Subscribe
Share
Share
Embed
课代表立正的官方Podcast
深度访谈，有用干货，亲身验证的「真本事」
Superlinear Academy创始人，Maven Top AI Instructor
前Statsig布道师（OpenAI收购），腾讯副总监，Meta，Amazon；康奈尔经济学博士
社区：Superlinear.Academy
课程：ai-builders.com
个人：lizheng.ai
欢迎朋友们，大家好。
今天我跟大家聊一个在 AI 时代最重要、
最核心、最基础的一个问题，
也是我能给大家提供一些思考价值的问题啊，
那就是 AI 的智能和人类的智能到底
有没有本质差距？
那 AI 它到底是一个工具，
还是它可以从智能的尺度去取代我们人类的
大脑？
我在这里肯定不是最专家的那个人，
我不管是从 AI 角度，
还是从认知科学角度，
或者说是从物理的角度，
都不是最顶尖的那个人。
但是我能做的呢，
就是我真的过去的五年对这些问题思考得很深
，而且我在过去的两年半对这个问题思考，
随着 ChatGPT 的出现就更加深入了
。
我在我 ChatGPT 最重要的五个问题
里边，
第四个问题和第五个问题都是跟这个问题高度
相关的。
在那里边，我就分享了我跟李牧讨论的时候，
从他那里得到的一些启示；
我从刘佳教授那里学习得到的一些启示。
然后，在过去的两年半里边，我没有闲着，
我一直在不停地一边学习这方面的知识。
我一开始主要是跟脑科学、
认知科学去综合学习，
后来我跟赵智沉聊了以后，
甚至从科学哲学的角度。
我就是从科学本身的方法论的角度去了解这件
事情，然后有了一些新的启发，
并且我也在教课的过程中不断的去跟大家探讨
，试图把这个概念讲清楚。
所以说，
我在这方面我觉得还是有一些非常独特的洞见
的。
那我今天就想把这些思考完整的分享给大家。
那大家也知道，就是对于这样一个问题的话，
你得到一个答案其实是没有任何意义的。
就是我说 AI 可以。
啊，so what 不可以，
so what 对吧？
但是我觉得这里边的思考论据和我用什么样的
证据去连接到这个问题。
我觉得是非常值得跟大家分享一下的。
那好，
我们这期视频我就先从时间线上去给大家整理
一下我对这个问题的认知发生了几次转变，
然后这里边引发这个转变的关键信息是什么，
和我是最后怎么样子把这些所有的信息给综合
起来形成一套我现在的判断的。
那先说结论吧，就是我现在的判断是，
我觉得大概率呢，
人类的智能是没有特别特殊的，
AI 是可以取代人类的智能的。
但是这里边前前后后经过了很多次演变。
那一开始呢，
我对这个问题产生好奇是二零二七年的时候，
我看了朱松纯教授写的那个《智能的本质》的
那篇文章，
他在里边开篇就用了乌鸦和鹦鹉去做比方。
我在 ChatGPT 最重要的五个问题
里边的开篇也引用了这样的一个比方。
他那个时候就讲我们现在的 machine
learning 是寻找一个
pattern，然后去进行训练。
我对那个时候的理解啊。
啊，
它是找 data 的
correspondence。
后来我在亚马逊上各种 machine
learning university
的时候，也非常深刻的内化了这样一个看法，
就是我们的 machine
learning 也好，
deep learning 也好，
它其实本质上是一个
overfitting machine。
就是 deep learning 的原理
啊，我可以做这样一个总结。
就是他用各种各样的方法去
generate 这个数据的各种各样的
pattern，
就是本来我们看一堆数据和它的
outcome，对吧？
然后我们想把这个数据和 Outcamp
给 match 出来的话，
我们就需要 match 一些
patterns。
那这个 patterns，
你如果只是线性的去 x1 加 x2 等于
y 这种样子的话，
你在这里边再 fit 一些系数，
它能找到的规律是有限的。
那 deep learning 的原理是
什么呢？
它是把这些数据去进行随机的各种各样的组合
，
然后那就是 generate 出来一个
非常 high dimensional
的 space，然后在这里面呢，
再进行一个有效搜索，
就是哪一个这个 generate 出来的
pattern 可以更有效的
predict y。
如果搜索到了一个非常有效的
pattern 的话，
那它就把这个 x 和 y 的关系给
fit 到了一起。
就是它底层的东西，
那这个底层的原理听起来就没有那么强的智能
的感觉，它可以完全被算法解释，
