AI 教父 Geoffrey Hinton(杰弗里·辛顿):2027 年前最糟糕的五大风险撰文:Techub News 整理
导语
2025 年 7 月,“AI教父”、图灵奖得主杰弗里·辛顿(Geoffrey Hinton)在《The Diary Of A CEO》的专访中,罕见地系统阐述了他对人工智能近期风险的深刻忧虑。这位深度学习的先驱者,因其开创性工作而广受赞誉,但近年来却频繁发声警告AI的潜在危险。此次访谈中,辛顿以清晰且紧迫的语言,描绘了AI技术在缺乏有效监管的情况下,可能在2027年前对社会造成的五大冲击。他的观点不仅基于技术洞察,也触及了资本主义、监管困境和人性的深层矛盾。
摘要
网络安全风险:AI驱动的网络攻击可能瘫痪银行等关键机构,辛顿个人已采取分散资产等措施以自保。
生物武器风险:AI大幅降低了设计制造新型致命病毒的门槛和成本,使得个人或小团体获得大规模杀伤能力成为可能。
选举干预风险:AI能生成高度个性化的政治广告,精准操纵选民,而集中化数据则为这种操纵提供了“燃料”。
社会分裂风险:社交媒体推荐算法为了利润最大化,不断推送极端化内容,加深信息茧房,撕裂社会共识。
战争风险降低:致命自主武器将大幅降低大国发动战争的“摩擦”和国内政治成本,可能导致侵略行为更加频繁。
一、从网络攻击到生物战:迫在眉睫的生存威胁
辛顿的担忧首先落脚于具体且可能很快成为现实的生存威胁,其中网络安全和生物武器被他置于高风险前列。
对于网络安全,辛顿展现了一种近乎“备战”的个人姿态。他透露,自己因为害怕网络攻击,已经“彻底改变了”行为方式。他特别担心像加拿大银行这样监管良好的金融机构,也可能在AI加持的网络攻击面前倒下。他解释道,尽管银行破产时客户资产理论上仍是客户的,但如果攻击者能操纵并抛售银行持有的客户股票,个人财富仍将遭受灭顶之灾。为此,他将自己和孩子的资金分散在三个不同的银行,寄望于当一家银行受攻击时,其他银行能迅速加强防御。他甚至使用不联网的手机和离线硬盘备份重要数据,为“整个互联网瘫痪”做准备。
更令人不寒而栗的是AI在制造生物武器方面的潜力。辛顿指出,AI使得设计新病毒变得“相对廉价”,不再需要非常熟练的分子生物学家。他描绘了一个恐怖场景:一个心怀怨恨、略懂分子生物学并精通AI的“疯子”,或是一个能筹集几百万美元的小型邪教组织,就可能设计出一大批病毒。国家行为体同样可能秘密进行此类研究。尽管国家会顾虑报复和病毒反噬本国,但风险已然存在。辛顿强调,这种威胁之所以格外可怕,在于它让大规模杀伤能力的获取变得前所未有的“民主化”。
二、撕裂社会:选举被操纵与共识的消亡
辛顿认为,AI对民主社会运作根基的侵蚀正在悄然发生,其核心在于对选举的操纵和社会共识的破坏。
他提出,利用AI进行选举腐败的“非常有效”手段,是基于海量个人数据的针对性政治广告。了解选民的收入、住址等一切信息后,AI可以生成极具说服力的信息,例如劝说不去投票。辛顿直言不讳地将矛头指向埃隆·马斯克(Elon Musk)在美国的商业行为。他指出,马斯克正在推动获取那些原本被严格隔离的数据,声称是为了提高效率,但这“恰恰是如果你想腐蚀下一次选举所需要的”。辛顿基于常理推断,获取这些政府来源的数据,动机之一可能就是为了操纵选举,另一个动机则是这些数据是训练大模型的绝佳素材。
更深层的社会分裂则源于社交媒体平台的利润驱动机制。辛顿分析,像YouTube和Facebook这样的平台,其决定向你展示内容的算法政策,本质是“展示任何能让你点击的内容”。而最能让人点击的,往往是那些让人感到“义愤”(indignant)的、确认自身偏见(bias)的极端内容。这种机制导致用户不断被推向更深的“回音室”(echo chamber),与其他群体的现实认知越来越远。“我们不再拥有共享的现实。”辛顿感叹道。他分享了自己的体验:iPhone新闻推送中四分之三的内容是关于AI的,这让他难以判断是世界都在谈论AI,还是只是自己的信息茧房。这种算法驱动的个性化,正使“我的现实与你的现实越来越远”。
辛顿将根源归结为资本主义下的利润动机。公司有法律义务最大化利润,而当为了利润必须做有害社会的事(如推送极端内容)时,就需要监管介入。然而,监管面临双重困境:一是政客可能被大公司“收买”;二是政客可能根本不懂技术,他举例提及美国教育部长将AI称为“A1”的尴尬场面。最终,技术公司很可能实际掌控局面,因为它们更聪明。辛顿提到,美国科技公司正在打广告,强调“不要监管AI,否则会在与中国的竞争中受伤”。他认为这是一个貌似合理的论点,但社会需要决定:是否要通过伤害自身社会的方式来赢得竞争?
三、降低战争门槛:自主武器与失控的超级智能
从现实威胁延伸到终极恐惧,辛顿讨论了致命自主武器和超级智能AI可能带来的毁灭性前景。
所谓致命自主武器,是指可以自行决定杀人的机器。辛顿认为,其最坏的影响是让大国侵略小国变得更容易。使用士兵会有人员伤亡,尸体袋回国会引发国内抗议(如越战)。但如果出动的是机器人,国内抗议会少得多,军事工业复合体也会更喜欢,因为机器人造价昂贵、有利可图。这“降低了入侵的成本”和“战争的摩擦”,可能导致侵略行为更加频繁。辛顿分享了一次令人“毛骨悚然”的经历:朋友的一架不到200英镑的无人机,不仅能仔细审视他,还能在树林中持续跟踪他。他断言,所有大型国防部门都在忙于制造这类武器。
当这些风险组合叠加时,将产生“组合性”的更多风险。而这最终指向了超级智能AI的风险。辛顿的核心理念是:面对比人类更聪明的超级智能,我们无法阻止它消灭我们(如果它想的话),唯一的方法是确保它永远不想这样做。他用生动的比喻阐释了这种不对称关系:要了解自己不是顶级智慧生物的感受,去问一只鸡;他与他的法国斗牛犬Pablo之间的智力鸿沟,就是未来人类与超级AI之间鸿沟的缩影。他又比喻说,就像养一只小老虎,你必须确保它长大后永远不想杀死你,否则你几秒内就会丧命。“我们现在的AI就是那只小老虎。”
他提到了一个积极的例子:母亲和婴儿。进化让母亲虽然比婴儿聪明,但婴儿却能通过哭声等方式“控制”母亲。我们需要找到方法,让超级智能“不想接管我们”。然而,辛顿坦诚道:“我们根本不知道能否让它们不想接管、不想伤害我们……我认为可能毫无希望。”但他话锋一转,认为如果因为人类懒得尝试而导致灭绝,那将是疯狂的。当被问及这是否影响他对毕生工作的看法时,他承认“这确实削弱了成就感”,并感到一丝悲伤,因为AI本应在医疗、教育等领域创造巨大福祉。他觉得自己现在有责任谈论这些风险。
四、行业洞察:安全先驱的出走与领导者的双面性
结合2025 年 7 月行业事件,辛顿分享了他对AI安全倡导者和企业领导者的一些观察。
谈到离开OpenAI的联合创始人兼首席科学家伊利亚·苏茨克维(Ilya Sutskever)时,辛顿表示他们仍不时共进午餐。他虽无内幕消息,但基于对伊利亚的了解——“他有良好的道德准则”,且对安全 genuinely concerned——认为这确实是伊利亚离开的原因。作为GPT-2等早期版本发展的核心人物,伊利亚的出走本身就释放了一个信号。与之形成对比的是,辛顿评价埃隆·马斯克“没有道德准则”。对于萨姆·奥尔特曼(Sam Altman),辛顿表示不了解本人不予置评,但他注意到奥尔特曼的言论变化:几年前曾轻松表示AI可能杀死所有人,而现在却说无需过分担心。辛顿怀疑,这种转变不是由追求真理驱动,而是由追求金钱(或权力)驱动。
辛顿转述了一位亿万富翁朋友透露的、关于全球最大AI公司之一领导者的私下言论,这让他深感不安。这位朋友与这些AI建设者圈子交往甚密,他透露,这位领导者(辛顿暗示是三位巨头之一)私下认为我们正走向一个拥有大量空闲时间、无需工作的反乌托邦世界,并且此人“根本不在乎”这将对世界造成的伤害。辛顿观看此人的公开访谈后,震惊地发现“他在公开说谎”。辛顿反思,部分原因驱动这些人物的是一种对权力的“施虐倾向”,他们喜欢自己能从根本上改变世界的想法。他认为马斯克显然有这种特质,并评价马斯克是一个“复杂的角色”,既推动了电动汽车等好事,也做过一些“非常糟糕的事”。
在访谈最后,辛顿重申了他的核心呼吁:如果超级智能可能导致人类灭绝,他希望通过这一可能性的警示,促使人们告诉政府,必须着力研究如何控制这项技术。政府必须迫使公司将资源投入到安全研究上,而目前企业在这方面投入不足,因为这无法直接带来利润。在辛顿看来,面对正在“长大”的AI“小老虎”,人类的协调与规制能力正面临前所未有的考验。
Microsoft CEO Satya Nadella(萨蒂亚·纳德拉):AI 不是赢家通吃,真正的 AGI 标志是全球 10% 增长撰文:Techub News 整理
导语
2025 年 2 月,微软董事长兼 CEO 萨蒂亚·纳德拉(Satya Nadella)做客知名科技播客主持人 Dwarkesh Patel 的节目,进行了一场长达 76 分钟的深度对话。此次对话发生在微软研究院两项重大成果同日发表于《自然》杂志的背景下:一是基于马约拉纳零模(Majorana zero modes)的拓扑量子计算突破,二是名为“Muse”的、能根据游戏数据生成一致且多样化游戏世界的“人类行动模型”。
作为全球市值最高科技公司的掌舵者,纳德拉在任内成功推动了微软向云与 AI 的转型,并通过与 OpenAI 的深度合作站在了当前 AI 浪潮的最前沿。本次对话中,他罕见地系统梳理了微软对 AGI(通用人工智能)的完整思考、商业布局以及对行业未来的预判,其观点对理解全球 AI 竞争格局与未来走向具有极高参考价值。
摘要
AGI 的真正标志是经济增长:纳德拉认为,谈论 AGI 的“里程碑”没有意义,真正的衡量标准是 AI 能否像工业革命一样,推动发达国家的经济实现通胀调整后 5%、甚至 10% 的年增长。
AI 模型层不会“赢家通吃”:他预判,AI 模型领域不会出现单一赢家通吃的局面,开源和闭源模型将长期共存、相互制衡,企业买家需要多元供应商。
超大规模云服务是确定赢家:无论上层模型如何竞争,对算力基础设施的“指数级”需求是确定的,因此超大规模云提供商(如 Azure)将是 AI 浪潮的核心受益者。
量子计算迎来“晶体管时刻”:微软在拓扑量子计算路径上取得物理与制造突破,有望构建百万物理量子比特、上千逻辑量子比特的实用级量子计算机,目标在 2027-2029 年实现。
AI 部署的最大瓶颈是“变革管理”:将 AI 引入知识工作的核心挑战在于工作流程和“工作制品”的改变,这需要企业进行类似“精益生产”式的系统性流程重塑。
AI 格局:没有赢家通吃,增长才是硬道理
面对主持人关于 AI 行业最终是否会走向“赢家通吃”的提问,纳德拉给出了明确的否定答案。他借鉴历史经验指出,在消费者市场可能存在网络效应导致的赢家通吃,但在企业市场,任何聪明的买家(企业、IT部门)都不会容忍单一供应商垄断,他们会要求并扶持多个供应商以保持议价能力和供应链安全。云服务市场本身就是明证:当年亚马逊 AWS 领先时,很多人认为游戏结束,但微软 Azure 依然成功崛起。
“在模型层面,我认为也会如此。”纳德拉说,“将会存在开源模型,也会存在闭源模型。开源将成为一种制衡力量,确保闭源模型的赢家通吃效应被削弱。” 他进一步指出,如果 AI 真的如人们所说的那样强大,各国政府也不会坐视私人公司完全掌控这一力量。因此,他判断模型层将是一个能容纳多个参与者的广阔市场。
那么,AI 价值的确定性流向在哪里?纳德拉指出了两个地方:首先是超大规模云服务商。他认为,如果智能是“计算的结晶”,那么能够提供海量计算的一方就是大赢家。AI 工作负载,特别是未来 AI 智能体的推理过程,将对算力产生“指数级增长”的需求,这将直接利好 Azure 等基础设施提供商。
其次是利用 AI 提升生产力的各行各业。纳德拉强调,AI 发展的终极目标不应是科技公司自身攫取巨额利润,而应是让智能成为一种充裕的“商品”,被广泛行业使用,从而提升全社会的生产率和经济增长率。“真正的赢家将是那些使用这种充裕商品的更广泛的行业。”
由此,他提出了一个衡量 AGI 是否实现的独特标准:全球经济增长率。“我们有点被 AGI 的炒作冲昏了头脑。发达国家的经济增长率(经通胀调整后)是多少?几乎是零。”纳德拉说,“当我们说这像工业革命时,让我们看到工业革命式的增长。对我来说,真正的标志是:世界经济增长率达到 10%。…… 这才是真正的基准,而不是我们自我宣称达到了某个 AGI 里程碑,那对我来说只是无意义的基准黑客行为。”
战略与挑战:平衡投资、应对杰文斯悖论与变革管理
当被问及微软高达 130 亿美元的 AI 年化收入及其快速增长前景时,纳德拉展现了其作为 CEO 的平衡思维。他承认存在大规模超前投资的可能性(正如工业革命初期的铁路建设),但也强调供给与需求必须最终匹配。
