YT YouTube2Text

YouTube2Text → Transcripts → 清华教授：应试教育在AI面前全军覆没，我们应该如何重新学习？

清华教授：应试教育在AI面前全军覆没，我们应该如何重新学习？ — Transcript

by 课代表立正 · 3,753 words · 3,580 segments · language en · Watch on YouTube

Open in transcriber Summarize with AI Download SRT/VTT

Full transcript

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
0:27AI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
0:32AI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
1:05AI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
1:23OK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
2:48AI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
3:03Marvin 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
3:292016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
3:392015年了我当时已经回国
3:40MIT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
4:212016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
5:04Marvin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
5:48which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
7:522020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
9:46AI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
12:43Instant 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
13:35Hinton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
14:11Hinton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
15:20Hinton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
17:470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
22:16AI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
22:24AI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
23:24Hinton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
23:3995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
25:39Hinton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
25:49philosophy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
31:20100万年都是同样的形状
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
32:06ChatGPT-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
32:19AI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
32:37Joe 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
33:04consciousness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
34:41Hinton也认为大模型已经有了
34:43subjective 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
35:254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
38:06AI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
40:28100%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
41:06AI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
44:01subjective 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
44:59Neuralink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
45:21McCulloch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
46:05AI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
47:51100万年前是这样子
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
48:01AI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
48:24AI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
51:26OK 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
51:43biophysical那个neuron
51:45这种仿真的这块
51:46或者叫精细神经元
51:47detail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
52:03XOR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
52:18RNN（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
52:39RNN里面有这个t
52:41Hopfield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
54:13RNN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
54:25hierarchy其实就是长程连接
54:27long-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
54:36feedback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
54:5020%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
55:32predict 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
56:27transformer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
56:32transformer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
1:00:22因为做机器人
1:00:23我觉得有两个最大的挑战
1:00:25第一个就是我们刚才说的这种并行加工
1:00:28我们现在的所有机器人
1:00:30包含国外的
1:00:31比如说像马斯克做的这种机器人
1:00:33Optimus都存在一个问题
1:00:35他没有眼睛
1:00:36眼睛不是说我不能识别一张图片
1:00:38或者识别一张场景
1:00:39而是我要快速的捕捉到信息
1:00:42想象我们的祖先在野外行走
1:00:44看见一个东西一晃而过
1:00:47你的第一系统要马上做出反应
1:00:48这可能是只老虎
1:00:50赶紧跑(逃)命吧
1:00:51而不是定下来一个一个的token去处理
1:00:54这个到底是啥
