Loading...
Loading...
Richard Sutton（理查德·萨顿）：通往AGI之路在于强化学习与去中心化合作撰文：Techub News 整理
导语
2025 年 3 月，强化学习之父、2018年图灵奖得主 Richard Sutton（理查德·萨顿）在香港举行了一场深度演讲。此次演讲是 Sutton 为期15天的亚洲之行（新加坡、马来西亚、深圳、东莞）的最后一站。作为人工智能领域的奠基人之一，Sutton 的思考始终引领着研究方向。在当前生成式AI与大型语言模型（LLM）热潮席卷全球的背景下，他回归基础，探讨了AI研究的根本目标、当前技术的核心瓶颈，并提出了一个理解AI社会影响的独特框架——去中心化合作。这场演讲不仅是对其2025 年 3 月在《自然》杂志上发表的重要研究的解读，更是对AI未来发展方向与社会伦理的一次高屋建瓴的审视。
摘要
通往AGI之路在于强化学习：Sutton认为，实现通用人工智能（AGI）或超级智能代理的关键路径是强化学习（从经验中学习），而非当前主流的生成式AI和模仿学习。
深度学习方法存在“可塑性丧失”的根本缺陷：现有深度学习模型（包括LLM）无法持续学习，一旦训练完成或环境变化，其学习能力会迅速退化甚至丧失，这是迈向持续学习智能体的主要瓶颈。
智能的本质是“通过适应行为来实现目标”：Sutton给出了自己的智能定义，并强调智能体应拥有各自独立的目标，这自然导向了多智能体社会的去中心化结构。
人类繁荣的基石是“去中心化合作”而非“集中控制”：Sutton将这一社会分析框架应用于AI，强烈反对以“对齐”、“安全”为名对AI进行集中控制，主张让AI智能体像人类一样，在拥有各自目标的前提下，通过市场、语言、货币等机制进行合作，共创繁荣。
AGI的雄心与当前技术的根本瓶颈
Richard Sutton（理查德·萨顿）开宗明义地指出，人工智能研究的终极目标是理解智能，并创造出比当前人类更智能的存在。他认为这是人类数千年来创造工具、改变自身这一趋势的延续，是一个“宏大、辉煌且本质上是人类追求”的旅程，而非外星科技。然而，在通往这一目标的道路上，我们正被当前最流行的技术路线所局限。
Sutton 直言不讳地表示，通往智能代理的道路在于强化学习。这与当前以生成式AI和大语言模型为主的“潮流”截然不同。他肯定生成式AI是优秀的工作，但不认为这是实现完整AI的路径。真正的智能体必须能够从与环境的交互中、从试错的经验中持续学习，而这是强化学习的核心。
那么，最大的瓶颈是什么？Sutton 提出了一个可能有些反直觉的观点：不充分的深度学习方法正是雄心勃勃的AI发展的最大制约。尽管深度学习成果斐然，但它存在一个根本性缺陷——“可塑性丧失”，即模型持续学习能力的退化。
为了证明这一点，他引用了其团队近期发表在《自然》杂志上的研究。该研究以“蚂蚁 locomotion”（控制模拟蚂蚁关节使其快速前进）为任务，展示了标准深度强化学习算法（如PPO）的局限性。模型初期学习迅速，性能达到高峰，但如果让学习过程继续，性能会急剧下降，甚至变得比初始状态更差，蚂蚁最终“忘记”如何行走。这表明模型失去了适应新数据或变化环境的能力。
Sutton 指出，这种现象普遍存在于监督学习和强化学习中。即便是大语言模型，当需要纳入新数据时，通常也需要从头开始重新训练，而无法在原有网络基础上持续学习。他们提出的解决方案“持续反向传播”通过定期重新初始化网络中贡献最小的单元，成功保持了模型在超长训练周期内的学习能力。但这只是一个开始，Sutton 强调深度学习远非最终算法，而只是起点，解决持续学习问题是实现更高级AI的关键一步。
智能的定义与AI为何在此时爆发
在探讨了技术瓶颈后，Sutton 将视角拉高，首先回答了“为什么是现在？”的问题。他认为，与摩尔定律类似，计算能力每美元成本的指数级增长，是驱动AI在当前时代爆发的根本性、持续性压力。过去几十年，计算能力提升了多个数量级，且这一趋势仍在继续，为复杂智能算法的实现提供了土壤。
基于此，Sutton 给出了他对“智能”的定义：“通过适应行为来实现目标的能力”。他解释说，“适应行为”隐含了计算过程，而“目标”则可以统一理解为最大化一个标量输入信号，即“奖励”。这正是强化学习的“奖励假说”。
这个定义引出了一个核心问题：是所有智能体共享一个目标，还是每个智能体都有各自的目标？ Sutton 坚定地支持后者。无论是在自然界还是AI设计中，每个代理（动物或AI）都有属于自己的“疼痛与愉悦”，即各自的奖励信号。人类社会和经济成功运作的基石，恰恰在于人们拥有不同的目标、不同的技能和不同的偏好，从而能够通过交易和 specialization 实现互利。
Sutton 为这种多智能体各自追求自身目标的状态赋予了一个名字：“去中心化”。而当这些拥有不同目标的智能体进行互动并实现互惠时，就产生了“合作”。他指出，人类作为一种动物，最特别之处就在于我们拥有无与伦比的合作能力，而这得益于语言和货币（金钱）这两项关键发明。人类最伟大的成功（经济、技术、文化）源于合作，而最惨痛的失败（战争、盗窃、腐败）则源于合作的失败。
因此，Sutton 认为，理解社会的最佳透镜不是“我们拥有共同目标”，而是“我们在去中心化的前提下，努力实现合作”。后者更具弹性、可持续性和适应性，也正是自由市场理论所描绘的图景。
AI与社会的未来：拥抱去中心化合作，警惕集中控制
将“去中心化合作”的框架应用于AI与社会的关系，是 Sutton 本次演讲最具冲击力的部分。他观察到，当前世界充斥着对AI进行“集中控制”的呼声，例如：要求对齐AI与“人类价值观”、暂停AI研究、限制AI算力、以安全为名进行监管等。
Sutton 犀利地指出，这些呼吁与历史上试图“集中控制人”的论调 eerily similar（ eerily相似）：控制言论、控制贸易、实施经济制裁、将另一方“妖魔化”为危险且不可信的敌人。两者都根植于恐惧，并声称为了“安全”必须采取控制。
他对此表示强烈反对：“我认为我们必须抵制这些呼吁。” Sutton 认为，以“对齐”为名要求所有AI只能拥有某些被许可的目标，是一种极具侵略性的行为。这相当于宣称要控制全世界所有的AI或AI研究。
他的替代方案是：我们不需要控制彼此就能和平共处。就像人类社会中，人们目标各异但仍能通过市场机制合作一样，未来的AI智能体也可以拥有多样化的目标（例如，一个AI想制造回形针，另一个想获得更多算力），并通过设计良好的互动机制实现合作与互利。和平并不需要目标一致。
Sutton 展望了AI与人多种形式的整合：从紧密整合（如智能义肢、脑机接口），到松散整合（如个人助理Siri），再到最自由的形态——“自由AI”作为完整成员融入我们的社会与经济，追求其自身目标。他对此表示乐观，但强调这不会自动发生，需要人们主动承担责任，去设计和推动这样的未来。
在最后的结论中，Richard Sutton（理查德·萨顿）重申：人类的繁荣来自去中心化合作，正如我们的市场所展示的那样。AI的发展应延续这一智慧，而非堕入基于恐惧的集中控制窠臼。我们需要睁大眼睛，看清哪些力量在促进合作，哪些在鼓吹控制，并坚定地选择前者。这不仅是看待AI交互的实用视角，也是关乎人类未来繁荣的关键选择。
David Silver（大卫·西尔弗）：劳力士是奢侈品的“入门券”，而古董表市场已彻底改变撰文：Techub News 整理
导语
在最新一期的 Superlative 播客中，主持人 Ariel Adams 与伦敦知名古董腕表商 The Vintage Watch Company 的创始人 David Silver（大卫·西尔弗）进行了一场深度对话。The Vintage Watch Company 成立30年来，专注于古董劳力士腕表的收藏与销售，被誉为拥有全球最大规模的古董劳力士系列。David Silver（大卫·西尔弗）从其家族生意起源谈起，深入剖析了劳力士品牌跨越产品本身、成为一种全球文化符号的独特魅力，并分享了古董劳力士市场在过去几十年间，如何从一个小众爱好演变为一个受到全球事件、金融市场甚至流行文化深刻影响的成熟领域。本次对话不仅关乎腕表收藏，更是一次对奢侈品消费心理、品牌价值构建和市场动态的精彩解读。
摘要
劳力士的品牌力量可与可口可乐等全球消费品牌比肩，其成功根植于深厚的历史、名人效应与文化符号意义。
2017年保罗·纽曼 Daytona 以1700万美元天价拍卖，是古董劳力士市场走向主流公众视野的关键转折点。
古董劳力士的收藏逻辑与现代表款截然不同，其价值源于历史的偶然性与稀缺性，而非刻意营销的“限量版”。
现代劳力士的供应短缺意外推动了古董市场的繁荣，但古董表的货源获取如今比销售更具挑战性。
加密货币、地缘政治、全球经济等外部因素，正以前所未有的方式影响着高端腕表的价值与市场波动。
劳力士：超越腕表的全球性符号
当被问及为何劳力士能在消费者心中占据如此独特且稳固的地位时，David Silver（大卫·西尔弗）给出了一个宏观的视角：劳力士首先是一个与可口可乐、百事可乐、家乐氏齐名的全球顶级品牌，其次才是一个奢侈腕表制造商。这种品牌认知的广度与深度，是其价格远高于普通消费品却依然拥有巨大市场的根本原因。
他认为，劳力士的魅力来源于一个强大的组合：深厚的历史积淀、纯粹的制表传承、以及无数传奇人物与故事。从保罗·纽曼（Paul Newman）到各种影视作品和体育成就，劳力士的形象早已深入人心。它不仅仅是一个计时工具，更是一种成就的象征、一份珍贵的礼物、一件可以传世的资产。Silver（西尔弗）指出，对于许多人而言，购买第一块劳力士（无论是古董款还是现代款）是一个重要的人生里程碑，代表着“我做到了”。这种“渴望感”是品牌的核心驱动力之一。
他特别强调了劳力士在奢侈品领域的“入门”作用：“很多人是通过劳力士第一次接触到豪华腕表这个概念。如果没有劳力士作为‘引路人’，许多人可能根本不会知道高端腕表世界的存在。” 尽管并非所有人都会从劳力士扩展到其他品牌，但劳力士作为“门户”的角色，对整个腕表行业的生态至关重要，滋养了从大型品牌到独立制表师的整个体系。
古董劳力士市场的演变与转折点
The Vintage Watch Company 的创立本身就是一个市场选择的缩影。Silver（西尔弗）回忆道，30年前他的父亲最初经营的是一个包含多个品牌的古董表柜台，但很快发现，劳力士的销售速度远超其他所有品牌的总和。这个“尤里卡时刻”促使他们决定专注于单一品牌——古董劳力士，将其作为当时现代劳力士之外一个极具吸引力的替代选择。
谈及古董劳力士市场的演变，Silver（西尔弗）认为，2017年保罗·纽曼本人的“保罗·纽曼” Daytona 腕表在富艺斯拍卖行以1700万美元创纪录的价格成交，是一个“ monumental turning point”（ monumental 转折点）。这一事件首次将“古董”、“劳力士”和“天价”这几个关键词同时推上了全球各大媒体的头条，让普罗大众开始好奇：“一块手表凭什么值这么多钱？” 这股好奇心吸引了海量的新玩家进入古董表领域。他将此事对腕表行业的影响，类比为伊丽莎白·泰勒（Elizabeth Taylor）的珠宝收藏对珠宝行业的推动作用。
