近年来，人工智能的发展已成为全球经济增长的焦点。很多人甚至把这波基于大语言模型的人工智能浪潮视为“第四次工业革命”的起点、唯一的“技术认可”、通向通用人工智能的必由之路。但另一方面，对于模型本身大技术的质疑却并未消退。相反，它们变得越来越高，因为未使用的高质量训练数据越来越少，以及扩展大型模型参数的边际效益递减的问题。与此同时，大模特对传统就业市场和经济生态产生了较大冲击，进一步引发了一些群体的舆论反弹。当下，人类似乎正站在另一个技术十字路口，等待技术进步指明前进的方向。人类社会将走向何方未来？我们如何与人工智能相处？针对这些问题，观察者网采访了《超智能：宇宙如何设计自己的思维》、《超级趋势》等畅销书的作者拉斯·特威德，请他给我们明确的建议。 【对话编排观察者网/唐晓芙】观察者网：您创办了很多公司，写了很多畅销书。是什么促使您为了人类的未来而从纯粹的商业企业转向？有没有一个关键时刻改变了你的观点？ Russ：我曾经从更广阔的角度写过一本叫《创意社会》的书，讲述一些科学家如何通过创造力取得成功。这本书的灵感来自于我在哥本哈根的一次晚餐。我是丹麦公民，但住在瑞士。当时我受邀在哥本哈根与德勤首席技术官之一雅各布·博克·阿萨尔森 (Jacob Bock Axelsen) 共进晚餐。他很特别，拥有物理学、生物五个学位物理、数学、哲学和化学。我们谈论了宇宙、生命、数学、统计、物理和许多其他话题。 Russ Tweed 接受了《观察家报》的采访，然后我告诉他，另一位朋友建议我写一本关于未来的书，但我不确定具体是什么，因为我已经就同一主题写了三本书。回到瑞士后，我收到了雅各布的短信，说：“你应该给你的新书起名叫《天才的宇宙进化》”。 “我开始思考这个话题，打电话问他这个话题的意义是什么。他说，人工智能的未来只是一个更大故事的一部分。未来我需要考虑的不仅是关于宇宙和智能的进化，还有它应该扮演的角色。”关于技术进步？拉斯：首先，我认为几个世纪以来有大量证据强烈表明人类状况在很多方面都在改善。 1939年，学者阿利文·诺伯特·埃利亚斯《论文明的进程》（über den Prozess der Zivilization）。这本书以德语出版，当时几乎没有受到关注，因为它讨论了随着时间的推移人们会变得更加文明与和平的想法。这本书出版的时机很糟糕，因为同年第二次世界大战爆发了。后来，史蒂文·平克（Steven Pinker）继续这个话题，写了一本很棒的书。在这本书《我们本性中的美好天使》中，他详细描述了世界各地的人们如何变得更加文明。他认为，虽然仍然有战争，但总体上战争越来越少，残酷的事情也越来越少。世界整体正在走向“双赢”而非“零和”局面。我想加她e 许多人认为我们的地图资源已经耗尽；但事实恰恰相反。我们有很多来自不同渠道的资源，因为“资源”从根本上来说是创新的产物。我认为第一个明确指出这一点并用统计数据支持它的人是一位名叫朱利安西蒙的学者，他写了一本名为《终极资源》的书。在书中，他提出“人类的终极资源是我们的思想”。从历史经验来看，随着人口的增加和科技的发展，我们获得的资源越来越多。如今，世界各地有很多关于“我们正在毁灭世界”的讨论，但如果你看一下统计数据，你就会发现，任何一个进入工业化，然后继续发展工业化的国家，在初期都会破坏环境，但当收入水平达到一定阶段时，当地的环境又会得到改善。总体而言，当前世界体验多方面的环境改善，包括森林覆盖恢复等指标。从长期统计角度来看，有大量证据表明世界正在变得更好。然而，事实是：有关“末日”的书籍往往畅销，而有关积极发展的书籍则销量一般。许多人不理解这些统计事实，但世界正在变得更好，并将继续变得更好。观察者网：你的书名实际上暗示了宇宙本身的进化规律设计了智慧。这是一个深刻的哲学命题。您能解释一下您是如何得出这种宇宙观的吗？纳尼 你相信智慧是宇宙的固有属性，而不是偶然的副产品吗？ Russ：当我们开始写这本书时，我们最初计划写一本关于宇宙的复杂性如何改变智力的书。我们并不是先建立一个预设模型然后再填充细节。