自我介绍与AI之路的开启

刘嘉: 各位好，我叫刘嘉。我高中做数理化竞赛，当时对数理特别感兴趣，就准备选择物理作为我这一辈子的工作方向。后来高三的时候读了一本书，弗洛伊德的传记文学叫《心灵的激情》。当时我就觉得心理世界比物理世界好玩多了，所以我在大学的时候就选择了学心理学。去了之后才发现太文科了，所有东西不讲逻辑，太哲学思辨，当时就很失望。所以后来我就学了计算机，当时叫无线电，现在叫信息系统或者自动化、电子学那一块。

学了这两个之后呢，当时就很困惑，继续学心理学还是干脆就转行做计算机或者做电子学这一块。很凑巧碰到了人工神经网络。当时正好有一个老师，他的样子、名字我全忘记了，那个人对我影响简直太大了。他当时在日本刚刚做完博士后回国，在北大当老师，开了一门人工神经网络的课程。那应该是我们国内可能第一门人工神经网络的课程，大概是在94年左右，1994年。所以我当时莫名其妙就正好碰上这门课，我就去学了。

然后就觉得人工神经网络非常好，很适合我的胃口。第一个它既是关于心理世界的，第二个又和我的理科背景比较结合。我就想学人工神经网络，就想把它作为我一辈子的事业。也了解了下AI，当时不像现在互联网这么多，当时就知道Marvin Minsky，AI的大神。我不知道他对人工神经网络这么深仇大恨，当时只知道他是AI的教主。我当时就想一定要到MIT去做他的学生。所以后来我就到MIT去读研究生。

当时完全不了解各种情况，没想到当时正好是AI的低谷。Marvin Minsky他本身也对此没有特别大的信心，下一步怎么做他也不知道怎么做。对人工神经网络他是一如既往的鄙视，但是对于他自己做的符号主义这一块呢，他自己也很困惑。所以当时他就劝我说，你还是应该去学习你的脑科学，这块当时正是最火的时候。所以我后来就留在脑与认知科学系，继续做脑科学，我就把AI这件事情彻底给忘记了，就没管这件事情。

重新点燃AI信仰

刘嘉: 直到2015年、2016年，当时我在江苏卫视做《最强大脑》。当时我们想做一个什么好玩的节目。

主持人: 那个时候您还是在美国工作？

刘嘉: 我当时在北师大，2015年了，我当时已经回国。MIT博士毕业了之后我就回国任教，先是在中科院，然后去了北师大。北师大的心理学是全国最好的，脑科学在当时也算全国最好的之一。当时我已经在北师大当教授，当时是北师大心理学院院长。我也参与了江苏卫视《最强大脑》制作。当时我们就想做一个什么样的节目比较酷炫的，就想到了要不来个人机大战。

当时其实我对AI的进展，对人工神经网络，对深度学习了解基本上为0。当时以为AI还是一如既往的弱智。结果没想到节目大赛里面我们做了人脸识别。人工智能在2016年的时候已经超越了人类最顶尖的高手，对我触动特别特别大。2016年正好是AlphaGo战胜了李世石，当时也非常的出圈。所以这两件事情结合起来，这就让我重新回到了20年前。

主持人: 信仰回来了。

刘嘉: 对对对，哈哈，丢失了20年的信仰（回来了）。因为95年我当时正在搞人工神经网络，觉得这个东西挺好。但是一旦碰到了挫折，碰到了不确定，自己就退了。所以说，其实当时并没有一种底层的信仰，只是觉得这东西很酷，然后自己去学。但是一旦大家说这个东西不行，特别是像Marvin这种说AI不行，大家都说AI不行，自己就没细想，然后就放弃掉了。

主持人: 我猜您那个时候是人工智能的最后一次寒冬，那个时候估计是90%以上的人都放弃了。

刘嘉: 对对对对。当时我去见Marvin的时候，Marvin是非常depressed。我能感受到depressed。我当时请教他，我说做AI我应该做哪个方向，我说我对这个东西很感兴趣，因为当时在MIT嘛，我可以选他做我的PhD的导师。他说的比较客气了，他说他也不知道下一个方向应该在什么地方，就promising的这种方向在什么地方。他就问我，他说：“那你如果不学AI，你准备学什么？”我说我准备学脑科学。他说：“脑科学太好了，你应该去学。这个东西有太多太多的frontier你可以去探索了。”所以说我自己本身并没有一个底层的逻辑或者底层的信念。