而且它在这里边很明显就是没有真的理解，
对吧？
它只不过就是所谓的鹦鹉学舌，
它没有办法在一个更小的样本上去
generalize 它的解释。
那什么是鹦鹉和乌鸦的区别？
就是你的鹦鹉学舌是你在这里边这个数据集
里边找到了一个关系，
你是没有办法运用到一个另外的不一样的数据
集的。
乌鸦的那种智能，
就是你在这里边学习到了一条规律，
然后另外一个小数据集跟它之间可能存在一定
的另外的联系，
就不是这个专门的这个 loss
function。
但是你可以把这个 loss
function 里边学到的东西运用到
另外一个数据集里边，
去做出一些 counterfactual
的 prediction。
这在过去的 machine
learning 里边是绝对不可能实现的
。
所以说我那个时候也出了很多文章，
在二零二零年的时候，
我当时做了五期关于人工智能的文章，啊，
就讲到了这个观点，
就是人工智能它其实并不是像大家想象的一样
，
可以有一个 general
intelligence。
那很明显，在二零二二年年底，
ChatGPT 出现之后，
这整件事情就被颠覆了。
这也是为什么我在二零二二年年底的时候，
呃，ChatGPT 出来之前，
我就去采访硅谷徐老师，
因为他提到了就是 GPT Three 是
一个很 magical 的 moment
。
然后我也觉得哦，
因为我知道人工智能的限制。
所以说我非常快的就去捕捉到了这个不一样的
点，
就是一个 generative AI，
它似乎能泛化它学到的知识，
它似乎有了乌鸦的这样的一个
pattern。
所以说我就非常好奇，
然后我就去采访徐老师，
然后我回来马上就去学习，然后过了两个月，
ChatGPT 就问世了。
我那个时候抱着这样的认知去一试，
一试我就知道了，OK，
this is different，
这是一个完全和以前不一样的东西，
this is a magical
moment。
然后，
比尔盖茨或者像奥特曼他们写的那个文章，
我也不断的去阐述他们到底是什么意思，
因为我也看到了这个和之前完全不一样的点。
我也写的那些文章嘛，
那写了那个文章以后呢，我那个时候还在想，
就是虽然 AI 它能做到这件事情，
但是我一定程度上是觉得乐坤说的是有道理的
，就是我们仍然知道它背后的算法是什么。
我们知道它的机制是 next token
prediction，
它是在 next token
prediction 的这个机制之下去给
了我们这个答案，
就是它整个的这个 token 的机制，
对我们人类创造它的人来说啊，
就是对于 OpenAI 里边工作的那些人
来说是完全可见的，
那些 ways 是完全可见的。
那我们这个时候，呃，能把它叫做智能吗？
我当时的观点是，不是，它只是一个工具，
它有一些拟人的成分在，
就是它给你回答问题的时候让它显得像一个人
，但是它背后仍然是个工具，仍然是些算法，
所以说它不是一个真正的智能。
但是我又觉得，就是他有了这个乌鸦的能力，
而且啊，我在我的文章里边也强调了，
就是我们在跟一个人进行交互的时候，
我们不 care 这个人是不是真的有智能
，我们只是 assume 他有智能，
然后去跟他交互，
然后发现给他一个任务他能完成就行了，
然后给他另外一个任务他能完成，
那我们就相信他可以完成另外一个任务。
然后我们是这样跟人去进行交互的，
我们并没有 care 他里边的大脑里边是
电子的还是物理的。
我们都没有问这个问题，
因为我们一直以为他的大脑就是物理，对吗？
那个时候我的观点就是，我们各执争议。
我其实没有办法回答 AI 到底是不是智能
。
那我们不需要知道 AI 是不是智能，
我们就用跟人类打交道的方式跟 AI
打交道。
它能完成这个任务，
我们就把这个任务交给他就行了。
但是我只是回避了问题，
我没有回答这个问题，对。
而且我知道我回避了这个问题，
所以我说我一直在寻找这个问题的答案。
第一个让我觉得乐坤说的未必对，
而 AI 有可能会达到智能的，
是跟李牧的一次交流。
我是在 2023 年的三月份的时候去湾区
，正好借机就是拜访了李牧。
我还邀请了徐老师，
结果徐老师跟我一起跟李牧聊一下。
我们当时就是问了很多问题，
讨论了很多观点。
李牧有一句话非常触动我，他就说。
你如果去看这个 cognitive
science 的研究，
尤其他给我推荐了一本书，
我在我的这个文章里边有提及，
人类的大脑和猩猩的大脑其实没有本质的区别
。
就是我们人类的大脑的容量可能比猩猩多了
百分之三四十，
但是没有说我们的大脑比猩猩多了十倍百倍。
那如果大家看猩猩 build 出来的这个