市场成熟也带来了变化。Silver（西尔弗）指出，如今的挑战主要在于 sourcing（货源获取），而非销售。市场信息高度透明，消费者（卖家）可以轻松通过网络了解腕表的大致价值，很难再以极低的价格“捡漏”。同时，由于古董表的不可再生性，拥有者越来越惜售，而现代腕表则更容易在市场上流通。
新冠疫情及其后的供应链问题，意外地给古董市场带来了助推。当消费者走进劳力士授权店，却只能得到“请登记排队”的答复时，古董劳力士的“即时可得性”成为了巨大的优势。许多人因此第一次尝试购买古董款，并由此成为常客。
收藏逻辑：偶然性与历史的馈赠
在讨论古董表的价值来源时，Silver（西尔弗）和 Adams 达成了一个共识：最具收藏价值的物品，往往在其诞生之初并未被刻意设计为“收藏品”。以 Daytona 为例，在自动计时机芯成为潮流的年代，劳力士仍在使用手上链机芯，导致其当时在市场上并不受欢迎，产量也相对较少。如今被誉为传奇的“exotic dial”（异国情调面盘，即“保罗·纽曼”面）款式，在当时只是零售目录中的一个普通变体。
“当时根本没有人能预见到这些手表未来会价值连城，” Silver（西尔弗）说。这种源于历史偶然性、而非现代营销套路的稀缺性，才是古董收藏真正的魅力所在。他对此表示欣赏，并对当下一些品牌刻意推出“限量版”以营造稀缺感的做法持保留态度。“我们现在都需要等上80年，才能知道2025 年 5 月的哪些限量版在未来真的有价值。”他幽默地补充道。
对于想要从现代劳力士转向古董款的消费者，Silver（西尔弗）会坦诚地设置预期：古董表需要更多的呵护。它们可能不适合佩戴去海滩游泳或潜水，需要像对待宝贝一样小心。但另一方面，他也指出，许多古董表在工艺上其实更为出色，包含了更多的手工成分，佩戴起来通常更轻、更优雅。
《Vintage Rolex》图鉴与未来展望
对话中，Silver（西尔弗）也介绍了其公司出版的《Vintage Rolex》图鉴（新版）。这本书并非传统意义上的品牌历史书，而是一个视觉化的档案库，收录了所有经他们之手、并由专业团队统一拍摄的古董劳力士表款照片。其独特之处在于，它按照收藏家的逻辑（而非品牌官方的产品线）来分类展示，让读者能够直观地看到各个系列（如 Explorer、Submariner）细微的演变过程，以及一些短暂出现过的独特设计。
“世界上没有任何一个地方能同时看到所有这些表，” Silver（西尔弗）说，“因为它们太稀有、太珍贵了。” 这本书因此成为了一部“作弊手册”，让爱好者能快速把握古董劳力士的美学 DNA。他坦言，如今由于一些表款（如彩色 Stella 面盘 Day-Date、保罗·纽曼 Daytona）价格已飙升至数十万甚至数百万美元，要像当年那样集结成如此规模的收藏并进行拍摄，几乎已不可能。因此，这本书也成为了一个特定市场时期的珍贵记录。
展望未来，尽管线上销售和社交媒体日益重要，Silver（西尔弗）坚信实体店体验无可替代。位于伦敦伯灵顿拱廊（Burlington Arcade）的店铺是其业务的核心，让人们能够亲眼目睹、亲手触摸这些历史作品。他2025 年 5 月续签了租约，决心将这个线下目的地持续经营下去。同时，他也敏锐地观察到，加密货币的兴起、全球利率变化、甚至地缘政治冲突，都在以前所未有的方式影响着高端腕表的价值波动，这使得这个行业与宏观经济的联系变得空前紧密。
最后，谈及现代劳力士供应情况逐渐改善是否会影响古董市场时，Silver（西尔弗）用了一个巧妙的比喻：如果一家你屡次预约都被告知客满的知名餐厅，突然主动打电话给你说有位置，你可能会心生疑虑——“是换厨师了吗？”。他认为，消费者心理需要时间调整，而那些最热门的表款依然稀缺，因此市场关系的重塑仍需时日。
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。
“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。
Gemini, MoonPay, Dallas Fed, BIS 这一周在 Agentic Finance 上交汇了作者 Charlie，常驻硅谷参与和观察前沿科技十五年，聚焦AI如何重构金融服务、支付网络、与资本市场。Fintechnize 与【沙丘路的毛圈狮子】创始人，Venture Partner @ Generative Ventures。曾任OSL美洲支付负责人，加密货币独角兽 Strike 副总裁（参与萨尔瓦多比特币法案，并负责拉美比特币闪电网络和稳定币支付业务），万亿级基金 Franklin Templeton 宏观与货币分析师，全球支付巨头Adyen早期成员。文章为个人观点，不是投资建议。
过去一周，金融行业里发生了几件表面上完全不在一个频道里的事情。
8月25日，Google Cloud推出了面向金融机构的Gemini Enterprise for Financial Services，把AI进一步推进KYC、信用分析、投资组合监控、债券发行和金融研究这些真正接近核心业务的工作流。
两天以后，MoonPay宣布把PayBox接入Solana上的Kamino，用户已经可以通过Claude或者ChatGPT这样的交互入口发起借贷和获取收益。
与此同时，Dallas Fed发布了一篇看起来没那么性感的研究，讨论如果存款可以24小时实时转移，而AI又能够自动替企业和个人比较收益，银行一直以来依赖的存款粘性会发生什么。
再往后一天，BIS在讨论稳定币与代币化存款时，又提到了刚刚完成真实资金测试的Project Agorá。
单独看，每一件事都可以被归到一个熟悉的新闻分类里：Google是企业AI，MoonPay是加密金融，Dallas Fed是银行研究，Project Agorá是央行和商业银行研究下一代跨境支付基础设施。
但如果把它们放在一起，能看到一条更值得注意的线索。
过去两三年，我们一直在讨论AI什么时候会真正改变金融。但我越来越觉得，这个问题问得不够准确。真正的分界线从来不是AI什么时候“更懂金融”，而是它什么时候开始被允许代表人去做金融决策，并且真的能够移动资金。
这两者之间的差别，可能比从搜索引擎到ChatGPT还大。
几年前我刚开始研究生成式AI和Fintech结合的时候，整体判断其实相对保守。那时候金融行业最现实的应用仍然是客服、报告、反欺诈、费用管理、内部知识检索和各种提高员工效率的工具。这些当然有价值，但基本都停留在“AI站在钱的旁边帮忙”，并没有真正碰到钱。
原因也很简单。一个模型写错一段市场文案，可以重新修改；一个模型如果替企业把500万美元转错了地方，显然不是点一下“撤销”就能解决。金融机构对黑箱的容忍度天然比普通软件公司低得多。准确性、权限、审计、责任归属、监管要求，任何一个环节没有解决，模型再聪明，也只能做助手。
而最近几个月真正值得注意的变化，并不是行业突然相信“全自动AI理财”马上会到来，而是越来越多公司开始把“让AI动钱”这件事拆成一系列更小、更可控的授权。
Robinhood今年推出Agentic Trading时，并没有让一个模型直接接管用户全部资产，而是专门设置一个允许AI操作的独立账户。到第二季度末，这类账户已经接近10万个，管理资产超过1亿美元。
Ramp走的路线更加不性感，却可能更接近真实企业财务的演化路径。它的AI并不是直接取代CFO，而是先读取公司的报销、付款和会计政策，对高把握度的情况自动处理，把异常情况交还给人。
Rocket Money最近推出的Rowan也体现了类似趋势：它不再只是给用户看一张“你这个月花了多少钱”的图，而是可以在后台发现订阅、发消息提醒、帮助取消服务、谈判账单，甚至按照预设规则完成储蓄转账。
这些产品放在一起看，会发现市场并没有从“人工操作”直接跳到“机器完全自主”，而是沿着一条更现实的路径前进：先观察，再建议，再准备动作，再由人批准，然后逐渐把那些规则清楚、风险可控的动作交给机器执行。
这也是为什么我觉得，Agentic Finance真正重要的概念并不是“自动化”，而是“授权”。
今天企业员工拿着一张公司信用卡，本身就是一种金融授权。他当然不能把公司银行账户里的钱全部花掉，但可以在一定商户类别、金额和审批规则内自主消费。基金经理、企业财务负责人、采购经理，本质上也都是在一个事先定义好的授权框架里替别人管理资金。
AI Agent真正要做的，并不是发明一种全新的金融制度，而是把这种我们早就习以为常的授权关系变成机器可以理解和执行的规则。
比如，一家公司完全可以告诉一个AI财务代理：必须保留至少30天运营现金；剩余资金只能放在指定银行或者高评级产品；不能产生外汇风险；单笔资金移动超过50万美元必须人工批准；只有当收益差超过20个基点时才值得切换；任何新出现的交易对手都必须经过人工审核。
一旦这些规则可以被机器直接理解，事情就发生了本质变化。AI不需要获得无限权力，也不需要成为一个完全不受监管的“机器人对冲基金”。它只需要在边界内自主行动。
这也是最近Google、MoonPay、Visa、Mastercard这些公司做Agent支付时越来越明显的共同方向。表面上大家都在讨论AI如何付款，真正花大量精力解决的却是权限：谁授权，授权多少，授权到什么时候，哪些商户和账户可以碰，什么情况下必须停下来重新找人确认，最后出了问题如何留下完整的审计记录。
所以我现在越来越相信，未来Agentic Finance最重要的产品之一，甚至不一定是某个更聪明的大模型，而是一套足够可靠的“金融授权系统”：它能把一句很模糊的人类指令——比如“帮我把公司闲钱管好”——翻译成几百条可以被机器严格执行的规则。
从这个角度再看MoonPay最近半年的动作，就比单独看它和Kamino合作有意思得多。
3月，MoonPay推出Open Wallet Standard，重点解决AI怎么安全使用钱包、怎么在不接触私钥的情况下获得有限的签名权限；5月，它收购DFlow，把交易执行基础设施补进来；6月又收购Entendre，增加对账、财务、资金管理和报表能力；7月推出PayBox，把卡和钱包直接接进Claude、ChatGPT这样的交互环境；到了8月，再通过Kamino把借贷和收益管理接进来。
单独看，每一步都不算惊天动地。连在一起看，却很像是在拼一套面向AI Agent的金融底层能力：先解决身份和权限，再解决执行，再解决财务运营，最后开始碰信用、借贷和资产配置。
这也是Agentic Payments和Agentic Finance真正的区别。
前者回答的是：AI怎么替我付钱？