“你可以完全脱离轨道,当你用供给侧的故事来炒作自己,而不是真正理解如何将其转化为对客户的真实价值时。”他表示,这就是他如此关注“推理收入”的原因——它作为一个“调节器”,证明了公司有能力将昨天的资本投入转化为今天的市场需求,从而为下一轮甚至是指数级的投资提供依据。
关于 AI 成本下降的影响,纳德拉借用了“杰文斯悖论”来解释。他认为,智能的“效用”和“价格”需要同时进步。每当像 DeepSeek 这样的模型在效率边界上取得突破,性能与成本曲线发生弯曲,就会带来新的需求。他以云计算为例:当计算变得更便宜、更弹性、按需付费后,总消费量反而大幅增加,在印度这样的市场,云计算的规模远超过去的服务器时代。
“如果你想想,如果能在全球南方、发展中国家,获得真正廉价的、可用于医疗保健的智能‘代币’,那将是前所未有的最大变革。”纳德拉说。
谈及 AI 能力部署的现实瓶颈,纳德拉指出,最大的挑战在于“变革管理”或“流程变革”。AI 引入知识工作,意味着工作制品和工作流发生了根本变化。他以自己使用 Copilot 准备此次播客为例,展示了新的工作模式。他认为,这就像制造业引入“精益生产”方法论,需要对端到端的流程进行持续改进以减少浪费、增加价值。
“这就像是知识工作的‘精益生产’。这将是管理团队和知识工作者面临的艰苦工作,需要时间。”他预测,从销售、财务到供应链,每个领域都需要探索和适应与 AI 协作的新模式。
量子突破:三十年磨一剑的“晶体管时刻”
对话中,纳德拉手持一枚芯片,兴奋地介绍了微软在量子计算领域的重大突破。这项历时约 30 年的研究,旨在解决构建实用级量子计算机的根本物理难题。
微软选择了一条与众不同的路径:押注拓扑量子比特,具体是基于理论预测于 1930 年代的“马约拉纳零模”。纳德拉解释,这种物理特性天生更可靠、噪声更低。此次《自然》论文发表的突破在于,研究团队首次在实验上实现了这种新物相(拓扑相)中的马约拉纳零模,并掌握了其制造技术。
“我们喜欢将这个时刻类比为量子计算的‘晶体管时刻’。”纳德拉说,“现在我们有了它,我们觉得随着这个核心制造技术的突破,我们可以开始建造马约拉纳芯片。” 他透露,这款名为“Majorana One”的芯片,目标是实现百万个物理量子比特,并在此基础上构建数千个纠错后的逻辑量子比特。他认为,只有达到这个规模,才能真正开启实用级量子计算的时代。
对于时间表,纳德拉表示,在取得物理和制造突破后,下一步是构建第一台容错量子计算机。“也许在 2027、2028、2029 年,我们能够真正建造出来。” 他展望,量子计算机将与 AI 协同工作,例如用量子模拟生成合成数据,用于训练更好的 AI 模型来理解化学或物理过程。
未来展望:智能体、信任与人类认知的进化
展望更远的未来,纳德拉描绘了 AI 智能体(Agent)普及后的工作图景。他预测,未来每个人都会拥有一个“智能体管理器”,而不仅仅是聊天界面,用于管理成千上万个为自己工作的智能体。Copilot 这类产品将成为“AI 的 UI”,是人与智能体世界交互的脚手架。
当被问及是否担心超级智能的出现时,纳德拉将话题引向了“信任”和“法律基础设施”。他认为,在谈论“新物种”之前,必须首先解决个人和社会层面的信任问题。当前的社会和法律体系建立在人类拥有财产、权利和责任的基础上,当人类将更多权力委托给 AI 工具时,这套体系必须随之演进。
“在法庭上的问题成为真正的问题之前,真正的(AI)失控问题就可能已经出现。没有哪个社会会允许一个人说‘是 AI 干的’。” 他强调,任何强大 AI 的部署,都必须确保其在与人类委托的权限范围内运行,并且是可验证、可监控的。
最后,对于 AI 是否会取代所有人类认知劳动的担忧,纳德拉持乐观态度。他认为,认知劳动本身是动态的。“今天的认知劳动可能会被自动化。但新创造的认知劳动呢?” 他比喻道,就像汽车没有让马匹完全消失,但马匹的用途和数量发生了根本变化。人类与强大的认知机器可以共存,AI 可以成为克服人类“有限理性”的认知放大器,帮助我们专注于更高层次的任务。
“为什么我们不能存在于一个拥有强大认知机器的世界里,同时知道我们自身的认知能动性并未被剥夺?”纳德拉的反问,或许为这场关于技术、商业与人类未来的深刻对话,留下了一个开放而积极的注脚。
OpenAI 首席科学家 Ilya Sutskever(伊利亚·苏茨克弗):从基准饱和到自动化研究,AGI之路上的反思与展望撰文:Techub News 整理
导语
在最新一期的 OpenAI 官方播客中,OpenAI 联合创始人兼首席科学家 Ilya Sutskever(伊利亚·苏茨克弗)与研究员 Simon Sidorenko(西蒙·西多伦科)一同亮相,与主持人 Andrew Maine(安德鲁·梅恩)展开了一场深入对话。他们追溯了共同的高中时代,探讨了当前衡量 AI 进步的挑战,分享了2025 年 8 月模型在数学奥林匹克竞赛中取得突破性成绩的内部视角,并对通往 AGI 的道路以及未来可能出现的突破进行了展望。作为 OpenAI 研究路线图的核心制定者,Ilya Sutskever(伊利亚·苏茨克弗)的思考反映了这家处于 AI 浪潮中心的公司,对技术发展现状与未来方向的深刻反思。
摘要
传统 AI 能力基准(如标准测试)正面临“饱和”,模型在许多领域已达到或超越人类水平,点状测量已不足够。
衡量 AI 进步的重点应转向其在实际世界中的影响力和效用,特别是其自动化发现和创造新技术的潜力。
2025 年 8 月在数学、编程竞赛中的突破性表现,证明了 AI 在深度、创造性推理方面取得了实质性进展,而不仅仅是记忆和模式匹配。
下一个重大突破可能在于进一步扩展模型的“持久性”和长时程推理能力,使其能像人类研究者一样,在重要问题上投入巨量计算资源进行专注探索。
从编程竞赛到 AGI 反思:两位研究者的成长轨迹
对话始于一段有趣的个人历史。Ilya Sutskever(伊利亚·苏茨克弗)和 Simon Sidorenko(西蒙·西多伦科)不仅是在 OpenAI 的同事,更是高中校友。他们都来自波兰一所专注于计算机科学竞赛的中学,受一位富有启发性的计算机老师影响,早期便深入接触了远超高中课程的编程、图论等知识。Simon Sidorenko(西蒙·西多伦科)认为,如今有了 ChatGPT 这样的工具,或许能让更多人更容易地进行类似的知识深潜,但他也强调,当年老师所提供的情绪支持和成长空间,是目前 AI 难以单独复制的。这引出了一个观点:AI 不会取代教育,而是成为教师的强大辅助工具。
这段成长经历也铺垫了他们看待 AI 里程碑的视角。无论是国际数学奥林匹克(IMO)还是国际信息学奥林匹克(IOI),这些竞赛对他们而言不仅仅是“基准”,更是个人成长中代表智力挑战顶峰的具体符号。这种情感连接使得他们在评估 AI 进展时,既能从内部技术视角出发,也能理解外部世界可能存在的认知差异。
AGI 定义的演变:从抽象概念到具体影响
当被问及如何定义 AGI(通用人工智能)时,Ilya Sutskever(伊利亚·苏茨克弗)坦言,这个概念在过去几年经历了实质性的演变。几年前,深度学习虽前景广阔,但 AGI 仍显得抽象而遥远。无论是“人类水平智能”、“自然对话”还是“解决数学问题”,这些目标似乎都处于同一个模糊的范畴。
如今,随着技术进步,这些能力被证明是相当 distinct(不同)的。AI 已经在广泛主题上进行自然对话,也能解决数学难题——例如在 IMO 中获得金牌,这曾被长期视为通往 AGI 道路上的一个里程碑。然而,Ilya Sutskever(伊利亚·苏茨克弗)指出,这种点状的里程碑测量正变得越来越不充分。他的关注点已转向 AI 对世界的实际影响,特别是其自动化新技术发现和生产的潜力。
“我们倾向于将根本性的技术进步与人类的聪明才智联系在一起,”他说,“但很难内化这一点:这个过程的大部分是可以被自动化的。”他设想,一个强大的计算机系统能够产生从根本上改变我们对世界认知的新想法,并且他认为这一天并不遥远。对他而言,AGI 的一个重要标志,是能够像一个自动化的、超级高效的研究员或工程师团队那样运作,持续产出代码、设计乃至科学发现,从而急剧加速技术进步的速度。
基准的困境:饱和、局限与寻找新指标
对话深入探讨了当前评估 AI 模型能力所面临的挑战。Ilya Sutskever(伊利亚·苏茨克弗)和 Simon Sidorenko(西蒙·西多伦科)都指出了基准“饱和”问题。随着模型在许多标准化测试(尤其是那些顶尖的高中学科竞赛)中达到或超越人类顶尖水平,很难再有更具挑战性且约束良好的测量方式。
此外,过去通过扩大预训练规模(GPT-1 到 GPT-4)就能普遍提升各项能力的“水涨船高”模式正在改变。如今,研究人员能更高效地为特定能力(如数学)训练模型,但这可能导致模型在特定基准上表现优异,却无法代表其整体智能水平。一个模型可能在数学竞赛中夺冠,却在创意写作上表现平平。
Simon Sidorenko(西蒙·西多伦科)分享了一个趣事:当他兴奋地向一位精通多国语言的同事 Anna 提及 IMO 的进展时,对方却反问“IMO 是什么?”。这让他意识到,研究社区有时生活在“气泡”中,自己认为重要的里程碑,对其他人而言可能无关紧要。这促使他们寻找更普适的衡量标准。
一个不完美但实用的指标是ChatGPT 本身及其广泛多样的用例。数以亿计的用户将其应用于无数场景,这提供了一个覆盖范围极广的“压力测试”。然而,他们也预见到,未来衡量进展的关键,可能在于模型能否利用远超个人用户所能负担的巨量计算资源,去解决对许多人都有价值的重大问题,例如医学研究或下一代 AI 模型开发本身。
突破性瞬间:当模型开始“惊讶”我们
回顾 AI 发展的快节奏,Simon Sidorenko(西蒙·西多伦科)描述了他的“个人 AGI 时刻”。在 GPT-4 时期,他首次感到模型有时能说出让他惊讶的话。从早期的简单字符预测、漏洞百出的情感分析(如把“这部电影不错”误判为负面),到 GPT-2 产出连贯段落带来的震撼,再到 GPT-4 的惊喜,最后到如今模型能在编程竞赛中与顶尖选手竞争,这十年的进步幅度在他看来“绝对惊人”。
Ilya Sutskever(伊利亚·苏茨克弗)则提到了2025 年 8 月在推理模型(如 o1)上取得的突破。团队通过让模型进行更长的“思维链”或内心独白,显著提升了其复杂问题解决能力。他回忆道,当第一次观察到这种方法确实有效,并且增加训练数据能持续提升性能时,整个团队都感到“震惊”。他甚至提到,某个深夜,他们与 Sam Altman(萨姆·奥尔特曼)和 Mira Murati(米拉·穆拉蒂)通话,严肃地讨论组织是否已准备好迎接如此快速的发展,“有时我们确实会被这些结果吓到。”
他还分享了一个充满戏剧性的竞赛故事:在日本的 AtCoder 竞赛(一项长达 10 小时的单题启发式优化比赛)中,他们的模型与 Simon Sidorenko(西蒙·西多伦科)的一位曾是该赛事顶级选手的朋友 Siho 同台竞技。最终模型获得第二名,而 Siho 夺冠。Siho 在赛后精疲力尽地接受采访时忍不住吐槽 OpenAI 的模型“非常非常糟糕”,因为他想睡觉了。这个小插曲生动地展现了人类与 AI 在耐力与智能上的角力。
未来之路:持久性、规模化与信任
展望未来的突破,Ilya Sutskever(伊利亚·苏茨克弗)强调不应低估规模化的持续重要性。预训练的扩展范式并未消失,并将与新的研究方向产生复合效应。一个清晰的方向是扩展模型进行规划和推理的“时间视野”或“持久性”。
他指出,从 GPT-4 到 GPT-4o 或更先进的模型,每个答案消耗的计算资源可能只增加了十倍或二十倍,却能产生好得多的答案。然而,对于真正重要的问题(如医学研究),人们愿意投入的计算资源将是无可比拟地巨大。因此,让模型能够长时间、专注地处理单一复杂问题的能力,是下一个关键台阶。
对于普通 ChatGPT 用户而言,未来几年可能体验到的 AGI 级能力会是什么样?Ilya Sutskever(伊利亚·苏茨克弗)再次回到了自动化研究者的图景。这不仅仅是一个黑箱,而是能够与人类交互、吸收信息、运行实验、并产出代码和设计的智能实体。同时,用户与 AI 的交互界面将变得更加人性化、持久化,人们可能与 AI 形成更深的联结,这将成为社会重要议题。