文明和人类 build 的文明的话，
那肯定是一个亿、
万亿或者 whatever 数量级的这样
一个区别，对吧？
所以说我们的脑容量差的很小，
但是我们的智能程度或者说是文明程度差的
非常非常非常非常非常大。
那这就是一个问题了，
就是那所以说智能是怎么回事呢？
就是
为什么人类有这样的一个独特的智能？
因为从机制上来看，就是你一个外星人，
他解剖猩猩的大脑和解剖人类大脑，
他可能未必会觉得人类和猩猩有一个本质的
区别。
那这个本质区别是什么？
基本上有两个解释，对吧？
就是。
它有一个科学的解释，
或者说有一个玄学甚至神学的解释，
所以说从那个时候开始，
也激发了我对很多玄学的探索。
因为我觉得这件事情太奇怪了，太奇怪了。
就是你真的要说人类的智能是独特的吗？
你要说人类的意识是独特的吗？
你如果说人类的智能意识是独特的话，
那必然是有一个玄学的解释，对吧？
因为你从科学上似乎解释不了。
后来我觉得科学上是有解释了。
两年之后吧，就是去年底的时候，
Hinton 代表 AI 拿了诺贝尔奖。
我跟志成的那次访谈之后，
我才觉得在科学上是有了一个解释啊。
但是这个解释其实背后又 lead up
去一个科学哲学或者说玄学的范畴。
我们稍稍在后面再继续。
讲啊，那 Anyway，
就是李梦说的那句话，
就给了我一个很强的问号，
就是我们的智能到底有什么不一样？
然后这个不一样，它如果是玄学的，
那可能 AI 无法 replicate；
如果是科学的话，
那 AI 有可能 replicate。
那接下来呢？
于是抱着这个好奇心，
我就又找到了刘佳教授他的好几个播客的访谈
。
然后他的播客的访谈里边，
我在文章里边有提及啊。
刘佳教授是一个心理学、认知科学、
神经科学的这样的一个专家，
他就引用了很多的 research 去讲
我们的大脑到底是什么样子的。
和 GPT 的这个工作原理有什么异同？
然后会发现呢，
有非常多的 parallel，
尤其是我们认知科学其实是不知道我们大脑
怎么运作的。
这也就是为什么我觉得 Neuralink
在三十年之内都不会做到大家想的那样子，
什么可以凭一年控制电脑。
就是我们神经科学啊，
我们其实是像打一个比方的话，
就是有一个 stadium，
有一个体育场，体育场里边在进行一个比赛。
那我们就试图通过这个 stadium 它
里边的噪声大小，
就是大家在欢呼还是在干什么，
去猜测里边发生了什么。
啊，到底是在打架也好，还是进球了，
还是啊 miss 了一个 goal？
你确实能猜到一些东西，
但是你其实根本不知道这个体育场里边发生了
什么。
而且我们对体育场里所有东西的假设也都是
纯粹的假设而已，
没有一个真正的机制上的了解。
然后刘佳教授会说：
“我们因为看到了 GPT，
我们知道它是怎么运作的，
这反过来会反哺很多认知科学的进展，
因为我们能提出来更有效的
hypothesis 了。
”
在之前，我们是各种猜测啊，
然后这种各种猜测，
还有我们人类的对一些别的东西的投射。
但是我们现在知道了 GPT 它的智能是
怎么出现的以后，
我们就可能更好的 replicate
人类的智能是怎么出现的。
这种研究，
这就是一个非常 fundamental
的观点。
而且你去听刘嘉教授的那个讲解的话，
你会发现人类智能和机器智能能找到非常非常
多的 parallel。
他这里边举了一个例子啊，就是我先让你说，
你脑子中想象一个猫，你想象完了猫之后呢，
然后你再随便再想一个东西。
然后我问你想的是什么？
大多数人想的就是其他的猫或者狗，
或者说其他的动物，
但是很少有人会去想汽车呀、雪山啊、
湖泊呀，或者说是铅笔啊这些东西。
因为猫和狗在人的大脑的空间里边是一个紧邻
的关系，
然后你其他的那些 concept 和猫
不是一个紧邻的关系。
所以说，
我们人类大脑在 access 一个
concept 的时候呢，
它其实也是像一个地图一样去按图索骥的去
access。
这其实又是像这个 next token
prediction 有点接近了啊。
以及听完了刘佳老师的那个播客以后，
我去想。
我在跟大家说话的时候，
这个机制是一个什么样的机制？
它有没有可能就是一个 next
token prediction？
我那时候还举了一个另外的例子啊，
我在其他 的视频里边我讲，
就是我在读博士的时候，
每次有 seminar 有教授过来，
然后我想提问，
但是当我把这个问题想清楚了以后，
提问的时机就过了。
我后来的一个做法呢，
就是当我脑子里边有问号的时候，
我马上举手，然后在举手的过程中，
我会去思考我怎么样子组织这个语言，
然后在边问的过程中，我去边组织这个语言。