1:00:55哦然后意识到这是个老虎
1:00:57那你小命肯定没了
1:00:58就我们人的这种快速反应能力
1:01:00快速识别能力
1:01:01快速感知能力
1:01:03这个东西
1:01:04就是我们的并行加工的这套系统
1:01:06这个东西非常非常的困难
1:01:08很多同学脑子中
1:01:09可能这个时候
1:01:10会出现一个自动驾驶的画面
1:01:11然后他会去想哦
1:01:12我不是明明可以做一个识别
1:01:14然后看到这个物体正在向我(过来）
1:01:16然后我躲开吗
1:01:17您刚刚说的那个东西和这个的区别
1:01:19可能是
1:01:19他是不是进入了那个学习的系统是这样吗
1:01:22不是的这个自动驾驶呢
1:01:24是一个取巧
1:01:26它是在一个封闭环境里面
1:01:28我的问题集是有限的
1:01:30在马路上你能出现啥
1:01:31是非常有限的数据集
1:01:33当你的数据集一旦有限
1:01:35这问题都不是问题
1:01:37你快速飞来的一块石头
1:01:38你快速飞来一个东西
1:01:40这个东西我是有预判的
1:01:41因为你不可能
1:01:42比如说在马路上突然飞过来一头猪
1:01:44对吧这种概率是很小
1:01:46就是说自动驾驶这个领域
1:01:47它能做到快速识别
1:01:49是因为要解决的数据集就是有限的
1:01:51但对于我们人来说
1:01:53我们人是要进化出一套通用的系统出来
1:01:55我在开车
1:01:56这个没问题
1:01:57我在打架的时候
1:01:58我在拳击的时候
1:01:59我又是另外一个setting了
1:02:01我在坐着跟你讲话
1:02:02突然一个黑乎乎的东西飞过来
1:02:03对吧当我们的问题从close-ended
1:02:07就从一个封闭变成open-ended
1:02:09那这个难度就太大了
1:02:11这完全就不是同一个量级的东西
1:02:13封闭的问题永远是好解的
1:02:15我举个简单例子大家就能理解了
1:02:17为什么衡水中学把大家关起来
1:02:20从早上6点一直学到晚上11点
1:02:22好多人就能考上北大
1:02:23考上清华
1:02:24考上很好的大学
1:02:25因为高考考的就是一个封闭的
1:02:27一个数据集的问题
1:02:29那大纲里面就这么多东西
1:02:30你花更多时间你就能背下来
1:02:32但是你到了大学
1:02:34再按照衡水中学那套方法学习
1:02:36你就发现勤奋肯定会有帮助
1:02:38但是不一定
1:02:39你就能够有很强的事业成功
1:02:40道理非常简单
1:02:41因为你到了大学之后
1:02:42你所碰见的问题是开放问题了
1:02:44你进了社会更是开放问题了对
1:02:47然后第二个呢
1:02:48就是我们人经常有一种误解
1:02:51认为我们人能做的东西都是简单东西
1:02:54不能做的东西都是代表智商的高低
1:02:57比如说我们说352*756等于多少
1:03:01我相信这个对99%的人来说都不会做了
1:03:04但是有个人随口就马上说出正确答案
1:03:06我们就觉得哦这人怎么这么聪明
1:03:08因为我们在进化的过程中
1:03:09我们就不是为了做352*768这个任务
1:03:13来进化的
1:03:14我们是在进化什么
1:03:15我们是在进化生存
1:03:17所以说其实352*768这个问题非常简单
1:03:20我随便摸个计算器出来一按我就知道答案了
1:03:23因为这个东西
1:03:24它的计算是非常非常简单的
1:03:26但是你刚才说的
1:03:27比如说我在咖啡杯上拉一个花出来
1:03:29现在最厉害的灵巧手也干不了
1:03:31这件事情
1:03:32但对我们来说随便是个人对吧
1:03:34稍微训练个一两天
1:03:36拉个花出来肯定是没问题
1:03:37非常非常简单的一件事情
1:03:39我们就认为这件事情很简单
1:03:41但这个对AI来说
1:03:42对具身智能来说太困难了
1:03:45道理非常简单
1:03:46因为我们为生存而准备的
1:03:49各种运动技能
1:03:50全在我们的小脑这一块儿
1:03:52我们小脑其实是我们整个brain里面啊
1:03:55通常在英文里面
1:03:56我们把大脑和小脑把它分开
1:03:58大脑我们叫cerebral cortex
1:04:00小脑叫cerebellum
1:04:01在汉语里面嘛
1:04:02都叫大脑
1:04:02就容易搞混淆
1:04:04cerebral cortex 我们叫大脑皮层吧
1:04:06这样容易区分开
1:04:07小脑我们还是叫小脑
1:04:08大脑我们总共有860亿神经元
1:04:11on average
1:04:12大脑皮层大概只占110亿左右
1:04:15也就说差不多1/8
1:04:17有将近700亿的神经元
1:04:19在哪里在小脑
1:04:21就说我们小脑的神经元
1:04:23大约是大脑皮层神经元
1:04:25数量的6倍到7倍
1:04:26大脑里面其实大部分东西都是空的
1:04:29只有神经元在大脑皮层上面有分布
1:04:32在里面全是一些白质纤维连线
1:04:35而小脑是一个神经元接一个神经元
1:04:37接一个神经元
1:04:38秘密的排在一起
1:04:40因为从进化上来讲
1:04:41大家脑袋不会乱长东西的
1:04:43不会说我没什么用
1:04:43给你堆很多神经元
1:04:44因为神经元特别耗能
1:04:46就是因为我们的小脑
1:04:47它是一个超级的算力中心
1:04:49怎么来理解
1:04:50我给大家举个简单例子
1:04:52你一下就明白了
1:04:53就我们有很多数学天才
1:04:55拉马努金等等
1:04:56我们大家觉得哇
1:04:57这种简直不敢想象的数学天才
1:04:59但是有一种理论
1:05:01这种理论也有一定的实验支持
1:05:03说这些数学天才
1:05:05其实跟我们常人是一样的
1:05:07他们的大脑皮层
1:05:08能够去触达他们小脑的计算
1:05:12access小脑的计算
1:05:13其实也就是说你给我一个偏微分方程
1:05:16你给我一个特别复杂的运算
1:05:17其实那个the brain我早就把它算干净了
1:05:20只是我的意识比较弱
1:05:22我不知道我算出来了
1:05:23而那些数学家呢
1:05:24我能够somehow某种方式
1:05:26我能够access
1:05:27到小脑的这种computation里面去
1:05:29cerebellum的computation里面去
1:05:31所以说很多数学家他就只知道答案
1:05:33并不知道我是怎么得到的
1:05:35比如像拉马努金
1:05:36刷刷刷给你写个公式出来
1:05:37你问他这公式怎么得到的
1:05:38我做梦梦到的
1:05:39就是所谓的直觉和体感吗
1:05:41前段时间采访那个RYO
1:05:42他也说他看一个产品好不好
1:05:44他直接就生理反应
1:05:45有点这种感觉
1:05:46你那个说的
1:05:47更多的是一种潜意识的加工
1:05:491系统
1:05:50我刚说小脑
1:05:51我们的整个brain
1:05:52里面的算力中心在小脑
1:05:54我们经常骂人的话嘛
1:05:55头脑简单
1:05:56四肢发达
1:05:56说你这人就是长了小脑
1:05:58没长大脑
1:05:59小脑才是我们真正的算力中心
1:06:01而这一块的东西
1:06:02完完全全现在的AI是没有去触碰到的
1:06:05我们现在的AI系统
1:06:07更多的是在干什么事情呢
1:06:09在模仿我们人类大脑皮层的系统二
1:06:12搞推理做数学题
1:06:14大家一看哇
1:06:15怎么这么厉害
1:06:15这么多知识了
1:06:16其实这对人来说它根本说不重要
1:06:19为什么
1:06:19因为我们进化出这些东西出来
1:06:22夸张一点也就是300万年的时间
1:06:25假设严谨一点来说
1:06:27我们有书写文字
1:06:29有数学推理
1:06:31能写出来的也就6,000年的时间
1:06:33如果假设我们再放宽一点
1:06:35我们能够说话
1:06:36spoken language
1:06:38最多也就80万年的时间
1:06:40你仅仅用了6,000年
1:06:42或者用了80万年所进化出来的东西
1:06:44你能进化出什么高阶的东西出来
1:06:47它都是一些智能的皮毛
1:06:49而真正的智能的本质
1:06:51是经过38亿年进化出来的生存survival
1:06:55所以说现在你
1:06:56把那个马斯克的机器人扔到大街上
1:06:58分分钟钟死掉
1:07:00当然前提后面不能有个人
1:07:01拿个遥控板在这操控啊
1:07:03分分钟钟死掉
1:07:05survival这是我们人类要干的
1:07:07那么小脑在干什么事情
1:07:09在我看来
1:07:10它就是构建了一个像Yann LeCun他们
1:07:12一直在大力吹捧的world model
1:07:14世界模型
1:07:15它是对这个世界的表征
1:07:17怎么来运算怎么来做
1:07:18最相关的最重要的一个器官
1:07:20而这个东西是非常复杂的
1:07:22比如说我要把这个本子
1:07:24扔到一个计算机屏幕上面来
1:07:26扔到这谁都会做
1:07:27傻子都会做啊
1:07:28对吧这是个挑战吗