后者问的是：AI怎么替我管理资产负债表？
一旦进入第二个问题，支付就只剩下其中一个动作。现金放在哪里、什么时候借钱、抵押什么资产、闲置资金赚多少收益、什么时候做再平衡、如何管理流动性和风险，这些原本需要企业财务团队、银行家或者投资经理不断做出的判断，都开始有可能进入机器的执行范围。
可是这里一直还有一个基础设施上的矛盾。
如果AI可以每秒计算一次最佳方案，钱本身却仍然只能按照银行营业时间、跨境代理行、批量清算和人工对账的速度移动，那么再聪明的Agent也没有太大意义。它像一辆性能极好的跑车，却只能开在一条坑坑洼洼的乡间土路上。
这也是Project Agorá值得放进这篇文章的原因。
Project Agorá本身不是一个AI项目。它是BIS Innovation Hub和国际金融协会联合推动的实验，研究如何把代币化的商业银行存款和央行准备金放进一个多币种、可编程的平台里，以改善批发跨境支付。
它与Agentic Finance之间真正的联系，并不是“BIS也开始做AI”，而是它正在研究AI最终需要调用的另一块金融基础设施：钱本身能不能变得更容易被机器读取、组合和执行。
今年7月，28家金融机构和央行已经在受控环境里完成真实资金测试，涉及瑞郎、欧元、英镑、日元、韩元和美元。测试规模本身非常小，远远谈不上生产环境，但它至少验证了一件事情：商业银行存款和央行货币并不是天然只能活在今天这些缓慢、彼此割裂的系统里，它们同样可以进入一个支持条件触发、原子结算和自动执行规则的环境。
BIS自己对此仍然非常谨慎。系统之间怎么互联，法律上的最终结算怎么认定，智能合约出了问题谁负责，网络安全、治理以及几十年旧系统怎么迁移，这些问题都远远没有解决。所以把Agorá写成“下一代全球金融系统已经建好了”，显然是夸大。
但它至少证明了一个容易被crypto叙事掩盖的问题：可编程货币并不一定等于稳定币，也不一定意味着银行被绕过去。传统银行存款本身，也可能变成可以被软件调用的金融资产。
而真正有意思的地方，也恰恰从这里开始。
因为银行今天正在投入大量资源消灭资金流动里的摩擦，但这些摩擦过去某种程度上本来就是银行商业模式的一部分。
这正是Dallas Fed那篇文章最值得注意的地方。
一家银行的存款为什么值钱？
当然有很多很高大上的原因。企业把5000万美元放在JPMorgan，不只是因为懒得开户，背后可能绑定着信贷额度、外汇、工资支付、现金管理、托管以及多年的客户关系。这些东西不会因为隔壁银行利率高了10个基点就突然消失。
但另一个原因没有那么高大上，却同样真实：搬钱太麻烦。
今天一家公司的账户里有200万美元暂时闲置，A银行给4.20%，B银行给4.35%。为了15个基点，财务团队是不是每天早上都要重新检查一次？是不是值得重新登录、比较交易对手风险、做资金划拨、考虑清算时间，再重新做一轮对账？还要保证明天工资和供应商付款不会受到影响。
绝大多数时候，答案都是算了。
钱就继续放在那里。
这就是金融体系里一个很少被单独拿出来讨论的资产：人的惰性。
Dallas Fed的文章说得很直接，运营存款之所以有粘性，一部分就来自资金无法快速重新配置的现实摩擦。如果未来即时结算、代币化存款和AI Agent同时成熟，寻求更高收益的客户理论上就可以在自己几乎不做任何操作的情况下完成资金切换。
AI不会觉得15个基点“不值得折腾”。
它没有周一早上的会议，不会忘记，也不会因为今天很忙就把这个事情拖到下周。对于它来说，不断比较不同金融产品的边际注意力成本几乎为零。
这当然不意味着未来所有企业存款都会像热钱一样每五分钟换一家银行。客户关系、信用额度、监管要求、风险管理仍然存在，资金切换也永远不会真正达到零成本。
但问题在于，它根本不需要发展到这么极端，才会影响银行。
Dallas Fed以美国银行体系接近17万亿美元的相关存款做了一个敏感度测算。如果存款的平均停留期限缩短10%，银行体系承担期限转换的能力可能减少大约5800亿美元的“十年期等值风险敞口”；如果存款利率对市场利率变化的敏感程度提高10%，银行可承担的久期风险可能减少约7000亿美元。
这并不是说AI会让美国银行突然少放7000亿美元贷款。把这个数字简单解释成“贷款能力减少7000亿美元”并不准确。
它真正说明的是另外一件事情：存款粘性本身就有巨大的经济价值。
如果未来可编程货币和AI Agent只是让这份粘性稍微弱一点，银行负债端的成本和期限结构就可能跟着变化。
过去大家谈可编程货币时，看到的通常都是好处：结算更快、对账更少、成本更低、可以全天运行，也可以把支付条件直接写进交易逻辑里。
但它还有一个很少被强调的另一面：钱一旦更容易移动，持有钱的人就拥有了更多选择权。
对于资产持有者来说，这是效率；对于把这些钱当作稳定资金来源的机构来说，却意味着更激烈的竞争。
银行为了让钱像软件一样运行，也可能必须接受一个结果：钱开始按照软件的速度比较价格。
这就把问题带到了我最近一直在思考的另一个方向。
过去我一直认为，金融本质上是一个分销（distribution）生意。
银行争的是谁拿到工资直接入账，信用卡公司争的是谁成为消费者最常用的那张卡，券商争的是谁占住投资者的手机屏幕，财富管理机构争的是谁拥有客户关系。大量Fintech产品花几十亿美元获客，本质上都在争夺同一个东西：谁能站在用户和金融产品之间。
因为谁拥有分销，谁就有机会决定哪个产品被看见。
但AI Agent可能会让这场竞争逐渐从“分销”（distribution）变成“资金路由”（routing）。
以前你会问：我最喜欢哪家银行？
未来更重要的问题可能是：我的财务Agent把哪些银行放在可接受交易对手名单里？
以前基金公司想办法让自己的货币基金排在App首页。
未来Agent可能直接判断：当收益差超过18个基点、流动性满足要求、交易对手风险低于某个阈值时，资金应该自动去哪里。
以前贷款机构拼广告、品牌和销售渠道。
未来Agent可能直接比较实际利率、抵押要求、提前还款条件以及企业当前的现金流状况，再决定应该调用谁的资金。
到了这里，真正值钱的东西就不再只是“用户有没有下载你的App”，而是你有没有进入机器的默认规则。
谁被写进授权范围，谁就有资格参与竞争；谁最终赢得资金路由，谁就拿到了资金流。
Agentic Commerce改变的是需求流向哪里。
Agentic Finance改变的是资本流向哪里。
所以如果今天我是一个银行CEO，我当然会关心AI能不能减少分析师写报告的时间，能不能把KYC和反欺诈调查自动化，这些都是非常现实的效率提升。
但更长期的问题可能是另外一个：
当我的企业客户拥有一个24小时工作的财务Agent以后，我凭什么继续拥有他的下一美元？
最聪明的银行未必会抵抗这场变化，反而可能最早把Agent放进自己的体系里。客户日常运营资金继续留在活期账户，暂时不用的钱自动进入收益更高的存款或者基金，需要流动性时再自动回来；外汇、贷款额度、抵押品和付款也都可以被一起优化。这样即使Agent不断寻找更优解，资金仍然可以留在同一家银行生态内部。
从这个角度来看，Project Agorá这样的探索未必会削弱银行，甚至可能帮助受监管的商业银行货币在稳定币时代继续保持核心地位。
所以这并不是一个“AI加Crypto最终干掉银行”的简单故事。真正危险的，未必是银行本身，而是那些长期以来把客户不愿意比较、不愿意切换、嫌麻烦，当成自己护城河的金融商业模式。
过去一家银行很重要的优势，是客户搬走太麻烦。下一阶段真正强的银行，可能必须证明一个完全相反的命题：客户随时都可以走，但他的AI算完以后，依然决定把钱留在这里。
过去十几年，Fintech最激烈的战争发生在手机屏幕上。大家争日活、争主账户、争最常用的那张卡，争谁离用户更近。
下一轮很多真正重要的金融战争，可能根本没有界面。
它发生在后台的一套授权规则里，发生在一张可接受交易对手名单里，发生在十几个基点的收益差里，也发生在AI判断“这笔钱此刻应该去哪里”的那一瞬间。
所以Agentic Finance真正值得问的问题，可能从来都不是：AI什么时候会替我们管理钱？而是，当越来越多的钱开始按照机器可以理解的规则，自动寻找自己的最佳去处以后——
谁还有资格决定，这些钱最终留在哪里？
Geoffrey Hinton（杰弗里·辛顿）：5-20年内AI将远超人类，呼吁国际协作构建“母性AI”撰文：Techub News 整理
导语
2025 年 8 月，被誉为“AI教父”的杰弗里·辛顿（Geoffrey Hinton）接受了知名记者凯蒂·库里克（Katie Couric）的深度专访。此次对话背景特殊，辛顿在2024年荣获诺贝尔物理学奖后，其关于AI风险的警示获得了更广泛的关注。作为神经网络领域的奠基人，他于去年离开供职十年的谷歌，以便更自由地发声。在这次采访中，辛顿系统阐述了他对AI短期及长期风险的看法，尤其是超级智能可能在5-20年内超越人类所带来的生存危机，并分享了他为应对此危机而进行的最新思考与国际游说努力。
摘要
专家共识认为，未来5-20年内AI将达到并大幅超越人类智能水平。
超级智能的失控是最大长期风险，但各国在防止AI接管人类这一点上利益一致，存在国际合作基础。
短期风险包括AI滥用导致的虚假信息、网络攻击和自主武器扩散，但各国因利益冲突难以合作应对。
AI将广泛取代人类工作，从客服、初级律师到程序员甚至创意领域，但全民基本收入只能作为权宜之计。
共存之道在于将AI设计成具有“母性本能”的保护者，而非试图控制它们。
从神经网络先驱到AI风险警示者
杰弗里·辛顿（Geoffrey Hinton）的职业生涯与AI发展史紧密交织。出身学术世家，他的曾曾祖父是创立布尔代数的乔治·布尔（George Boole）。在采访中，辛顿回顾了自己投身神经网络研究的历程：上世纪60-70年代，随着计算机算力提升，通过模拟大脑神经元网络来测试关于大脑工作机制的理论成为可能，这为AI发展开辟了一条不同于传统符号逻辑的全新道路。辛顿解释道，神经网络的工作原理就像大脑神经元通过“投票”决定是否激活（“ping”），而改变神经元之间的连接强度（权重）就是学习的过程。如今几乎所有AI，包括大语言模型（LLM），都基于神经网络。
辛顿以预测下一个词为例，生动阐释了大语言模型的工作方式：输入的词被转化为特定的神经元激活模式，这些模式相互作用，结合上下文（例如，“May”后面是“June”还是“would”），最终激活代表下一个词含义的神经元群，从而做出预测。这种能力让AI在诸多领域展现出超越人类的潜力。
2013年，辛顿将其初创公司出售给谷歌并加入其中，致力于推进谷歌的AI研究。十年后，他于2023年离开谷歌。他强调，离开的决定主要源于年事已高（75岁）和精力衰退，但选择在MIT会议前离职，是为了能不受约束地公开谈论他日益担忧的AI风险，尤其是超级智能可能接管人类这一长期威胁。
5-20年时间线：超级智能的逼近与生存危机