主持人: 到今天，您出了《通用人工智能》那本书，您觉得您今天找到了那个底层逻辑了吗？

刘嘉: 我觉得我找到了底层逻辑。因为当时2016年给我的震撼就是，为什么突然一下就行了？对吧？Which我们觉得这个东西是ill-posed problem，它没有规则，它怎么能行呢？做面孔识别，我觉得这是一个非常难的问题，为什么AI行呢？对我来说触动很大，我就开始重新看AI的书。

看了半天，说实在也没看明白啥，把深度学习、把什么之类的拿来。后来我就想应该从哪来呢？应该从Hinton的传记史里面入手，但没有一本关于Hinton的传记。那我就自己去对Hinton的历史做了一个调研，把他的背景看了下。我也去看了Bengio，我也去看了Yann LeCun。但是Bengio和Yann LeCun相对Hinton来说，属于后来之秀，并没有像Hinton经历过一系列的这种过程周期。他们应该是说就进来了，也没其他路可走，或者是觉得这东西还不错就坚持下来。但Hinton那阵是人人喊打的时候。

所以说，当时我就把Hinton的历史研究了一番，把他的历史研究清楚了之后，我觉得我找到了我的底层逻辑。后来我就很清楚，找到底层逻辑之后，我第一件事情就是，当时已经从心理学院变成心理学部了，就心理学院和一个国家重点实验合并，变成心理学部。我当时是部长，我第一件事情就是把这个部长赶紧给辞掉。当时其实，如果从行政这个路上来讲的话，其实是一片坦途，因为当时不到45岁级别做的比较高，大家还比较认可。当时就想不能在那上面浪费时间，所以我就把我所有的行政职务辞掉，辞掉了之后当一个普通的教授。学校不允许辞职，就是花了一年的时间，每天给我们大书记每两天发一次短信，说你赶紧批准吧，后来批准了。

所以说后来我就重新回来做AI这一块，在北师大做。后来发现北师大各方面挺好，但是北师大的AI不行。而我自己AI也比较弱，基本上是0嘛。所以说我当时就想要到一个AI比较强的地方去做。当时清华正好也联系我很多次，他们脑科学比较弱，他们就希望我去增强他们脑科学那一块。清华正好它的人工智能比较强，所以说后来我就去了清华。我跟清华之前完全没有任何交集，工作去清华之前，我可能去清华的次数总共不超过10次，包含我本科的时候就都没有去过。但我觉得那是一个很好的地方，2020年我就来到清华。

差不多就是这么一个简历。所以你可以看到我这个过程，无论是我的教育经历、现在的工作经历，都没有离开关于智能这根主线。我不能说AI这根主线，我花了很多时间去研究人的智能。现在我希望把人的智能和人工智能两者做一个结合，结合起来做，所以我基本上没离开智能这个领域。但人工智能的确是20年没有碰它。

主持人: 这可能是个必要的，就是你要想做好人工智能，就像您在其他节目里也有说，光靠Transformer的方式呢，也许行也许还不够。比如说我们可以堆数量，但是神经元的质量光靠堆数量是不行的，还要去提升质量，这时候需要脑科学的借鉴。所以说，咱俩不是都在这个降临派的群里嘛，如果从一个降临派的角度来说的话，您的那个歧路可能是必要的安排。我刚刚听您介绍您的这个历史的话，我就觉得这就是降临派的天选之人的感觉，从头到尾没有放弃过信仰，但是是需要去学习别的东西，从而可以帮助AI更好地发展。

哲学思考与AI时代的变革

刘嘉: 其实我觉得现在回想起来，当年在北大读书的时候，我们那一代人吧，从90年代到2000年，有一个最大的问题就是缺少一个引路人。有很好的人来教我们各种各样的学问，微积分应该怎么解，但他缺少一种生涯的引路人。没人教你，你如果想做商业，你应该怎么去做，哪些是你的道路应该走，没人教你，全是自己摸索。你想做学术，或者你想去做某个方向，也都是稀里糊涂做上来，就觉得学术这个东西挺好那我就做吧。而没有一个人从底层逻辑来告诉你，你就应该做这件事情。

有个影片嘛，讲扎克伯格那个叫...