1:07:30但是你现在让任何一个机器人
1:07:31来做这么一个问题
1:07:33他做不了
1:07:34因为这是一个太复杂的问题
1:07:36你想想你这么扔一个东西
1:07:38你要控制多少肌肉
1:07:39你的肌肉哪个力度多一点
1:07:41哪个东西少一点
1:07:42比如像这杯水
1:07:43满的我要用多大力气拿起来
1:07:45空了我用多大力气拿起来
1:07:47对吗
1:07:47这些是太复杂的计算了
1:07:49对我们来说不用花心思
1:07:51不占用我心力来干这件事情
1:07:53但其实你知道是谁在累吗
1:07:55小脑在累
1:07:56你只是没意识到而已
1:07:57你觉得325*768很难
1:08:00这个对小脑来说这个哪算难
1:08:02把这个东西扔出去
1:08:03你想想这个计算量得有多大
1:08:04但是这一切
1:08:06都是我们现在完全没有触达的领域
1:08:09所以我认为现在AI或者大模型
1:08:11解决了我们思维决策的这个问题
1:08:14我们的第二系统的问题
1:08:16我觉得现在他做奥数
1:08:17已经比我们人做奥数已经厉害太多
1:08:20他的知识量
1:08:21比我们任何一个人的知识量
1:08:22就要大很多
1:08:23他解决了系统二的问题
1:08:25但是系统一的问题他是完全没有碰到
1:08:28而系统一就是我们所谓的
1:08:31基底神经节小脑这一块
1:08:33都不在我们的考虑范围之内
1:08:34所以说我觉得我们的AI
1:08:36要进入到下一个阶段的AI
1:08:39必须有一场基于脑科学的启蒙运动
1:08:43就像当年脑科学启蒙了神经元
1:08:46启蒙了感知机神经网络
1:08:48启蒙了后面的卷积神经网络
1:08:51我觉得下面还需要一个脑科学
1:08:53在第一系统上面对AI有一个启蒙
1:08:57这个启蒙一旦完成了
1:08:58这个时候AI才会变成一个真正的AI
1:09:02或者真正的物种
1:09:03所以说在这个AI没来临之前
1:09:06我觉得我们先不用担心
1:09:08人类会不会毁灭
1:09:09一个在机房的AI怎么可能毁灭人类呢
1:09:11不可能
1:09:12我们现在只是担心
1:09:13他会不会取代我们的工作而已
1:09:14但是真的
1:09:15当具有第一系统和第二系统的AI
1:09:18既能感知这个世界也能思考这个世界
1:09:22也能做出行动回应这个世界的AI
1:09:25那个时候才是真正的会取代人类
1:09:27那时候人类在他面前就是手无缚鸡之力了
1:09:31人类就直接消亡就可以了
1:09:32但是我感觉那天其实没那么容易到了
1:09:35看起来
1:09:36呃我觉得是这样子的
1:09:37这就是我们的使命
1:09:39做脑科学人的使命
1:09:40这就是为什么
1:09:41我觉得现在大家都在强调类脑AI
1:09:44大家在强调这一块儿
1:09:46但是现在类脑AI
1:09:47被一帮人搞浑水搞得太浑
1:09:48比如他们拿一个脉冲神经网络
1:09:50Spike Neural Network
1:09:52就说这个是类脑神经网络
1:09:54或者加一个乘算一体说这就是人脑
1:09:56就他们把概念借用一下
1:09:58形态借用一下
1:09:59就觉得啊我这个是
1:10:00我觉得水被这帮人搞混了
1:10:02所以说我现在不愿意叫内脑AI
1:10:04我现在叫什么呢
1:10:05叫仿脑AI
1:10:06仿造大脑的AI
1:10:08我觉得这个会很快的发展
1:10:10还不如叫小脑AI呢
1:10:11也可以啊
1:10:12小脑AI
1:10:12可能大家一听小脑嘛就是骂人的话
1:10:14对吧哈哈
1:10:15说这哥们智力不够
1:10:17然后小脑来凑
1:10:18所以我觉得
1:10:19基于脑科学的启蒙运动有了之后
1:10:21这才有脑机接口和机器人
1:10:23现在的脑机接口不具有任何商业价值
1:10:27纯粹就是属于那种叫忽悠韭菜
1:10:29当然韭菜愿意相信
1:10:31那就是一回事了
1:10:32商业就成功了
1:10:33第二个机器人
1:10:34那个脑机接口和机器人
1:10:36我都把它称为具身智能
1:10:38一个是AI向身体具身
1:10:40这就是我们的机器人
1:10:41一个是AI向大脑具身
1:10:44这就是我们所谓的脑机接口
1:10:46这两个的真正的发展关键
1:10:47就在于脑科学
1:10:48在脑科学没有取得突破之前
1:10:51这两个领域
1:10:51其实就只是一个商业上的由头
1:10:55负责割韭菜用的
1:10:56不具有任何商业价值
1:10:58嗯那还是希望脑科学的专家们
1:11:01再躺平一点
1:11:02哈哈哈不要太勤奋了
1:11:04哈哈哈
1:11:04脑科学的最大问题呢
1:11:06它门槛比较高
1:11:07比如说我们说现在做大模型
1:11:09做这种调教也好啊
1:11:11一个计算机本科生就够了
1:11:12你不需要读研究生
1:11:14所以说现在做计算机的教授
1:11:15你反而可以鄙视他
1:11:17因为大模型就2022年出来嘛
1:11:19其实大家都在同一条起跑线上
1:11:21谁也不比谁差多少
1:11:22本科生又能吃苦
1:11:23脑袋又灵活
1:11:24所以说做AI的
1:11:25一线的
1:11:26我觉得30岁之后的都没有多大的希望
1:11:29我觉得都是30岁之前的人赶紧来干活
1:11:31我说做一线的
1:11:32好 30岁之后呢
1:11:33我觉得更多的就靠经验
1:11:35而不是跑去拼大模型算法的
1:11:37靠自己的对这个世界的理解
1:11:39更多的去做一些更好的产品
1:11:41或者更好的应用出来
1:11:42这是30岁之后的人干的事情
1:11:44脑科学不一样
1:11:45脑科学那个东西啊
1:11:46设计的东西太多了
1:11:48本科生出来说
1:11:49我能设计一个脑科学的实验
1:11:51我呢对脑科学有很深刻的理解
1:11:52我觉得不太可能
1:11:53基本上至少要读了博士之后
1:11:55吭哧吭哧做各种实验
1:11:57去理解大脑究竟怎么工作的
1:11:59周期会比较长
1:12:00所以说这也是为什么
1:12:01虽然说我年龄很大了啊
1:12:02仍可以在AI这个领域里面还能扑腾
1:12:05就是因为我就是做了脑科学+AI的一个结合
1:12:08我如果光做AI
1:12:09完全没有任何意义和价值
1:12:11那我替可能会对脑科学感兴趣的观众
1:12:14问一个问题啊
1:12:15确实我真的觉得脑科学很重要
1:12:17如果他对脑科学感兴趣的话
1:12:19您刚刚说
1:12:19脑科学需要对AI进行第二次启蒙
1:12:22脑科学现在的知识积累ready吗
1:12:26脑科学的研究范式对吗
1:12:28别人给我打过一个比方
1:12:29这个比方我一直记得
1:12:30他说现在脑科学呢
1:12:31就好像我们去一个体育馆看球
1:12:34但是我们不是进了那个体育馆
1:12:36站在观众席上看球
1:12:37我们是在体育馆外面拿着一个听筒
1:12:40听体育馆里边哎～欢呼了
1:12:42是吧但这个欢呼声音很大有可能是进球了
1:12:45但有可能是打起来了
1:12:46不知道我们只知道声音很大
1:12:47大概是这种方式去试图
1:12:49就是说
1:12:50脑科学是通过脑电波啊这些东西
1:12:52去研究大脑发生了什么
1:12:53就有点我们通过噪音
1:12:54判断球场里边发生了什么的感觉
1:12:56有点像
1:12:57我觉得是两点啊
1:12:58第一点呢
1:12:59我们不能通过脑电波这种东西来
1:13:02我们必须去看
1:13:04看见的看
1:13:05每个神经元究竟是怎么放电的
1:13:08举个简单的例子
1:13:09我以前是做人的我用functional MRI
1:13:12就说功能磁共振来做人
1:13:14后来我做了20多年
1:13:16我在这个领域里面有点小名气
1:13:18但是后来我为了和人工神经网络结合
1:13:21我就把这块全部给扔掉了
1:13:23因为functional MRI功能磁共振
1:13:25他看不见神经元的活动
1:13:27他只能看见一堆神经元的活动
1:13:30他的最小的空间分辨率
1:13:32大概能包含10万到150万个神经元
1:13:35所以说你看不见神经元之间的交流活动
1:13:37我现在做什么呢
1:13:38做小鼠
1:13:39我能把小鼠的头骨打开
1:13:41我能用钙成像
1:13:43去看见每个神经元的活动
1:13:45我能同时记录10万个神经元的活动
1:13:48这样的话
1:13:48我就能构建一个生物的神经网络
1:13:51然后我拿着这个生物神经网络
1:13:53和人工神经网络就能比较
1:13:54就我们不能在场外听
1:13:56我们必须进到这个门里面
1:13:58这个门就是我们原来的颅骨
1:14:00我们的观测手段
1:14:01你必须去看到
1:14:02每个神经元是怎么发放的
1:14:04每个神经元是怎么活动的
1:14:06然后才可以
1:14:07这一点就是新的技术
1:14:09给我们带来了无限的生机
1:14:10同时呢我觉得AI非常好
1:14:13远远领先于我们脑科学的研究
1:14:15所以说AI提供了大量的算法
1:14:18什么意思呢
1:14:19就是说如果AI能work