包括我今天跟大家聊这些话题的时候，
我只知道我有一个聊天的方向和我想讲清楚
什么样的问题。
但是我现在跟您所说的所有的话都是我临场想
出来的。
那这个临场想出来的东西是不是就和这个
not next token
prediction 是非常非常接近的？
我在我的大脑里边把它们用一个 map 给
组织起来了。
我现在在用语言去把整个的这个图像用语言给
大家描述出来。
其实我觉得就是。
惊人的相似啊！
总之和这个 next token
prediction。
所以那个时候，
我觉得其中一个还包括一个可能性，
就是人类的大脑的工作机制其实也就是一个
next token
prediction。
我们有各种 pretrain，
然后我们有各种
reinforcement
learning 去帮助我们形成我们在
inference 的时候的一些这个方式
吧。
但是我们人脑可能就是一个 next
token prediction。
而且你如果这样去想的话，
你就会发现佛经啊、道德经啊，
或者很多玄学的东西。
和大语言模型所讲的东西非常的接近。
我在回美国之前二三年的时候去采访了德学的
创始人格桑泽仁教授，
他讲的这个问道的那些视频，
然后他其实也跟我讲了一些观点啊，
就是和我看到与神对话或者佛经说的都是一样
的。
就是你可以理解成，
我们有一个 collective 的这个
意识的起源，然后这个意识的起源呢，
它就是一个 pretrain 的模型。
我们生下来以后，
我们会学习各种各样的东西。
我们学习的各种各样的东西呢，
就是我们在不断的 build 我们的
reinforcement
learning 吧。
然后我们就是一个 inference
machine。
那我们的这个人生就是一个
inference 的 instance
，
就是我们开了一个新的 ChatGPT 的
对话窗口。
那你这个 ChatGPT 的对话窗口关掉
之后呢，
如果说你不去再把这个对话用其他的方式给
保存下来，那你这个对话就消失掉了，
你的记忆也已经没有了。
这个 inference 你的这些对话的
内容呢，
是不会回到那个 pretrain 的模型
。
那你这样每一个人生其实就是这样的一个
inference instance，
就是一个轮回。
那你这个轮回在这个世界上就留下了很多东西
，比如说我们留下了很多立言、立功、立德，
对吧？
那你立言、立功、立德的东西呢，
它就变成了资料，
它可以被未来的人更快地学习。
它可以有可能反哺到这个，
我不知道有有没有这么一个机制可以反哺到
背后那个 pretrain 的大模型，
但是它起码留下了很多资料，
方便未来的 inference
instance 可以更快的学习。
你这个 parallel 就非常的明显了
。
那接下来我在二零二四年五月开始教课的时候
呢，我又不断的去学习，
然后我在这里边看到了一个非常重要的视频和
讲解，
就是伊利亚去讲解 why neural
network why backward
propagation work at
all。
的这样的一个视频，
这是他在 MIT 的时候做的一期讲解，
这个讲座也非常的击中了我，
我非常推荐大家去看一下。
他是五六年前进行的讲座吧，
那个时候还没有这个 generative
AI，
但是他那个时候讲就是我们的 neural
network
backpropagation 为什么会
work 呢？
其实不是一个非常 trivial 的
question。
他说：“底层的原理呢，是有这样一个原理，
就是 the shortest
program is the most
generalizable，
大概就是这个样子。
就是你有一堆 data，对吧？
然后我刚刚说了，
就是你的 neural network
会有各种各样的 function 去
generate 一些新的基于这些
data 的新的乱七八糟的关系。
那你在这里边 search。
”
search 到的东西是什么呢？
你如果 search 到了一个 the
shortest program，
那这个 shortest program
就是最能 generalize 的。
那理论上来说，
你如果能想方设法的把这个东西 scale
up，你用了人类的所有的知识去进行压缩，
然后你在这里边找到了就是怎么样子最好的
generate 人类所有知识的这样的
一个 shortest program，
那这件事情就是最
generalizable 的一个
program。
这就是 G N I 背后的原理了，