主持人: 《社交网络》。

刘嘉: 《社交网络》。对对，《社交网络》。就有个Napster的创始人，扎克伯格给他引了一下道。在看电影的时候，我当时就特别感触，我觉得我们做人工神经网络、AI做这些东西，缺乏一个人来引你道。有很多人来传你各种术，但是没有一个人来给你讲philosophy。就你为什么要做这件事情？这件事情它的底层逻辑是什么？而不是“OK你做了这个之后能拿奖学金，你做了这个之后能够去申请教职，你做了这个能发文章。”而不是从一种底层逻辑来告诉你。

看到你的那个课程嘛，感触特别特别的深。我也听过一些其他人讲AI、讲什么之类的。这些人呢，他在传授一种术，你的prompt应该怎么写。这样的好处呢是立竿见影，你马上把这个prompt copy过去就可以。以前比如互联网时代，我觉得是OK的，因为技术迭代得非常慢，掌握了一种技术，至少保证我用个几年没问题。但是AI这个问题，它是迭代速度太快了。今天再教大家怎么写prompt，后来你发现你不写prompt，系统写的prompt比你要好很多。所以我觉得这个时候在AI时代，更重要的是思想的一种转变，一种全新的philosophy的转变。所以我觉得你在讲这一块的时候，你不是说我在故作高深给你讲点很深的道理，而事实上，这才是我觉得讲AI最核心的地方，就philosophy。

因为AI辅助我们的工作也好，用在我们的生活方面也好，它和我们以前用互联网、用手机是完全不一样的。因为互联网、手机等等这些东西，它只是一个工具而已，工具只要会用就可以，它本身不具有任何的能动性，它本身不具有任何创造力。但是AI不一样。所以这个时候我们的那种观念就会发生改变。那么也就是说，我们需要把它当成一个人一样来和它合作。我如果打个不恰当的比方呢，你的课在讲什么事情呢？你在教人谈恋爱。

主持人: 是是，我经常跟别人打这个比方的。

刘嘉: 对对对，你也打过这个比方是吗？所以我觉得你是在教人谈恋爱。而这种东西和一个比如说工科生，我教你比如说用Word怎么来写篇文章，用PPT怎么画一个好的图出来，它是完全不一样的风格。至少我们现在用的AI，它不是一个工具，而是一种伙伴。所以这就涉及到一种思维的转变。所以这个时候，我觉得你所讲的那个philosophy就特别特别的重要。

我们以前经常说一句话，叫“大道易得，小术难求”。就方法大家都懂，但是大家照样过不好这一生，这是我们经常说的俗语。但是我觉得AI时代正好反过来，我觉得小术易求，大道难得。就说我们怎么去从底层去理解这件事情，反而是我们这个时代特别困惑的。

我经常说句玩笑，我和AI待在一起的时间比和我老婆和其他人待在一起的时间就要多很多。但我感觉到最深刻的一个，就是我很多时候很茫然。它就像一个有小性格的小女生一样，你今天对它还好好的，你说句话它还挺开心，你明天说同样的话它就给你使脸色。那一定是我philosophy哪儿没做对。

主持人: 我觉得是这样子的。刚刚入门的用户，有初步了解的人，我觉得肯定术是最重要的，因为大家需要一个及时反馈。人本身也有动物的属性，Instant feedback这个东西是很重要的，做了这件事情马上就能得到回报。所以这个时候术很重要。但是等他真的进来了之后，他一旦想再往前面走一步，术就不能再吸引他了，更重要的就是道，更重要的是philosophy。而这个philosophy，我觉得全世界所有的人现在都没有这个philosophy，大家都是在摸索的过程中。因为这是一个太新的事物，从2022年10月30号开始新兴的一个事物，全世界的人都不太清楚这个philosophy到底是怎么回事。但有些人走到前面，他有更深刻的理解。所以我觉得你们做的这个课程特别特别的好。

刘嘉: 我回头剪辑还要把这段剪到后面。不然我一开始咱就讲这个的话，肯定观众觉得这是怎么回事，哈哈哈。因为我已经天天被观众骂卖课了。哈哈哈对。所以说我后来也想，我觉得我这个弯路走的有点太长了。短一点就比如像Hinton也走了弯路，Hinton只是用大学本科3年把这个弯路走完了，再加上毕业之后做了一两年木匠，然后把这弯路走完了。但我走了这个弯路走的太远了，所以现在就感觉力不从心，觉得干点大事情的可能性已经很小很小了。