相反，我们跟随问题并写故事。当我们写作时，我们发现一些非常简单的模式在宇宙的演化历史中反复出现。这就是宇宙创造智慧的方式。它们并不复杂。首先，我们来看看宇宙的​​历史：我们知道，宇宙诞生于大约138亿年前的大爆炸中。一开始，宇宙中什么都没有，只有能量；然后一些亚原子粒子出现并在最初几分钟内结合形成许多不同的原子，几乎所有原子都是氢和氦。然后几千万年过去了，星星出现了。当它们达到核聚变的临界密度后，它们开始合成其他元素，因此就有了完整的元素周期表。 大爆炸假说在宇宙漫长的历史中，演化过程反复呈现出“临界密度-级联”模式：在某一时刻，某物达到“临界密度”将引发新的复杂性级联反应。起初，它只生产“固定产品”，例如原子；而到了一定阶段，它开始产生“生命产品”，比如细胞。您可以将前者称为代币（标记/计数单位），将后者称为活代币（活跃单位）。今天，我们利用技术和人工智能在信息领域创造了临界密度（编者注：智能涌现现象）。这个密度足够高，足以产生新的智慧和理解，甚至更高的知识密度。历史上，根据我的归纳，我们经历了利用信息密度创造知识和智慧的十个阶段，而我在书中提到的“超级智能”就是第十一个阶段。今天我们只看到了“超级智能”的一些曙光。我想我们对此的感受就像人们第一次看到内燃机时的感受一样。见过内燃机的人当时会尝试启动它，听它轰鸣几声然后关闭，然后从开始旋转到沸腾。我们现在也在做类似的事情。我们看到了一些“超级智能”的要素，但还没有达到“全时、全速”的状态。我认为几年后人工智能将达到这一点，并将我们带到一个新的水平并创造新的知识。归根结底，人类可能是迈向“宇宙智能进化”的又一个垫脚石；未来，宇宙可能有意识。我们可以利用人工智能让机器人在没有探测器的情况下遍布整个宇宙。这种扩散可能会导致人工智能本身获得意识。如果有意识的人工智能存在于整个宇宙中，我们可以想象我们已经为宇宙创造了自己的意识。宇宙中可能还有其他文明在做同样的事情。我认为宇宙需要阿明，或者一些类似于人类的物种，来承担这一重要的责任步。 观察者网：您刚才提到了临界密度和级联复杂度的概念。此外，您还认为创意脉搏是推动智力进化的主要力量。您能解释一下这三个概念如何相互作用以及为什么它们是宇宙“自我设计”的关键机制？ Lars：让我们把时间往前推一点。正如我一开始所说的，大爆炸后的早期只有四种元素，几乎都是氦和氢。该阶段的宇宙达到了较低的复杂度，之后其系统复杂度并没有明显增加。在这种背景下，氢气云在数千万年的时间里崩溃，最终形成一颗恒星。然后，恒星内部在高温高压下发生聚变，合成从氢到铁的所有物质；然后，在超新星爆炸或恒星碰撞过程中会产生较重的元素，例如金和铀。作为结果，整个元素周期表中的所有元素都形成了，宇宙也有了可以合成分子的“积木”。但在没有生命的宇宙中，实际上大约有260到350种不同类型的加合物和分子，但这已经是该阶段系统复杂性的上限，当时的宇宙无法产生多种类型的物质。但随着生命的出现，复杂性显着增加。首先出现了单细胞生命，它开始创造各种复杂的分子，并且复杂性从此开始增加。单细胞生命如何转变为多细胞生命？关键在于临界密度：随着单细胞生物的分裂和生长，它们的密度会不断增加并倾向于粘在一起；当超过一定的临界密度时，就会触发复杂性级联，细胞开始分化、合作，最终形成依赖的多细胞体并使单个细胞难以独立生活。如果我们不理解这个模型，我们可以将其理解为当一种事物超过临界密度时发生的复杂性级联，以及由此产生的创造脉冲。这个过程是根据非常简单的原理重复进行的，不需要外力的推动。这种自我形成、自我发展、达到阶段的规律贯穿于宇宙演化的演化史。观察者网：很多人认为“技术奇点”是未来某个时刻的单一事件，但您认为它会在宇宙中继续发生吗？这与传统的奇点理论有何不同？这对我们的应对措施有何影响？ LARS：我不认为我的观点与“单一奇点”理论相矛盾；相反，我认为我们过去经历过许多奇点（物理的、生物的、技术的等），并且将会有更多的奇点。未来会有许多新的奇点。许多人强调我们正在接近“单一奇点”。