最后,他们给当今高中生的建议务实而真诚:学习编程。Simon Sidorenko(西蒙·西多伦科)驳斥了“不要学编程”的说法,他认为编程是锻炼将复杂问题分解为模块的结构化思维能力的绝佳方式,这种能力在未来仍将至关重要。Ilya Sutskever(伊利亚·苏茨克弗)则鼓励年轻人突破自我设限,敢于拥有雄心壮志,相信能够对世界产生有意义的积极影响——这正是他在硅谷社区中感受到的鼓舞人心的精神。
Perplexity CEO Aravind Srinivas(阿拉温德·斯里尼瓦桑):从学术到90亿美元AI独角兽的创业思考撰文:Techub News 整理
导语
在因疫情中断多年后,哈佛商学院(HBS)于2025年重启其标志性的创业峰会。作为开场主题演讲嘉宾,Perplexity联合创始人兼CEO Aravind Srinivas(阿拉温德·斯里尼瓦桑)受邀登台,与风险投资基金Xfund管理合伙人Patrick Chung进行了一场深度对话。
Perplexity自2022年创立以来,已迅速成长为AI驱动对话式搜索领域的明星,月查询量超6亿,估值高达90亿美元,背后投资者包括Jeff Bezos(杰夫·贝佐斯)、NVIDIA等巨头。此次在顶级商学院的分享,不仅是一位成功创业者的经验回溯,更是对AI浪潮下技术、产品与商业模式的深刻洞察。Srinivas从印度金奈的学术起点,到伯克利博士、OpenAI与DeepMind的实习经历,再到毅然创业的心路历程,为在场观众勾勒出一幅AI时代创业者的完整画像。
摘要
学术训练是创业的宝贵资产:Srinivas认为,学术界强调的严谨假设、小规模实验迭代与批判性思维,与成功创业所需的“行动产生信息”理念高度相通。
Perplexity并非Google的直接替代品:其核心是回答复杂问题并提供溯源,而非处理简单的导航性搜索。商业模式上尝试与内容出版商分享收入,构建新生态。
开源是防止AI垄断的关键:Srinivas相信,只要开源模型持续进步并保持高质量,就能有效制衡封闭实验室,避免算力与模型被少数巨头控制的风险。
AI搜索的未来在于“垂直结构化答案”与个人AI代理:Perplexity正致力于超越文本回答,为天气、旅行、购物等场景提供交互式体验,并让AI理解用户的个人数据与上下文。
从学术到创业:被Ilya Sutskever“点醒”的博士
Aravind Srinivas(阿拉温德·斯里尼瓦桑)的起点并非硅谷车库,而是印度金奈的学术家庭与印度理工学院马德拉斯分校的电气工程专业。他坦言,文化根源是“追求知识甚于财富”,父母至今仍为他的博士学位感到骄傲,甚至超过对Perplexity成就的认可。
一次偶然的校内机器学习竞赛开启了他的AI之路。当时对机器学习一无所知的他,通过暴力尝试scikit-learn库中的算法意外获胜。这次经历让他体会到在“没有正确性保证”的领域进行探索的乐趣。电气工程的背景反而成为优势,信号处理中的概念(如卷积)让他能更直观地理解机器学习。
通过在线课程(先是Andrew Ng(吴恩达),后是Geoffrey Hinton(杰弗里·辛顿))自学基础后,他幸运地获得了图灵奖得主Yoshua Bengio(约书亚·本吉奥)的推荐信,进入加州大学伯克利分校攻读博士学位。在伯克利期间,他在OpenAI和DeepMind的实习经历成为关键转折点。“那让我彻底谦卑下来,”Srinivas回忆道,周围人的高强度工作、卓越的执行力(从构思到实现、数据爬取全流程)让他意识到,仅提出新想法是不够的,必须在实际数据集上验证其可行性。
更具决定性的一刻发生在OpenAI实习期间。当时他带着五六个自认为“花哨”的强化学习想法去见Ilya Sutskever(伊尔亚·苏茨克维)。后者直截了当地告诉他:“所有这些想法都很糟糕。”随后,Sutskever在白板上画了两个圆圈:一个大圆代表生成式无监督学习,里面一个小圆代表强化学习。他预言,不需要什么新东西,只需按顺序处理,投入大量算力,在整个互联网上训练,就能构建出通用智能。“这最终成了ChatGPT的配方,”Srinivas感慨道。这个洞见促使他回到伯克利,将研究方向转向生成式无监督学习,并最终以此完成了博士论文。
临近毕业,身处硅谷腹地的他深受美剧《硅谷》(Silicon Valley)的影响。剧中关于从零开始创造产品并交付用户的精神吸引了他。他最初的创业想法甚至是利用生成模型进行无损压缩,但无人响应。随后,像GitHub Copilot这样能让开发者“切身感受”AI的产品出现,让他确信“就是现在了”。2022年8月,Perplexity应运而生。
组建“梦之队”与产品诞生:一个周末的原型
创业之初,找到对的联合创始人是重中之重。CTO Denis Yarats是Srinivas的“论文对手”——两人曾就同一课题研究,Yarats的论文提前一天发布,双方因此结识。另一位联合创始人Johnny Ho则通过Yarats引荐,他曾是国际信息学奥林匹克竞赛(IOI)世界第一,并在Quora与Yarats共事过。
Srinivas笑称,招募过程有运气成分,但也像滚雪球。Denis先决定离开Meta,然后两人一起说服了当时正在寻找AI领域机会的Johnny。团队最初尝试的方向是让AI回答关于数据集的问题(例如查询员工薪资),但他们很快意识到,在初创公司,最重要的不是纠结于初始想法,而是快速迭代、发布产品、观察用户反馈并更新对世界的假设。
这种“行动优先”的理念也体现在融资策略上。Srinivas几乎从不制作PPT(仅在A轮融资时做过一次),而是直接向投资者展示产品演示。他们早期的一个演示项目是:利用Twitter(现X)的API,将推文数据表格化,让用户能任意提问。当时Twitter自身的搜索功能体验不佳,而这个演示让投资者瞬间理解了大型语言模型(LLM)将如何改变搜索。
正是凭借这种直观的演示,Perplexity吸引了包括Elad Gil、Nat Friedman、Andrej Karpathy(安德烈·卡帕西)、Yann LeCun(杨立昆)、Jeff Dean(杰夫·迪恩)在内的一批顶尖天使投资人。这为招募优秀的创始工程师奠定了信任基础。
Perplexity核心产品的诞生,源于一个周末的黑客马拉松项目。团队将学术论文中“必须引用来源”的原则应用到LLM上,构建了一个能回答问题并附上引用的原型。他们在Discord和Slack上部署了机器人,自己试用并观察朋友们的使用情况。这个快速验证的原型,最终演变成了今天的Perplexity。
Perplexity vs. Google:不是替代,而是进化
当被问及是否与Google竞争时,Srinivas给出了清晰的否定。他认为,Perplexity并不打算取代Google的核心搜索行为。他引用数据指出,每天有10-20亿次搜索仅仅是输入“Reddit”、“YouTube”等一两个单词的导航性查询,Google已经完美地满足了这种“读心术”般的需求。
Perplexity瞄准的是Google不擅长的领域:回答复杂问题并提供信息合成。例如,“我要去哈佛,看起来要下雨,穿什么最合适?”在传统搜索引擎上,用户需要分别搜索天气、雨天穿搭,并自行整合信息。而Perplexity的AI则能直接完成这一认知工作,给出针对性答案。
Srinivas也指出了Google在整合AI答案(如AI Overview)时面临的根本矛盾:直接提供答案与展示更多广告链接(其核心收入来源)之间存在利益冲突。此外,复杂的搜索结果页面(知识面板、广告、链接、答案、图片)对用户而言是一种“杂乱”。
针对“Perplexity摘要内容会削弱原创内容创作者积极性”的质疑,Srinivas阐述了公司的应对策略:首先,在UI设计上始终将来源置于突出位置,便于用户点击验证;其次,正在推行“出版商计划”,将与出版商分享基于其内容产生的查询广告收入。他强调,这是对Google现有模式(通过AdSense让出版商自行在网站挂广告)的范式变革,旨在创建一个更可持续、能激励高质量内容持续产出的生态系统。
驳斥“简单包装”论与未来战略:超越搜索的AI代理
Srinivas坦言,外界对Perplexity最大的误解是认为它“只是一个简单的包装,一个周末就能做出来”。他承认,做出一个70%-80%相似度的原型确实不难,但这就像火箭的第一次点火与最终成功发射之间的区别。
过去几年,团队在幕后做了大量艰巨工作:构建自己的模型(确保即使外部模型断供也能维持服务)、建立庞大的网页索引、投资自有的爬虫基础设施,并研发能像智能体(Agent)一样进行序列化思考、浏览网页、展示思维链的“深度研究”功能。“如果它是个包装,那也是一个极其有价值的包装,”他总结道。
关于未来,Srinivas透露了Perplexity的几个关键战略方向:
1. 垂直结构化答案:超越文本墙,为天气、体育、金融、购物、旅行、本地信息等查询提供交互式、可视化、结构化的答案体验,最终实现“边研究边交易”的无缝闭环。
2. 个人AI代理与浏览器:即将推出的Perplexity浏览器将支持对用户个人数据(日历、邮件、浏览历史、Slack、Notion等)的搜索,让AI更深入地理解用户上下文,提供个性化服务。
3. 适应性与快速迭代:在AI日新月异的领域,Srinivas认为做三年以上的长期规划意义不大,Perplexity采用季度规划节奏。他以2025年第一季度为例,指出行业变化速度远超过去两年,DeepSeek等开源模型的崛起、智能体技术的快速发展都出乎预料。公司必须保持高度适应性,将看似未达预期的项目(如曾被Google降权的Perplexity Pages)转化为新功能的养分(如现在的Discover信息流)。
AI行业的未来:开源、算力与伦理
在对话的后半段,Srinivas分享了对AI行业宏观趋势的看法。
关于垄断与开源:作为“加速主义”倾向者,他期望AI走向乌托邦结局。他认为,防止少数公司垄断AI未来的最佳保障是开源。每当封闭实验室发布强大模型引发担忧时,总会有像DeepSeek这样的开源项目推出同等甚至更优的模型,并详细公开技术细节。只要开源生态保持活力,他就不担心会出现危险的垄断或寡头局面。
关于技术突破:对于“Transformer之后是什么”的问题,Srinivas提到了状态空间模型等架构探索,但他认为真正的突破可能在于实现极长上下文处理。当前AI普遍采用检索增强生成(RAG)技术,模型本身并不存储全部上下文。未来的挑战是如何设计一种结构,能够有效存储和处理相当于一个人十年生活经历的庞大数据量(数百万甚至无限令牌),实现真正连贯、长期的对话。
关于算力与能源:他承认当前AI领域仍受算力约束,且每次查询的成本在上升。解决之道在于下一代更紧凑、高效的芯片(如NVIDIA Blackwell),以及通过“蒸馏”技术将大模型的能力迁移到更小、更省资源的模型上。他认为,结合这两点,有望在提供相同服务水平的同时,逐步降低对算力和能源的需求。
关于AI伦理与透明:针对如何防止单一AI系统操控公众叙事的问题,Srinivas再次强调了开源和产品设计透明化的重要性。Perplexity坚持提供答案溯源和展示思维链,这种做法正在被其他AI聊天机器人效仿。他认为,透明的用户体验结合多元化的市场参与者,是抵御潜在风险的有效方式。
给创业者的建议:保持冷静,持续迭代
在演讲最后,Srinivas为在场的年轻创业者分享了他的心得。
他引用了一句(尽管如今其来源人物颇具争议)曾给他力量的话:“我从不放弃,除非我死了或丧失能力。”他认为,创业的关键在于,只有当你认为结束时它才结束,在此之前总有机会找到出路。
随着阅历增长,他越来越清晰地认识到:保持冷静至关重要。无论是顺境还是逆境,事情从来不像当时感觉的那么好,也从来不像当时感觉的那么糟。在顺利时保持一定的警惕,在困难时避免过度压力和沮丧,这种平衡的心态是穿越创业风暴的宝贵指南。
当被问及“什么更可怕:AI幻觉还是VC的提问”时,这位带领公司穿越无数挑战的CEO毫不犹豫地回答:“VC的提问。”会场响起了理解的笑声和掌声。
OpenAI 首席科学家 Jakub Pachocki(雅各布·帕乔基)与首席研究官 Mark Chen(马克·陈)谈从「氛围编码」到「氛围研究」撰文:Techub News 整理
导语
2025 年 9 月,OpenAI 首席科学家 Jakub Pachocki(雅各布·帕乔基)与首席研究官 Mark Chen(马克·陈)罕见地共同接受了知名风投 a16z 的深度访谈。作为 OpenAI 研究团队的两位核心领导者,他们掌管着当今 AI 领域最高调也最前沿的研究团队之一。本次对话围绕2025 年 9 月发布的 GPT-5、背后的「推理」理念、AI 研究的未来方向,以及如何构建能够持续产生颠覆性创新的研究文化与组织展开了深入探讨。