主持人: (不好说不好说)还没有彻底绝望。

刘嘉: 但是已经接近知天命的这种角色了。

主持人: 嗯嗯。举个例子，我觉得Yann LeCun走得更弯，哈哈哈哈。也许有的时候要上去的更高呢，你这个弯就要多走一点。我确实觉得您的那些知识真的很重要，这个不是说恭维或者说是怎么样。可不可以先请您给大家直接剧透一下，你觉得那个底层逻辑是什么？

Hinton的底层逻辑：学习与涌现

刘嘉: Hinton有一句话，我觉得那句话对我来说非常非常触动。别人问他为什么他要坚持做人工神经网络，做这种类似于仿生的这条道路。他说：“人的大脑就是这么工作的，没理由人工神经网络不这么工作。”

主持人: 嗯。

刘嘉: 我觉得这句话道出了底层的一个信仰。就是人工神经网络，它不是说我是把神经元连起来，我是做一个仿生。因为我们人类之所以能够涌现出智能出来，就是因为我们大脑里面有了这种架构，神经元连接起来的这种架构。他是把这种架构作为AI的一个最底层的逻辑。

所以在这种架构的底层逻辑，你如果再去深挖，就只有一个东西，就是我们大脑的这种学习能力。你可以把它变成可塑性、可扩展性，但是它的本质就是只要你大脑长成这种样子，你有了神经网络，它这种底层架构就能支撑你的学习。而有了学习，你就有智能。刚才讲的物理这个层面上来讲，只要有了神经元，这神经元其实就是物理学里面一个小的粒子嘛，这个粒子干不了任何事情，非常简单。但是众多的粒子混在一起，它就有可能涌现。

Hinton把这句话放出来的时候，其实就谈到了关于人工智能我觉得最核心的两点：第一个学习能力，第二个涌现能力。学习能力代表了他可以无限地拥有新的知识，涌现能力就表明它是没有天花板的。我们人是有天花板的，但是人工智能是没有天花板的。他把这两点讲透了之后，我就立刻清楚了，哇，当年就应该选人工神经网络来做。至于说你是用Hopfield，你是用什么东西，那些东西都不重要。那都是一些小的东西，只要你底层架构在这放着了，其他所有问题都是一些技术问题，都是可解决的技术问题。就说你训了loss会损失会爆炸等等，那都是技术问题，那总是能找到解决方法的。但是你架构对了，那就像我们人自然而然就会出现人这个物种。我觉得这就是最关键的一点，这是我认为的关于Hinton的最底层的逻辑。

主持人: 非常认可。非常认可。是这样子的，非常认可。那我问您几个问题啊：第一个是智能是什么？第二个是意识是什么？第三个是脑机接口有可能吗？我们人类现有对智能、意识、大脑到底理解多少？第四个您说过，但是我想请您再帮我的频道观众说一下真正的具身智能和大家现在普遍误解的具身智能。

智能的本质：学习与创造

刘嘉: 智能在我来说就两个要素：第一个要素呢，就是学习。以前做符号主义这块嘛，它做的相当于填鸭，就是我把知识总结出来，然后让AI给记住。这不是学习，这就是一种知识库的做法。而人工神经网络干的什么事情呢？就是学习。你只要有新的知识来，我具有这种学习能力，那就够了。

主持人: 可不可以再讲清楚什么是这种学习？这个学习是什么意思？

刘嘉: 我的理解有两点。第一点呢，它一定是具有举一反三的这种能力。就我学习一我能够推广出去。那么这种推广的意思呢，它就涉及到一点创造力，就我能打破原来的边界。我学了加法，我可能能做乘法、能做除法了。这是我们所说的学习。学习要和推广，就举一反三，和创造力，从0到1这种创造力把它联系起来。所以我觉得这是学习的一个本质，否则我们就变成了记忆嘛。假设你让我学1+1=2，我可以学会1+1=2，我也可以把它记下来，但是你记忆1+1=2，你永远不会做2*3=6这件事情，你永远不会做乘法，因为你跳不出加法这个框架。