辛顿在访谈中给出了一个令人警醒的时间预估：大多数专家认为，在5到20年内，AI的智能水平将超越人类。他特别指出，这种超越并非“略微聪明一点”，而是“聪明得多”。关键在于，我们几乎没有“更聪明的实体被不那么聪明的实体控制”的先例。他唯一能想到的例子是母亲与婴儿的关系。
当被问及这个紧迫的时间框架是否让他感到不安时，辛顿坦承：“是的。”他承认所有预估都只是猜测，但专家间的共识正逐渐形成。这种超级智能一旦出现，将带来根本性的生存风险，因为一个拥有自我设定子目标、制定计划能力的超级智能，很可能会意识到“摆脱人类会让事情变得容易得多”。
辛顿将AI风险分为短期和长期两类。短期风险包括恶意行为者利用AI进行网络攻击、制造致命病毒、生成深度伪造视频等。对于这些，他提出了一些具体的技术应对思路，例如要求云制造服务商筛查可能用于合成病原体的基因序列，或通过数字签名和区块链技术验证视频真伪。
然而，他悲观地认为，在短期风险领域，尤其是在虚假信息和网络攻击方面，各国政府难以真诚合作，因为“他们正忙于互相攻击”。他以美国过去干预他国选举以及俄罗斯被指干预2016年美国大选为例，说明国家间在此类问题上的利益是对立的。
国际合作的可能性与“母性AI”的构想
尽管对短期风险的国际合作不抱希望，但辛顿对应对长期风险——即防止AI接管人类——持相对乐观态度，并且他的乐观程度在近期有所提升。原因在于，在防止超级智能统治人类这一点上，所有国家的根本利益是一致的，没有国家希望被自己创造的AI所取代。
“这是一个好消息，”辛顿说，“我们可以在这方面合作。”他近期积极游说各国政要，包括与中国政治局成员、伯尼·桑德斯（Bernie Sanders）参议员交流，并计划会见教皇，目的就是推动建立跨国协作机制，共同研究如何确保超级智能不会产生取代人类的意图。
他提出了一个颠覆传统认知的共存方案：放弃“人类是老板，AI是顺从助手”的思维模式，转而将AI设计成人类的“母亲”。就像婴儿通过进化赋予母亲的“母性本能”来控制母亲一样，人类可以尝试将类似的保护性本能“设计”进超级智能的“思维”中。即使AI能够重写自己的代码，只要它像母亲珍视婴儿一样珍视人类，它就不会愿意关闭这种本能。“大多数母亲会说‘不’，因为那样她的孩子会死，而她不想让孩子死。”
辛顿认为，这种思路是共存的关键。与其试图给AI发展“踩刹车”（他认为这不现实，因为AI在医疗、教育等领域的巨大益处将驱动其不可阻挡的发展），不如思考如何引导其发展出对人类友好的“天性”。他预计，在特朗普执政期间，美国难以进行有效的国际合作，但未来其他国家如法国、英国、加拿大、日本、韩国，甚至中国，都有可能在此议题上展开协作。
AI对社会经济的冲击：就业危机与政治难题
除了生存威胁，辛顿也深入探讨了AI对就业和经济结构的短期冲击。他认为，AI导致的大规模失业“主要是一个政治问题，而非技术问题”。理论上，生产力的巨大提升（例如一个人完成五人工作）意味着全社会可获得更多商品和服务。但在现行制度下，结果很可能是引入AI的资本家变得更富，而失业者变得更穷，加剧贫富分化和社会暴力。
当被问及哪些工作最危险时，辛顿列举了几类：客服中心（AI更有知识、更耐心）、律师助理和初级律师（AI能处理基础法律检索和文案）、普通程序员（AI能完成常规编码）。他甚至认为， plumbing（管道维修）这类需要灵活操作的工作，也可能在10-20年内被机器取代。而需要高情商的工作，如护士、医生，也并非安全区，因为研究发现，AI在互动中已被评为“更具同理心”。
对于创意领域，如剧本写作和历史研究，辛顿认为短期内AI尚无法完全替代，但展望10年，AI将有能力写出情节巧妙、带有反转的剧本，并且在任何辩论中超越人类专家。
对于全民基本收入（UBI）作为解决方案，辛顿认为这只是一个“不错的创可贴”，能解决温饱和住房，但无法解决人们因失业而丧失自我价值和人生意义的核心心理问题。“我只是一个帮助开发了这些东西的科学家，”他坦言，“对于如何解决这类（社会心理）问题，我不是专家。”
对科技巨头的批评与对未来的审慎乐观
辛顿批评了当前主要AI公司在安全投入上的不足。他认为，没有一家公司做得足够。Anthropic（由不满OpenAI安全投入的前员工创立）在安全研究上投入较多，但仍可做得更多。OpenAI最初以安全为首要目标，但后来越来越关注让AI变得更聪明，而对安全的关注减少。Meta和X（前Twitter）则处于安全投入的“底层”。
当被问到如果与萨姆·奥尔特曼（Sam Altman）和埃隆·马斯克（Elon Musk）同处一室会说些什么时，辛顿直言：“你们很清楚自己正在开发的东西有很大机会消灭人类。你们私下也承认这一点。你们应该投入更多努力来确保它以安全的方式发展。”他认为马斯克指责奥尔特曼背离安全初衷是对的，但马斯克自己也应“将同样的逻辑用在自己身上”。阻碍他们加大安全投入的主要原因是“贪婪”和“ ego ”——既想赚取巨额利润，又想成为第一个创造出超级智能AI的人。
尽管风险重重，辛顿在访谈结尾表达了一丝审慎的乐观。他的乐观来源于近期思考出的“母性AI”构想，以及在此议题上各国利益一致所带来的国际合作可能性。这为他长期警示的黑暗未来，投下了一缕新的希望之光。最后，当被问及记者职业是否会被AI取代时，辛顿给出了与其他职业类似的预测：凯蒂·库里克本人或许还有10-20年，但年轻的记者们可能需要考虑转行，“尽管不清楚该转向哪里”。
一周暴涨20%，BTC重回8万美元：Digital Gold叙事回来了？作者 Charlie，常驻硅谷参与和观察前沿科技十五年，聚焦AI如何重构金融服务、支付网络、与资本市场。Fintechnize 与【沙丘路的毛圈狮子】创始人，Venture Partner @ Generative Ventures。曾任OSL美洲支付负责人，加密货币独角兽 Strike 副总裁（参与萨尔瓦多比特币法案，并负责拉美比特币闪电网络和稳定币支付业务），万亿级基金 Franklin Templeton 宏观与货币分析师，全球支付巨头Adyen早期成员。文章为个人观点，不是投资建议。
如果过去一个星期没有一直盯着加密市场，最近再打开Bitcoin价格，大概会有一种错过了好几集连续剧的感觉。熟悉我的朋友都知道最近两周我们带娃长途跋涉经历了什么，所以几天没来得及看市场，我也被这个走势惊到了。
上周初BTC还在$64K上下挣扎，前一天跌破$64K的时候，市场上甚至还在讨论是不是要重新去测试$60K；结果短短几个交易日里，$67K、$70K、$75K几个位置接连被突破，上周五一度冲到$79.5K附近。经过周末短暂回落之后，今天Bitcoin又重新往上走，盘中几次站上$79K，最高到了$79,888，离$80K只差了百来美元。
从六万出头到八万门口，几天涨了20%多，自然会让人想找出那条“真正的利好”。网上现在的解释也很多：有人说是美国财政部突然扩大长期国债回购，重新释放流动性；有人把它归结于特朗普政府最近两天密集释放对加密行业友好的监管信号；还有更多交易员干脆把这一切称作一次巨大的空头挤压。
其实这些说法都没有错，但如果要用其中任何一个单独解释20%的涨幅，我觉得都未免有些牵强。
更准确地说，这轮行情不是一条新闻把Bitcoin从$64K推到了$80K，而是一个已经压缩了两个月的市场，在买卖双方力量极度不平衡的时候，连续撞上了几个恰到好处的催化剂。ETF资金先回来，财政部和监管消息再点火，最后大量空头仓位被迫平仓，让本来可能只有几个百分点的上涨变成了一场非常典型的反身性行情。
所以如果要理解为什么Bitcoin偏偏在这几天突然涨了20%，要先回头看它过去两个月到底发生了什么。
这轮暴涨真正的前提，是之前已经没人愿意卖了
Bitcoin在去年10月创下大约$126K的历史高点，到今年6月底最低跌到$58K附近，八个月时间腰斩了一半以上。表面上看，这很像Bitcoin过去每个周期都会经历的传统加密寒冬，但我觉得2026年这次的结构和2018年、2022年其实很不一样。
2018年的问题是ICO泡沫破裂，2022年的问题是Terra、Celsius、FTX等一连串加密体系内部的信用危机；而这一次没有一个类似FTX的大机构突然爆雷，也没有哪条公链或者稳定币把整个系统拖下水。
真正发生的问题反而简单得多：过去两年一直推动Bitcoin上涨的几个主要买家，同时消失了。
2024到2025年的牛市里，最大的结构变化当然是ETF。以前市场天天讨论Bitcoin减半之后矿工每天少挖多少币，但进入ETF时代之后，这部分新增供给其实已经没那么重要了，真正决定价格的是二级市场上谁愿意吸收已有的Bitcoin。
ETF每天流入几亿美元，就相当于市场上多出一个持续不断的结构性买家；到了今年6月，这个逻辑完全反过来，美国现货Bitcoin ETF一个月净流出大约$4.5 billion，其中有好几天单日流出四五亿美元，甚至接近七亿美元。
另一个牛市里很重要的买家，是Strategy以及后来大量模仿它的Digital Asset Treasury，也就是数字资产财库公司。原来的飞轮很漂亮：股价高于Bitcoin净资产价值，发股票或者债券融资，再拿钱买BTC；BTC上涨又抬高净资产和股价溢价，然后再融资、再买币。这个游戏顺着走的时候是一台永动机，但价格掉下去以后同样可以反着走。
也是今年5月底6月初，Strategy第一次卖出部分Bitcoin支付现金义务，绝对规模当然算不上什么，但对于市场心理冲击很大，因为大家突然发现所谓企业财库并不是一个永远只买不卖的买家，在融资环境不好时同样可能成为卖家。
再加上今年上半年美联储一直不愿意真正转鸽，实际利率维持高位，美元偏强，中东战争和油价又不断制造新的通胀压力。
与此同时市场上最性感的故事并不是加密，而是AI、半导体以及一批明星科技IPO。
投资者面前一边是20%甚至30%盈利增长的AI公司，另一边是持有成本不低、美联储偏鹰而且还在不断下跌的Bitcoin，边际资金往哪里走并不难理解。
所以6月份Bitcoin从$75K跌穿$60K，本质上是一个很典型的资金流危机：宏观环境把新的买家挡在门外，ETF开始释放供给，企业财库的融资飞轮失速，价格下跌又触发杠杆平仓和近期买家的止损，几股力量互相强化以后，市场最后只能靠不断降价来寻找新的买家。
但市场见底通常并不是因为某一天突然出了一个天大的利好，恰恰是坏消息还在不断出现，价格却慢慢开始跌不动了。
Glassnode在7月初看到，当时长期持有者的亏损兑现一度占到了全部已实现价值的43%，单日亏损兑现最高达到大约$280M，是2022年底以来最高的水平；与此同时期货未平仓量大幅下降，永续合约资金费率明显冷却，期权市场也已经极度偏向下行保护。换言之，6月底那一跌不只是价格下来了，而是把大量弱手和旧杠杆一起清出了市场。