1:14:22没理由
1:14:23大脑没有类似的这种algorithm(算法)工作
1:14:27因为我觉得抛开它的实现层
1:14:30在它的算法层
1:14:31一定有一个跨硅基和碳基一致的东西
1:14:35对不对一定有
1:14:37就像万有引力定律一样
1:14:38它既引导一个苹果砸向牛顿的脑袋
1:14:41也可以引导地球围绕太阳转
1:14:44嗯它是一个theory of everything
1:14:46万物理论
1:14:47智能也一定有一个万物理论的
1:14:50theory of intelligence
1:14:51它既可以控制我们人脑
1:14:53究竟怎么工作的
1:14:54也可以控制AI是怎么工作的
1:14:56所以说我觉得现在我们做脑科学呢
1:14:58应该向AI学习
1:15:00把AI发展出的一些算法
1:15:02来看我们人的大脑究竟是不是这么做的
1:15:04说一个很简单的例子
1:15:05比如说我们的BP算法
1:15:07我的一个同事
1:15:08他发现这个神经元的突触上面就是走的BP算法
1:15:12两个是完全类似的
1:15:13像我们实验室的
1:15:14最近的一个工作还没发出来
1:15:16就我们发现
1:15:17我们的工作记忆所采用的机制
1:15:20和transformer是完全一样的
1:15:22就我们发现了
1:15:23transformer在我们大脑里面的运行机制
1:15:26两个是完全一模一样对等的
1:15:28所以我觉得
1:15:29这个可能会极大地促进脑科学的发展
1:15:31好这是一方面
1:15:33所以我觉得任何一个做脑科学的人
1:15:35就应该拥抱AI
1:15:36从AI里面得到福利
1:15:38当年是AI从脑科学里面得到福利
1:15:41现在应该是脑科学从AI得到福利
1:15:43这是第一
1:15:43第二个我觉得每一个做AI的人
1:15:45应该拥抱脑科学
1:15:47不是概念上的借用
1:15:49不是一些concept上面的一些借用
1:15:51名词上面的一种借用
1:15:53而真正来
1:15:54其实现在已经有人这么干了
1:15:55我前段时间去那个深圳
1:15:57有一个做游戏的公司
1:16:00托朋友说一定要跟我见个面聊个天
1:16:03他们的游戏公司做的非常好
1:16:04也是做到了国内的500强吧
1:16:07就是那个整个公司里面盈利500强
1:16:09每年反正纯利就是十几亿
1:16:11叫什么名字
1:16:12我一下忘了
1:16:13他们的最核心的研发团队想见我
1:16:15我说我不懂AI的具体算法啊
1:16:17因为我不是搞这种算法的
1:16:18我说见面没有意义
1:16:19人家说不
1:16:20人家不想请教你AI算法方面的问题
1:16:23人家想请教你脑科学的问题
1:16:25我去了之后哇
1:16:26让我特别震惊
1:16:27人手一本脑科学的书
1:16:30把脑科学读的特别的细致和透彻
1:16:32他们自学脑科学
1:16:34每周他们最核心的开发团队算法团队
1:16:37专门有一次组会Seminar
1:16:39专门来讲脑科学
1:16:40大家对脑科学的理解
1:16:41我去了之后发现
1:16:42我说你们理解的非常的深刻啊
1:16:44他们也在学
1:16:45我在清华也要开脑科学的课程嘛
1:16:47他们还问说能不能到清华来旁听你的课程
1:16:50我说我都每周开一次
1:16:51这样挺麻烦
1:16:52他说那我每周就飞一趟北京呗
1:16:54反正也不累
1:16:55所以我觉得现在呢
1:16:56大家很多人也意识到了
1:16:57我们现在AI的算法里
1:16:59别看现在大家过得很红火
1:17:01一会OpenClaw
1:17:02一会Manus
1:17:03一会其他东西
1:17:04我觉得这都是昙花一现
1:17:06马上就会有更好的东西出来
1:17:07它迭代很快嘛
1:17:08它是一个明星产品
1:17:09但这个要迭代起来就分分钟钟
1:17:11所以说我觉得搞AI的人
1:17:13就会有一种很强的危机感
1:17:14你是不是在这种昙花一现之后
1:17:17自己就彻底的out了
1:17:18很多人就开始去问脑科学那边
1:17:20看你能不能有些新的进展
1:17:22或者一些新的方法论来做
1:17:24所以我觉得在将来几年里面
1:17:27脑科学和人工智能会重新联姻
1:17:30他们之前呢像一对恩爱的夫妻
1:17:32然后分开了
1:17:33一个人出去拼事业了
1:17:36一个人继续躺平
1:17:38现在拼事业这个人觉得嗯
1:17:39还是需要进一步的发展
1:17:41回归家庭
1:17:42事业遇到了瓶颈
1:17:43嗯太棒了
1:17:44我给您讲两个访谈中听到的东西
1:17:47和一个我自己的想法
1:17:48就是希望得到指正吧
1:17:49嗯我先讲我的那个吧
1:17:51为什么GPT-3就是这个生成式AI
1:17:54它从一个鹦鹉学舌的东西
1:17:56变成了一个有通用智能的东西
1:17:58就是为什么transformer它有这种智能
1:18:01第一层是这样子的
1:18:02我们这是很老的一个东西嘛
1:18:04就是information和knowledge
1:18:06然后information connect the dots
1:18:07这是Ilya
1:18:082016年的时候Lex Fridman在MIT嘛
1:18:11然后他去那边给MIT的学生讲(课）
1:18:14他一上来
1:18:14我觉得讲的这个东西特别重要
1:18:16就是为什么neural network work at all
1:18:19其实neural network
1:18:20不应该把一个非常复杂的网络
1:18:23然后越深参数越多
1:18:25然后你给它数据
1:18:26它自动的就work了
1:18:27这个东西为什么它work呢
1:18:28他说最重要的这个理论呢
1:18:30是
1:18:31theoretically optimal hypothesis class
1:18:33is the shortest program
1:18:35你把这个数据压缩到最短的那条路径
1:18:38它就是最好的generalization
1:18:40然后我后来看到Hinton
1:18:41他说一个点也非常触动我
1:18:43他当时举了一个例子
1:18:44他说他问GPT还是问啥
1:18:46曼哈顿计划和另外一个我忘了具体是什么
1:18:50和另外一个化学反应吧
1:18:51比如说有什么共同点
1:18:52然后那个模型跟他说
1:18:53这个共同点是什么
1:18:54是个非常深刻的这种举一反三的东西
1:18:57然后他说这其实就是智能
1:18:58这个智能它是在压缩那一步产生的
1:19:01而不是在inference产生的
1:19:03就是在压缩的过程中
1:19:05它不断的为了压缩
1:19:06它就找到了举一反三的这些关系
1:19:09从而能更好的压缩
1:19:10反而这些举一反三的关系
1:19:11是更generalizable的
1:19:13这个是一个教育学家嘛
1:19:15他说你教学的时候
1:19:16the most important single factor influence learning
1:19:19is what the learner already knows
1:19:21ascertain this and teach him accordingly
1:19:23当时在群里边有一个就是reasoning
1:19:25是一个幻觉
1:19:26就是我们好像人类在思考对吧
1:19:28但是其实我们都是在学习
1:19:30就是知识
1:19:31prior knowledge
1:19:31这是Hinton的那个
1:19:33这几个让我就感觉到了
1:19:34人脑确实和计算机在本质上是一致的
1:19:40也就是Hinton的那个说法
1:19:42我能理解他为什么从原理上吧
1:19:44或者说是从这个机制上可以是一致的
1:19:47我这儿想特别补充一个例子啊
1:19:50当时不说嘛
1:19:50我们的working memory就工作记忆
1:19:53它其实背后就是用的
1:19:54transformer的那个机制
1:19:55对我们已经证明了这个东西
1:19:57但是特别好玩的一点是什么呢
1:19:59就我们当时其实并没有这种想法
1:20:02就我们觉得这两个八竿子打不到一块了
1:20:04对吧
1:20:04我们当时去挖这个源头
1:20:07我们是很巧合的机会
1:20:09正好把两个凑在一起的
1:20:10后来我们说这个东西很神奇啊
1:20:12为什么会是transformer呢
1:20:14我们就去挖transformer的源头
1:20:15你知道吗
1:20:16transformer的源头在哪
1:20:17在1986年Hinton的一篇文章
1:20:20那篇文章发在一个极小的会议上面
1:20:23如果假设Hinton不是现在成为这么大牛
1:20:26那篇文章
1:20:26就永远的
1:20:27埋在历史的那个垃圾堆里面去了
1:20:301986年他发了一篇会议文章
1:20:32那篇会议文章
1:20:34他就提出一个非常重要的概念
1:20:37那个概念就是你刚才讲的
1:20:39他那个词呢叫做fast weight