但事实上，从原子的出现，到生命的出现，到多细胞生命的出现，再到科学技术的出现，每一次的变化都创造了一种统一性。我们现在正在创造一个新的奇点，就是“高级智能”和“超级智能”，之后还会有一系列的奇点。我在书中一共列出了14个奇点，可能还有第15个。第15特异点是创造新宇宙的能力。对于普通人来说，我们必须做好应对这些变化的准备。我们必须认识到，我们面临的变革将是人类漫长历史上最快的一次。我建议每个人在手机上安装人工智能并与其交互以了解其工作原理的基础知识。对于年轻人来说，他们需要认识到，通过传统的教育途径可以获得很多稳定、体面的工作。ths.bits 将被人工智能和机器人取代。因此，每个人都应该知道自己的兴趣是什么。你想做什么样的事情将非常重要。我们要思考，在会计、律师等很多职业都被AI取代的世界里，我怎样才能做自己喜欢的事情？观察者网：您的工作和研究涵盖了人工智能系统自我完善的方向。从研究和投资的角度来看，您认为实现真正的自主人工智能需要多长时间？目前存在哪些主要技术壁垒？ LARS：我们公司使用基于代理的人工智能来绘制和预测世界各地科学和创新的发展。迄今为止，我们已经标记了人类历史上大约 16,000 项创新，并做出了 4,000 项预测。到 2028 年，我们期望像 Deepseek 这样的推理人工智能能够像学者一样工作，自主构建复杂的答案，并为最终目标不懈努力等人。相比之下，即使我们今天向模型提出问题，它也可以“思考”一分钟然后回答；当人们用它们编写软件时，有时它们可​​以连续运行20分钟然后停止。当然，他们可以继续完成一项任务的时间几乎呈指数级增长。因此，我们认为在2028年左右，AI可以不间断地工作并自行确定后续任务，直到完成所有任务。业内我们称之为“AI创新者”。我在这里给你举个例子。当我们写书时，是的，我们广泛使用了人工智能，但当我们写作时，我们必须在它给出答案之前提出问题。但也许到了 2028 年，你只需要输入：“这是我的一本书的想法，请完成它。”它将规划自己的道路并继续写作，直到本书完成。今天一个人写一本这样的书大约需要一年的时间，但也许三年的人工智能可以在半小时内完成这样的一本书，所以我认为2028年可能是人工智能发展历史上的一个重大节点私奔。 AI代理是下一阶段AI发展的重点。阿里云2028年也是我认为“AI驱动的机器人将被大众接受”的时候。我们已经看到人工智能机器人的出现，但它们还远未进入大众市场。到2028年，我们将看到它带来的经济影响。当然，如果我们将时间线向前推进到 2034 年，以下只是我们的猜测，自主的、人工智能驱动的模型可以执行非常复杂的协作。到那时，埃隆·马斯克或其他人理论上可以将机器人和人工智能发送到火星并将它们留在那里，并向它们发出指示：“让我们回到 50 年后，在火星上建立一个文明。”因此，当你回到 50 年后，他们可能已经找到了如何改造火星、建造建筑物并显着改善当地环境的方法。之后，他们可能会创造出一些与人类文明不同的元素。我们相信，到2034年，我们将能够实现这些目标ngs技术上，但是会有发展，而且这些想法将成为可能。所以，我们正在面对的是非常彻底的变化。观察者网：那么您认为，特别是大模型，几年后会理解现实世界的物理定律吗？ Russ：我认为几年后它就会实现自己定义的使命。因此，当你思考自我进化或递归的事物时，你会发现人工智能在很多方面都可以自我延续。例如，我们可以通过调整参数来改变AI的一些性能，这类似于通过生物手段取出一段基因，然后调整它以使其更快地表达；在更基础的层面上，我们还可以赋予人工智能新的能力，比如向生物学添加新的基因。之后，它们还可以自主部署：在既定目标的驱动下，自主规划和执行外出任务，在追求目标的过程中可以打破许多现有的限制。这些元素共同构成了ma的一部分巨大的转变摆在我们面前。观察者网：您认为创新是我们真正的资源吗？人口越多，人均资源越丰富。这挑战了传统的马尔萨斯思想。您能否举个例子来说明这一原则是如何运作的，以及您认为它在今天仍然适用的地方？