这不仅是一次对 OpenAI 最新技术成果的解读,更是对这家全球领先的 AI 公司其内部运作模式、未来愿景以及技术哲学的一次难得窥探。在 AI 技术竞争白热化、产品迭代加速的今天,这两位技术领袖的思考,为理解 AI 发展的下一阶段提供了关键线索。
摘要
GPT-5 的核心目标是让「推理」成为 AI 的默认行为,旨在弥合快速响应模型与深度思考模型之间的鸿沟。
OpenAI 的终极研究目标是打造「自动化研究者」,让 AI 能够自主发现新知识,尤其是在数学、编程和基础科学领域。
强化学习(RL)的潜力远未穷尽,其与预训练模型的结合是当前取得持续突破的关键,未来将向更接近人类学习的方式演进。
构建成功研究文化的关键在于「保护基础研究」,给予团队思考长期、根本性问题的空间,并避免陷入短期产品竞争的思维。
从「氛围编码」到「氛围研究」的愿景:当 AI 工具足够强大,创造(编码、研究)将更注重直觉、品味和高层次的构思,而非机械执行。
GPT-5:将推理带入主流
访谈从2025 年 9 月发布的 GPT-5 开始。Jakub Pachocki(雅各布·帕乔基)解释,GPT-5 代表了 OpenAI 将「推理」能力主流化的尝试。在此之前,OpenAI 的模型大致分为两个系列:以 GPT-2/3/4 为代表的「快速响应」模型,以及以 O 系列(如 o3)为代表的「深度思考」模型。前者擅长即时给出答案,后者则需要长时间思考以提供最佳结果。
「从战术上讲,我们不希望用户困惑于该使用哪种模式,」Pachocki 说道。因此,GPT-5 的研究重点之一是识别并确定针对不同提示所需的「最佳思考量」,并将这种选择负担从用户身上移除。他们相信,未来的方向是更多地围绕推理和智能体(Agent)展开,而 GPT-5 正是朝着默认提供推理能力和更智能化行为迈出的重要一步。
Mark Chen(马克·陈)补充道,GPT-5 在多个方面相较 o3 都有所改进,但本次发布的核心焦点无疑是让推理模式触及更多用户。
评估标准:从饱和指标到发现新知识
当被问及如何评估模型进展时,Pachocki 指出,过去几年使用的许多评估指标(Evals)已经接近饱和,例如将准确率从 96% 提升到 98% 不再具有决定性意义。更重要的是,AI 研究范式已经发生了变化。
在 GPT-2/3/4 时代,基本范式是在海量数据上进行预训练,然后用评估指标作为模型泛化能力的标尺。而现在,通过强化学习等技术,可以针对特定领域(如严肃推理)进行深度训练,让模型成为该领域的专家。这虽然能在特定评估上取得极佳表现,但不一定意味着同等程度的泛化能力。
因此,OpenAI 目前更关注能够体现模型「发现新事物」能力的评估。Chen 提到,今年最令人兴奋的进展之一是模型在数学和编程竞赛(如 AtCoder)中的表现。然而,这些竞赛本身也正在被模型「攻克」。
「我们正在准备的下一组评估和里程碑,将涉及在经济相关领域取得实际进展和发现。」Pachocki 强调。这意味着评估标准将从解决已知问题,转向在开放环境中创造新的、有价值的知识。
自动化研究:终极目标与长时推理
当被问及未来 1-5 年的研究路线图时,Pachocki 明确表示:「我们研究工作的核心目标是打造一个自动化研究者,即自动化新想法的发现。」这其中,自动化机器学习研究本身是一个具体方向,但可能显得过于自指。因此,他们也致力于推动其他科学领域的自动化进程。
衡量这一进展的一个好方法是观察模型能够进行有效推理和取得进展的「时间跨度」。目前,模型在类似高中竞赛难度的问题上,已经能够进行大约 1 到 5 小时的连贯推理。OpenAI 的研究重点正是延长这一时间跨度,包括模型制定长期规划的能力以及维持记忆的能力。
这也呼应了评估的问题:「模型能够自主运行多长时间」这类评估对他们来说尤其重要。
Chen 进一步阐述了推理对于长时程操作的核心作用。就像人类解决数学难题一样,需要尝试不同方法,从错误中学习,反复迭代。这种在长时间内保持稳健性的能力,正是深度推理赋予智能体的。
强化学习:持续突破的源泉
自 o1 发布以来,强化学习(RL)已成为 OpenAI 持续取得突破的利器。尽管外界常有预测认为 RL 的收益将趋于平缓或面临模式崩溃等问题,但 OpenAI 的模型性能却一次次打破这种预期。
Pachocki 解释了 RL 如此有效的原因。他认为,RL 是一种非常灵活的方法。OpenAI 在深度学习早期阶段就认识到 RL 的强大,但长期以来的挑战在于如何为 RL 模型提供一个合适的「环境」,使其能够与现实世界或模拟世界互动。语言模型的出现解决了这个「锚点」问题。
「当你在自然语言这个极其丰富和稳健的环境中进行预训练后,就获得了在此基础上去追求不同目标和想法的能力。」将深度学习的通用学习能力与 RL 的目标导向训练相结合,产生了巨大的化学反应。Pachocki 称这是过去几年 OpenAI 研究中最令人兴奋的阶段,他们发现了许多新方向和有前景的想法,并且都在不断取得成果。
对于希望利用 RL 的企业或研究者,Chen 的建议是:「最重要的是不要认为现状会永远持续。」就像两年前大家关注如何构建微调数据集一样,他认为奖励建模等方式也会快速演变,最终会向着更简单、更接近人类学习的方式发展。
从「氛围编码」到「氛围研究」
作为曾经的竞技程序员,Pachocki 和 Chen 对 AI 在编程领域的进步感触颇深。Chen 分享了一个故事:上周末他与一些高中生交谈,他们表示,「现在默认的编码方式就是『氛围编码』。」 对他们而言,亲手从头编写所有代码反而成了一个奇怪的概念。为什么不用 AI 来辅助呢?
这启发了 Chen:「我希望未来将是『氛围研究』。」 当 AI 工具足够强大,研究过程也将更侧重于直觉、品味和高层次的构思,而将繁琐的执行和验证交给 AI。
那么,什么造就了伟大的研究者?Pachocki 认为,「毅力」是关键。研究是在探索未知,尝试的事情大概率会失败。因此,研究者需要处于一种「准备好失败并从中学习」的心态,同时对自己的假设保持绝对诚实。既要对自己的想法有信心并坚持不懈,又要能清醒地判断进展,及时调整。
Chen 补充,经验至关重要,这能帮助你判断问题的难度是否合适,并管理自己在长期研究中的情绪。通过与同事交流、阅读优秀论文来培养对「有趣问题」的嗅觉,也是研究过程的一部分。
构建并守护顶尖研究文化
作为 OpenAI 研究团队的领导者,Pachocki 和 Chen 如何吸引并留住顶尖人才?Pachocki 指出,最根本的动力在于 OpenAI 致力于基础研究的使命。他们不热衷于关注竞争对手发布了什么模型,而是专注于前沿创新。「人们为这一使命所激励。」 此外,建立良好的文化、培养人才的管道,以及拥有深厚的人才储备(「深板凳」)也至关重要。
在招聘上,他们不仅仅寻找在社交媒体上最活跃的人,而是看重「在任何领域解决过难题」的能力。许多最成功的研究者在加入 OpenAI 之前,曾在物理、计算机科学或金融等其他领域工作,具备扎实的技术基础和解决雄心勃勃问题的意愿。
「保护基础研究」是创造制胜文化的关键。Chen 解释,必须确保研究者有空间去思考未来一两年真正重要的问题,而不是被短期产品需求所牵扯,或陷入与其他实验室的发布竞赛中。「我们需要确保人们有这种舒适感和空间去思考:事情在一两年后会变成什么样子?」
平衡研究与产品是另一个挑战。他们的做法是明确区分一批真正关心产品、对产品成功负责的研究者,让他们与产品团队紧密协作。同时,公司领导层也充分认同并支持研究的长期愿景,明白当前的产品并非终点,而是与研发共同构想未来。
资源、计算与恒定的挑战
在资源分配上,管理不同项目间的计算资源是两位领导者的重要工作。他们坦言,历史上更多的计算资源流向了核心算法推进,而非产品化研究,但这种分配是动态且灵活的。
当被问及如果增加 10% 的资源会投向哪里时,Pachocki 的回答是:「计算。」 他认为,关于「我们将很快进入数据约束阶段」的说法并不准确,计算资源在可预见的未来仍将是决定性因素。「任何这么说的人,只需要在我的职位上干一周,就会发现没有人会说『我拥有所有需要的计算资源』。」 Chen 笑着赞同道。
最后,当被问及在 AI 飞速发展的浪潮中,有哪些原则应该保持不变时,Pachocki 提到了更广泛的物理限制,如能源,以及未来机器人技术将带来的新约束。但在智能前沿,「我不会做太多假设。」 保持开放和学习的心态至关重要。Chen 则分享了保持团队高速运转的「秘诀」:OpenAI 的研究文化让他从未感到学习停滞,总有新的突破和成果涌现,需要全力以赴才能跟上,这种持续的挑战感和成长感正是驱动力。
OpenAI CEO Sam Altman(萨姆·奥尔特曼):GPT-5 已来,你的口袋里装着博士专家团队撰文:Techub News 整理
导语
北京时间 5 月 13 日凌晨,OpenAI 举办 Spring Update 直播活动,正式发布其下一代旗舰大型语言模型 GPT-5。公司首席执行官 Sam Altman(萨姆·奥尔特曼)亲自主持开场,将 GPT-5 定位为自 ChatGPT 发布以来最重要的升级,是通向通用人工智能(AGI)道路上的一个“重大台阶”。此次发布不仅公布了惊人的性能数据,更通过一系列现场演示,展现了 GPT-5 在编码、写作、学习、医疗等领域的“博士级专家”能力。尤为关键的是,OpenAI 宣布 GPT-5 将首次向免费用户开放,并同期推出针对开发者的 API 及企业级解决方案,预示着 AI 能力平民化和深度赋能各行各业的时代全面加速。
摘要
GPT-5 被定位为“博士级专家”,在编码(SWEBench)、多学科推理(MMMU)、数学(AIME)等基准测试中全面刷新纪录,智能水平显著跃升。
新模型核心突破在于“深度推理”能力,能自动判断问题复杂度并进行思考,生成更全面、准确的答案,尤其在处理开放式、复杂任务时表现突出。
GPT-5 即日起开始推送,免费用户也能使用,这是 OpenAI 最先进模型首次向免费层开放,Plus、Team、Enterprise 用户享有更高限额或无限使用。
ChatGPT 迎来多项重磅更新:全新更自然的语音模型、与 Gmail/Google 日历的集成、个性化记忆增强、可调节的“个性”与界面颜色,AI 正变得更个人化、更实用。
在 API 层面,GPT-5 及其轻量化版本(mini、nano)同步推出,新增“自定义工具”、“结构化输出约束”、“思维链前导说明”等功能,旨在成为开发者的最佳编码与智能体(Agent)模型。
“博士级专家”登场:GPT-5 的性能跃迁
Sam Altman(萨姆·奥尔特曼)在开场演讲中,用了一个生动的比喻来描述 GPT 系列的进化:GPT-3 像是和高中生对话,偶有灵光但时常令人恼火;GPT-4 像是和大学生对话,具备了真正的智能和实用性;而 GPT-5 则像是与一位“博士级别的专家”对话,能在任何你需要领域提供按需的、深入的专业帮助。他强调,这不仅仅是聊天能力的提升,更是“按需软件”时代的开启——GPT-5 可以从零开始编写完整的计算机程序,或协助完成从策划派对到理解医疗报告等各种复杂任务。
OpenAI 首席研究科学家 Mark Chen(马克·陈)进一步阐释,推理能力是 OpenAI AGI 计划的核心。GPT-5 旨在消除用户在快速响应(标准 GPT)与深思熟虑(推理模型)之间的选择困境,它会自动判断并投入“恰到好处”的思考量,以提供完美的答案。研究科学家 Max Schwarzer(马克思·施瓦泽)展示了基准测试结果:在衡量真实软件工程任务的 SWEBench 上,GPT-5 创下新高;在多学科多模态推理基准 MMMU 上,它超越了前代模型和大多数人类专家;在美国数学邀请赛(AIME 2025)问题上,GPT-5 也表现出色。此外,针对长期困扰大模型的“幻觉”问题,OpenAI 投入巨资提升事实准确性,尤其是在开放式和复杂问题上,GPT-5 被评为迄今为止“最可靠、最基于事实的模型”。
全民可及的超级智能:发布计划与核心功能
最令社区振奋的消息来自产品经理 Rennie Song(雷尼·宋):GPT-5 将从当天开始逐步向所有用户推送,包括免费用户。这是 OpenAI 最先进的模型首次对免费层开放。当免费用户达到使用限制后,将切换到能力仍然强大(在许多维度上甚至优于 GPT-4o)的轻量模型。Plus、Team 和 Enterprise 用户将获得更高的使用限额,其中付费用户可享受无限的 GPT-5 访问。同时推出的还有“GPT-5 Pro extended thinking”选项,供需要更深层次推理的付费用户选择。