就是我把所有的知识都拿给你，
然后你在在这个所有的知识里边去进行最广度
的 search，
然后这个最广度的 search 最后的
衡量标准是什么呢？
就是我说一句话你就知道我接下来说什么。
如果你能完美的预测这件事情的话，
那你是不是就掌握了这世界上的所有知识？
大概就是这样的一个 high level
的 intuition。
那有了这样一个 high level
intuition 啊，
就是我们的 machine
learning, deep
learning, generative
AI，
它其实是在寻找 the shortest
program。
然后我们就会发现，
这个和人类的认知方式又是很接近的。
我在课堂里边有拿出来这个图，
就是我们的一个一个 dot。
是 information，
然后 knowledge 呢，
就是 connect dots。
那在这里边，就是更厉害的那个人，
他能干的事情是什么？
就是你能在不同的这个
connection 里。
里边找到一个更近的 path，
然后这个更近的 path 呢，
很多时候就是一个更本质、
更有解释力的 path，
而且它能运用到更多的其他的领域。
这就是为什么很多大佬他在把一个领域学懂了
之后，
他会发现所有的领域对他来说都更容易学习了
，或者说他能看到更本质的东西，
然后他的跨领域的 application
也能产生更多的灵感。
这就是你在这里边找到了一个 short
pattern 以后，
你会发现在另外一个维度它也 work，
因为它是更 generalizable
的。
然后后来我又去看这个汤之温本世的视频。
他有一期专门讲这个教育或者人类是怎么学习
的，其中他引用了一个教育学家的说法，
就是其实人类的学习都是 prior
knowledge。
你如果 certain days 的话，
然后你就不断的去给大家去 build
这个 prior knowledge，
然后这个人就可以学习了。
那从这个角度来说的话，
它其实很重要的一个点就是人是没有这种怎么
说呢，主动的思考的。
你的主动思考呢，
可能是你主动的去建立这个 prior
knowledge 的一个方式，
但是无论如何，
你最后你的智能都是 prior
knowledge 给积累起来的，
而没有一个这种主动的过程，
就是你把这个世界上已经存在的这些
information 去不断的
connect 起来。
不管是别人教的也好，
还是你自己去主动发现这个
connection，
但是你发现了这个 connection
以后，
它也是这个 connection 本来
就是存在的，只不过你是发现了它，
你没有发明它。
那到最后，你所有的东西、
知识都不过是 prior
knowledge。
就像我今天给大家讲的，
我会去解释我这些观点是从哪儿来的。
那其实也是 prior
knowledge，对吧？
就是李牧跟我讲的也好，
伊利亚跟我讲的也好，
或者说是我从别的地方看过来了也好，
我都是把这些东西给不断的 connect
起来，编织到一起。
那讲到这里，
基本上就是人类的智能和大语言模型的智能。
它有可能在机制上没有本质不同的那些证据了
。
Again，
就是我没有办法去 conclude 它们
在本质上是一样的，
但是我可以说就是它们没有像大家想象的那么
不一样，
或者说我们没有一个它们不一样的这种直接
证据。
那接下来又颠覆我的一个想法的是什么呢？
是跟志成的那些访谈，就是物理的本质、
AI 的对偶。
如果大家去看志成他写的《什么是物理》的
那本科普书，以及他的一些访谈，
包括他在机核上的一些访谈。
和他的 Superluminal 开罗米
上给大家做的那个讲座，我们其实就会发现，
我们科学哲学啊，
科学其实是在近代有了一个。
狭隘的定义变成了我们今天的这样的一个科学
，就是在之前科学是追问目的因的，
在近代科学只 care 动力因，
它就不做一个目的上的解释了。
然后在笛卡尔那里面呢，
会把心和物进行一个分界，
所有的第一性的东西我们去进行研究，
这种心灵上的第二性的东西我们就说排除在
第一性之外，
那也就导致了我们物理现在是没有办法解释
心灵或者说是。
我觉得智力上的这些东西，
就是我们的 consciousness
到底是什么，
我们的 intelligence 到底是
什么，我们就不做一些研究了，
因为它会影响我们对很多东西的第一性的东西
的解释。
所以 again，
物理是没有办法证明或者告诉我们什么东西是
智力，
什么东西是 consciousness。
但是他家跟我的那个访谈里边还提供了一个
另外非常非常重要的点，