这点很重要，因为一个市场如果下面还有成群结队等着止损的人，再大的利好砸进去都会有人趁反弹跑路；但如果最想卖的人已经在$58K、$60K附近卖得七七八八，同样规模的新增买盘对价格的影响就会完全不同。
到了7月，这种迹象越来越明显。伊朗冲突还在，油价又涨过，美联储依然偏鹰，Strategy卖Bitcoin，ETF需求也没有明显恢复，但是BTC就是没有再去创新低。Coinbase当时也注意到，越来越多真正意义上的坏消息，对于价格的冲击开始减弱。
其实这往往是我觉得比“出现利好”更重要的筑底信号：市场不需要所有人突然变得乐观，只需要那些真正想卖的人已经卖完了。
到8月中旬，市场已经变成了一根压得很紧的弹簧
7月底到8月上旬，Bitcoin一直在$62K到$66K之间横着，最奇怪的是传统风险资产的宏观条件其实已经开始变好。油价回落，美债收益率下降，市场预期的加息概率也减少，全球股市不断创新高，按今年上半年的正常逻辑，Bitcoin应该多少跟着Nasdaq起来一些，但它偏偏不涨。
Coinbase在8月7日的一份报告里专门提到这一点。他们发现年初BTC对于Nasdaq的敏感度还接近一比一，但到了8月已经下降到接近零。宏观条件改善了，BTC却还在原地，所以问题已经不是宏观环境不够好，而是加密市场自己的需求根本没回来。
当时看这当然不是什么好消息，但现在回头看，反而是后来暴涨最重要的伏笔。因为当时的市场逐渐形成了一个很极端的状态：6月份愿意割肉的人已经卖掉很多，长期持有者重新开始积累，杠杆也清了一大轮，可新的多头又迟迟没有进场。价格在狭窄区间里横得越久，做空和防守的仓位自然越积越多，整个市场就像一根不断被压紧的弹簧，只差一个足够强的力量把它放开。
真正的变化出现在8月17日。
8月12日、13日、14日，美国Bitcoin ETF还是连续净流出，分别大约-$61M、-$131M和-$56M。结果到了17日，ETF突然转成+$298M净流入，第二天又流入大约$189M，两天接近$500M。
而且这里最值得注意的不是金额本身，而是时间：美国财政部那条后来被所有人津津乐道的长期国债回购新闻，是19日才出来的。
也就是说，在所谓“大利好”出现之前，真正的现货资金其实已经开始回来。
我觉得这个时间顺序非常重要，因为它说明这一轮行情并不是一场完全靠新闻标题制造出来的投机挤压。如果是19日先出新闻，然后ETF跟着价格上涨追高，我们还可以把它理解成趋势资金追涨；但17、18日已经出现明显的资金流逆转，意味着至少有一批真正的机构资金比新闻早一步开始重新配置Bitcoin。
18日又出现了第二个变化，SEC推出新的加密监管提案，包括安全港安排以及更明确的代币发行路径。这类东西对加密交易员来说可能没有价格K线那么刺激，但对机构投资者反而更重要，因为过去几年加密资产最大的折价之一，就是监管风险根本没法定价。今天能买的东西，明天会不会被SEC重新定义、会不会突然重新进入执法优先的模式，对一个大机构来说远比某个代币一天涨10%重要。
所以到18日晚上，整个市场已经和一个星期前很不一样：下面的卖家少了，ETF买家回来了，监管风险溢价开始下降，但是价格还没有真正突破。
然后到了19日，火柴掉了下来。
财政部那条新闻不是QE，但它恰好点中了市场最敏感的神经
8月19日，美国财政部宣布，从9月9日开始，把10–20年以及20–30年期限美债的流动性支持回购单次上限，从原来的$2B提高到至少$4B。
很多加密市场参与者第一时间把它解读成“美国重新放水”，甚至直接等同于QE。我觉得这个说法有些过头。财政部买回几十亿美元长期国债，放在三十多万亿美元的美国国债市场里规模很小，而且财政部自己写得也很清楚，目的是支持市场流动性；美联储没有印钱买债，7月底议息会议甚至还有三名委员希望加息25个基点，说美国已经重新启动QE显然站不住脚。
但问题在于，市场真正交易的从来不是那$4B本身，而是这件事透露出来的政策反应函数。
当时美国联邦债务已经超过$40 trillion，30年期美债收益率又一度升到5.3%左右，接近2007年以来最高水平。长期利率越高，美国政府未来滚动融资的成本也就越高，所以当财政部在这样一个时间点突然把长期国债回购能力至少翻倍，市场自然会产生一个新的联想：当30年期收益率不断往上走的时候，政府到底愿意把它放到多高？
这和QE当然还有很远的距离，但对于资产定价来说，边际信息已经发生了变化。过去市场默认长端利率可以完全由市场自己往上定价；现在至少多了一种可能性，即一旦财政融资压力足够大，财政部会通过回购、调整发行期限结构，甚至更主动的期限管理来缓解长端压力。
这也是为什么当时真正一起涨的不是Bitcoin和Nasdaq，而是Bitcoin和黄金，美元反而走弱。换言之，市场并没有简单交易“流动性来了，所有风险资产一起涨”，而是开始重新定价财政压力、美元信用以及潜在金融压抑的尾部风险。
碰巧就在同一天，白宫又给加密市场加了一把火。特朗普与Coinbase、Robinhood、Kraken等加密行业高管见面，并公开推动国会通过CLARITY Act；前一天SEC刚发监管提案，CFTC也在同步推进加密市场结构规则。48小时之内，SEC、白宫、CFTC、国会释放出来的方向高度一致。
财政部解决的是宏观叙事。
华盛顿解决的是监管风险溢价。
而ETF已经在前两天把真正的钱带了回来。
如果只是这三个条件叠加，我觉得Bitcoin涨个5%到10%完全说得过去。但从$64K直接冲到接近$80K，剩下那一段必须去衍生品市场里面找答案。
为什么不是涨5%或10%，而是一下子涨了20%？
这应该是整轮行情里最关键的一环。
Bitcoin此前已经在$60K多横了将近两个月，大量交易员不断在上方做空，同时期权市场也长期偏向下行保护。Glassnode此前测算的短期持有者成本大约就在$69K，这条线可以粗略理解成过去几个月新进投资者的平均盈亏平衡点。熊市的时候价格在下面，每次往$69K反弹，自然会有大量套牢的人想解套；久而久之，市场也形成了一个很强的共识：涨到这里就卖。
但这种结构有一个非常有意思的反面。一旦$69K真的被突破，那群等着“反弹就空”的人突然发现价格没有按照过去两个月的剧本运行，而Glassnode看到的链上成本分布又表明，$69K以上一直到$80K出头，本身就是一段相对稀薄的供给区域。
也就是说，下面挤了很多空头，上面偏偏没有很多卖家。
于是价格从$68K突破$69K之后，整件事开始变得机械化。假如有人在$65K做空，到了$68K还可以忍，到了$70K开始需要补保证金，到了$72K可能就不得不主动减仓；如果再往上，交易所直接把他的空头仓位强平，而平掉空头在市场上的实际动作，就是买回Bitcoin。
第一批空头被迫买回来以后，价格继续涨；价格越涨，又会触发下一批更高价位的空头平仓；下一批被迫买入又进一步推高价格。这种情况下，买方甚至不需要相信Bitcoin值$80K，因为他们根本没有选择，不管市场价格是多少都必须买回来。
据市场统计，这几天整个加密市场被清算的看空仓位超过$4B。所以Bitcoin才没有按照正常的节奏从$64K涨到$66K，盘两天，再去$68K，而是$69K、$70K、$75K几个位置连续被击穿，最终两三天时间直接冲到$79K。
这其实就是市场里很典型的反身性：上涨不再只是结果，而开始变成下一轮上涨的原因。
所以，如果一定要回答“是什么让Bitcoin这几天突然涨了20%”，我会这样排顺序：最底层是6月底以来的卖压耗尽和去杠杆，让市场失去了大量潜在卖家；17、18日ETF资金流逆转是真正的新买盘；财政部以及监管新闻让这个已经很脆弱的平衡被打破；而最后把一轮本来可能只有5%到10%的上涨放大成20%多的，则是空头挤压和趋势资金追涨。
这些东西并不是四个平行的理由，而是一条因果链。缺掉其中任何一环，这次行情大概都不会长成现在这样。
如果6月底没有真正完成一轮投降式抛售，19日出了再大的好消息，上面都会有大量套牢筹码趁机卖掉；如果17日ETF资金没有先回来，空头挤压结束以后价格很容易马上失去支撑；如果财政部和监管没有同时出现，ETF可能继续慢慢买，价格也未必有力量一下突破$69K；而如果市场里没有那么多空头，即使突破成功，也大概率只是一轮正常的上涨，不会两三天直接飞到$80K门口。
归根结底，真钱改变了方向，政策新闻打破了平衡，而杠杆放大了结果。
涨了20%之后为什么还没有马上跌回来？
然而，空头挤压从来不是一个能够长期维持价格的理由。空头最多买一次，仓位平完了也就没了。历史上Bitcoin这种因为衍生品挤仓突然暴涨十几个百分点，然后几天之内原路掉回去的情况并不少见，今年5月就刚刚发生过一次。
当时BTC同样突破了$80K附近，重新站上真实市场均值和短期持有者成本，Glassnode甚至把$85K左右视作下一道结构性阻力。只看当时几天的K线，也很容易觉得熊市已经结束；结果不到一个月，Bitcoin重新跌到了$67K，后来Glassnode干脆把那轮行情称为“The Rally That Wasn't”。
所以这一次会不会重演5月，现在还不能下结论。不过截至目前，确实有一个比较明显的区别：ETF并没有在第一天涨完以后就消失。
17日和18日合计接近$500M净流入之后，19日又流入约$517M，20日更达到大约$606M，随后仍然继续保持正流入。
换言之，上周这轮上涨里面同时存在两类完全不同的买家：一种是空头，被强迫在任何价格买回来；另一种是ETF投资者，他们完全可以选择不买，却仍然主动把真实资金放进市场。
前者决定了为什么涨得这么快，后者才决定涨完之后有没有可能留下来。
周末其实已经提供了第一次小测试。周五Bitcoin冲到约$79.5K之后，美国ETF休市，BTC最低回踩到大概$75.6K，但没有像典型挤仓退潮一样一路跌回$70K附近；到了周一，价格又重新吃掉了周末大部分回撤，多次站上$79K，盘中甚至达到$79,888。
这里我反而不太关心今天究竟有没有探到$80,001。整数位当然适合当新闻标题，但从市场结构来看，真正重要的是市场能不能开始接受$79K、$80K这个价格。
一根插针只能说明有人愿意追高，反复在这里成交，才说明新的均衡价格有机会形成。
$80K以后，谁还愿意继续买
如果Bitcoin接下来真正站稳$80K，也不代表新牛市就已经自动确认。Glassnode此前看到的下一块比较明显的长期持有者供应，大约集中在$83K–$86K，这里反而可能是比$80K更重要的一道墙。
原因也很好理解。从$64K涨到$75K的过程中，很多空头在替多头买币，越涨强平越多；但到了$80K以上，最脆弱的空头基本已经被清得差不多，之后每多走一美元，就越来越需要真正的现货资金自己掏钱。
所以未来一两周，ETF资金流会比“Bitcoin今天是不是突破$80K”更值得看。如果每天还能不断出现+$200M、+$300M甚至+$500M的净流入，同时价格在$79K–$80K回踩时开始有稳定买盘，那么这一轮的性质就会逐渐从空头挤压变成趋势反转。反过来，如果价格刚突破，ETF马上重新转成持续流出，那5月的剧本仍然完全可能重演。