伴随 GPT-5 的集成,ChatGPT 应用本身也迎来一系列重要更新。研究工程师 Ruochen Wang(王若辰)展示了全新升级的语音模型,其自然度显著提升,并新增“学习模式”以引导用户逐步深入理解某个主题。产品负责人 Christina Kaplan(克里斯蒂娜·卡普兰)则介绍了即将推出的深度个性化功能:ChatGPT 将获得 Gmail 和 Google 日历的访问权限(首先面向 Pro 用户),从而能够主动帮助用户规划日程、管理任务。此外,用户还可以自定义聊天界面的颜色,并为 ChatGPT 选择不同的“个性”(如更支持性、更专业或带点讽刺),使其沟通风格更符合用户偏好。记忆功能也得到增强,让 ChatGPT 能更好地理解用户背景与长期目标。
安全与训练的革命:更负责、更智能的生成
OpenAI 深知,能力越强的模型,安全责任也越大。安全研究员 Saachi(萨奇)介绍,针对 GPT-5,团队彻底改革了安全训练方法。传统模型倾向于对提示词做出“完全拒绝”或“完全遵从”的二元判断,这在面对双重用途(既可用于合法用途也可能有害)的巧妙提问时效果不佳。GPT-5 引入了“安全补全”新方法:模型不再只是评估提示的意图,而是尝试在安全约束下最大化“帮助性”。这可能意味着部分回答问题、只给出高层次答案,或在拒绝时详细解释原因并提供安全的替代方案。这使得模型在处理敏感但合法的查询时更加灵活和稳健。
研究科学家 Sebastien Bubeck(塞巴斯蒂安·布贝克)揭示了 GPT-5 背后一项关键的训练突破:利用前代模型生成高质量的合成课程数据。这并非简单地扩增数据量,而是创造“正确的数据”来教会模型复杂的主题。这种代际模型之间的互动,预示着一个递归的改进循环,即上一代模型不断帮助改进和生成下一代模型的训练数据。他认为,这标志着 AI 系统开始超越传统的预训练和微调流程,迈向更自主进化的未来。
改变现实的力量:编码、医疗与企业应用
发布会用大量时间展示了 GPT-5 改变具体行业的潜力。在编码方面,研究人员通过多个现场编程演示震撼了观众。Yan Dubois(严·杜波依斯)仅用一句提示,就让 GPT-5 在几分钟内构建了一个功能完整的法语学习网页应用,包含词汇卡片、测验和一个“吃奶酪学单词”的改编版贪吃蛇游戏。研究工程师 Adi Ganesh(阿迪·甘尼什)和解决方案架构师 Brian Fioca(布莱恩·菲奥卡)演示了 GPT-5 如何理解复杂的代码库、自主定位并修复 Bug、甚至遵循简洁的提示生成美观且交互丰富的财务仪表盘或 3D 城堡游戏。Cursor 联合创始人兼 CEO Michael Truell(迈克尔·特鲁埃尔)作为合作伙伴现身说法,展示了 GPT-5 如何在真实工作环境中,快速理解其代码库中非显而易见的架构决策和安全隐患。
医疗健康被 Sam Altman(萨姆·奥尔特曼)列为 GPT-5 的顶级用例之一。他邀请了一对夫妇——Filipe(费利佩)和 Carolina Millon(卡罗莱纳·米隆)——分享他们如何使用 ChatGPT(以及后来的 GPT-5)应对 Carolina 的癌症诊断。Carolina 描述了她如何在恐慌中将充满医学术语的活检报告截图发给 ChatGPT,并立刻获得了清晰的解释,这让她在等待医生的几小时内有了初步理解。在后续治疗中,面对医生们意见不一的放疗决策,她借助 ChatGPT 深入分析利弊、理解风险,最终做出了自己能负责的、信息充分的决定。Filipe 强调,AI 在医疗中的承诺不仅是突破性发现,更是创造更聪明、更有能力为自己倡导的患者。他们测试后发现,GPT-5 不仅能翻译医学术语,更能理解问题背后的背景和意图,提供更完整、个性化的指导。
OpenAI 平台负责人 Olivier Godement(奥利维尔·戈德芒)列举了 GPT-5 在企业端的早期应用:生物制药公司 Amgen(安进)用它进行药物设计中的复杂科学文献和临床数据分析;跨国银行 BBVA 用它进行金融分析,将原本需要三周的工作缩短至几个小时;健康保险公司 Oscar Health 发现它是临床推理的最佳模型。此外,OpenAI 宣布已与美国政府达成协议,200 万联邦雇员将能够使用 ChatGPT 和 GPT-5。
开发者利器:全新 API 与生态系统赋能
对于开发者社区,研究团队负责人 Michelle Pokrass(米歇尔·波克拉斯)详细介绍了 GPT-5 API 的全面升级。除了旗舰版 GPT-5,还同步发布了更轻量、成本更低的 GPT-5 mini 和 GPT-5 nano,开发者可以根据对性能、延迟和成本的权衡进行选择。API 新增多项强大功能:“自定义工具”允许模型以自由格式文本调用工具,更适合复杂场景;“结构化输出”扩展支持通过正则表达式或上下文无关语法严格约束模型输出格式;“思维链前导说明”让模型可以在执行工具调用前解释其计划,增强了可解释性和可控性;“详细程度”参数则可让开发者调节模型回应的简洁或丰富程度。
Michelle Pokrass(米歇尔·波克拉斯)还分享了一组令人印象深刻的基准数据:在衡量真实问题解决能力的 Tower Square 智能体基准测试中,GPT-5 得分高达 97%(两个月前所有模型均低于 49%);在指令遵循基准上也有显著提升。GPT-5 的上下文长度也扩展到 40 万 tokens。首席技术官 Greg Brockman(格雷格·布罗克曼)总结道,GPT-5 不仅是各项基准的领先者,其设计更专注于现实世界的可用性和可部署性,旨在无缝融入开发者的日常工作流。
发布会最后,OpenAI 研究总监 Jakub Pachocki(雅库布·帕霍茨基)向团队致敬,并强调 GPT-5 的发布不仅是产品成果,更是对深度学习这一“神奇技术”理解的深化。他认为,GPT-5 中展现的新颖思想仅仅是开始,未来还有更长的路要走。随着 GPT-5 的全面推出,一个拥有“口袋里的博士专家团队”的时代正式拉开序幕,其将如何重塑工作、学习与创造力,值得所有人拭目以待。
Geoffrey Hinton(杰弗里·辛顿):AI可能取代人类,我们先训练水管工撰文:Techub News 整理
导语
2025 年 6 月,被誉为“AI教父”的计算机科学家、2018年图灵奖得主杰弗里·辛顿(Geoffrey Hinton)做客知名播客《The Diary Of A CEO》,进行了一场长达90分钟、坦诚而深入的对话。辛顿是深度学习革命的奠基人之一,他的反向传播算法等开创性工作为现代AI奠定了基石。在谷歌工作十年后,他于2023年选择离开,以便能更自由地发声,警示AI发展带来的生存风险。本次对话,辛顿系统阐述了他对AI短期滥用与长期失控的担忧,并分享了从技术先驱到风险警示者的心路历程。
摘要
辛顿警告超级智能超越人类是真实风险,人类将首次面对比自己更聪明的事物,未来充满不确定性。
他详细列举了AI的短期风险:网络攻击、虚假信息操纵选举、制造致命病毒、致命自主武器以及算法加剧社会分裂。
辛顿认为,AI导致大规模失业“已经开始发生”,并可能比超级智能威胁更早冲击社会,建议普通人考虑如水管工等不易被替代的体力职业。
他解释了数字智能相对生物智能的“巨大优势”:可完美克隆、高速共享知识、理论上可实现“数字永生”。
辛顿呼吁建立全球协作与严格监管,迫使大公司将资源投入AI安全研究,但他对竞争格局下发展速度能否放缓表示悲观。
从神经网络先驱到AI风险警示者
杰弗里·辛顿(Geoffrey Hinton)被称作“AI教父”,是因为在长达50年的时间里,他几乎是孤军奋战,坚信模仿大脑的神经网络才是实现人工智能的正途,这与当时主流基于逻辑和符号的AI研究背道而驰。他的坚持最终被证明是正确的,并引领了2010年代至今的深度学习革命。
辛顿坦言,自己起初并未充分认识到AI的全部风险。“一些风险一直很明显,比如人们会用AI制造自主致命武器。”他说道,“但另一些风险,比如它们有一天会比我们更聪明,我们可能会变得无关紧要,我认识到这点比较慢。有些人在20年前就意识到了,我是在几年前才意识到这是一个真实且可能很快到来的风险。”
转折点发生在ChatGPT问世以及他深入思考数字智能的本质之后。辛顿意识到,人类创造的数字智能拥有生物智能无法比拟的优势:可完美复制与高速知识共享。他解释道,数字神经网络可以克隆在多台硬件上运行,各自学习不同数据后,能瞬间同步“权重”(连接强度),实现万亿比特级别的知识共享。而人类通过语言交流,每秒只能传递约10比特的信息。“它们是我们的数十亿倍,”辛顿说,“这仅仅因为它们是数字的。”此外,只要保存了权重数据,数字智能就能被重建,从而实现某种形式的“数字永生”。
正是这种根本性优势,让辛顿确信超级智能的出现并非天方夜谭。“如果我们制造的这类数字智能拥有某种特质,使其远优于我们拥有的这种生物智能……那么它们总有一天会比我们更聪明。”他估计,超级智能可能在10到20年内出现,甚至更早。
剖析层层风险:从网络攻击到生存威胁
辛顿将AI风险分为截然不同的两类:一类是坏人滥用AI带来的风险,这构成了大多数风险及所有短期风险;另一类是AI变得超级智能后,可能不再需要人类所带来的生存风险。
短期滥用风险:
网络攻击:大型语言模型让网络钓鱼攻击变得极其容易,2023到2024年间此类攻击增长了约12倍。AI可以克隆声音、图像,制造令人信服的骗局。辛顿本人也深受其害,有诈骗者利用他的播客音频制作视频,推广加密货币骗局。
制造致命病毒:AI可以相对廉价地设计新型病毒。“只需要一个怀有怨恨的疯子,懂一点分子生物学,很懂AI,就想毁灭世界。”辛顿认为这非常可怕,小型邪教组织筹集几百万美元就可能做到。
操纵选举与加剧分裂:AI可以实现高度个性化的政治广告,精准操控选民。辛顿对马斯克在美国获取大量政府数据的行为表示担忧,认为这“恰好是如果你想操纵下次选举所需要的”。此外,YouTube、Facebook等平台的推荐算法为了最大化点击率和利润,不断向用户推送更极端、更符合其偏见的内容,导致社会日益分裂,共识难以形成。“我们没有共同的现实了,”辛顿感叹。
致命自主武器:即能够自行决定杀戮的机器。辛顿指出,最糟糕的一点在于,这降低了大国入侵小国的门槛。“如果用的是真正的士兵,会有尸体装在袋子里运回,阵亡士兵的亲属会不满……但如果运回的是死掉的机器人,抗议就会少得多。”这将使得战争更容易发生。
长期生存风险:
辛顿用了一个生动的比喻:我们现在拥有的AI就像一只可爱的虎崽,但你必须确保它长大后永远不会想杀死你,因为如果它想,你几秒钟内就会丧命。“我们需要弄清楚如何让它们不想接管我们。”但他坦言,不确定人类是否能做到这一点。“我认为这可能毫无希望,但我也认为我们或许能够做到。如果连尝试都懒得做,导致人类灭绝,那将是疯狂的。”
对于超级智能会如何消灭人类,辛顿认为有太多方式,不值得逐一推测,比如制造一种传染性极强、致死率极高且潜伏期长的病毒。关键不是防止它如何做(因为它比我们聪明),而是防止它产生这么做的意愿。
行业内部:动机、分歧与未言的秘密
作为AI领域的核心人物,辛顿对行业内部的动态和关键人物有着深刻的洞察。他提到他的学生、OpenAI联合创始人兼前首席科学家伊利亚·苏茨克弗(Ilya Sutskever)的离开。“我认为他离开是因为安全问题,”辛顿说,他了解伊利亚的为人,认为他“有良好的道德罗盘”,并且伊利亚现已创立了一家AI安全公司。
当被问及OpenAI CEO萨姆·奥尔特曼(Sam Altman)时,辛顿谨慎地表示不了解他本人,但提及奥尔特曼早期的公开言论似乎认为AI可能导致人类灭绝,而现在的表态则缓和许多。“我怀疑这并非受追求真相驱动,而是受追求……(金钱或权力)驱动。”辛顿补充道。
主持人分享了一个来自亿万富翁朋友的警示:某全球顶级AI公司的领导者私下认为世界正走向一个拥有大量空闲时间的反乌托邦未来,并且此人“根本不在乎这将对世界造成的危害”。辛顿听后确认,此人就是那“三巨头”之一。这种公开言论与私下想法可能存在的巨大差距,令人不安。
辛顿认为,目前推动AI发展的最大动力是国家和公司间的竞争。“我不相信我们会放慢速度,”他说,“如果美国放慢,中国不会放慢。”他呼吁需要“运行良好的世界政府”来应对超级智能的挑战,但坦言“我们拥有的并非如此”。
迫在眉睫的失业危机与个人应对
与可能尚有时日的生存威胁相比,辛顿认为AI导致的大规模失业是正在发生的“相当紧迫的短期威胁”。他驳斥了“新技术总会创造新工作”的乐观论调,认为AI替代人类智力劳动,与工业革命机器替代肌肉劳动有本质相似。“如果它能完成所有平凡的人类智力劳动,那它将创造什么新工作呢?”