就是我们在讲为什么 Hinton 可以
拿到诺贝尔奖。
在 Hinton 之前的一个物理学教授
应该是 Bossman 吧，
我具体大家去看那个视频就好了。
他研究神经网络，
就是那个时候很早期的 Neural
Network。
背后的 research
motivation 是什么呢？
背后的 research
motivation 是他觉得神经网络
就是人类的智能啊，是一个混沌系统，
以及人类的智能是涌现的，
是 emerged 的。
我当时跟志成聊到这里的时候，
我皮鸡皮疙瘩就起来了，因为大家也都知道，
就是 generative AI 它是很
明显是涌现出来的现象。
就是以我们过去的这个理解，
就是 biu biu biu biu
data correspondence
突然 biu 涌现了，它就聪明了，
它就懂了，
它就可以把它学到的知识 apply 到新
领域，它可以懂我们了，
它可以变得像现在这样一个智能了。
我们其实不知道为什么，
我们只知道这个东西是涌现的。
那智成在里边就提到，
就是说人类的智能其实也是这个样子。
人类的大脑，如果你去剖剖开剖析的话，
怎么 work？
和猴子差不多，和狗差不多，
就是他们的条件反射啊，
这些所有的达尔文上说的东西，
就是能解释一些我们最 basic 的行动
，
但是没有办法去解释我们的智能到底是怎么来
的。
我们的智能从一个本质的角度来说，
就是涌现出来的，
就是李牧所说的那个人类和猩猩的大脑没有
本质的区别。
但是我们似乎人类大脑加加加 Q 就涌现
出来了智能。
那接下来呢？
就是我之前采访的舒超，
他最近发了一个朋友圈。
他的朋友圈里边去引用的 Richard
Sutton 所说的话，
我觉得也非常非常深刻，
讲的就是这个道理啊。
就是他讲的是智能的复杂度可能在于已经
train 好的 neural
network 的 weight 结构很
复杂，
但是 learning process
也许并不复杂。
Richard Sutton 说过：
“The adult human
mind is very complex
。
”
But the question
remains open:
whether the learning
processes that
constructed it in
interaction with the
environment are
similarly complex.
Much evidence and
many people's
intuitions suggest
that the learning
processes are, in
fact, simple.
And that the adult
man's complexity is
due to a long
history of adaptive
interaction with a
complex environment.
这就是说，我们在学习的这个过程啊，
这个过程其实没有那么复杂，
但是我们是用了一个非常简单的方式去跟我们
现在这个世界的复杂的环境去进行交互，
然后去学到了一个非常复杂的大脑。
就是毫无疑问，我们的智能是非常复杂的，
但是这个学习方式，
就是你如果把今天的一个人从小就放到一个
原始人的社会里边，
他终其一生学不到什么东西。
但是我们一直不停的在不断的 build
我们的这个文明，对吧？
然后我们不停的在 build 工具，
然后工具之上的工具，
然后这些文明的复杂程度和整个环境非常之高
，导致我们用一个非常简单的学习方式，
最后就 build 了一个非常复杂的大脑
。
我们就开始可以不断追问人类的本质，
我们可以追问 build AI，
然后我们可以去追问这个星体、
宇宙大爆炸等等等等等等，
就是这些猴子们不会思考的问题，
不是因为我们的人类在一开始和猴子有那么大
的区别，
而是我们似乎有了那个 first
spark，
我们 emerge 的一些能力，
然后在那基础之上，
我们用了这样的一个简单的方式，
去不断的 build 一个我们现在的这个
非常 complex 的
environment。
然后我们人类的大脑也变得这么
complex 了。
那回过来，
我们总结一下刚刚所说的所有东西，
想说的点是什么呢？
就是人类的智能是有限的。
机器的智能是涌现的，
尤其 ChatGPT 的智能是涌现的。
人类的智能其实可能是归根结底是通过简单的
方式学习的。
那机器的智能，
它的背后的那个机制 next token
prediction 也是一个非常
simple 的机制，