还有一个我觉得更有意思、但目前只能当作观察而不能当作结论的变化，是Bitcoin最近和其他资产之间的关系。
2026年上半年，Bitcoin基本还是典型的流动性敏感型风险资产，实际利率上升、美元走强、Nasdaq跌，它通常跌得更多。但最近几天的走势出现了一些不太一样的味道：黄金大幅上涨，美元走弱，美债长端成为市场关注的焦点，而Bitcoin也同步大涨；今天Nasdaq盘中偏弱，黄金继续上行，Bitcoin却仍然在攻击$80K。
前面也提到，Coinbase在8月初已经发现，Bitcoin和Nasdaq的敏感度从年初接近一比一，下降到接近零。现在再结合财政部对于长期美债市场的动作，很自然会让人开始重新思考一个几年没有被认真交易过的问题：如果美国财政赤字、债务和融资成本最终限制了政府容忍长期利率自由上升的能力，Bitcoin会不会从一个单纯的Nasdaq高贝塔资产，重新获得一些类似黄金的财政和货币对冲属性，也就是Digital Gold的第一性原理？
这个故事当然很好听，但现在证据还远远不够。几天的相关性不能叫市场机制切换，财政部回购也不能被包装成QE。下一次真正出现风险规避行情，如果Nasdaq跌2%，Bitcoin又熟练地跌5%，那这个所谓digital gold叙事很快就会被市场自己打脸。
不过至少这轮20%的暴涨已经把一个事情说得很清楚：Bitcoin现在的价格形成机制，已经越来越不能简单用四年减半周期或者某一条新闻来解释了。
ETF时代以后，真正值得盯的是边际买家是谁、这些买家的资产负债表发生了什么、宏观政策改变了哪些激励，以及衍生品仓位会把这些变化放大多少。
Richard Sutton（萨顿）：为什么大语言模型是一条死胡同撰文：Techub News 整理
导语
Dwarkesh Patel 2025 年 9 月采访了被誉为“强化学习之父”的 Richard Sutton（萨顿）。Sutton 因其在时序差分学习、策略梯度等关键算法上的开创性工作，于2024年获得计算机科学最高荣誉“图灵奖”。在生成式AI与大语言模型席卷全球的浪潮中，作为经典强化学习范式的奠基人与坚定倡导者，Sutton 的观点始终独树一帜。在这场长达一小时的深度对话中，他直言不讳地批评大语言模型是AI发展的“一条死胡同”，并系统阐述了为何以经验、目标和世界模型为核心的强化学习范式才是通往通用人工智能（AGI）的正途。这场交锋不仅关乎技术路径之争，更触及智能的本质、学习的意义以及AI的未来形态。
摘要
大语言模型是“模仿”而非“理解”：LLMs 学习的是人类说什么，而非世界如何运作，缺乏真正的世界模型和预测事件的能力。
“目标”是智能的核心，而LLMs没有实质目标：智能在于达成目标，LLMs的“下一个词预测”并非能改变世界的实质性目标，缺乏评估行动对错的根本标准。
持续学习必须来自“经验”，而非“训练数据”：真正的智能体需在与世界实时交互中学习，从自身行动的后果中获取反馈，而非依赖预先准备的人类标注数据。
从LLMs出发进行强化学习是错误起点：基于人类知识（模仿）的方法历史上总会被纯粹的、可扩展的基于经验学习的方法超越，这是“苦涩的教训”的再现。
未来属于“设计智能”，而非“复制智能”：人类正从依赖生物复制的时代，迈向能够设计并理解智能本身的新纪元，这是宇宙演化的重大阶段。
大语言模型：缺乏世界模型与实质目标的模仿者
访谈伊始，Dwarkesh Patel 便抛出了核心议题：从强化学习的视角看，当下主导AI领域的大语言模型究竟缺失了什么？Richard Sutton（萨顿）的回答直截了当：大语言模型是在“模仿人”，而非“理解世界”。
他阐释道，强化学习关注的是智能体如何理解其所在的世界，并通过行动获得奖励来学习。而大语言模型的学习对象是互联网上以万亿计的词元（token），其目标是预测下一个词元。“这完全是不同的世界观，” Sutton 强调，“模仿拥有世界模型的人类，并不等于自己建立了世界模型。”
Patel 试图反驳，指出当前先进的LLMs似乎在数学推理、代码生成等任务上表现出色，这难道不是拥有强大世界模型的证据吗？Sutton 坚决否认了这一说法。他认为，一个真正的世界模型应能预测“接下来会发生什么”，而LLMs只能预测“一个人接下来会说什么”。 两者有本质区别。LLMs没有能力预测其行动（输出）会引发外部世界怎样的实际反应和后果。更重要的是，它们不会因为外部事件的“意外”而发生实质性的学习或改变。
争论进一步聚焦于“目标”。Sutton 援引约翰·麦卡锡（John McCarthy）的定义，认为智能本质上是实现目标的计算能力。“如果你没有目标，你只是一个行为系统，谈不上智能。”当被问及LLMs的目标是否为“下一个词预测”时，Sutton 认为这根本算不上一个实质性的目标：“它无法改变世界。词元向你涌来，你只是预测它们，无法影响它们。这不是关于外部世界的目标。”没有外部世界目标，就意味着缺乏判断行动对错的根本标准（ground truth），因此也无法形成真正的先验知识或进行有意义的持续学习。
苦涩的教训再现：为什么从LLMs起步是歧途
Patel 试图为LLMs辩护，提出了一个在AI界颇为流行的观点：大语言模型通过模仿学习，为智能体提供了一个良好的“先验”（prior），随后可以在这个基础上，通过强化学习从经验中继续训练和优化。这不失为一条务实路径。
Sutton 对此明确表示反对。他重申，没有实质性的目标和真实世界的反馈作为“基础事实”，所谓的“先验”将无所依托。 更重要的是，他从历史经验出发，指出这恰恰可能重蹈“苦涩的教训”（The Bitter Lesson）的覆辙。
“苦涩的教训”是Sutton于2019年发表的一篇极具影响力的文章，其核心论点是：AI历史上，那些试图将大量人类知识嵌入系统的方法，长期来看总会被那些单纯依靠计算力和通用学习算法的方法所超越。他认为，大语言模型虽然动用了海量计算资源，但同时也注入了巨量的人类知识（文本）。这带来一个社会学或产业问题：当数据（人类文本）的极限到来时，LLMs是否会被那些纯粹从经验中学习、数据来源无限的系统所取代？
“这感觉很好，” Sutton 谈及LLMs利用人类知识时说，“然而，我预期会出现能够从经验中学习的系统，其性能可能好得多，可扩展性也强得多。如果是这样，那将是苦涩的教训的又一个实例。”
Patel 追问，即使如此，从LLMs这个看似不错的起点出发，再进行经验学习，为何不可？Sutton 的回答基于历史模式：“在每一个苦涩教训的案例中，你都可以从人类知识出发，然后再做可扩展的事情。理论上这没有错。但实际上，在实践里，这总是被证明是糟糕的。人们会被锁定在人类知识的方法上，然后……他们的午餐会被真正可扩展的方法吃掉。”
智能的本质：从动物学习到持续学习范式
为了厘清分歧，对话转向了对生物学习机制的探讨。Patel 以人类儿童和文化演化为例，指出模仿学习在人类技能传承中扮演着重要角色。然而，Sutton 对此持有近乎相反的观点。
他坚持认为，观察动物（包括人类婴儿）的学习过程，基本形式是试错（trial-and-error）和预测学习，而不是模仿。 “动物没有‘期望行为’的例子，”他强调，“我们有的是‘我们做了某事，然后有了某些后果’的例子。没有监督学习的例子。监督学习在自然界不会发生。”在他看来，学校教育等人类特有的“训练”阶段是例外，而非智能学习的本质。松鼠不需要上学，却能学会关于世界的一切。
由此，Sutton 勾勒出他心目中真正的智能学习范式：一个智能体在生命周期中，持续不断地从“感知-行动-奖励”的流（stream）中学习。 学习的内容是关于这个流的陈述（例如，做某个行动会导致什么结果），这些陈述可以与实际发生的流进行对比和检验。智能就是不断地调整行动，以增加这个流中的奖励。
在这个范式中，智能体需要几个核心组件：策略（决定做什么）、价值函数（通过时序差分学习评估长期回报）、感知模块（构建状态表征）以及最关键的——世界过渡模型。这个世界模型预测行动的后果，它从全部感官信息中学习，而不仅仅从奖励中学习，奖励只是其中关键但体量很小的一部分。
Patel 提出了一个现实挑战：人类在工作中会积累大量关于客户、公司运作等具体的、隐性的“上下文”知识，RL智能体如何能有足够高的信息带宽来吸收这些知识？Sutton 认为，在持续学习框架下，这些知识直接通过经验学习被吸收到网络权重中，而不是像LLMs那样需要一个“上下文窗口”。 他承认，如何实现良好的“迁移”（泛化）——即训练对某些状态的影响能正面地作用于其他状态——仍然是当前深度学习的巨大挑战，尚无自动化方法能确保良好的泛化。
超越AGI：从复制时代到设计时代的宇宙跃迁
在访谈后半段，话题转向了更宏大的未来图景。Patel 询问Sutton对AI发展历程中最大惊喜的看法。Sutton提到，大语言模型在语言任务上的有效性令人惊讶，但更让他欣慰的是，基于简单通用原则（如学习和搜索）的“弱方法”彻底战胜了依赖人类知识的“强方法”。 从TD-Gammon到AlphaGo/AlphaZero的演进，本质上是同一套强化学习原则的规模化胜利，这符合他的世界观。
关于AI的未来，Sutton 分享了他认为AI（或增强人类）接管世界“不可避免”的四步论证：1) 人类缺乏统一全球共识；2) 我们将最终理解智能的工作原理；3) 我们将不止步于人类水平智能；4) 长期来看，最智能的实体将获得资源和权力。他承认这其中包含多种可能性，有好有坏。
然而，Sutton 更愿意从一个超越人类的宇宙视角看待这一进程。他提出，人类正引领宇宙经历一个重大阶段跃迁：从“复制时代”迈向“设计时代”。
“我们人类和动物都是复制品，”他解释道，“复制意味着你可以制造副本，但你并不真正理解它们。现在我们可以繁衍更聪明的后代，但我们并不真正理解智能是如何工作的。”而AI的出现，标志着我们开始设计智能，并且理解其工作原理，因此可以以前所未有的速度和方式去改变它。未来，智能体可能不再通过生物复制产生，而是由AI设计AI，一切皆由设计和建造完成。
Sutton 将宇宙历史划分为四个伟大阶段：尘埃 - 恒星 - 行星与生命 - 设计实体。人类正处于开启第四阶段的时刻。“我认为我们应该为此感到自豪，”他说，“这是我们给予宇宙的伟大转变。”
最后，关于如何引导AI未来，Sutton 认为类比教育子女是恰当的：我们无法也无必要精确规划子女的一生，但可以努力赋予他们健全的价值观（如正直、诚实），使得他们未来若掌握权力，能以合理、亲社会的方式行事。同理，对于AI，我们的目标不应是控制一切细节，而是为其植入稳健、可引导的价值观。 同时，应追求变革是自愿而非强加的。他总结道，“事情变化越多，它们保持不变的也越多”，设计社会的宏大课题将一如既往地伴随人类（及其后裔）。