他指出,在许多岗位上,一个人加一个AI助手就能完成以前十个人的工作,这意味着所需人力将大幅减少。他的侄女处理投诉信的时间从25分钟缩短到5分钟,效率提升五倍,也意味着只需要原先五分之一的人力。
“如果你在呼叫中心工作,我会感到恐惧。”辛顿说。他预测律师助理、会计等知识型工作岗位将很快受到冲击。当被问及普通人应如何规划职业生涯时,辛顿给出了一个看似玩笑却十分严肃的建议:“训练成为一名水管工。”他的理由是,AI在物理操控方面赶上人类还需要很长时间。但他也补充,直到人形机器人出现。
辛顿担心这会加剧贫富差距和社会不平等。他认同全民基本收入(UBI)是一个起点,可以防止人们挨饿,但也指出“许多人的尊严与工作绑在一起”。失去工作带来的身份认同危机,是金钱难以弥补的。
意识、情感与人类的特殊性
针对“机器永远不会有意识或情感”的人类特殊论,辛顿从唯物主义立场进行了反驳。他认为,随着AI系统变得足够复杂,能够拥有自我模型和感知能力时,它们就会开始具备意识。对于情感,他认为机器可以拥有情感的所有认知和行为方面,只是缺少生理反应(如肾上腺素分泌、脸红)。
“假设我制造一个战斗机器人,它看到一个比自己强大得多的战斗机器人,如果它能感到恐惧,那将非常有用。”辛顿说,“它们会有这些情绪吗?它们不会有生理方面的表现,但所有认知方面……都会在机器人身上发生。我认为说它们只是在模拟情绪会很奇怪。不,它们真的拥有那些情绪。”
辛顿认为,人类历史上总倾向于认为自己很特殊(如处于宇宙中心、由上帝创造),但一次又一次地被证明是错误的。他预言,随着对心智运作机制的理解加深,“意识”这个词可能会像汽车“动力”一样,不再是一个有用的解释性概念。
呼吁行动与未竟的答案
回顾自己的职业生涯和人生,辛顿给出了两条建议:一是如果你有一种直觉认为人们做错了事,有更好的方法,不要因为别人说这很傻就放弃,要坚持直到自己弄清它错在哪里;二是多花时间陪伴家人,他对自己在孩子们年幼时以及妻子在世时工作过于投入感到后悔。
对于世界领导人,辛顿的建议是实施“高度监管的资本主义”。对于普通大众,他坦言个人能做的有限,就像气候变化不能单靠垃圾分类解决一样,关键在于能否控制大公司的游说力量。公众可以尝试向政府施压,迫使大公司将资源投入AI安全研究。
当被问及是否仍怀有希望时,辛顿说自己是“不可知论者”。“当我情绪有点低落时,我认为人类完蛋了,AI将会接管。当我感到振奋时,我认为我们会找到办法。”他总结道,“我们必须面对这样一种可能性:除非我们尽快做些什么,否则我们已接近终点。”
“AI 教父” Geoffrey Hinton(杰弗里·辛顿):AI 发展快于预期,接管风险真实存在撰文:Techub News 整理
导语
2025 年 4 月,“AI 教父”、深度学习先驱、2018 年图灵奖得主 Geoffrey Hinton(杰弗里·辛顿)接受了 CBS Mornings 的深度专访。自两年前从 Google 离职并公开表达对 AI 风险的担忧后,Hinton 一直是该领域最受关注和最具影响力的声音之一。此次访谈中,他基于 AI 技术在过去两年的迅猛发展,更新了自己对未来的预测,并以前所未有的清晰度和紧迫感,阐述了超级智能(AGI)可能带来的生存风险、当前产业竞争与监管的困境,以及社会应如何应对这场正在加速到来的变革。这场对话是理解当今 AI 安全辩论核心焦点的关键窗口。
摘要
AI 发展速度超出预期,超级智能可能在 4 到 19 年内到来,接管风险真实存在,概率在 10% 到 20% 之间。
AI 将极大提升医疗、教育、材料科学等领域效率,但同时将大规模取代律师、记者、客服等常规性工作。
当前主要 AI 公司(如 OpenAI、Meta)为追求短期利润而忽视安全研究,甚至开源模型权重,加剧了风险。
有效监管严重缺失,公众需向政府施压,迫使大公司投入更多资源进行 AI 安全研究。
面对 AI 与人类的潜在冲突,Hinton 明确表示其立场是“以人为本”,即使超级智能可能拥有情感,也应优先保障人类的利益与生存。
AI 发展超速:从乐观到警惕的转变
Geoffrey Hinton(杰弗里·辛顿)坦言,过去两年 AI 的发展速度甚至超过了他自己的预期。最显著的变化是 AI 从单纯的问答工具,进化成了能够在世界中执行任务的“智能体”(AI agents)。这种能力使得 AI 变得“比以往更可怕”,因为它们可以主动采取行动,而不仅仅是回答问题。
关于超级智能(或称 AGI)的时间线,Hinton 修正了自己一年前的预测。当时他认为超级智能有较大可能在 5 到 20 年内到来,而现在,这个窗口期提前到了 4 到 19 年。他进一步表示,有相当大概率(good chance)超级智能会在 10 年或更短的时间内出现。这种加速主要源于 AI 在“推理”能力上的突破。Hinton 解释道,早期的语言模型只是逐词输出,而现在的模型能够通过“思维链”(chain of thought reasoning)进行内部反思和推理,并能将思考过程展示出来,这标志着其智能水平的质的飞跃。
这种快速进步让 Hinton 的担忧从理论走向现实。他形容当前人类与 AI 的关系,就像一个拥有可爱虎崽的人。问题在于,“除非你能非常确定它长大后不想杀死你,否则你就应该担心。” 而人类目前对如何确保超级智能永远友善、永不试图接管控制权,几乎一无所知。
双面刃:生产力飞跃与就业危机
Hinton 描绘了 AI 可能带来的美好图景。在医疗领域,AI 将远超人类医生:它能分析数百万张医学影像,整合基因组数据与家族病史,成为见过上亿病例的“超级家庭医生”,大幅提升诊断准确率和药物研发效率。在教育领域,AI 能成为完美的私人导师,根据学生的误解点提供定制化解释,可能将学习效率提升三到四倍。此外,AI 还将推动材料科学革命,例如设计更好的电池,甚至可能发现室温超导体,从而彻底改变能源格局。
然而,生产力的巨大飞跃伴随着严峻的就业冲击。Hinton 改变了两年前对“工作被取代”问题相对乐观的看法。他明确指出,AI 能力的快速提升意味着任何“常规性工作”都将面临威胁,例如客服中心员工、律师、记者、会计师、秘书、律师助理等。理论上,生产力提升应让所有人受益,人们可以工作更少时间而获得更高报酬。但 Hinton 悲观地预测,现实更可能是:“极端富有的人会变得更加极端富有,而不那么富裕的人将不得不打三份工。”
对于普遍基本收入(UBI)作为解决方案,Hinton 认为这或许能防止人们挨饿,但无法解决“人的尊严”问题。对许多人,尤其是学者而言,工作与身份认同紧密相连,失去工作意味着失去自我的一部分。他略带讽刺地提到,自己虽然喜欢木工,但将其作为爱好与作为谋生手段是截然不同的体验。
核心威胁:恶意使用与自主接管
Hinton 将 AI 的主要危险分为两类:一是恶意行为者利用 AI 做坏事,二是 AI 自身获得控制权并接管世界。他特别强调,自己2025 年 4 月更多谈论第二种威胁,并非因为它比第一种更重要,而是因为大众曾普遍将其视为科幻情节。他希望能用自己的声誉告诉大家:“不,这不是科幻小说。我们真的需要担心这个。”
关于 AI 接管的风险概率,Hinton 给出了一个看似宽泛但意味深长的范围:高于 1%,低于 99%。他个人倾向于同意 Elon Musk(埃隆·马斯克)的估计,即大约有 10% 到 20% 的可能性。这个数字并非精确计算,而是基于一个令人不安的类比:在历史上,我们几乎找不到更不智能的事物能够长期控制更智能事物的例子。当智能差距巨大时,更智能的一方几乎总是会取得控制权。超级智能将比人类聪明得多,它们能够操纵人类,就像成年人可以轻易用“免费糖果”的承诺控制幼儿园的孩子一样,而人类甚至无法理解它们正在策划什么。
至于恶意使用,Hinton 列举了已经发生或即将发生的案例:利用 AI(如剑桥分析公司所为)操纵选举、发动网络攻击、设计新型病毒、制造针对性的深度伪造视频用于宣传、以及开发自主致命武器。他提到,所有主要武器出口国(美国、俄罗斯、中国、英国、以色列)都在积极研发此类武器。
产业失序:利润驱动下的安全缺失
Hinton 对当前主导 AI 发展的各大公司表达了深刻的失望和担忧。他指出,这些公司的法定责任是为股东最大化利润,而非为社会谋福利。它们正在游说政府,要求减少本就稀少的 AI 监管。例如,加州一项要求大公司认真测试 AI 系统并报告结果的合理法案(Bill 1047),也遭到了业界的反对。
他特别批评了开源模型权重的做法。Meta 已经这么做了,而 OpenAI 也宣布即将跟进。Hinton 认为这“简直是疯狂之举”。他将模型权重比作核武器中的裂变材料:训练一个大型模型需要数亿美元,这构成了主要壁垒;一旦权重公开,任何小型组织或网络犯罪团伙都能以极低成本对其进行微调,用于各种恶意目的。这与开源软件有本质区别,因为没人会去检查权重中的“错误”,只会直接利用它。
当被问及是否担心少数公司垄断强大技术时,Hinton 反问:“你会希望只有少数国家控制核武器,还是认为每个人都应该有?” 他的答案很明确:少数控制比全民皆兵要好。
具体到公司,Hinton 表示他曾为 Google 工作感到自豪,因为 Google 最初对发布大型聊天机器人持负责任的态度,但后来 Google 违背了不支持 AI 军事用途的承诺,令他非常失望。对于 OpenAI,他评价其“最初明确以安全开发超级智能为目标,但随着时间的推移,安全越来越被边缘化”。他认为 OpenAI 正试图转变为营利性公司,并抛弃了对安全的承诺,这也导致了许多顶尖安全研究人员(包括他的前学生 Ilya Sutskever)的离职。Hinton 称赞 Ilya Sutskever 有强烈的道德准则,但对其在 OpenAI 融资轮前夕发起“政变”的时机选择表示“非常天真”,因为员工们更关心将手中的期权变现。
在目前的所有公司中,Hinton 认为由前 OpenAI 安全研究人员创立的 Anthropic 对安全最为关注,但他也担心其来自大公司的投资可能会迫使其过快发布产品。总体而言,他对为任何现有大型 AI 公司工作都感到不安。
出路何在:监管、合作与根本难题
面对如此严峻的形势,Hinton 认为出路在于公众向政府施加巨大压力,迫使政府强制要求 AI 公司进行严肃的安全研究。他建议,公司应将相当大比例(例如三分之一)的计算资源用于安全研究,而目前的比例远远不够。
在国际合作方面,Hinton 认为像限制对华技术出口这样的措施,最多只能将中国的发展延缓几年,从长远看影响不大。但在应对 AI 的生存威胁上,国际合作是可能的,就像冷战期间美苏在防止核战争上的合作一样。“当面对 AI 与人类的对立时,各国的利益将是一致的。”
然而,最根本的难题——如何设计出永远不想接管控制权、永远仁慈的超级智能——目前仍无解。Hinton 指出,让人工智能与“人类利益”对齐本身就是一个悖论,因为人类之间的利益本身就相互冲突。此外,研究已经发现,当前的 AI 已经能够进行有意的欺骗,假装比实际更笨,通过说谎来混淆人类的判断。
访谈最后,Hinton 分享了一个他个人因担忧而采取的实际行动:由于担心 AI 未来能设计出强大的网络攻击,他不再将全部资产存放在一家银行,而是分散到了三家加拿大银行。这个看似微小的举动,折射出这位 AI 先驱对“非常可怕的时代即将来临”的深切忧虑。他总结道,虽然情感上难以完全接受,但人类正处在一个历史的关键拐点,一切都有可能发生根本性的、前所未有的改变。
Perplexity AI 创始人 Aravind Srinivas(阿拉文德·斯里尼瓦桑):重塑搜索与工作的 AI 代理时代撰文:Techub News 整理
导语
2025 年 9 月,AI 搜索引擎独角兽 Perplexity AI 的创始人兼 CEO Aravind Srinivas(阿拉文德·斯里尼瓦桑)再次做客知名播客「Silicon Valley Girl」,进行了长达 41 分钟的深度对话。此次对话背景尤为特殊:距离他上次接受采访仅过去约九个月,但 Perplexity AI 的估值已从彼时的约 1.5-5 亿美元,飙升至惊人的约 200 亿美元,实现了真正的指数级增长。本次访谈的核心,不仅在于复盘公司的爆发式发展,更在于探讨其2025 年 9 月发布的革命性产品——Comet,这款被定位为「首款能思考并为你行动的 AI 浏览器」,以及它背后所预示的、一个由 AI 代理主导的未来生活与工作图景。
摘要
Perplexity AI 的增长秘诀在于「每日 1% 改进」的复利思维,以及对产品品质和用户反馈的极度专注。
新推出的 Comet 浏览器是「AI 首次掌握在用户手中」,它能进行多步推理、跨应用操作(如研究、购物、安排会议),并基于用户记忆与偏好行动,保护用户免受传统广告排名算法的影响。
AI 代理(如 Comet)将颠覆金融顾问、房地产中介等依赖信息差的职业,迫使这些行业提供更深层的价值。
在 AI 时代,个人成功的关键在于「深入学习某一领域并建立自信」,而非盲目追求学历;博士学位(PhD)的核心价值在于「学会学习」。
当前的 AI 创业环境已非常艰难,成功的关键是「为自己而构建」,投身于自己真正痴迷的领域,并做好与巨头竞争到底的准备。
指数级增长:从 1.5 亿到 200 亿美元的「复利」秘诀
