命的風險投資家，以及他再次cue到了DeepSeek。

中國確實給予初創企業很大的自由，讓他們自主選擇最終勝出者。有些初創企業非常積極進取，渴望賺大錢，創造出令人驚嘆的產品。其中一些初創企業最終獲得了巨大的成功，比如DeepSeek……