拉斯：首先，对“资源变得更加丰富”的现象进行了详细的研究。这个概念的精确描述是：一个人为获得一定数量的某种商品或某种基础资源而必须工作的小时数。这就是所谓的“时间价格”。一项研究考察了 1850 年至 2018 年 170 年间美国 26 种最常用商品（例如钢铁和许多其他商品）的“时间价格”演变。结果显示，普通美国工人购买这26件物品所需的工作量减少了98%。其实这里有一个类似于“摩尔定律”的定律：在大街上风靡一时，每20年，购买同一批商品所需的工作时间在很长一段时间内呈指数下降，其中最经典的例子就是“轻”。便宜60万倍。接下来maaar我们说，是的，过去发生过这种情况，但未来还会继续吗？如果我们将这一点与《超级趋势》一书中提到的时间线以及我们所有的预测结合起来看，我们会发现它会继续下去，甚至可能会加速。这是因为我们致力于并开发一些非常有价值的革命性技术。这里我举几个例子，其中之一就是核聚变。几天前，我参观了一个受控核聚变实验反应堆。中国也专注于核聚变研究，目前在世界各地有40多个实验聚变反应堆在运行。其中一家公司名为Helion，他们声称三年后即可并网供电。我们可以拭目以待。豪事实上，大部分可控项目均表示需要15年左右才能实现商业供电。而一旦核聚变实现商业电力供应，我们就有足够的能源供整个世界使用，并且可以提供足够的能源供人们使用，直到地球毁灭。它是完全安全的，完全“免费”的，需要的资源很少而丰富，而且没有上限。这是一个关于能源的例子。 4条可控核聚变路线，左上为托卡马克装置（中国环流3号）；右上为仿星装置（Wendelstein 7-x）；左下是激光控制核聚变装置（国家点火设施）；右下是Z-pinch装置（Z脉冲功率装置）。但在许多其他领域，我们也看到了效率的提高。我可以举一个永恒的例子：农业。早在农业兴起之初，人们就发现继续耕种同一块土地会导致产量下降。这是因为植物需要氮才能生长，而农业不断从土壤中获取氮。所以当时的人们就用牛粪等粪便作为肥料；后来发现这些肥料的生产能力仍然没有解决产量减少的问题，于是人们开始使用在太平洋岛屿上发现的鸟粪石；这个资源也已经枯竭了。但与此同时，人们发现可以通过化学和工程方法从空气中“提取”氮气。化肥的出现确实从根本上解决了这个问题。这种情况在历史上一再发生，我们确实正在走向物质“过剩”。我们越来越少地依赖直接从自然界获取东西，而越来越依赖人工合成。今天即使在劳动力方面，我们也通过人工智能和机器人实现了“合成劳动力”。这是一个已经深入渗透并正在改变方式的基本趋势文明在运转，而且一直在加速。观察者网：通过极端趋势和您的预测，您试图绘制未来的创新变化。您如何区分真正的新兴趋势和纯粹的炒作？如何解释创新的缺乏兑现的崩溃？ Russ：我们有一个分析系统来区分趋势和炒作。我认为如果你要区分炒作和趋势，你首先要区分——市场是否有真正的需求。许多炒作往往是由精通技术的人甚至是认为自己的想法可行的工程师推动的，但在许多情况下，对于该技术是否真的有足够大的需求，并没有太多讨论。所以真正重要的是人们想要什么。从商业角度来看，我们还会考虑网络效应或者其他放大机制。历史上，广播首先被用作“听书”的工具，而电视最初被认为能够只播放录制的电视剧。然而，最终围绕广播电视出现了一系列基于生态的需求和多样化的应用。事实证明，人们首先会发明基础技术，然后围绕它的生态应用系统就会出现。因此，必须同时预测基础技术的突破，然后再预测技术突破后应用或需求层面的突破。我们现在利用AI来做相关的预测。事实上，人工智能的“幻象”很好地回答了“如果我们在五到十年内掌握了这项基础技术，它能用来做什么？”这个问题。它有一个“它可以用来做x”的列表，我们分析有多少种可能的应用程序及其吸引力。从我的经验来看，人工智能往往会产生一些意想不到但可行的想法，潜在的应用方向通常很有吸引力。观察者网：您推广的很多积极技术疾病还会带来重大的经济破坏。在人工智能能力快速扩张、社会经济体系尚未适应的转型期，企业和投资者该如何应对？ Russ：首先，我认为将这些技术对商业世界的影响分为两类是有用的。第一类是提高现有流程的效率，这也导致了前面提到的问题：失业。第二类是思考这些技术能够催生哪些新事物。通常，擅长这两类事情的人并不相同：擅长做好事的人往往创造力较差，反之亦然。我认为提高效率的方法非常简单：雇用一些人，对现有流程进行排序，然后研究如何改进它们。至于创作过程，我认为不应该假设你可以通过在公司工作或动员所有员工自己来完成。ee。我认为可以创建许多大型组织来探索创造性的可能性。当然，你可以从公司内部开始：举办一场竞赛，让员工提交想法；创建一个类似于电视节目《龙穴》的系统。给人们一个参加路演、推销他们的想法的机会，如果想法足够好，他们可能会获得资金。但你也可以设立“创业加速器”和风险“胶囊”基金。又如，10家保险公司可以共同投资设立保险资本基金，同时竞争；银行也可以进行类似的操作。总而言之，我有很多方法可以得到表面上的好想法。如果你投资了足够多的初创公司，你可以根据经验判断：“这家公司的商业逻辑是有道理的，我们准备加入它的团队。”而一旦你成为团队的一员，你的股份也可以获得丰厚的回报。关键是要区分效率和创造力，因为它们确实是两种不同的薄弱环节。GS。观察者网：您认为人工智能的发展是否会创造出拥有超级人工智能的“超人”，进一步加剧世界的不平等？ Russ：我认为很难说人工智能是否会增加或减少全球不平等。一种可能的情况是，极少数人因为人工智能而变得极其富有。以埃隆·马斯克为例：马斯克的个人支出很少，他的财富主要集中在他的公司中。所以我不认为马斯克在夺走别人的财富；他在夺走别人的财富。我认为他只是在转移财富来创造就业机会和推动变革。所以这不是问题。但更重要的问题是：普通人呢？许多人会因为人工智能而失去工作，并且很难找到另一份工作。 不过，AI的发展也有积极的一面。普通人可以通过人工智能获得更多知识、接受更好的教育。更多教育。教育部门必须适应这种变化。你、我和许多其他人都是我们人工智能来计算各种内容。传统上，我们花了一些钱接受教育，然后用我们所学到的知识来度过余下的职业生涯来赚钱和升职。但现在这种学习模式已经结束，我们需要终身学习。人工智能进入教育还带来了一种可能性，假设你出生在一个贫穷的地方，不认识任何大人物，你可以访问上海或波士顿大学教授的相同模型。这为任何拥有智能手机或电脑的人提供了巨大的机会。观察者网：鉴于中国在人工智能领域的巨大投入，以及您强调临界密度作为驱动力，您如何看待中国在全球超级智能发展中的地位？您认为中国战略的独特优势是什么？面临哪些挑战？拉尔斯：首先，如果我们看看中国拥有的优势，我想提一点经常被忽视的一点。rlooked - 电力。如果你听谷歌CEO等美国领先科技人物的话，你就会知道，在他们眼里，AI的最终成本就是电力成本。中国电力基础设施建设进度比世界上任何国家都快。去年，中国对智能电网的投资超过了世界其他国家的总和，我们需要大量的电力。作为参考，未来十年美国计划建造的人工智能工厂将需要100多个核反应堆为其提供动力。因此，这些人工智能工厂最初并不是主要依靠核反应堆来提供能源。它们很可能一开始主要依靠天然气来提供能源，然后核能的比例可能会逐渐增加。相比之下，电力是中国的强项，中国的电价较低。中国的第二个优势是其数据共享规则相对宽松。人工智能培训ng需要数据和电力；共享的数据越多，人工智能的开发速度就越快。中国的第三个优势，也是我认为最重要的优势，是人才储备的规模。在中国，有大量对技术感兴趣并受过良好技术教育的人。全球几乎一半的所谓STEM教育（科学、技术、工程和数学）专业都在中国，所以中国的技术关注度非常高，这是一个优势。从美国的数据中我们可以更好地感受到中国的人工智能人才。美国大约有10万人全职从事人工智能领域，其中30%出生在中国，这令人惊讶。但更令人惊讶的是，美国近一半的顶尖人工智能科学家出生在中国。我认为人工智能的主要商业价值不会出现在大型语言模型中。他们对输入信息非常敏感，并且倾向于随机选择如何回应。大型机型网络效应不明显，品牌价值不强，缺乏关键知识产权专利。