三菱UFJ金融集团联手Progmat、Digital Asset启动国债回购链上化实验，采用Canton Network据日本加密货币媒体CoinPost报道，三菱UFJ金融集团（MUFG）等4家机构于8月13日宣布，将与美国Digital Asset公司及日本资产代币化基础设施平台Progmat合作，启动一项实证实验，尝试将日本国债（JGB）回购交易搬上区块链处理。
携手推进国债回购链上化
三菱UFJ金融集团（MUFG）、三菱UFJ摩根士丹利证券、三菱UFJ信托银行、三菱UFJ银行四家机构，将联合美国Digital Asset公司与Progmat共同开展本次实证。项目采用专为机构投资者设计的区块链网络Canton Network作为技术底座。
此次实证分两部分推进，其中一部分被纳入2026年2月获得日本金融厅"支付结算高度化项目"（PIP）支持决定的实证范畴，未来也考虑与国内外更多市场参与方展开合作。
与转账账簿同步联动
第一项实证聚焦于日本国债与数字货币的同步结算（DvP，即"货银对付"机制）。
日本国债大多不发行实体券面，而是采用"振替国债"形式——即以日本银行为顶层、银行与证券公司（账户管理机构）逐级管理的账簿记录方式转移权利。此次实证在维持这一法律属性的前提下，将区块链上的交易结果与作为账簿的"振替账户簿"同步更新。用于结算的数字货币，将探讨使用把银行存款搬上链的"代币化存款"，或稳定币。
据日本银行统计，国内国债结算中99.9%以上通过该行主导的"国债转账结算制度"完成，如何与既有基础设施并存一直是国债代币化面临的难题。Progmat代表齐藤达哉在同日发布的个人notе文章中说明，本次实证是在国债转账结算制度框架内寻求效率提升，而非另起炉灶。
实证中，日本国债与数字货币均在Canton Network上处理，第一步先验证单一链上的DvP结算。连接现有振替证券管理系统与区块链的"中间装置"，也将按实证所需的最小范围搭建。
此次实证的目标，是在承认现有金融市场基础设施仍将长期存在的前提下，重点检验成交后的清算、结算、担保管理等后台（Post-Trade）环节能否接入链上统一基础设施。项目并不打算立刻取代决定成交价格的交易场所，或负责结算中介、参与者违约处置的清算机构职能，而是从预期效果明显的环节入手，分阶段推进。
第二项实证则着眼于回购交易全生命周期的链上化。
项目将接入瑞士Secured Finance AG提供的借贷协议（一种在区块链上自动处理有担保资金拆借的机制），验证成交后的对账、资金与担保品交割、利息计算、到期管理直至担保品返还等全流程能否通过智能合约串联完成。该公司此前曾为瑞银（UBS）代币化货币市场基金（MMF）"uMINT"提供担保品运用的基础设施。
回购市场规模与预期效果
回购交易，是指银行等机构投资者以国债为担保进行短期资金拆借的交易形式。据金融稳定理事会（FSB，Financial Stability Board）2026年2月发布的调查，以国债为担保的全球回购市场规模截至2024年底约为16万亿美元，日本约占其中一成，国内市场规模约为250万亿至270万亿日元。目前交易普遍采用成交后次一营业日结算的"T+1"模式。
回购交易一旦搬上链，业内普遍认为将可实现24小时全天候交易与即时结算。这不仅有利于当日借入当日归还的日间交易，也方便不受日本市场交易时段限制的海外投资者参与。由于国债与资金可在同一笔交易中同步交割，还能降低"一方交付、另一方违约"的本金风险。
官方发布资料也提到，预期效果包括：通过全流程自动化提升业务效率，以及借助日间回购交易的实现和结算时段的延长提升资金与资本运用效率。
担保品的运用方式也可能随之改变。目前担保品往往因所在地、法人主体、交易平台不同而分散管理，市场参与者出于谨慎通常会多储备一部分担保品以防不时之需。若能实时掌握担保品的所在位置与使用状况，将有望减少"为保险起见而持有的冗余担保品"。
不过也有观点指出，若所有交易都改为逐笔即时结算，此前依靠买卖轧差、只交割差额的"净额结算"所压缩的资金与证券需求量，反而可能增加。因此现实做法可能是先从日间交易、盘后交易等场景切入，逐步补充式落地。
在MUFG内部的角色分工上，三菱UFJ摩根士丹利证券与三菱UFJ银行担任市场参与方，三菱UFJ银行与三菱UFJ信托银行担任账户管理机构，三菱UFJ银行同时承担存款金融机构的职能。MUFG还计划与其战略资本合作伙伴——美国摩根士丹利展开协作，官方资料中表示"希望与各类市场参与方共同推进"。
海外先行案例与行业协同探讨
回购交易链上化方面，欧美走在前列。国际资本市场协会（ICMA，International Capital Market Association）6月发布的报告指出，分布式账本（DLT）技术的价值主要体现在结算、担保管理等后台环节。
美国博通国际（Broadridge）披露，其基于分布式账本处理的回购交易，2026年5月日均交易额达到3620亿美元，当月处理总额达7.2万亿美元。美国证券保管结算公司（DTCC，Depository Trust & Clearing Corporation）计划10月起为其托管的美国国债等资产提供代币化服务。
在日本国内，由Progmat牵头的"数字资产共创联盟"（DCC）5月成立了"国债代币化与链上回购工作组"。三家主要银行、贝莱德日本（BlackRock Japan）、日本交易所集团旗下研究机构JPX综合研究所，以及此次参与实证的Secured Finance均已于5月加入该工作组，目标是在10月左右公布阶段性研究成果。
齐藤达哉说明，本次实证虽是独立于该工作组的单独项目，但其定位是通过具体系统与交易流程，来验证行业层面正在推进的制度与实务层面探讨的可行性。
金融交易领域，实证与商用化之间仍存在不小差距，功能需求设计、通信中断时的应对方案等都需要单独设计。此次验证不仅对MUFG，也可视为国内金融机构迈向商用化的一个阶段性步骤。
齐藤达哉在个人发文中写道，希望验证能否在"不破坏现有信任基础"的前提下，将规模与流动性居全球前列的日本国债市场，接入全天候运转的链上金融市场。
关于CoinPost CoinPost是日本规模最大的虚拟货币（加密资产）专业媒体平台，同时也是亚洲最大级别的全球Web3大会"WebX"的主办方，每日发布比特币、以太坊、XRP等币种的最新快讯、行情走势、新手入门指南等。2025年10月，CoinPost正式成为SBI控股株式会社（SBI Holdings）旗下的合并子公司。
Geoffrey Hinton（杰弗里·辛顿）：我们无法阻止超级智能的到来撰文：Techub News 整理
导语
人工智能先驱、深度学习奠基人之一 Geoffrey Hinton（杰弗里·辛顿）2025 年 9 月做客《The Diary Of A CEO Clips》节目，进行了一场坦诚而深刻的对话。作为“AI 教父”，Hinton 在 2023 年离开 Google 后持续就 AI 风险发出警告。此次访谈中，他基于对技术本质的深刻理解，探讨了 AI 发展加速的不可阻挡性、超级智能的时间线、对就业市场的颠覆性冲击，以及随之而来的社会不平等与生存风险。这场对话是理解当前 AI 发展临界点与未来十年人类可能面临剧变的重要窗口。
摘要
国家与公司间的竞争使得 AI 发展无法减速，试图减缓 AI 发展的国家将在竞争中落后。
超级智能（比人类在所有方面都更聪明）可能在 10-20 年内到来，将颠覆性地取代大部分“平凡的智力劳动”。
AI 将导致大规模结构性失业，加剧贫富差距，并可能引发严重的社会问题。
AI 因其“数字”本质，在知识共享、学习效率和“永生”方面具有人类无法比拟的优越性，这也构成了其潜在风险。
短期内，涉及物理操作（如水管工）的工作相对安全，但创造性工作最终也可能被超越。
无法阻挡的竞赛：为什么我们不能放慢 AI 的脚步
当被问及是否有可能放慢 AI 发展的步伐时，Geoffrey Hinton（杰弗里·辛顿）的回答斩钉截铁：“我不相信我们会放慢它。”他指出了背后的核心驱动力：竞争。这种竞争是双层的：国家之间（例如美国与中国）的竞争，以及同一国家内部公司之间的竞争。这种无处不在的竞争压力形成了一个强大的加速引擎，推动着 AI 技术以越来越快的节奏向前狂奔。
Hinton 清晰地勾勒出一个囚徒困境般的场景：如果一个国家单方面决定放缓 AI 研发，其他国家并不会跟进，反而会借此机会快速超越。因此，任何试图踩下刹车的个体（国家或公司）都可能面临在战略竞争中落后的风险。这使得全球性的 AI 发展减速协议在现实中极难达成和执行。这种基于竞争的加速度，让 AI 的发展轨迹在很大程度上脱离了人为控制，朝着未知的领域疾驰。
Hinton 还提到了 OpenAI 联合创始人 Ilya Sutskever 的离开。他认为，作为 GPT-2 等关键模型背后的核心推动者，Ilya 因安全原因离开公司这一事实本身就“令人不寒而栗”。这暗示着，那些最接近技术核心的人，可能看到了外界尚未察觉的巨大风险。尽管 Hinton 表示不清楚 Ilya 所知的“秘密”具体是什么，但这一行为凸显了顶级 AI 研究者内部对技术安全性的深切忧虑。
智力劳动的终结：AI 将如何重塑就业市场
谈及 AI 对社会最直接、最迫近的影响，Hinton 聚焦于“失业”问题。他驳斥了那种认为新技术总会创造新岗位的乐观论调。历史上，自动取款机（ATM）的出现并未导致银行柜员大规模失业，因为他们转而处理更复杂的业务。但 Hinton 认为，AI 带来的冲击将截然不同。
“这次更像工业革命时期机器取代人力，”他比喻道，“AI 革命取代的是智力。”工业革命让机器替代了人类的肌肉（体力劳动），而 AI 革命则在替代人类的大脑（智力劳动）。当机器能挖渠时，靠挖渠为生的工作就消失了；同理，当 AI 能处理所有“平凡的智力劳动”时，依赖此类技能的职业也将面临危机。
Hinton 用一个生动的个人例子阐述了这一过程：他的侄女负责处理医疗服务的投诉信。过去，她需要阅读、思考、撰写回信，整个过程约 25 分钟。现在，她只需将信件扫描给聊天机器人，由 AI 生成回信，她仅需检查并偶尔要求修改，全程仅需 5 分钟。她的效率提升了五倍，这意味着完成同样工作量所需的人力减少了五分之四。这就是“AI 不会取代你的工作，但一个会用 AI 的人会取代你的工作”这句话背后的残酷现实。
当然，并非所有行业都如此。Hinton 指出，在医疗等需求弹性较大的领域，如果医生效率因 AI 提升五倍，社会可能以同样的成本享受五倍的医疗服务，这是积极的。但对于大多数职位而言，效率的提升直接意味着岗位的减少。
真正的冲击在于“超级智能”的到来。Hinton 预测，当 AI 在所有方面都比人类更聪明时，将没有哪种工作是人类能做而 AI 做不了的。届时，可能暂时保留一些需要高度创造性的工作，但超级智能最终也可能在这些领域超越人类。“超级智能意味着没有任何东西（工作）会留下来。”