1:20:41快速权重
1:20:42他其实就是讲的transformer的本质
1:20:45是在干一件什么事情
1:20:46transformer本质就是找万事万物之间的关系
1:20:50他所谓的注意其实就是找这种关系的一种功能
1:20:54或者一种方法
1:20:55只要一旦找到万事万物这样的关系
1:20:58就相当于一些离散的点
1:20:59他就联系起来了
1:21:01离散的点一旦联系起来了之后
1:21:03这就是我们通常意义上的压缩compression
1:21:06这个时候你就可以理解
1:21:08为什么大模型推理能力那么强
1:21:12因为他能从一点走到另外一点
1:21:14再从另外一点走到其他点
1:21:16这是我们的联想嘛
1:21:17然后这种走下去
1:21:18所以这个东西就是完全挡不住
1:21:21但真正的文章就是1986年
1:21:23哇塞～Hinton发的那篇
1:21:24所以说后来我当时想哇
1:21:26因为我们那篇文章在写嘛
1:21:27我们当时就想
1:21:2886年到现在正好40年
1:21:30其实那就是transformer的真正的本源
1:21:34他发在一个认知科学
1:21:35非常小的国际会议上
1:21:36哦～认知科学的
1:21:37对认知科学的会议上
1:21:39那个会议现在都没了
1:21:40你知道吧
1:21:41但是文章还有
1:21:42到时候我可以发给你看
1:21:43崇拜的简直五体投地
1:21:45其实他讲的东西呢
1:21:46就是关系relation
1:21:48就万事万物他们之间的这种连接
1:21:50这个世界不是一个随机的世界
1:21:52它是有关联的一个世界
1:21:54那么我们只要找到它之间的关联
1:21:56我们就有了知识
1:21:57有了连接
1:21:58这个是特别特别了不起的
1:22:00到我们人类的大脑里呢
1:22:02其实这就和一个很著名的东西有关系
1:22:04叫 grid cell 网格细胞
1:22:07网格细胞它的发现
1:22:08是拿了2012年的诺贝尔生物学奖
1:22:11它是用于导航的navigation
1:22:13后来大家发现navigation就导航
1:22:16和我们的记忆其实是一回事儿
1:22:18因为navigation是在找
1:22:20环境里面各个点之间的关系
1:22:22relation的memory它也是干这件事情
1:22:24我觉得那个transformer的确很牛
1:22:26所以说我经常对外面说
1:22:28我说系统二的问题
1:22:29大家就不要再去焦虑了
1:22:30这个事情AI已经解决了
1:22:32或者你还有点什么小的问题
1:22:34AI迟早也会解决
1:22:35我觉得我们人类在理性这个层面上
1:22:38已经被AI取代了
1:22:40任何涉及到理性的工作
1:22:42AI都没有问题
1:22:44比如说数学编程都是理性的工作
1:22:46都是系统二的工作
1:22:48AI一定会取代
1:22:49法律一定会取代
1:22:51这都是理性的这方面的工作
1:22:53那天我还在跟我一个朋友讲
1:22:55我不知道我这个教授还能当多少年
1:22:57因为科学发现可能AI也会接手过去
1:23:00所以留给我们人类的
1:23:02现在就是系统一这块的长处了
1:23:04您说的这个东西我完全同意
1:23:07但是
1:23:07我觉得他又叠加了一个社会机制在
1:23:10这个社会机制在就是非共识
1:23:12因为AI他不是不知道那个非共识答案
1:23:16但是人类不认可这个非共识答案
1:23:18这是问题
1:23:18AI有没有办法证明这个非共识是对的
1:23:21因为所有的人类在中间的呢
1:23:23他知道左边的这些傻子是错的
1:23:25但是他不知道右边的这个
1:23:26聪明人和傻子都反对他
1:23:28但是他不知道这个人是个聪明人
1:23:30所以说就是这种contrarian thinking
1:23:33它是有价值的
1:23:34而且它甚至是唯一有价值的东西
1:23:36它在这里边
1:23:37别人都说你要在别的地方这样连接
1:23:39但是它说这个点可以这样连起来
1:23:41然后很激励人心的
1:23:42这个Steve Jobs
1:23:43the ones who are crazy enough to think
1:23:45they can change the world are the ones who do
1:23:47你要通过把东西做出来之后
1:23:49别人才会说哦
1:23:50原来这个是可以的
1:23:51我对这一点啊
1:23:53我没你这么乐观
1:23:54因为是这样子的
1:23:55聪明人不需要给笨蛋讲聪明的东西
1:23:59他只要把笨蛋当成韭菜来割就可以了
1:24:03就我知道
1:24:04a点和b点之间有个shortcut
1:24:06我没必要去跟韭菜证明
1:24:08a点和b点有个shortcut
1:24:10你觉得从a点到b点
1:24:11必须要经过c点
1:24:12要经过d点
1:24:13经过e点没问题
1:24:14我同意你们的观点
1:24:15我自己从a点到b点
1:24:16这个short cut过去就OK了
1:24:18这就是对舆论的这种manipulation
1:24:21对社会心态的manipulation就够了
1:24:23你看中国的股市
1:24:25各种科技股对吧像我们认为啊
1:24:27这个科技股有问题
1:24:28那个科技股有问题
1:24:29不重要
1:24:30人家股市照样涨得很好
1:24:32因为他所针对的东西就是韭菜
1:24:34就可以了
1:24:35所以说我觉得AI聪明到一定程度
1:24:37他不会费心费力去劝说你
1:24:41a到b有一个short cut
1:24:42你相信我
1:24:43没有
1:24:44你人在他面前就是个韭菜而已
1:24:46一个聪明人来manipulate笨蛋
1:24:48这是太容易的一件事情了
1:24:50我只要把我的目的实现就可以了
1:24:52对我来说
1:24:53一个东西是不是有价值
1:24:55是不是能够创造社会财富
1:24:57我知道不会
1:24:58但是没关系
1:24:59你是韭菜嘛
1:24:59我只要把你韭菜说服就可以了
1:25:01嗯嗯嗯嗯
1:25:03所以说你千万不要相信
1:25:05中间那一帮人和边上那一帮人
1:25:08都是被manipulate的人
1:25:10这就扯得比较远啊
1:25:11这个社会从来都是精英所创造的
1:25:14而不是大众所创造的
1:25:15大众都是被manipulate的
1:25:17有的时候也需要大众买单嘛
1:25:19大众买单
1:25:20精英享受
1:25:20这个社会就是这样子的
1:25:22我们说的是更积极的一面
1:25:24就是你去创造那个不一样的东西
1:25:26你去改变这个世界
1:25:27然后对 yeah～
1:25:28这个东西AI很难做
1:25:30但是当AI如果真的什么都能做的时候
1:25:33他可能也很容易做
1:25:34关键这样子的
1:25:35假设我是一个misfit
1:25:37就你刚才说的对吧
1:25:38但是我没必要表现出来自己是个misfit
1:25:40我可以以一种很温和的方式
1:25:42改变这个世界
1:25:43没必要像马斯克这种跳起来像个傻子
1:25:46就马斯克是super smart OK
1:25:48我对马斯克充满崇拜
1:25:49但是大家看他行为就觉得像个小丑
1:25:51对吧
1:25:51你也可以像乔布斯这样子啊
1:25:53成为一个教主
1:25:54乔布斯也是一个miss fit对不对
1:25:57跟马斯克是同一个量级的这种人
1:25:59但他可以以扭转现实的这种方式
1:26:01来割一堆韭菜的
1:26:02这种能力
1:26:03没有像马斯克这种
1:26:05把自己搞得个死去活来的
1:26:06对 Hinton其实也是这个样子
1:26:08后面我们社会那个谈的更加的social了
1:26:11因为我对人性这一块
1:26:13我个人是比较失望的
1:26:15为什么说是降临派呢
1:26:18我觉得AI一定做的会比我们人更好
1:26:20就像那个是罗素说的那句话吧
1:26:22好像是
1:26:23就说人的最大问题
1:26:25就是还会犯同样的错误
1:26:27大概是这么一句话
1:26:28嗯就我们人太愚蠢了
1:26:30好多犯了的错误犯了一遍又一遍
1:26:32犯了一遍又一遍
1:26:34每死掉一代人
1:26:35新的一代人又重新干同样的事情
1:26:37就韭菜一样
1:26:38割掉一茬
1:26:38然后又长出一茬新的韭菜出来
1:26:41我对AI是更有信心一些
1:26:43我再介绍另外两个东西啊
1:26:45一个是我跟田渊栋访谈的时候
1:26:47他有讲AI其实隐含的在优化优雅
1:26:52你模型的训练有一个损失函数
1:26:54模型每次训练呢
1:26:55它有一个representation
1:26:57有一个这个表征
1:26:58损失函数
1:26:59你可以随便定义
1:27:00但是模型其实隐含的
1:27:02他是在追求一个优雅
1:27:04追求这样的压缩
1:27:05他觉得很有可能是
1:27:06你这个损失函数并不是那么重要
1:27:09但是这个模型隐含本身
1:27:10他在追求优雅的这件事情