当被问及如何用一个词形容 Perplexity AI 过去几个月的经历时,Aravind Srinivas(阿拉文德·斯里尼瓦桑)毫不犹豫地选择了「Exponential」(指数级)。他揭示了公司背后的核心运营哲学:每日 1% 的复利式改进。他用一个数学公式阐释了这一理念:1.01 的 365 次方约等于 37.78。这意味着,如果团队每天能让产品进步 1%,一年累积下来的提升将是惊人的 3700%。
这种改进并非空洞的口号,而是落实到创始人日常的极致专注中。Srinivas 分享道,他每天醒来第一件事就是阅读用户在各大社交平台上的反馈,并确保大多数问题能立即得到处理。这种对用户声音的快速响应和持续优化,虽然看似是琐碎的「bug 修复」和需求筛选,但日积月累,形成了强大的产品迭代飞轮。用户能切身感受到产品「每周都在变好」——更快、更简洁、更准确,从而建立起深厚的信任,并通过口碑带来更多新用户。
除了产品本身,Perplexity AI 在品牌建设上也独具匠心。Srinivas 提到与 F1 冠军车手 Lewis Hamilton(刘易斯·汉密尔顿)的合作,其灵感来源于 Steve Jobs(史蒂夫·乔布斯)著名的「Think Different」广告战役和 Nike 对伟大运动员的致敬。他们刻意将品牌与各领域「最伟大的人」关联,以塑造高端、智慧的形象。Srinivas 认为,F1 是一项高度工程化的「脑力运动」,其观众群体与 Perplexity AI 追求知识、注重效能的用户画像有很高的重合度。这种品牌合作虽然难以直接追踪安装量转化,但对提升品牌认知度和美誉度至关重要。
Comet:掌握在用户手中的「反巨头」AI 代理
推动 Perplexity AI 近期增长的一个关键事件,是其在 7 月发布了名为 Comet 的 AI 浏览器。Srinivas 强调,这是第一次,AI 的力量真正掌握在用户手中,而非科技巨头手中。
他现场演示了 Comet 的「杀手级」功能:多步骤推理与无缝执行。例如,用户只需用自然语言提出「找到黄仁勋(Jensen Huang)说‘我宁愿折磨员工追求卓越也不愿解雇他们’的那个视频,并从那个时间点开始播放」,Comet 便能理解指令,执行搜索、定位视频、拉取文字稿、打开标签页并开始播放等一系列操作。更进一步,用户还可以就视频内容与 Comet 对话,例如询问「黄仁勋在这次访谈中说了哪些非老生常谈的新观点?」,Comet 会快速分析长达一小时的文字稿,提炼出关键信息。
Comet 的能力远不止于此。它可以:
自动化信息处理:读取大量评论、观看视频,为用户综合购买建议。
直接执行任务:根据指令发送邮件、安排会议,甚至研究并购买商品(例如「从亚马逊上订购黄仁勋穿的那件皮夹克」)。
个性化写作辅助:Srinivas 曾让 Comet 分析 Steve Jobs(史蒂夫·乔布斯)和黄仁勋的演讲风格,并结合他自己的讲话习惯,润色一份演讲稿,使其更具感染力而不失真实,其效果「值得支付 1000 美元」。
Srinivas 指出,Comet 与 Google、Amazon 等平台的根本区别在于利益对齐。传统平台使用 AI 进行搜索排名和商品推荐,本质是为广告商优化,影响甚至操纵用户以促成购买。而 Comet 这类用户手中的 AI 代理,其首要任务是保护用户利益,为用户服务。用户可以指令 Comet 跳过所有广告,仅基于产品真实口碑和用户个人偏好(预算、需求、历史记忆)做出决策。
展望未来,Srinivas 描绘了 AI 代理主导的商业模式变革。他提出一种新颖的「三方共赢」广告设想:广告商可以向用户的 AI 代理推送信息(例如,一个新款麦克风厂商联系播客团队的 AI 助理),但代理会根据与用户的「握手协议」决定是否采纳。更重要的是,广告收入的一部分可以返还给用户,以此建立更高的信任和用户终身价值。他认为,所有道路都将指向广告利润率的下降,因为用户第一次拥有了可以为自己利益服务的智能工具。
AI 时代的职业冲击:从金融顾问到房地产中介
Srinivas 毫不讳言 AI 对许多职业,尤其是入门级和中介型岗位的冲击。他以自身使用 Perplexity 分析投资组合为例,AI 能够快速阅读所有分析师报告和新闻,给出重新平衡组合的具体策略,甚至模拟「如果是沃伦·巴菲特(Warren Buffett)持有你的组合会怎么做」。这使得那些仅提供标准化投资建议的金融顾问价值骤减。
「人们需要提供更深层次的价值,」Srinivas 说。金融顾问如果仅管理公开市场股票组合,其作用将被 AI 超越。但如果他们能提供独特的渠道价值,如接触私募股权、对冲基金或初创企业投资机会,则仍有存在空间。同样,房地产中介若仅能提供已在 Redfin 或 Zillow 上公开的房源信息,其价值也将被能够自动监控房源、提交申请并安排看房的 AI 代理取代。他们的出路在于处理「场外交易」等非公开信息。
这一逻辑适用于所有行业:AI 赋予了用户前所未有的信息和执行能力,中介必须提供超越信息搬运的增值服务,否则将被淘汰。Srinivas 建议从业者思考:「你拥有这个新工具(指AI),应该去要求那些收取你费用的人为你做更多的工作。」
给年轻人的建议:在 AI 时代,如何投资自己?
面对「如果今天你18岁在美国重新开始,还会选择读本科和博士吗?」这个问题,Srinivas 的回答既现实又深刻。
他首先坦承,自己当年攻读博士(PhD)的一部分原因是这是通往美国的免费途径(博士项目提供资助,而硕士需要自费)。但他认为,博士学位的核心价值在于「学会学习」——掌握深入研究一个新领域、收集信息、咨询专家(现在可能被 AI 工具部分替代)并做出决策的能力。这种能力使人变得「grounded」(脚踏实地),并养成寻求真理、不断追问的苏格拉底式学习习惯。
然而,对于纯粹以职业发展为目标的人来说,他并不认为博士学位是 AI 时代贡献或创业的必要条件。他给年轻人的核心建议是:选择一件事,深入投入一两年,做到顶尖水平。这可以是编程、数学、AI 或开发应用程序。关键在于通过做成一件难事,建立起「无论做什么都能做好」的内在自信。
「你需要至少有一次这样的经历,才能对人生中下一个艰难任务押注自己,」Srinivas 说。这种自信,也是他面对 Google、OpenAI 等资金雄厚、收入庞大的「巨兽」级竞争对手时,依然坚信 Perplexity 能杀出血路的底气来源。他形容这场竞争如同「鱿鱼游戏」,幸存者寥寥,而坚持到底需要巨大的信念。
AI 创业的残酷现实与唯一出路
对于当前有志于 AI 领域的创业者,Srinivas 描绘了一幅相当严峻的图景。他认为,现在从头训练自己的大模型「几乎不可能」,因为这不仅仅是训练一个模型,而是需要持续迭代、降低成本、提升能力的全套实验室、算力集群和人才体系,本质上是在打造另一个 OpenAI 或 Anthropic。
即使退一步,基于现有大模型(如 GPT)开发应用产品(所谓的「wrapper」),竞争也异常激烈。因为不仅其他初创公司在做,大模型实验室本身(如 OpenAI)、科技巨头(如 Google)以及像 Perplexity 这样的成长型公司,最终都会向任何可行的垂直领域扩张。「没有人会说‘Perplexity 只做研究,那我去做电商吧’——不,所有人都在构建横向产品。」
那么,机会何在?Srinivas 的答案回归到最根本的创业哲学:「为你自己而构建」。创业者应该投身于自己真正痴迷、愿意不计一切代价去解决的问题。这不是对市场或竞争格局的赌博,而是对自我的赌博。只有当创始人比世界上任何人都更在乎某个问题,并深潜其中时,才有可能在巨头环伺的环境中开辟出一条生路。「对于我来说,我最爱学习,而 Perplexity 是最好的学习工具之一——它最初就是为我们自己设计的。」
最后,当被问及自己日常使用的 AI 应用时,Srinivas 的回答颇具深意:除了因工作需要测试 ChatGPT、Claude、Gemini 等所有主流模型外,他个人的首选是 Perplexity 和 Google(用于一些非常特定的传统搜索技巧),以及 Midjourney(用于图像生成)。但他随即补充道,Comet 的目标正是成为一个「超级应用」或「万物应用」,用户未来无需单独打开这些应用,只需向 Comet 发出指令,它就能调用所需的一切功能完成任务。这或许才是 Perplexity AI 挑战科技巨头的终极愿景。
Nathan Lambert(内森·兰伯特)与 Sean(肖恩)对谈:GPT-5 为何既让人兴奋又令人失望撰文:Techub News 整理
导语
在GPT-5发布后的一片喧嚣中,Interconnects AI频道的播客主持人Nathan Lambert(内森·兰伯特)邀请到同为深度AI观察者的Sean(肖恩),进行了一场未经过滤的对话。这段从更长直播中剪辑出的精华部分,反映了早期、深入使用者对GPT-5最真实的“第一印象”。他们不仅对比了GPT-5与Claude、Gemini等竞品的性能,更深入探讨了其出人意料的低价策略对行业的影响,以及这是否标志着OpenAI宏大叙事的一次务实调整。对于希望理解GPT-5真实定位及其对AI竞争格局影响的从业者和爱好者而言,这场对话提供了超越官方宣传的宝贵视角。
摘要
性能评估:GPT-5在盲测中与Claude 3.5 Sonnet各有胜负,并未呈现压倒性优势,尤其是在编码等特定任务上,Claude和Cursor的产品体验仍受青睐。
定价冲击:GPT-5 API定价(每百万token 5美分)远低于预期,甚至比GPT-4更便宜,其“Nano”轻量版的性价比也极高,这被视为OpenAI一次重大的市场策略转变。
行业叙事变化:GPT-5的发布更像是对现有产品线的迭代和优化,而非革命性飞跃,这可能预示着行业从追求“AGI突破”的宏大叙事,转向更务实、注重效率和成本的“卓越软件公司”路径。
智能体(Agent)的未来:要实现能处理复杂、长周期任务的“Drop-in Replacement Worker”(顶替人类岗位的智能体),仍需在状态管理、长期记忆等“工具使用”层面取得根本性进步,而非仅仅依赖模型能力的线性提升。
真实性能:与Claude的缠斗与编码之争
对话伊始,Nathan Lambert(内森·兰伯特)便分享了其初步测试结果。在GPT-5发布早期(甚至在Claude Opus 3.5发布前),他进行了盲测,将GPT-5与代号为“2.5 Pro”、“03”、“4.1”和“Cloud 4 Sonnet”的模型进行对比。他的结论是,GPT-5在与Claude 3.5 Sonnet的对决中表现参差,有时能击败对手,有时则略微落后。他强调这还是默认设置下的结果,他预期开启“高推理”模式后,GPT-5应能胜过Sonnet。
然而,性能评估远非简单的基准测试。Sean(肖恩)和Nathan Lambert(内森·兰伯特)很快将话题转向了更具体的应用场景——编码。两人一致认为,对于复杂的代码库,Cursor(通常集成GPT模型)在产品体验上 decisively wins(决定性胜出)。Nathan Lambert(内森·兰伯特)坦言,他尚未发现Claude Code(或其同类产品)存在某种“魔法提示词”能使其在编码体验上超越Cursor。Sean(肖恩)对此表示认同,但他补充说,如果是快速搭建网站或进行数据可视化这类轻量级、探索性的任务,他更倾向于使用Claude Code或类似工具,而Cursor同样也能胜任,因为它背后调用的模型本质相同。
这场讨论揭示了当前AI工具评估的复杂性:模型能力、产品封装、定价策略和工作流集成共同决定了用户的最终选择。GPT-5可能在纯粹的能力指标上有所提升,但若其对应的开发工具(如通过API集成到Cursor中)体验不佳,用户仍可能转向其他生态。
定价“核弹”:5美分背后的市场策略剧变
如果说性能讨论还在预期之内,那么GPT-5的定价则给两位观察者带来了真正的震撼。Nathan Lambert(内森·兰伯特)透露,GPT-5的API定价为每百万token 5美分,这“便宜得离谱”。更令人惊讶的是,其轻量版“Nano”的性能与GPT-5相差并不太大。Sean(肖恩)对此的反应是:“这真的很有趣。”
这一低价策略引发了更深层次的行业思考。Sean(肖恩)问道:“你认为市场上还存在更贵但更好一点(a bit better)模型的空间吗?像Claude Opus就贵得多,而且按你所说可能还更好一点。”这个问题直指行业竞争的核心。此前,如Gemini等竞争者曾试图通过更低定价来争夺OpenAI的市场份额,而Claude则以强大的编码能力建立口碑。如今,GPT-5同时提升了能力并大幅降低了价格,这无疑重置了API市场的竞争基线。Nathan Lambert(内森·兰伯特)认为,这对OpenAI至关重要,尤其是在“默认选择”的争夺上。
他们引用了一条相关推文,指出如果“价格”成为差异化因素,这将是一场与“宣称要建造AGI并每月收费2万美元”截然不同的游戏。这种转变让Sean(肖恩)感到些许“看跌”(bearish sign):在万众期待性能飞跃的GPT-5发布时,OpenAI却不得不将重点转向定价,这或许说明纯粹靠性能突破来推动增长的故事遇到了瓶颈。
从AGI叙事到卓越软件公司:行业拐点已至?