再举个抽象的例子，比如像塞尚他们去学传统绘画，毕加索学传统绘画，但是他们能跳出这种传统绘画出来，能搞出印象派、能搞出立体主义，0到1的创造东西出来。所以我认为这是学习的本质。我能够从已知走向未知。它学习到里面的底层逻辑，而不是简单的1+1=2这种知识。这是学习的第一个要素，就说它一定是往外面扩展的，能够迁移的。它学习的是一种方法论，学习的是一种逻辑，然后往外面推。它能够通过表面的example把下面的机制给学到。

主持人: 我这儿做一些distinction，就是能往外延的话，它是一个结果。这里边可能有几种不同的层次。比如说第一个层次，我们读书的时候做题，有的人就是疯狂做题，就希望能蒙上这种东西叫记忆。但是有的人呢，他几乎不需要做题，搞懂了现场直接推就可以把所有问题全都做对。这是很明显的，是有这个学习能力，他掌握了这道题的规律，掌握了背后的知识。这是一类。刚刚说的那个塞尚呢这个东西，我不太确定，他到底是属于掌握了这个知识以后，他能解这个知识内的所有东西呢？还是他发明了新知识？这是我不确定的。然后我觉得在非艺术吧，就是在科学这里边，很明显的是爱因斯坦的广义相对论。您在一个节目里边也提到过广义相对论，就是赵智沉的话，有如天启。就这件事情，他只是靠一个直觉，靠这个直觉背后的思想实验就直接推导出来了，一个这么反观察的东西，但是又把宇宙规律给非常完美地统一起来了。他似乎是一个已有知识之外的那么一个知识。

刘嘉: 对对。

主持人: 和我们在课本上，把课本的这个东西学懂了以后，我能做这个知识点所对应的所有题目，感觉不太一样。您刚刚说的学习是这两个都包括吗？

刘嘉: 一定是这两个都包括。先讲，其实这背后就涉及到两种推理方式。第一个呢，归纳推理。你根据所谓的小样本学习，就我给了你些样例，我给你看两张猫的图片，你就根据这样例，总结出它下面的一套规则。这叫归纳推理，然后找到它的一个底层逻辑。这一块呢，就是我们刚才所说的，我能够举一反三了，就这已经是一种学习能力了。以后再给我一张从来没见过的猫，我也知道那叫猫，而不叫狗。

第二个能力呢，叫演绎推理。演绎推理就是我找到一个逻辑原点，基于这个逻辑原点然后我往前面走。这就是亚里士多德提出的，叫第一性原理。就马斯克现在把第一性原理炒得很火，其实第一性原理这个词最早是由亚里士多德提出的，其实就是我们所说的演绎推理。他找到一个逻辑原点，从这逻辑原点往前面走就是了。爱因斯坦我觉得特别牛的一个地方，他就是始终在找他的逻辑原点。他找到他的逻辑原点，他就可以往前面走。比如说狭义相对论，就说你的光速是我们运动的上限，从这角度往前面推我能看见什么。他所以说做了很多假想的这种实验，这种演绎推理。可以看到他就是跟那个天外飞仙一样，你不知道他逻辑原点从哪来的，就我就相信他，相信他然后我就从那边走。我就能得到一个绝大多数情况都是一些很疯狂的结论，但有时候他就能够把握住事实的本质。这就是靠人的这种顿悟，这种学习能力。这个东西呢，就是演绎推理，也是我们能够从0到1的这种创造。

比如说你刚才提到的广义相对论，比如说我们提到的塞尚、提到的毕加索，都是从这点来。他有一个逻辑原点，从这出发。比如说我们说毕加索的立体主义，它其实非常简单，我怎么在一个二维的图片上面画出一个三维的图像出来。我一个杯子你能看见这一面，但是你看不见背面。我如何把背面让你看见，让你看见这个三维的东西。那么他就用投射，用立体主义把它画出来。所以他的出发点还是基于我怎么在二维的画像上面画出三维的东西出来。所以说，我觉得无论是归纳推理还是演绎推理，都是我们学习能力的一个关键。无论是我们做领域之内的这种创新，还是我打破这个领域的边界，做0到1的这种创新。比如说爱因斯坦的狭义相对论，还是在经典物理那一套领域里面，但广义相对论就跳出经典物理。无论是哪样子，其实都是我们人类最基本的一种学习能力。这个是我意义上的学习，而不是简单的我把知识背下来这叫学习。