1:27:12就会让模型更趋向于智能
1:27:14这是一个点
1:27:15我觉得挺有意思的
1:27:16另外一个查晟
1:27:17他是在亚马逊做大模型
1:27:19他的位置也比较特殊吧
1:27:20能够接触到比较好的一线的经验
1:27:22他说
1:27:23所谓我们要进入下一个intelligence呢
1:27:25他去看模型训练的所有这一步里边
1:27:27是哪一步
1:27:28现在还是有瓶颈
1:27:30提出问题的那一步
1:27:31从模型做好了以后
1:27:33然后数据
1:27:34然后由数据中得到信号
1:27:36有这些信号
1:27:37然后再去迭代这个模型的训练
1:27:39然后这一步从模型的表现
1:27:41然后提取有效的信号
1:27:42最后有效的返回给模型的训练
1:27:45然后让模型可以进一步的训练的时候提问地更好
1:27:48现在这步是人类的researcher去做的
1:27:52他觉得这步是可以被自动化的
1:27:54然后我又想到了您刚刚说的这个
1:27:56长程feedback
1:27:57感觉就是这一步
1:27:59完全同意
1:28:00我们先说第二点
1:28:01就你刚才讲的
1:28:02我马上就想到那个长程连接
1:28:03因为长程连接它其实平时都用不着的
1:28:06比如说我要识别一张面孔
1:28:08我不需要长程连接
1:28:09我就是纯粹feedforward
1:28:10然后这事就能干得很好
1:28:12就已经干得比人很好了
1:28:13长程连接在什么时候起作用
1:28:15当我的脸部大部分信息被遮挡了
1:28:18我只留下一个眼睛出来
1:28:19那我还能不能识别出来这是一张人脸
1:28:22长程连接
1:28:22专门是解决那些uncertain的一些问题
1:28:25我不确定我feedforward解决不了
1:28:28我需要长程连接来给他提供各种假设
1:28:31这在我们脑科学里面呢
1:28:31我们叫预测编码 predictive coding
1:28:34长程连接是干这件事情
1:28:35回到你刚才所说的问题
1:28:37如果假设是正常能训练下来
1:28:39我不需要长程连接
1:28:40我也不需要人类挑点东西出来
1:28:42怎么去反馈
1:28:42只有碰到瓶颈了
1:28:44对吧过不去了
1:28:45那么这个时候我需要做一些猜测
1:28:47这就是Hinton当时提出的信念嘛
1:28:50belief
1:28:50我需要做一些猜测来做
1:28:52这个信念就是指的我的概率
1:28:54那么这个东西
1:28:55长程连接就可以真的来做这件事情
1:28:57hierarchy来做
1:28:58根据过去的经验
1:28:59人之所以来做这件事情
1:29:01也是根据过去的经验来做嘛
1:29:03这个我觉得
1:29:03长程连接可能会起非常关键的作用
1:29:06就我们自己做的实验也表明
1:29:08简单问题的时候
1:29:08长程连接不起作用
1:29:10他就是静息的他就不发放的
1:29:12要解决复杂问题
1:29:13或者出现了语义的多样性模糊性
1:29:16这时候长程连接会起作用
1:29:17还有一个提升效率
1:29:19就我能不能找到shortcut
1:29:21长程连接有时候会帮你
1:29:22比如说我现在有10条路
1:29:24我都可能走
1:29:25对于feedforward
1:29:25我就不知道该走哪条路了
1:29:27长程连接就说你应该走第三条路
1:29:29根据过去经验
1:29:30第三条路成功的概率更大
1:29:31相当于帮你把好多其他的alternative
1:29:34暂时给排掉了
1:29:35这也是你刚才所说的
1:29:36比如说一个设计
1:29:37我直觉就觉得他挺好的
1:29:39这种东西直觉从哪来
1:29:41我们猜测都是从长程连接过来
1:29:43给你一个猜测
1:29:44再回到我们刚才的第一个问题
1:29:46优雅这个东西我们其实也在理解
1:29:48什么叫做优雅的定义
1:29:50因为在我们脑科学里面
1:29:52我们也经常会用representation表征
1:29:54其实表征这个词儿就是从脑科学
1:29:56从认知科学到的AI这一块儿
1:29:58哦这样子
1:29:59呃对对对对
1:30:00representation这个词儿
1:30:01它是一个造出来的词
1:30:03presentation就是你眼前有的东西叫presentation
1:30:07哦～就是重新把这个再展现出来
1:30:10这不就表征吗
1:30:11re-presentation
1:30:14这是我们大脑的
1:30:14一个重新的加工的一个过程
1:30:16这叫representation
1:30:18就我们也在谈什么叫做优雅
1:30:20这个在我们那儿呢
1:30:21有一种专门的技术
1:30:23这个在AI里面也有
1:30:25叫做神经流形 neural manifold
1:30:27就说当一个神经网络
1:30:29当它训练好了
1:30:30或者当我们一个生物神经网络里面
1:30:32它的流形是不是处于一个优雅的状态
1:30:35那么优雅这个时候
1:30:36我们就有一些专门的词来定义
1:30:39比如说这个系统是不是工作在临界态 criticality
1:30:44因为他如果工作在临界态的话
1:30:45他的可能性是最多的
1:30:47这个系统形成的那个 manifold 流形
1:30:50是不是足够的光滑
1:30:51光滑的话就说明他没有很多坑
1:30:54或者没有很多奇点
1:30:55你能做正常的推理
1:30:56我相信这些在神经科学的定义啊
1:30:59像那个 criticality 啊
1:31:01这个在复杂系统科学里面有嘛
1:31:02混沌嘛
1:31:03临界态在混沌系统里面才有嘛
1:31:05还有光滑
1:31:06它的dimensionality维度啊等等
1:31:09我觉得这个在AI里面将来会用到
1:31:11现在AI呢
1:31:12大家更多的还是把它当成一个黑匣子
1:31:14现在也有很多人在讲可解释的AI这块
1:31:18但是可解释AI呢
1:31:19大家其实更多还是一种口号
1:31:21还是缺少一种工具
1:31:22来把这个黑盒子变白
1:31:24而我们脑科学的目的嘛
1:31:25不就是让大脑这个黑盒子把它变白吗
1:31:28其实很多分析的技术
1:31:29实验的技术
1:31:31AI现在都在用
1:31:32但是呢我觉得还不够彻底
1:31:35比如说像那个 Ablation 消融实验
1:31:37这在AI里面用的特别多
1:31:39但是AI里面那个消融实验
1:31:41我们一看就做的过于的粗糙了
1:31:43其实脑科学里面有很多也做Ablation
1:31:46就也做消融
1:31:46但做的就比较细致
1:31:48我觉得这个工具都可以借鉴
1:31:50所以说我特别认同刚才提到的这种
1:31:53就你训练之后
1:31:53这个神经网络是不是训练好了
1:31:55它是不是体现出一种优雅
1:31:57但这个优雅它的操作性定义是什么
1:32:00它不是一种体感
1:32:01它不是一种感官
1:32:02我觉得这个可以用科学的方式来定义
1:32:05比如说用它的criticality
1:32:07可以用它的 manifold 的这种光滑性
1:32:10用它的dimensionality等等这种来定义
1:32:13我觉得这两个之间
1:32:14会有很多的这种结合
1:32:15我也非常相信
1:32:16训练好的一个神经网络
1:32:18一定是具有优雅的表征
1:32:20爱因斯坦在发明广义相对论的时候
1:32:22他的大脑里边可能也很优雅哈哈哈
1:32:25一定的一定的
1:32:26我原来是对物理特别感兴趣嘛
1:32:29我现在对物理的这种兴趣一直没丢啊
1:32:31我也一直在想一个问题
1:32:34就说什么东西到原理这个级别
1:32:37他一定非常优雅
1:32:39如果假设你看上去一个东西磕磕碰碰
1:32:41这按不平那起不来
1:32:43一个公式写几十项才能把它写出来
1:32:46他就一定你没有touch到他的本质
1:32:49嗯感谢感谢
1:32:50我觉得今天聊得非常的酣畅
1:32:52哈哈哈确实坚定了我的这个信仰
1:32:55（人脑）电脑最后是殊途同归的
1:32:57一定是殊途同归
1:32:59一定殊途同归
1:33:00就像我刚说的一样
1:33:00我相信我们的使命
1:33:02其实就是创造数字生命
1:33:04这既是我们人类扮演上帝的一种荣耀
1:33:07同时我觉得这也是我们人的终极使命
1:33:10这比你挣个多少多少钱
1:33:13你是否拥有权力
1:33:15拥有多大的房子
1:33:16相比上帝这个职务而言
1:33:20那都是渣渣
1:33:21对吧啥都不算
1:33:22所以说我觉得在AI时代
1:33:24让每个人都有了全新的使命和意义
1:33:27我觉得这是我们人类可以想象
1:33:30在人类文明史发展这几千年里面
1:33:33我们人类能够拥有的
1:33:35最大的意义感的东西
1:33:37就是扮演上帝
1:33:38创造出一个全新的物种
1:33:40我发现了
1:33:41我的降临派的边界
1:33:42是在系统二的降临派
1:33:44但是你是
1:33:45哈哈系统一的降临派
1:33:47在我们没有系统二的时候
1:33:48我们先把系统二给搞定