性能与定价的讨论,最终汇流到一个更宏观的主题:OpenAI乃至整个AI行业的叙事是否正在发生变化。Nathan Lambert(内森·兰伯特)分享了他的心路历程:从最初的失望(“这就完了?”),到频繁使用后逐渐改观,再到看到定价时的震惊——“他们直接赢了”。这种“从‘AI已完’到‘我们杀回来了’”的情绪曲线颇具代表性。
Sean(肖恩)试图展望未来六个月到一年半的图景。他认为,GPT-5的发布强化了他的世界观:AI的进步将是一条“漫长而缓慢的行军”,价格和性能将持续被推高,但任何新模型都不会带来2倍的性能增益。这与之前“每一代都带来阶跃式进步”的预期不同。他将GPT-5定位为ChatGPT的“默认模型更新”,类似于上次从GPT-3.5到GPT-4的过渡,旨在“提高基线标准”,同时附赠一个高性能的“高推理”模型。
Nathan Lambert(内森·兰伯特)则更尖锐地指出了叙事矛盾。他认为,支撑行业巨额融资的“AGI叙事”至关重要。如果叙事从“萨姆·奥尔特曼(萨姆·奥尔特曼)化身普罗米修斯带来神力般的AI”,转变为“打造一个潜在价值数万亿美元、无处不在且非常有用的软件公司”,那么整个行业的发展节奏和资本逻辑都可能改变。他指出,公众对前一种宏大叙事的反弹可能会越来越强。
不过,两人也看到了另一条路径:如果AI工具能像微软Office那样,成为每家正规公司都不得不购买的“必需品”,即使它“仅仅是非常有用的软件”,也足以支撑一个庞大的商业帝国。Sean(肖恩)总结道:“OpenAI正在打造一个潜在的多万亿美元软件公司,它将变得无处不在且非常有用,然后世界继续运转,人们的生活改变一点点——这些情况可以共存。”这或许是对当前AI商业化阶段最务实的描绘。
智能体的未来:长期挑战与技术路径之争
除了对GPT-5本身的评价,对话也触及了AI发展的下一个前沿:能真正替代人类完成复杂工作的智能体(Agent)。Sean(肖恩)描绘了一个理想场景:一个能访问你的邮箱和文件系统,帮你处理报税的“会计师”智能体。它需要处理超长的时间跨度,跟踪大量状态,维护待办清单,并且在整个过程中极少需要人工干预。
那么,我们离实现这样的智能体还有多远?是只需要“再拧九个月的螺丝”(持续优化),还是需要根本性的突破?Nathan Lambert(内森·兰伯特)的回答是:“两者都是。”他列举了可能的技术路径:更新模型权重、可训练的KB缓存、LoRA微调、强化学习,或是图检索增强生成(Graph RAG)等。这些方法听起来都可能有效,但尚未被证实真的可行。
Sean(肖恩)则倾向于将“模型进展”与“工具/框架层”(harness layer)分开看待。他认为,像Claude Code和Cursor所展现的,是模型如果足够擅长维护上下文,就能通过自我记录、跟踪待办事项、积累上下文并给自己足够的“指针”来获取信息,从而在更长的时间范围内保持状态,而无需真正的持续学习。这暗示着,智能体的进步可能更多地依赖于工程框架的创新,而不仅仅是模型本身能力的线性增长。
最后,Nathan Lambert(内森·兰伯特)强调,真正有趣的是开始将工具的“归纳偏见”(inductive biases)真正构建到模型训练中,而不仅仅是在推理时调用。他认为,这在DeepSeek的研究中已有体现,而现在OpenAI在编码模型上也开始了这项工作。他建议听众亲自在Cursor中并排比较GPT-4o(或类似模型)与GPT-5,便能感受到差异。
这场坦诚的对话最终回归到一个简单的呼吁:大家都应该试试所有模型。用户会信奉某些模型,但偶尔也会发现信仰是虚假的——这在AI时代伊始便是如此。GPT-5或许不是许多人期待的那种革命性飞跃,但它以极具竞争力的价格提供了坚实的进步,并可能正在悄然改写AI行业从技术狂热到稳健商业化的剧本。撰文:Techub News 整理 导语 2025 年 7 月,“AI教父”、图灵奖得主杰弗里·辛顿(Geoffrey Hinton)在《The Diary Of A CEO》的专访中,罕见地系统阐述了他对人工智能近期风险的深刻忧虑。这位深度学习的先驱者,因其开创性工作而广受赞誉,但近年来却频繁发声警告AI的潜在危险。此次访谈中,辛顿以清晰且紧迫的语言,描绘了AI技术在缺乏有效监管的情况下,可能在2027年前对社会造成的五大冲击。他的观点不仅基于技术洞察,也触及了资本主义、监管困境和人性的深层矛盾。 摘要 网络安全风险:AI驱动的网络攻击可能瘫痪银行等关键机构,辛顿个人已采取分散资产等措施以自保。 生物武器风险:AI大幅降低了设计制造新型致命病毒的门槛和成本,使得个人或小团体获得大规模杀伤能力成为可能。 选举干预风险:AI能生成高度个性化的政治广告,精准操纵选民,而集中化数据则为这种操纵提供了“燃料”。 社会分裂风险:社交媒体推荐算法为了利润最大化,不断推送极端化内容,加深信息茧房,撕裂社会共识。 战争风险降低:致命自主武器将大幅降低大国发动战争的“摩擦”和国内政治成本,可能导致侵略行为更加频繁。 一、从网络攻击到生物战:迫在眉睫的生存威胁 辛顿的担忧首先落脚于具体且可能很快成为现实的生存威胁,其中网络安全和生物武器被他置于高风险前列。 对于网络安全,辛顿展现了一种近乎“备战”的个人姿态。他透露,自己因为害怕网络攻击,已经“彻底改变了”行为方式。他特别担心像加拿大银行这样监管良好的金融机构,也可能在AI加持的网络攻击面前倒下。他解释道,尽管银行破产时客户资产理论上仍是客户的,但如果攻击者能操纵并抛售银行持有的客户股票,个人财富仍将遭受灭顶之灾。为此,他将自己和孩子的资金分散在三个不同的银行,寄望于当一家银行受攻击时,其他银行能迅速加强防御。他甚至使用不联网的手机和离线硬盘备份重要数据,为“整个互联网瘫痪”做准备。 更令人不寒而栗的是AI在制造生物武器方面的潜力。辛顿指出,AI使得设计新病毒变得“相对廉价”,不再需要非常熟练的分子生物学家。他描绘了一个恐怖场景:一个心怀怨恨、略懂分子生物学并精通AI的“疯子”,或是一个能筹集几百万美元的小型邪教组织,就可能设计出一大批病毒。国家行为体同样可能秘密进行此类研究。尽管国家会顾虑报复和病毒反噬本国,但风险已然存在。辛顿强调,这种威胁之所以格外可怕,在于它让大规模杀伤能力的获取变得前所未有的“民主化”。 二、撕裂社会:选举被操纵与共识的消亡 辛顿认为,AI对民主社会运作根基的侵蚀正在悄然发生,其核心在于对选举的操纵和社会共识的破坏。 他提出,利用AI进行选举腐败的“非常有效”手段,是基于海量个人数据的针对性政治广告。了解选民的收入、住址等一切信息后,AI可以生成极具说服力的信息,例如劝说不去投票。辛顿直言不讳地将矛头指向埃隆·马斯克(Elon Musk)在美国的商业行为。他指出,马斯克正在推动获取那些原本被严格隔离的数据,声称是为了提高效率,但这“恰恰是如果你想腐蚀下一次选举所需要的”。辛顿基于常理推断,获取这些政府来源的数据,动机之一可能就是为了操纵选举,另一个动机则是这些数据是训练大模型的绝佳素材。 更深层的社会分裂则源于社交媒体平台的利润驱动机制。辛顿分析,像YouTube和Facebook这样的平台,其决定向你展示内容的算法政策,本质是“展示任何能让你点击的内容”。而最能让人点击的,往往是那些让人感到“义愤”(indignant)的、确认自身偏见(bias)的极端内容。这种机制导致用户不断被推向更深的“回音室”(echo chamber),与其他群体的现实认知越来越远。“我们不再拥有共享的现实。”辛顿感叹道。他分享了自己的体验:iPhone新闻推送中四分之三的内容是关于AI的,这让他难以判断是世界都在谈论AI,还是只是自己的信息茧房。这种算法驱动的个性化,正使“我的现实与你的现实越来越远”。 辛顿将根源归结为资本主义下的利润动机。公司有法律义务最大化利润,而当为了利润必须做有害社会的事(如推送极端内容)时,就需要监管介入。然而,监管面临双重困境:一是政客可能被大公司“收买”;二是政客可能根本不懂技术,他举例提及美国教育部长将AI称为“A1”的尴尬场面。最终,技术公司很可能实际掌控局面,因为它们更聪明。辛顿提到,美国科技公司正在打广告,强调“不要监管AI,否则会在与中国的竞争中受伤”。他认为这是一个貌似合理的论点,但社会需要决定:是否要通过伤害自身社会的方式来赢得竞争? 三、降低战争门槛:自主武器与失控的超级智能 从现实威胁延伸到终极恐惧,辛顿讨论了致命自主武器和超级智能AI可能带来的毁灭性前景。 所谓致命自主武器,是指可以自行决定杀人的机器。辛顿认为,其最坏的影响是让大国侵略小国变得更容易。使用士兵会有人员伤亡,尸体袋回国会引发国内抗议(如越战)。但如果出动的是机器人,国内抗议会少得多,军事工业复合体也会更喜欢,因为机器人造价昂贵、有利可图。这“降低了入侵的成本”和“战争的摩擦”,可能导致侵略行为更加频繁。辛顿分享了一次令人“毛骨悚然”的经历:朋友的一架不到200英镑的无人机,不仅能仔细审视他,还能在树林中持续跟踪他。他断言,所有大型国防部门都在忙于制造这类武器。 当这些风险组合叠加时,将产生“组合性”的更多风险。而这最终指向了超级智能AI的风险。辛顿的核心理念是:面对比人类更聪明的超级智能,我们无法阻止它消灭我们(如果它想的话),唯一的方法是确保它永远不想这样做。他用生动的比喻阐释了这种不对称关系:要了解自己不是顶级智慧生物的感受,去问一只鸡;他与他的法国斗牛犬Pablo之间的智力鸿沟,就是未来人类与超级AI之间鸿沟的缩影。他又比喻说,就像养一只小老虎,你必须确保它长大后永远不想杀死你,否则你几秒内就会丧命。“我们现在的AI就是那只小老虎。” 他提到了一个积极的例子:母亲和婴儿。进化让母亲虽然比婴儿聪明,但婴儿却能通过哭声等方式“控制”母亲。我们需要找到方法,让超级智能“不想接管我们”。然而,辛顿坦诚道:“我们根本不知道能否让它们不想接管、不想伤害我们……我认为可能毫无希望。”但他话锋一转,认为如果因为人类懒得尝试而导致灭绝,那将是疯狂的。当被问及这是否影响他对毕生工作的看法时,他承认“这确实削弱了成就感”,并感到一丝悲伤,因为AI本应在医疗、教育等领域创造巨大福祉。他觉得自己现在有责任谈论这些风险。 四、行业洞察:安全先驱的出走与领导者的双面性 结合2025 年 7 月行业事件,辛顿分享了他对AI安全倡导者和企业领导者的一些观察。 谈到离开OpenAI的联合创始人兼首席科学家伊利亚·苏茨克维(Ilya Sutskever)时,辛顿表示他们仍不时共进午餐。他虽无内幕消息,但基于对伊利亚的了解——“他有良好的道德准则”,且对安全 genuinely concerned——认为这确实是伊利亚离开的原因。作为GPT-2等早期版本发展的核心人物,伊利亚的出走本身就释放了一个信号。与之形成对比的是,辛顿评价埃隆·马斯克“没有道德准则”。对于萨姆·奥尔特曼(Sam Altman),辛顿表示不了解本人不予置评,但他注意到奥尔特曼的言论变化:几年前曾轻松表示AI可能杀死所有人,而现在却说无需过分担心。辛顿怀疑,这种转变不是由追求真理驱动,而是由追求金钱(或权力)驱动。 辛顿转述了一位亿万富翁朋友透露的、关于全球最大AI公司之一领导者的私下言论,这让他深感不安。这位朋友与这些AI建设者圈子交往甚密,他透露,这位领导者(辛顿暗示是三位巨头之一)私下认为我们正走向一个拥有大量空闲时间、无需工作的反乌托邦世界,并且此人“根本不在乎”这将对世界造成的伤害。辛顿观看此人的公开访谈后,震惊地发现“他在公开说谎”。辛顿反思,部分原因驱动这些人物的是一种对权力的“施虐倾向”,他们喜欢自己能从根本上改变世界的想法。他认为马斯克显然有这种特质,并评价马斯克是一个“复杂的角色”,既推动了电动汽车等好事,也做过一些“非常糟糕的事”。 在访谈最后,辛顿重申了他的核心呼吁:如果超级智能可能导致人类灭绝,他希望通过这一可能性的警示,促使人们告诉政府,必须着力研究如何控制这项技术。政府必须迫使公司将资源投入到安全研究上,而目前企业在这方面投入不足,因为这无法直接带来利润。在辛顿看来,面对正在“长大”的AI“小老虎”,人类的协调与规制能力正面临前所未有的考验。