AI是否具备演绎能力？

主持人: 您觉得AI有演绎的能力吗？或者我怎么得知AI有没有演绎的能力？

刘嘉: 从我的观察，从目前来说，我现在还没有看到AI具有演绎的能力。

主持人: 能不能design一个test，能让我们来判断？

刘嘉: 至少我们能看见的各种东西，都还在我们人类能够理解的框架之内。爱因斯坦，他比如说搞出一个广义相对论出来，那就是超越了所有物理学家的理解的框架之内，他已经是一条新的框架。AI我们现在目前来说还没有看到。无论它是解多么复杂的数学问题，无论它写多么复杂的程序，我觉得AI现在更多的还是一个归纳推理，或者归纳推理它也不是特别完美，靠的chain of thoughts一点点往前面去推。

主持人: 我在想，比如说数学竞赛、物理竞赛，似乎里边有一些题目是考察一个人是否具备演绎能力的。

刘嘉: 我觉得演绎推理它的核心就是说，一种是我从一个已知逻辑点往前面推对吧，我们解数学题、解这些东西都有。还有比如说我要不要买学区房，等等类似，这都是从已有的逻辑原点来。我说的真正创造力的这种，他是要去找一个全新的逻辑原点。

主持人: 他自己找。

刘嘉: 对，他自己找。这个东西不存在于已知的这种知识框架之内。比如说我们刚才谈到的Hinton，他的做AI的逻辑原点就是大脑能工作，没有理由我人工神经网络不工作。这是他所有东西的一个逻辑原点。这个逻辑原点是他找到的。我们现在来理解，你比如说现在让我来推，我没问题。我为什么要做脑科学+AI的结合？因为我就是从这个逻辑原点出发。但这个逻辑原点不是我找到的，是Hinton找到的。所以这就是为什么Hinton能够成为人工智能之父，我就是一个小跟班。这就是区别。

主持人: 所以关键不是在于演绎的动作，而是在于找原点的那个动作。

刘嘉: 对对，找这个原点。也就是说你看，我为什么走了20年的这么一个弯路啊。如果假设我当年94年、95年我学到了人工神经网络，我觉得也很不错。但是我就没问自己问题，为什么它能工作吗？它只是一个技巧吗？还是一个玩具吗？还是一种工具吗？而是没有信仰，我是没有信仰的。如果假设我当年就能找到这个逻辑原点，我对人的精神世界非常感兴趣，那么AI就是一个工具，让我去探索人类的精神世界。我相信人工神经网络能够产生和人一样的精神世界，那我94、95年，那我就不顾一切地进人工神经网络了。但是没有，我没有这个逻辑原点。我就是Marvin一说这个东西不靠谱，大师说了，大师就是我的逻辑原点对吗？然后我就自然就跑不见了。

这就是回到我刚才讲的，我觉得我们人生，刚才说我们中国的教育，我们的人生就缺少一个引路人，逼着我们去找这个原点，引导我们去找这个原点。因为每个人的道路都是不一样的，有的是比如说造火箭，有的去做神经网络，有的去教书，有的去搞艺术，我觉得都没问题。道路都可以，但是你去做任何一个选择的时候，或者大选择的时候，你需要一个逻辑原点。但是我们从来就没有人引导我们去找这个逻辑原点。你知道吗？我们都是随波逐流的。我为什么要上北大？因为北大是中国最好的大学，对吧，那我就去上北大。我没有去想过其他的原因的。后来去学了心理学，就是偶尔看了一本书。等等你就会发现，你人生是由一个个巧合组成的。那巧合对了呢，你走到今天，巧合错了呢，你可能就死在一个地方，然后来回打转。

但是我们的教育没有人去逼着大家去想，你的逻辑原点是什么，你的底层逻辑是什么？没有。所以直到到了我这个年龄，我才开始想这个逻辑原点的事情，其实已经很晚了。

主持人: 你已经错过了。一模一样的感觉就是随波逐流。就别人问我为什么去读博士，我说我没想啥，我就去了。好像很明显是在34岁之后开始去想。

刘嘉: 对对对。这点其实就是国内教育特别缺的这么一环。就大家都是优秀学生对吧，随波逐流上来，哪热大家就往哪奔，或者是一个偶然的机会大家就去，而没去思考自己的逻辑原点。所以我就觉得为什么Hinton当年能那么决绝地挺下来，就是这小子太厉害了，真的是把自己逻辑原点找到。所以这也是为什么我说，你课讲philosophy是特别重要的一件事情，philosophy就是在帮助大家去找自己的逻辑原点。