同时，大型模型的训练和运行成本非常高。所以我认为大规模模型的商业价值大部分会在Agent AI时代实现，也就是在某些行业落地之后你所说的AI。这意味着当你走进一家特定的公司时，例如，当媒体公司和制药公司说“我们希望将人工智能集成到这个流程中”时，他们必须在特定场景下集成、测试、适应和实现对数百种不同人工智能代理的自学习。社会各个领域有数百万个流程等待人工智能的部署。这类大规模部署并不是一劳永逸的过渡，而是需要对业务流程、客户、目标等进行系统分类，然后嵌入AI系统并不断优化，非常耗时g。 可用于本地部署的各种精炼模型。这也意味着，如果你有100万真正擅长的人，你的AI部署就非常快，你的GDP就会快速上升；如果你只有一万人，那么你的部署进程就会下降，你的GDP也不会快速上升。那么谁拥有100万相关人才呢？中国。所以我认为这是一个很大的优势。接下来我们来说说中国的缺点。缺陷首先出现在芯片上。以nvidia为标杆，我认为到2027年，中国芯片将达到Nvidia目前的水平；但 NVIDIA 更进一步。很难说中国什么时候能够维持甚至赶上。我的粗略判断可能会持续10年左右。目前，中国芯片的性能落后英伟达约40%，双方都在显着提升。 Itor 是一个很大的差距。当然，回顾Deepseek的发布引发的股价波动，我们必须认识到：虽然软件层面在不断发展，但硬件在AI中的重要性可能并不像想象的那么“绝对”。起初，有人质疑使用“违规”的nvidia芯片进行训练，但我对此一无所知； Deepseek 随后发表了一篇描述优化路径的论文并将其公开。因此，即使未来没有最快、最“智能”的通用基础语言模型，影响也不会很大。我认为更重要的是在特定领域部署具有深厚专业知识和行业洞察力的大规模模型并产生实际影响。观察者网：我想多谈谈大模型。你和我可能有不同的看法。从目前来看，“缩放定律”（大模型的尺度定律）似乎已经达到了极限。基础模型的可用数据量也接近其上限。大型模型的未来是什么？我们会用其他替代当前的大型模型范式吗？呃算法路线？ Russ：我认为大型语言模型的基本概念是可以改变的。目前，当你给它一个任务时，它会经过处理，然后由于存储问题等原因忘记相关知识。如果它的记忆力更强，它就能更好地自学。关于你提到的“数据消耗”问题，我认为有一个解决方案，叫做AI的“数据墙”。互联网上的数据量仍在增长。有用数据每年增长约 5%，但增长幅度并不大；并逐步获取训练数据。所以解决问题的关键是让AI去模拟，也就是和自己对战。最令人着迷的早期例子之一是 AlphaGo。它首先在海量的国际象棋历史记录上进行训练，然后根据上述经验与自己对弈来提高自己的技术。一年后，他们推出了 AlphaGo Zero，这是一个从头开始训练的人工智能。一开始像个新手，但三天后就达到了世界冠军level，40天后彻底击败了上一代车型。目前，许多模型在游戏本身中使用类似的训练。例如，Waymo 99.9%的自动驾驶训练发生在模拟环境中，他们的模拟速度比现实快35,000倍。另一个例子是，人工智能模型寻找蛋白质折叠模式的速度比人类的传统速度快数百万倍。 2017年，柯洁输给了Alphago。同样，你也可以对世界经济体系、政治体系等进行建模和博弈。事实上，AI几乎可以在任何领域实现博弈本身，创造巨大的可能性。这是一门称为系统动力学的学科，它仍处于起步阶段，但这意味着大型语言模型可以积累比人们在任何数据库或互联网上发布的任何知识更多的知识。我认为这一点非常重要。另一方面，物理世界中的人工智能机器人等实体智能也可以学习实时。 Momwe 可以访问他们的系统并利用他们的学习成果来推进人工智能模型的开发。事实上，如果有数百万甚至数十亿的机器人存在，从自动驾驶汽车到家庭、办公室、餐馆等，它们不仅会以互联网无法做到的方式了解世界如何运作，而且因为世界在不断变化，它们会实时捕捉这种变化，并用它来补充这些模型的缺点。因此，我认为“数据墙”并不是不可避免的；这些模型捕获并自动生成信息。