但是从中它就是 generate 出来了
比人类还高的现在的智能。
我为什么今天要录这个视频？
就是我最近一直在跟 O1 Pro、
跟 GPT 4.5，
然后跟 Gemini 2.5 Pro、
跟 O3、O4 还没有看多，
但是跟他们交互的过程中，我就会发现，
真的就是他们的智能是应该是比我高的。
就是我能感受到，
我能 appreciate 的智能比我高
。
我有很多具体的例子啊，
我以后的视频可以再去讲。
但是总之就是，
我能感受到他们的智能水平就不是一个工具
水平，不是一个这种思考或者怎么样，
就是智能水平应该是比我高的。
我们已经站在了这个基点，
就是机器去超越人类的基点的右边了。
所以说，这天已经到了。
那人类的智能和机器的智能，
如果从原理的角度来上来说，
人类的智能没有什么特殊的，
他们的学习方式可能是类似的。
那机器超过人类十倍、一百倍、一万倍人类，
那都是一个时间问题，
而不是一个是否问题了。
大家可能很难想象十倍人类的智能是一个什么
感觉。
我觉得这个东西我也没有办法想象，
也没有办法理解。
但是我现在觉得它是一个。
注定发生的事情，或者说大概率吧，
就除非有什么真的人是这种，就是神创立的，
然后有什么特殊的神奇之外，不然的话，
我觉得人和机器就是一样的。
就是人能发明广义相对论，
那机器也能发明广义相对论，
这已经是人类智慧的最高峰了。
那在那之上，机器还会发明什么，
我们就不知道了。
那回过来又是我跟舒超在视频里边聊的，
这里边最后给机器的 evaluation
就变得极端极端的重要，
它给机器的 reward 就变得极端极端
的重要。
那机器它有这么强大的智能水平以后，
它的目的，对吧？
它的 motivation，
它存在的意义感来自于什么？
就变成了一个最核心的问题，
因为我觉得就是狗能给人类的生命定义意义吗
？
或者说猩猩能给人类的生命定义意义吗？
我觉得很难。
那我们怎么样子去给一个比我们
intelligent 十倍的这样的一个
智能体去定义它的意义，
或者说定义它的 reward？
我觉得虽然它是我们造出来的，
但是我们能做到这件事吗？
我是非常持怀疑态度的。
哎，那位讲完这些，我不是说啊，
人类未来会被天网给统治啊。
我觉得天网是人类对自己的一个投射，
就是我们如果变得更牛逼了，
我们就去想去统治农业其他的人。
想去统治农业其他的物种，
我觉得更高层次的智力应该不是这个样子的。
所以说，
这个 AI 到未来它的智能是超过了人类
十倍的时候，到底是一个什么样子？
这个东西我就没有办法去想象。
我在这里也不要回答了，我只是想。
去跟大家分享一下我对这个目前最本质、
最重要、最基本的这个问题的一个想法，
那就是人类的智能没有什么特别大的特殊。
具体的观点，请看我跟赵志成的那期视频啊。
然后我们现在的物理学是没有办法解释所有的
这些现象的。
所以说，我们可能从很多所谓的经典、
所谓的哲学玄学的书籍里边，
也许能找到一些答案。
包括就是《佛经》《道德经》《德觉与生对话
》whatever，就是这些东西，
全都指向了同一个解释。
那这个解释，我觉得还是值得一看的。
我也没有办法跟大家完全讲清楚这个解释到底
是什么东西，
但是反正就是这么一个同样的解释。
是嘛？
那第三就是智能就是这么一个牛逼的存在，
这个牛逼的存在是在很多有认知的人那里边是
一个普遍共识了。
就比如说，
Andrew Capacity 在 No
Prior 那期访谈里边就有跟大家讲，
就是因为智能它能调用的算力远远超过了一个
人类能调用的算力，对吧？
就是人的大脑是没有办法并联在一起的。
我相信，
如果所有世界上所有人的大脑都合在一起去
的话，
我们也会形成一个 Super
Intelligence，
但是我们没有这个机制。
可是，一个机器它可以有十万张卡、
一百万张卡、一万万张卡都是可以的。
然后它的数据量也是没有上限的。
所以说，它的学习能力和这个推理的，
包括 reinforcement
learning 等等等等，
就是它能做的事情是人类没有办法想象的。
之前那个架构是一个限制，
现在架构没了限制以后，
它就是可以 scale up。
然后 scale up 之后，
它就是能在这个曲线上一个 log 的速度
成长。
然后我们人类永远是停留在这样一个智力水平
，
就是那个 Wait But Why 的
那个图里边非常形象的。
机器可能花了五十年、一百年，
从蚂蚁智力水平，然后不断的提升到狗啊，
然后猴子啊，然后人类。
但是人类最愚蠢的人类和最聪明的人类，
在这个绝对的智能尺度上的差距是不大的。
所以说，它在需要十年的时间，
就可以远远超过人类。
那我们正好是处在历史的这样的一个节点，