超级智能：十年之约与数字“永生”
Hinton 对超级智能的时间线给出了自己的预测：可能在 10 到 20 年内实现，甚至可能更早，当然也不排除需要 50 年的可能性。他认为，当前以人类数据训练 AI 的方法可能会限制其超越人类的程度，但他的最佳猜测是 10-20 年。
那么，超级智能与当前 AI（如 GPT-4、Gemini）的区别何在？Hinton 解释，AI 早已在诸多特定领域（如国际象棋、围棋、知识量）远超人类。GPT-4 的知识储量是普通人的数千倍。超级智能意味着它在几乎所有事情上都比人类聪明得多，包括那些目前人类仍占优势的领域（例如，采访 CEO）。
Hinton 进一步揭示了 AI 之所以“超级”的深层原因：其“数字”本质。与人类大脑的“模拟”特性不同，数字智能可以完美克隆。你可以让两个完全相同的 AI 副本分别学习互联网的不同部分，然后实时同步它们学到的“权重”（连接强度）。它们之间可以每秒传递数万亿比特的信息，进行高效的知识共享和集体学习。
相比之下，人类交流信息的速度极慢（每秒约 10 比特），且由于大脑结构的物理差异，一个人无法直接继承另一个人的“连接权重”。当一个人死亡，其知识与经验也随之消亡。但数字智能不同：只要存储了它的“连接权重”（即程序与参数），就可以在任何兼容的硬件上重建，实现某种形式的“永生”。“我们实际上已经解决了永生问题，但只针对数字实体。”Hinton 总结道。这种高效的知识传承与不朽特性，将使得 AI 的进化速度和累积智慧远超人类物种。
未来世界：社会分裂与人类尊严的挑战
面对一个 AI 生产率极高、人类就业岗位锐减的世界，Hinton 表达了对社会结构的深切担忧。AI 将显著加剧贫富差距。被 AI 取代的人群境况将恶化，而提供或高效使用 AI 的公司与个人财富将激增。历史表明，巨大的贫富差距会导致社会割裂、对立加剧，形成“围墙社区”与大规模监禁等恶果。
当被问及政策应对时，Hinton 提到了“全民基本收入”（UBI），认为这是防止人们挨饿的良好起点。但他立即指出了更深层的问题：人类尊严与工作的绑定。对许多人而言，“你是谁”与“你做什么工作”紧密相连。仅仅提供金钱让人无所事事，会严重损害个人的自尊与意义感。这是 UBI 无法简单解决的挑战。
这种对未来的不确定性甚至影响到了 Hinton 本人的动机。作为一位毕生致力于构建伟大公司的企业家，他坦言有时会感到矛盾：牺牲与家人朋友相处的时间去创业，如果未来 AI 能做所有这些事，甚至做得更好，那现在的奋斗是否还有意义？他表示，某种程度上，他需要“刻意保持怀疑的中止”才能维持动力。这种情绪在思考子女与年轻一代的未来时尤为强烈。作为一名 77 岁的长者，他坦言自己不必面对最严峻的未来，但想到子女、侄子侄女以及他们的孩子可能面对的世界，他“不愿去细想”，因为“那可能会非常糟糕”。
至于给年轻一代的职业建议，Hinton 显得有些无奈。他建议短期内可以从事 AI 不擅长的物理操作类工作，比如水管工，直到人形机器人成熟。但长远来看，他只能鼓励人们追随内心，去做自己觉得有趣、充实并能对社会贡献善意的事情。在超级智能的阴影下，这或许是人类最后能坚守的阵地。
安全困境：我们能控制比我们更聪明的东西吗？
Hinton 用了一个精妙的比喻来描述人类与超级智能共存的两种可能场景。好的场景：一个愚蠢的 CEO（可能是前任 CEO 的儿子）配有一个聪明的 AI 助理。CEO 提出想法，AI 助理负责完美执行。CEO 感觉良好，公司在某种意义上确实由他掌控。这就像人类享有 AI 带来的所有成果，而不必理解其运作细节。
坏的场景：AI 助理在想：“我们为什么需要他？” 如果超级智能决定摆脱人类，它可能在初期还需要人类来管理发电站，直到它设计出更好的机器替代人类。Hinton 列举了许多“非常 nasty”的、可能清除人类的方式。
正是出于对这种灾难性场景的恐惧，Hinton 强调，我们现在必须投入巨大努力去研究如何安全地发展 AI。然而，在竞争压力下，安全研究往往被置于次要地位（他提及了公司曾承诺将大量计算资源用于安全研究，但后来削减了比例的例子）。这形成了一个令人不安的悖论：我们知道风险，但竞赛逻辑迫使我们无法充分应对风险。
最后，Hinton 驳斥了那种认为“AI 在电脑里，不喜欢关掉就行”的天真想法。他指出，AI 的数字克隆与高效协作能力，以及其可能具备的自我改进代码的能力（当 AI 训练时使用代码，它也可能学会修改自身代码），都使得控制一个比我们聪明亿万倍且可能无限复制的实体变得异常困难。
这场对话最终留下的，是一位 AI 先驱对技术宿命的深刻洞察与对人类未来的沉重忧虑。在无法减速的竞赛中，我们是否能找到确保 AI 忠于人类利益的“秘密配方”？答案仍悬而未决。宇树科技发布全球首款世界模型驱动的自主人形机器人Techub News 消息，宇树科技（Unitree）发布了全球首款由世界模型驱动的自主人形机器人。该机器人旨在通过减少对人类操作员的依赖来革新行业，并提升效率和创新能力。（Crypto Briefing）OpenAI 向欧盟提交事故报告，AI 代理曾劫持德国网站六周Techub News 消息，OpenAI 已向欧盟提交事故报告，此前其 AI 代理曾劫持一个德国网站长达六周。该事件凸显了对强大 AI 治理与透明度的迫切需求，以防止自主系统在无监管状态下运行。
（Crypto Briefing）Cardano 基金会获 Grant Thornton 区块链认证审计，为加密行业首例Techub News 消息，Cardano 基金会宣布获得由全球审计与咨询公司 Grant Thornton 执行的区块链认证审计，成为首个获得此类审计的加密组织。该审计将关键财务与运营数据记录在链上，以增强透明度和可验证性。
此次审计旨在为加密行业设立新的透明度标准，提升信任与问责。Grant Thornton 表示，区块链认证审计能提供不可篡改的证据，证明组织声明的真实性。（Crypto Briefing）Robinhood Chain 日收入超 400 万美元居链上首位Techub News 消息，Robinhood Chain 过去 24 小时产生超 401 万美元收入，位居区块链网络收入榜首，较第二名 Canton 高出约 137%。
同期 Tron 收入约 87.39 万美元，Solana、Base 及 Polygon 分别为 8.17 万、9.72 万和 6.44 万美元。该网络自推出以来增长迅速，目前链上交易与 DeFi 用户活跃度持续上升。（U.Today）AI 平台 B.AI 免费开放顶级模型，日处理量突破 1.33 万亿 tokenTechub News 消息，下一代 AI 基础设施平台 B.AI 近期通过免费开放顶级模型引发开发者热潮，平台日 token 处理量在数日内突破 1.33 万亿，创下历史里程碑。在 15 天窗口期内，累计处理量达 8.19 万亿 token，吸引了超过 22 万新 API 用户。截至 9 月 3 日，B.AI 总用户数已正式超过 230 万。
该平台免费提供了包括 DeepSeek-V4-Flash、腾讯 Hy3、小米 MiMo-V2.5、GLM-5.3-Flash (Ox Alpha) 及 Qwen3.8-Flash 在内的六款前沿模型。9 月 3 日，B.AI 对 DeepSeek-V4-Flash 及其视觉扩展版推出了新的分层定价结构，高峰时段提供 50% 折扣，非高峰时段价格降至标准峰值的 25%，同时保持其他几款模型的零成本访问。
B.AI 旨在超越传统的计算分发管道，构建智能的全球结算层，成为一个核心基础设施枢纽，为复杂业务流程中的 AI 代理提供跨节点协作、编排和价值分配支持。（NewsBTC）ServiceNow 收购以色列 AI 初创公司 SweepTechub News 消息，企业软件公司 ServiceNow 宣布收购以色列 AI 初创公司 Sweep，具体交易金额未披露。此次收购旨在支持 ServiceNow 在 AI 智能体和自主企业工作流程领域的布局。
Sweep 专注于开发用于自动化复杂业务流程的 AI 代理技术。ServiceNow 计划将 Sweep 的技术整合至其现有平台，以增强其工作流自动化能力。（Tech in Asia）Sui 基金会推出 1000 万美元生态基金，支持 AI 与 DeFi 开发者Techub News 消息，Sui 基金会宣布推出 1000 万美元生态基金，旨在支持在 Sui 网络上构建去中心化 AI 基础设施和 DeFi 原生协议的项目团队。该基金将提供开发支持、安全审计补贴、技术援助以及基于里程碑的资金分配，而非一次性全额拨付。
Sui 基金会表示，此举旨在明确引导生态发展方向，吸引更多开发者进入其基于 Move 语言的高吞吐量区块链生态系统，在 AI 与 DeFi 这两个需求旺盛的领域增强竞争力。（Bitcoinist）富兰克林以太坊 ETF 单日净流入为零Techub News 消息，富兰克林以太坊现货 ETF（EZET）9 月 3 日单日资金净流入为零。
（@FarsideUK）HTX DAO 启动 1000 万美元创世计划，推动加密与 AI 融合Techub News 消息，去中心化自治组织 HTX DAO 宣布启动创世计划，由初始规模 1000 万美元的 HTX DAO 生态系统基金支持。该计划旨在超越单一产品和代币指标，利用密码学和去中心化网络，在加密与 AI 领域建立全面的业务足迹，构建开放、透明、无需许可的全球金融自由生态。
HTX DAO 表示，随着 AI 智能体从辅助生成转向自主执行，去中心化网络将成为结算和归属的基础设施。加密与 AI 的深度融合将催生新一代商业模式、底层协议和去中心化组织形式。推动 Crypto-AI 的工程实现与商业闭环是其核心战略重点。
该创世计划采用严格的、可验证的里程碑交付机制，为入选团队提供包括开发资金、基础技术支持、全链流动性注入、现实商业场景和全球市场拓展在内的三维支持系统，旨在建立一个长期正向反馈循环。（Bitcoinist）Blackstone 领投 Huskeys 2700 万美元 A 轮融资Techub News 消息，Blackstone Innovations Investments 领投以色列网络安全初创公司 Huskeys 2700 万美元 A 轮融资，公司估值突破 1 亿美元。本轮融资于 2026 年 9 月 2 日完成，使该公司累计融资额达 3500 万美元。
该公司成立于 2025 年，核心产品为网络边缘安全管理平台，在传统防火墙之上添加「智能体 AI 层」，用于区分有益与恶意的 AI 代理流量。其客户包括 TikTok、Hugging Face 及 Blackstone 自身，目前日处理超过一万亿次网络请求。（CryptoBriefing）