我对大语言模型的发展是相当乐观的。观察者网：然而，一些论文表明，利用人工智能自生成的数据来训练大型模型会导致“中毒”并加深偏见。你怎么认为？ Russ：是的，我明白你说的逻辑。我们会假设AI独立合成的数据是正确的。当数据错误时，AI​​会基于错误的数据进行训练，并且会合成更多的错误数据来放大偏差。但我认为可以通过工程来解决，开发大型语言模型可以处理很多问题。例如，随着新的GPT-5的出现，我们有了多模型路由系统（Mixed Expert System，MOE）。当您发出提示时，系统会确定应将哪个模型发送到提示。我们还发现，像 Deepseek 和 Claude 这样的最新模型比早期版本更擅长处理 AI 幻觉。当你不需要AI幻象时，它们会尽可能地抑制相关参数，而当你需要它们散发想象力时，它们会释放相关参数。例如，当我说“请为某事起草一个好的口号”时，它鼓励采取更具想象力的道路。在我们见面之前，我问了AI这个问题：“世界历史上是否有过一段时期，罗马帝国和中华帝国的人口总和世界上三分之二的人口都受过教育吗？ “它给出了正确的答案。换句话说，模型提高了‘什么时候求真、什么时候求异’的判断力，会进行你们所说的红队式的对抗性审查：对给定的信息主动询问‘是否正确’进行分析和反复验证。当然，你提到的问题是存在的，但我认为AI肯定可以在这方面有所改进。发展人工智能的国际合作？以及推动版权需要哪些国际合作。美国、欧盟、韩国、日本等。”很简单，他的目标就是告诉大家：我们不打算在未来 10 年内改变它，“但我的书广泛使用了人工智能。我认为人工智能是一架所有人都可以“弹奏”的创意钢琴。认识到人类在各个领域的发展，人们应该为人工智能的进化带来哪些目标和贡献？所以我的第一点是：我们应该感谢我们在其创建过程中所扮演的角色。但它与我们的日常生活没有直接关系。回到日常层面，我认为我们应该追求那种既特殊又令人欣慰的价值，这样在一个大部分GDP由人工智能创造的世界里，我们才能继续弘扬人们独特的价值：比如同情心、好奇心和创造力。然后每个人都可以探索自己的自尊：我是作家吗？我是艺术家吗？我喜欢照顾孩子吗？我想帮助无家可归的狗吗？我想重建失去的自然吗？等等。我们必须认识到，人类是有意识的，但人工智能却没有。我们可以体验世界，但不能。这意味着我们可以根据我们对世界的主观体验为彼此创造新事物并改造世界。有时我会把我们现在的处境比作人与猫狗的关系。最初，当人类开始与狗交往时，狗就是狼。我们与狗一起生活的原因是它们保护我们我们喂养它们。但现在我们不需要狗来保护我们，我们需要狗。而且，我们最初养猫是因为它们捕食老鼠。如今，老鼠出没并不罕见，但我们喜欢猫。如果我家里有 10 只狗和 10 只猫，这并不会让我更有效率；事实上，这降低了我的工作效率，因为照顾猫和狗需要时间和金钱。同样，人口增长并不一定会提高技术生产力。但人是可以善良的，我们也可以用善良来激励和启发他人。在现实生活中，在线音乐几乎是免费的：我订阅了 Spotify、Apple Music 和许多其他服务。然而，我喜欢去听音乐会，走进爵士酒吧，观看三个音乐人在我面前演奏。他们可能演奏相同的音乐，但我看到他们，这是一种完全不同的体验，因为他们是人类。因此，我们必须注重人与人之间真实的互动。因此，我们未来的生活方式将大不相同；但我们也将有机会向公众提供比现在更多的基本免费服务。未来，不仅教育、医疗可能免费，还有基本免费的交通、基本免费的互联网、基本免费的人工智能等服务。也就是说，未来人们的基本需求将普遍得到满足；如果他们想要更多，就必须努力实现。 本文为观察者网独家稿件。文章内容纯属作者个人观点，不代表平台观点。未经许可不得转载，否则将追究法律责任。关注微信观察者网，每天阅读有趣文章。 特别声明：以上内容（如有则包括照片或视频）由自媒体平台“网易号”用户上传发布。本平台仅提供信息存储服务。 注意：以上内容（含p照片和视频（如果aAng NY）由网易HAO用户上传并发布，网易HAO是一个社交媒体平台，仅提供信息存储服务。