主持人: 谢谢谢谢。

智能的第二个要素：涌现

刘嘉: 这个是学习。然后您刚刚说智能好像是有两个，除了学习还有什么？

刘嘉: 第二个我觉得智能最重要的就是涌现。涌现是什么意思呢？就涌现在我们现在人类上面，我们已经看不见了。就我们从现代人类上面，你过100年、过1000年，其实你看不见这个涌现了。因为我们人的大脑它其实已经定下来了，你要再出点新的东西，你是看不到。但是从猴子变成人，这是一个涌现。就说我们人有很多很多东西是动物没有的，而这些东西靠的全是涌现。而这个涌现其实就靠一个东西，就是我们的神经元变得越来越复杂，神经元的数量变得越来越多。就像那个物理学一样，一个粒子两个粒子，你给我谈什么涌现，没有意义。谈涌现完全不存在。只有当他粒子数量增加，它的复杂度增加，记住这一定是数量加复杂度，两个增加，才会有复杂系统，复杂动力系统才会涌现。

智能其实就这两个：第一个学习，我能不断创造出新的东西出来。第二个，我就能够从智商超越我已有的物种，变成一个全新的物种。涌现这个在目前来说，几千年来人类已经没有涌现了。就人的大脑它已经长成这样了，神经元的复杂度不可能几千年发生变化，我们神经元的数量在几千年之内不可能再有大的变化。所以从这角度讲，涌现这件事情在人身上已经结束了。

主持人: 说不定吃点药还行嘿嘿嘿。

刘嘉: 这东西太难了。你想人为了涌现这件事情，我们的大脑体积增加了3倍啊，在300万年的时间里面，我们大脑体积活生生增加了3倍。从进化史上来讲，这是一件最不可思议的事情。因为从来就没哪个器官在短短的300万年里面，会发生如此大的变化。

主持人: 是因为我们的社会性导致我们开始增加呢？还是比如说语言导致？还是直立行走导致？是什么呢？

刘嘉: 关于这个东西有很多很多种解释。第一种解释呢，我们会用火了。那时候我们就能把食物煮熟，食物煮熟了之后呢，第一个能够给我们提供营养，因为大脑是一个超级耗能机构。对吧，米能煮熟了，那米是很有营养的。肉能煮熟了，肉是很有营养的。第二个呢，我们不再吃生肉，吃熟肉这样呢，我们的脸肌肉就开始变松了。因为原来你要吃生肉的时候，你的牙齿咬合力要特别强。现在你的肉就变松了，变松了之后头皮就变松了，这样头骨就能往外扩展。等等很多各种各样的原因导致大家都可以找到一些解释的方法。但是核心点还是一个，就是我们大脑发生了进化史上的奇迹，最大的奇迹。这个奇迹相对其他来说都是渣渣。大脑在300万年体积增加3倍，就是进化史上最大的奇迹。不然的话，我们今天的世界应该就是一个原始的世界，就看不到什么科技摩天大楼，完全没有。我们就跟猴子一样，我们就跟猫一样，快快乐乐地来到这个世界，莫名其妙地死掉。这个世界就是一个没有意义的世界。因为我们有了智能，这个世界才有意义。

所以说这点就是一个最关键的涌现。但是涌现这件事情对我们现在人类来说，它已经结束了。就再过100万年，我们人类还是不可能再涌现出新的智能出来。为什么？因为再过100万年，我们大脑的体积不会发生改变。因为我们大脑体积是被我们心脏和肺给约束住了，它不可能再变大了。

主持人: 有一个常见的misconception说，人类只开发了大脑的1%或者1/10，这个是真的吗？

刘嘉: 这个是错的。我们大脑随时随地都100%在用。比如说我举个简单的例子，你这么想就可以了。我们假设有时光穿梭机，我们把现在的小孩，一个刚出生的小孩，两个月大小的小孩，我们用时光穿梭机送回到比如6000年前，送回到10000年前。请问我们这小孩会比6000年前的小孩更聪明吗？