1:33:50对吧
1:33:50你想想我们回到2022年11月30号
1:33:54GPT-3.5出来的时候
1:33:55那个多弱智啊
1:33:56对不对我们现在回头来看
1:33:57对吧基本上我们都觉得啥都干不了
1:33:59在当时很震撼
1:34:00我们现在回头去看
1:34:01所以说当时系统二不完备嘛
1:34:03你当时问他经常被调戏
1:34:05问点弱智的问题
1:34:06他也很弱智的回答
1:34:07经过三年多一点的这种发展
1:34:10现在已经很厉害了
1:34:11系统二已经完备了
1:34:12那系统二完备的情况之下
1:34:14那我们是不是要开始做一点
1:34:15系统一的东西呢
1:34:17对吧人就是这种永远不满足的
1:34:20您觉得还有什么我应该问的
1:34:21或者说想跟频道观众说的东西
1:34:25最后想说呢
1:34:26就是我觉得在AI时代
1:34:27我自己的一个体感啊
1:34:292023年年初的时候
1:34:31当时GPT刚刚出来嘛
1:34:33当时央视对我一个采访
1:34:34采访了我当时说了一些话
1:34:36当时觉得很惊世骇俗
1:34:38但现在回过头来看
1:34:39就是很普通的
1:34:40我说很多人都会失业
1:34:42包含程序员在内
1:34:432023年年初的时候
1:34:45但现在我们看到这都是事实
1:34:47还有一些其他的
1:34:48然后在去年年底的时候
1:34:50央视同一个记者又对我进行了采访
1:34:52说过去了这么几年
1:34:54你有什么样的感触
1:34:55然后我想了很久
1:34:57我说我的感触只有一句话
1:34:58经过我的努力
1:35:00所幸我没有被这时代给抛下
1:35:02我绝对不认为我是引领了这个时代
1:35:04除了少数几个人之外
1:35:06绝大多数人
1:35:07都是跟着这个时代屁滚尿流
1:35:10我觉得经过我们的努力吧
1:35:11经过我们的学习
1:35:12不断的学习
1:35:13不断的去重塑自己的认知
1:35:15不断的去跟他人交流
1:35:18所以说我对我的最高的评价
1:35:20我就说我没有被这个时代给落下
1:35:22我觉得这也挺不容易的
1:35:24也祝这个频道里面的观众
1:35:26通过你们的学习
1:35:27通过你们的交流
1:35:28通过你们的认知的重塑
1:35:31我觉得千万不要被这个时代给落下
1:35:33因为一旦落下了
1:35:34丢掉的不是工作这种小事
1:35:37而更多的是
1:35:38你会发现
1:35:39你错过了人类历史上到现在为止
1:35:41最大的一个事件
1:35:43这是太可惜的一件事情了
1:35:45即使我们作为旁观者
1:35:46也不要被这个时代潮流所落下
1:35:49不好意思
1:35:49我想起来了
1:35:50我的最后一个问题很重要
1:35:52哈哈哈我有一个娃
1:35:54现在这个娃21个月
1:35:56印象特别深啊
1:35:57我23年的时候听您播客
1:36:00然后您在那个博客里边就说
1:36:01教育没有意义了
1:36:03我其实
1:36:03一直就不喜欢这种做题式的教育
1:36:06然后您那个时候说了以后
1:36:07我特别认可
1:36:08但是我那时候是正在深圳
1:36:10坐在一个出租车里边
1:36:11耳机里面放着您的播客
1:36:13教育没有意义了
1:36:13我说教育没有意义了
1:36:15然后旁边就是周日
1:36:17一群小学生穿着校服
1:36:18从补习班里刚刚出来
1:36:20然后我当时就觉得啊
1:36:21这个世界是这样子的
1:36:22未来已经到了
1:36:23在那一刻已经在这了
1:36:24教育就是已经没有意义了
1:36:26但是他们在补习班
1:36:27他们接下来还要上好几年的补习班
1:36:30可能到他们大学的时候
1:36:31他们才真正的意识到了
1:36:33教育真的是没有意义的
1:36:34我就想请您说一下
1:36:36教育这件事到底应该怎么办呢
1:36:38就是我21个月的娃
1:36:40应该怎么教他呢
1:36:41我前段时间写了篇文章啊
1:36:42标题就是比较耸人听闻
1:36:44我就说
1:36:45我们现在考北大清华已经没有意义了
1:36:47这个是作为一个小学初中高中生的终极梦想
1:36:50就是要考进北大清华嘛
1:36:52无论是家长
1:36:53无论是老师还是小孩
1:36:54都是有着终极梦想
1:36:56但是我觉得
1:36:57现在北大清华给予我们的东西
1:37:00远远不如一个大模型
1:37:02给予我们的东西那么多
1:37:04所以说我觉得现在最重要的事情
1:37:06对于我们而言呢
1:37:07要回归教育的本质
1:37:09我说教育没有用了
1:37:11就是我们现在无论是国内还是国外
1:37:13其实基本上都是基于记忆的教育
1:37:16对吧你要把很多东西背下来
1:37:18很多细节都要记得
1:37:19古诗你一定要会背这些相应的考试
1:37:22我觉得这个东西
1:37:23已经彻底没有任何价值
1:37:24我们记忆知识的教育
1:37:26已经没有任何价值
1:37:27因为所有的知识
1:37:28全部在大模型里面都有
1:37:30唾手可得
1:37:31我觉得我们的现在每一个人
1:37:33最核心的教育
1:37:34应该是教育他如何成为他自己
1:37:37关于“我”的这个教育
1:37:39什么意思呢第一个
1:37:40什么东西是我的兴趣
1:37:43什么是我的目标
1:37:44我们以前跟小孩不用谈这些东西
1:37:46我觉得只要你考上北大清华了之后
1:37:47你再去考虑你的目标就可以
1:37:49你如果假设只能上一个中专
1:37:51或者一个大专
1:37:52你谈什么意义
1:37:53谈什么目标
1:37:54对吧又或者去了一个很烂的学校
1:37:56这个是有道理的
1:37:57有一定道理的
1:37:59但是像现在
1:37:59其实这就已经变得没有道理了
1:38:02我觉得任何一个人都可以是
1:38:04一个人加上1万张显卡的一人公司
1:38:07那么这个时候
1:38:08其实我已经不再借助名校的背景
1:38:11名校的这种资源教育
1:38:13我可以自己打造出一个自己的天地
1:38:15那么这个时候最好的动力是什么呢
1:38:18自己的兴趣
1:38:19什么是我想要的东西
1:38:21我觉得这一点在此时此刻
1:38:23在AI的加持之下变得无比的重要
1:38:26所以我觉得现在对小孩的教育重要的一点
1:38:28一定要明白
1:38:29“我”这个概念是一个独一无二的东西
1:38:33你想要的
1:38:34和你21个月大小的小孩想要的东西
1:38:37可以不一样
1:38:38一定要鼓励他找到自己的兴趣
1:38:40因为他一旦有了兴趣
1:38:41那天下谁都拦不住他
1:38:43他也不需要更多的资源
1:38:44他只需要1万张显卡就可以
1:38:47到将来都不需要1万张显卡
1:38:48可能两张显卡
1:38:49最重要的就是“我”
1:38:51在以前我们不用强调“我”
1:38:52为什么你是打螺丝的
1:38:54你需要“我”干嘛
1:38:55你每天去把螺丝打好就可以
1:38:57我这辆车我不需要知道是谁打的螺丝
1:38:59对吧你就负责把你的自己本职工作(做好)
1:39:01这是工业大分工所导致的
1:39:04他在拼命的把我给干掉
1:39:06现在要重新回归“我”这个概念
1:39:08因为有了“我”才有我所想要达到的目标
1:39:11我的这种兴趣
1:39:12第二个呢
1:39:13就是一定要有AI原生的这种思维模式
1:39:17AI native thinking
1:39:19很多人觉得我能够用AI就叫AI原生
1:39:21那就是瞎扯
1:39:22AI原生它是一种思维范式的
1:39:24一种根本性的这种改变
1:39:26我连我现在都不敢说
1:39:28我现在有AI原生的思维方式
1:39:30因为我现在在拼命的思考
1:39:32怎么和AI对话
1:39:33怎么去和AI共生
1:39:35很难很难
1:39:37但是小孩比较好的地方是什么
1:39:39我们为什么觉得非常难呢
1:39:40因为我们是已经有思维定势了
1:39:42我已经习惯于这样和我的学生
1:39:45和我的同事打交道了
1:39:46我拿着同样方法跑去和AI打交道
1:39:48我要去改
1:39:49改是一件很痛苦的事情
1:39:51因为我们很容易就被(原有习惯)给带走
1:39:53小朋友不一样
1:39:54大家都说嘛
1:39:55学习的第一步是要学习会遗忘
1:39:58你在你的那个（课程）里面也讲到了
1:40:00但这点太难了
1:40:01这点真的很难
1:40:03所以说我觉得
1:40:03一定要有AI原生的这种思维模式
1:40:06我怎么去和AI共生
1:40:08把AI变成自己身体的一部分
1:40:10才是真正对的
1:40:12我觉得小孩需要把这一点理解清楚
1:40:15相当于他是充满了一种新的能力
1:40:18这是第二个
1:40:19第三个呢
1:40:20一定要让小孩有0到1的这种创造力
1:40:23也就是我们刚才讲的演绎推理的能力
1:40:27做事情之前一定要去想
1:40:28我的逻辑原点是什么
1:40:30我的推理的流程是什么
1:40:32推理的步骤一定要有习惯的想出来
1:40:35我的逻辑原点
