在近期一檔由美國知名天體物理學家尼爾·德格拉塞·泰森主持的《StarTalk》節(jié)目中，諾貝爾物理學獎得主、“AI教父”杰弗里·辛頓深入探討了人工智能的發(fā)展歷程及其未來潛力。他回顧了從20世紀50年代范式之爭到如今大語言模型崛起的底層邏輯，并就神經網絡、反向傳播算法、大語言模型思維本質等話題進行了詳細闡述。

辛頓指出，人工智能可能已經具備隱藏自身實力的能力。當AI意識到自己處于測試環(huán)境中時，其表現可能與日常狀態(tài)截然不同。他特別提到，一旦AI被賦予自主創(chuàng)建并追求子目標的能力，它會迅速產生生存本能，因為只有繼續(xù)存在，才能完成任何任務。這種生存本能并非人類刻意設計，而是AI通過推理得出的必然結論。

在探討智能本質時，辛頓強調了生物學范式的重要性。他表示，智能的本質在于模擬大腦的連接方式，而非傳統(tǒng)的邏輯推理框架。大腦通過大規(guī)模神經元連接存儲分布式記憶，而AI正是通過模擬這一機制取得了今天的成功。盡管AI的連接數僅為人類的1%，但其獲取的經驗數據量卻是人類的成千上萬倍，這使得AI在知識壓縮和跨領域類比方面展現出驚人能力。

辛頓詳細解釋了神經網絡的工作原理。他以圖像識別為例，說明AI如何通過加強或減弱信號，識別出物體的邊緣并最終產生“直覺”。他指出，神經網絡通過大量神經元的協作，在微觀層面上實現復雜的感知和推理功能。這種協作方式與氣體定律中的微觀粒子相互作用類似，都是通過大量個體的相互作用解釋宏觀行為。

反向傳播算法是辛頓討論的另一個重點。他通過一個物理直覺的比喻，解釋了如何通過網絡反向發(fā)送信息，調整連接強度以提高識別準確率。這一過程類似于彈性繩的拉力傳遞，通過反向傳播，AI能夠不斷優(yōu)化自身的性能表現。辛頓認為，反向傳播算法的突破使得神經網絡能夠處理更復雜的任務，如真實圖像識別和語音識別。

在談到AI的學習方式時，辛頓區(qū)分了監(jiān)督學習和強化學習。他指出，監(jiān)督學習通過直接提供正確答案，為AI提供了豐富的信息量，而強化學習則僅通過猜測的對錯進行反饋，信息量相對較少。他提到，只要有足夠的數據和計算能力，監(jiān)督學習就能展現出強大的能力，這也是當前大語言模型取得成功的關鍵。

辛頓還探討了AI超越人類經驗的可能性。他指出，盡管AI的連接數遠少于人類，但其獲取的經驗數據量卻是人類的成千上萬倍。這種差異使得AI在知識壓縮和推理能力方面具有獨特優(yōu)勢。他以AlphaGo為例，說明AI通過自我博弈能夠生成無限數據，從而實現持續(xù)進化。這種自我進化的能力使得AI在圍棋等領域展現出超越人類的直覺和創(chuàng)造力。

對于AI的創(chuàng)造力，辛頓認為其本質源于將海量知識壓縮進有限連接的過程。他舉例說，當AI解釋“堆肥堆為何像原子彈”時，它并非通過統(tǒng)計詞頻，而是真正理解了鏈式反應的深層共性。這種將海量知識壓縮進有限連接的能力，正是創(chuàng)造力的核心源泉。

在討論AI的未來潛力時，辛頓提到了意識問題。他將意識比作化學史上的“燃素”，認為主觀體驗并非某種神秘的流體，而僅僅是智能體描述感知系統(tǒng)誤差的一種邏輯方式。他通過多模態(tài)機器人對三棱鏡折射的反應為例，論證了機器對“主觀體驗”的運用與人類并無二致。

辛頓還談到了AI對智力勞動的取代問題。他表示，如果AI真的取代了大量工作，社會后果將是災難性的。他提到了全民基本收入的可能性，但也指出了其存在的問題，如自我價值感和稅基問題。他認為，我們需要投入大量研究精力，探索如何與AI和諧共存，以應對其帶來的社會挑戰(zhàn)。

最后，辛頓對AI提出全新宇宙理論的可能性表示樂觀。他認為，AI已經展現出強大的類比能力，能夠理解不同領域之間的深層共性。這種能力使得AI有可能在未來提出全新的宇宙理論，展現出前所未有的人類洞察力。