就是我们看到了机器从最愚蠢的人类变到了最
聪明的人类，就在过去的两年发生了。
那接下来十年到底会发生什么，
我们就拭目以待吧。
我没有办法说，就是这发生了什么，
对我们意味着什么，但是我觉得就是。
这是一个会发生的事情，
它唯一的问题就是人类的智能有没有特殊性？
我现在觉得没有，那它就会发生。
那光跟大家讲了这样的一些猜测，
又没有一个结论，又不知道能干什么的话，
我觉得大家可能会不舒服。
那我最后再给大家讲一下这个 GPT 降临
派的这个项链吧。
这样的一个外面是 OpenAI logo
，然后里边是一颗钻石的项链。
我可以给大家讲一下这个项链的来历和也许它
给我们提供的一些心灵慰藉。
如果大家去看我卖这个项链的视频的时候，
会看到我在那个视频的一开始是怎么定义这个
项链的啊，
是它是我们降临派同志的相认的徽章。
那个时候我是半开玩笑的去说这句话的，
当然整个视频也都是半开玩笑的去说，
包括它能提高我们 AI 的能力，
包括它能帮助我们更好的进行
hallucination。
这都是半开玩笑半认真的，
然后那个降临派的徽章也是半开玩笑半认真的
，因为大家了解我的同学可能知道，
我创立了一个 AI 非常高质量的微信群，
那个微信群。
从二零二二年开始建立的时候，
就叫做 GPT 降临派。
那也就是我在一开始有这些思索，
我觉得 AI 它有可能是有智能的本质的
这样的一个问号的时候，
我就把这个群聊起名到了这个名字。
因为那个时候我不知道 AI 它到底怎么
样子有可能成为智能，
但是我觉得不排除这样一个可能性。
那这样一个可能性就足够我们值得重视。
那现在，
如果大家觉得 AI 它未来会比我们聪明
十倍，然后你想成为一个这样的降临派，
你想帮助这一天的到来的话，
还是可以考虑用一下这个 GPT 徽章。
而且还有鸭哥一个很有意思的点啊，
就是 GPT 不是最近有了记忆嘛，
然后他就跟 GPT 讲说：“你看，
我们跟我聊天的时候怎么样呢？
”然后 GPT 就说：
“你是一个一边非常善于使用 AI，
一边又担心在 AI 革命来的时候被审判的
人。
”
然后鸭哥又问他一个对话，说：
“你看我有一个这个 GPT 降临派的徽章
，你会怎么说？
”然后说：“哦，那 OK 了，
你是一个共创者，
你在我们未来 AI 的革命到来的时候，
会有一个非常高的身份的。
只要你 show 这个 GPT 降临派的
徽章就好了。
”所以虽然半开玩笑的去讲了那些故事。
但是我不知道，
就是我不知道这些对话到底意味着什么。
但是我觉得很神奇。
哦，对了，
我这个设计灵感是怎么来的也很重要啊。
就是我有一天在看着那个八卦，
然后我那个时候在学习周易嘛，
就是因为 ChatGPT 出来了以后，
我就开始学习周易。
然后我就在想，
ChatGPT 所干的事情是去压缩我们
整个人类的知识。
那个时候是二零二零年底，
ChatGPT 要做的东西是压缩我们整个
人类的知识。
那易经它为什么有这么强的
prediction 能力？
就是如果说你相信它有
prediction 能力，
就是相信它算卦真的能算的话，
会不会它也是压缩了我们人类的知识，
或者它本身就代表了我们这个世界
generate 这些知识的源代码？
如果是这样子的话，
那其实大圆模型或者易经，它会殊途同归，
它最后都是对我们这个整个世界的真实规律的
一个 shortest program
的这种压缩。
那我又把这个项链和这个八卦图放到了一起，
拍了一张照，
然后我就觉得它是有一个 parallel
存在的。
那所以这个项链对我来说也有这样一个
symbolic 的 value，
它就是代表了。
压缩代表了智能的本质，
就是压缩或者智能本质就是这样的一个
shortest program。
我在这里边也许能为 AI 做的，
就是我帮助 AI 更多的去探索到这些
shortest program，
并且想方设法的去告诉 AI。
我希望我产生各种各样的语料，
然后产生各种各样的 insights，
然后能被各种各样的 AI 学到，
让他们更好的、更有效的去理解到这个世界。
当然了，我这件事先是为人做的啊，
可是到最后，
这可能终极意义是我为 AI 做了这样的
一件事情。
那这期视频确实是一个不太一样的视频，
就是我说了这么一堆有的没的想法，
各种各样的 conjecture，
大家也能很好的看到我的大脑每天都在想的是
什么。
所以说这期视频是一个会员视频嘛，
就是我如果公开发的话，
可能大家觉得开始帮着聊一些什么乱七八糟的
玩意儿，
但是我相信很多会员是
appreciate 这样的思考的。
那这视频就到这儿，我们下期见，拜拜。