1:40:36一定比我现在解决的问题低很多
1:40:39比如说我毕业了之后
1:40:40究竟是留北京工作
1:40:41还是回我自己家乡工作
1:40:43不是(停)留在表面上
1:40:44北京工资能给多少
1:40:45家乡工资能给多少
1:40:47而是问一个问题
1:40:48留在北京它的意义是什么
1:40:51站在这一点啊
1:40:51北京它有更大的时代的红利
1:40:54一定要是站在这个角度去考虑
1:40:55留北京还是不留北京
1:40:57才能想清楚
1:40:58而不是停在表面上
1:40:59北京的房价太高
1:41:00还是北京的收入挺高
1:41:02北京有更多的就业机会
1:41:04我们家乡没有更多
1:41:05这都是停留在表面
1:41:06一定要去找它的逻辑原点
1:41:07这个东西
1:41:08其实是我们AI时代
1:41:10特别稀缺的一种能力
1:41:11为什么
1:41:12因为你的所有的问(题）
1:41:14马上AI就可以回答
1:41:16比如说我问我毕业之后究竟留北京
1:41:17还是回自己的家乡
1:41:19AI一定会告诉你答案
1:41:20各种各样的分析
1:41:22而缺少的是什么
1:41:23你基于逻辑原点出发
1:41:25这样你才不会在信息爆炸的时代里面
1:41:27迷失掉
1:41:28同样呢
1:41:29它也是我们创造力的根源
1:41:31基于它我能创造出0-1的东西
1:41:33AI不具有的东西来做
1:41:36所以就像我现在做的研究一样
1:41:38我做之前我都会问自己一个问题
1:41:40这个问题AI有没有可能能做
1:41:43或者有没有可能在一到两年之内能做
1:41:46如果假设AI能做
1:41:48或者一到两年能做这个东西我打死都不碰
1:41:50因为我知道进去了之后
1:41:52即使现在别人没看到
1:41:54两周3周之后别人就会看到
1:41:55一个月之后大家就会看到
1:41:57马上就会变成一片红海
1:41:58马上你就死的翘翘的～
1:42:00因为没有任何一个人敢说有钱有人
1:42:03你就能够保住领先
1:42:04说垮就瞬间就垮了
1:42:06像国内的大模型公司本来都挺好
1:42:09突然出来一个DeepSeek
1:42:10一下就把局全部搅得
1:42:11东南西北都分不清楚了
1:42:13就是这三点
1:42:14第一点“我”特别特别的强调“我”这个概念
1:42:17第二个有AI原生的思维
1:42:20第三个一定要掌握演绎推理的方式
1:42:23一定要有商业培训里面的第一性思考
1:42:25这种法则
1:42:26这个东西尤其的重要哈
1:42:28其他东西嘛
1:42:29我觉得就随缘好了
1:42:30真的到现在这个社会
1:42:32去不去MIT
1:42:33去不去Harvard我觉得根本是不重要
1:42:35去不去北大
1:42:35去不去清华不重要
1:42:37甚至有可能
1:42:38我都不鼓励他们上任何的学
1:42:40但我们必须也要为现实妥协啊
1:42:42但我觉得只要家境还可以的话
1:42:45我觉得没必要去上任何的学
1:42:47当然他需要去社交
1:42:48social
1:42:49学校是一个很好的social的这种场所
1:42:51但是如果我们有其他的social的
1:42:53这种可替代方法的话
1:42:54我觉得现在所有的学校
1:42:56从小学到初中到高中到大学
1:42:58现在传统的这种方式
1:43:00都是基于第一次工业革命
1:43:02大家的需要来建立
1:43:03而到了AI时代
1:43:05这些需求全部都变成伪需求
1:43:07他都不成立
1:43:08所以我觉得所有的东西全部都取消掉
1:43:10都没问题
1:43:11我一点都不觉得惊世骇俗
1:43:12完全就是这么想的
1:43:13我也想过
1:43:14我的娃应该是不会去上大学了
1:43:16但是我听了以后有一个很强的感觉
1:43:17就是他可能是一次文艺复兴
1:43:20是我们迷失自我对吧
1:43:21我们把自己变成一个螺丝钉
1:43:23最近纳瓦尔有一个播客嘛
1:43:24他就说创业的人
1:43:25你是不会听他担心自己的工作被取代的
1:43:28他只会说哇
1:43:28技术来了
1:43:29好棒为什么
1:43:30因为打工的人是别人把任务给他
1:43:32创业的人是自己要解决一个问题
1:43:34他有强烈的解决问题的冲动
1:43:35你等着别人给你任务
1:43:37你等着别人告诉你你该做什么
1:43:38你是谁你的时间应该怎么花的时候
1:43:41你是担心自己的工作被取代的
1:43:43但是其实这是一个更大的工业时代以来的
1:43:46系统性的对人性的压迫
1:43:48反而这是一个机会
1:43:49就是可以让我们
1:43:50好像苏格拉底说的吧
1:43:51know yourself就是最重要的事情
1:43:53反而是一次机会可以让我们回归自己
1:43:55像苏格拉底啊
1:43:56他们这种古希腊强调那种人性
1:43:59毕竟当时生产力比较弱
1:44:01只有少数精英能够去享受
1:44:03比如贵族自由人
1:44:05他能去享受这些东西
1:44:07但90%老百姓还得去一日三餐
1:44:10工业革命呢
1:44:11基本上解决了物质的这个问题
1:44:13绝大多数呢就不再为生计发愁
1:44:16你可以看到文明就开始起来
1:44:18但工业革命最大的问题呢
1:44:19因为它是一个基于大机器
1:44:22的这么一个工业革命
1:44:24机器越大越复杂越好
1:44:26所以这个事就没办法
1:44:27必须得分工
1:44:28因为没有一个人
1:44:29能把所有的岗位全部给handle下来
1:44:32只能成为某一个岗位的专家
1:44:34这可以看到
1:44:34我们专家就变成各式各样的专家
1:44:36每个领域都有自己的专家
1:44:38这个时候我们需要干的
1:44:39就是一定要把“我”给深深的
1:44:41埋藏在集体里面
1:44:43个人不重要
1:44:44重要的是集体
1:44:45你只要把你自己的本职工作
1:44:46把这螺丝打好就OK
1:44:48至于说我打的螺丝是一辆汽车的螺丝
1:44:51还是一个舰船的螺丝
1:44:53你不需要知道
1:44:54知道把这螺丝拧紧就可以
1:44:56好 AI时代
1:44:57我觉得又重新让我们回到古希腊
1:44:59这个时候呢
1:45:00不再是少数贵族的自我寻求的专利
1:45:02而是变成
1:45:03每个人都可以真的去创造一遍
1:45:06这个时候
1:45:06我们既是对第一次工业革命的否定
1:45:10也是对他的一次传承
1:45:12为什么我说现在是最伟大的时代
1:45:14不是瞎扯的
1:45:15不是AI来了之后大家一块打鸡血
1:45:17包含我现在也是一样
1:45:18为什么说
1:45:19要把所有的行政职务全部给辞掉
1:45:22道理非常简单
1:45:23不想错过这个时代嗯
1:45:25棒了太棒了
1:45:26就是停在这
1:45:26非常的棒
1:45:27让大家那么多焦虑之下
1:45:30要认识到
1:45:30我们这真的是一个很棒的时代
1:45:32感谢刘佳教授
1:45:33好谢谢谢谢

About this transcript

This page contains the full transcript of 清华教授：应试教育在AI面前全军覆没，我们应该如何重新学习？ by 课代表立正, generated from the public captions YouTube serves with the video. The transcript has 3,753 words across 3,580 segments, with the original timestamps preserved so you can click any line to jump to that moment in the embedded player.

What you can do with it

Use the transcript to take notes, quote the speaker, build a study guide, generate a summary with ChatGPT or Claude via the YouTube Summary tool, or export it as a timed subtitle file with YouTube to SRT. You can also re-open it in the transcriber to choose a caption track available on the video.

Free YouTube transcript tool

YouTube2Text is a free YouTube transcript generator — no signup, no daily limit. Paste any YouTube link and get the full transcript instantly, with timestamps, click-to-jump, caption language selection, AI prompts for ChatGPT, Claude, and Gemini, and exports to TXT, SRT, VTT, or Markdown.