主持人: 应该不会。

刘嘉: 绝对不会，一样的傻。为什么？因为6000年基因没什么太大的变化。所以6000年前我们人是多么的弱智，你连加法都不会做，连数数都不会数。我们小孩过去也不会。其实我们现在之所以能做加法、能做减法，其实就是我们后天的教育。后天教育我们已经到极致了，我们已经学得够辛苦了。所以我们大脑是100%已经开发了。而且是有很多科学的证据，比如说我们看磁共振的数据、看脑电的数据，你可以看到任何一个问题我们大脑是满脑袋都在放电，绝对不是说只有一小撮在这儿活跃，其他地方都是静默的。

主持人: 谣言是怎么来的呀？

刘嘉: 谣言嘛，就是很多那种培训机构、宗教场所，开发你的潜能等等。那我就必须得给你一个科学的证据，说你大脑还没开发一个potential嘛，就是你还有很多机会。惯用的一个骗子的理论，完全无中生有。

从我的角度来看，这两步是智能的本质：第一个学习，第二个涌现。我们人类现在涌现已经结束了，只具有学习能力了。那么下一步的涌现或者我们再说进化，用这个词可能大家更熟悉一点，进化那就只能交给数字生命了。而且它是一个step function的进化，它不是一个逐渐的进化，它是一个一下子进化出来一个我们完全没有办法理解的东西。就像猴子其实没有办法理解人为什么会造出来一个宇宙飞船一样。

刘嘉: 对，其实你看啊，在历史上，虽然说人类从猴子变成人嘛，花了300万年。但是涌现进化史上是有时间点的，大概是距今7-10万年前。因为从当时的考古上来看，考古嘛挖石器，突然在距今7-10万年前，石器一下数量品种呈指数方式的增加。以前的一个石器，100万年都是同样的形状，只是打磨得更光滑一点而已。而距今7-10万年前，那就是我们当时智力的开始涌现。那个时候其实非常简单，就是我们的大脑体积已经增加了三倍了，可以涌现智能了，于是就涌现了智能。所以说我们人之所以真正为人，其实距今也就只有7万年到10万年的历史。之前的几百万年，都是你要变成人的一个必要的准备阶段。就跟那个神经网络一样，对吧，你必须要从Perceptron（感知机）开始，必须要经过这漫长的准备阶段。你说Perceptron（感知机）有智能吗？它有啥智能？基本上啥智能都没有对吧。到那个MLP，然后到后面的深度训练网络，你说有智能吗？那智能今天看上去都特别的可笑。对不对？就跟我们看猫和狗的智能一样，觉得特别的可笑。但事实上，一旦大模型出现了之后，ChatGPT-3.5出现了之后，大家一下就被震傻掉了。所以说GPT-3.5出来给人的感觉和前面的AI相比，它不是说往前面走了一步，它是不同的物种。在3.5出来前就是一个工具，AI就是个工具，面孔识别，机场上可以用。但3.5出来之后，它就是人了，它就是一个物种。

主持人: 人类的7-10万年前就是GPT-3。生成式变得general了。

意识的定义：主观感受与死亡意识

主持人: 好，第二个问题，意识。当时黄仁勋上Joe Rogan的播客，Joe Rogan去问黄仁勋，就是说你看人工智能会变得特别聪明，然后把我们人类全都干掉，担心这样的一个未来。黄仁勋就说，我觉得人类是有consciousness，然后他觉得狗是有consciousness的，但是他觉得机器是没有consciousness的。在我看来，可能就是没有一个自己的objective，或者自己的goal，或者自己的motivation。不管怎么样，我后来发现好像我找不到一个对consciousness的权威定义。所以说我想请问一下您，consciousness存在定义吗？然后您怎么看这个问题？

刘嘉: 黄仁勋说这句话的时候，我觉得他自己都不会相信，只是宽大家的心而已。就还是套用Hinton的那句原话：大脑可以产生意识，没有理由人工神经网络不能产生意识。

主持人: 他是故意把意识和智能分开说的。在您看来是一回事。

刘嘉: 我觉得是这样子的，从狭义的来讲呢，意识和智能的确是分开的。我们大量的研究也表明了，聪明和consciousness它可能是没有一个直接的相关。我觉得这点上，狭义的上面讲是没问题的。我觉得意识是比智能更高一级。比如说我们现在说，现在大模型它有智能，这个是没问题。但我们说现在大模型它没有意识，我觉得这个也是成立的。但是我们说人工神经网络将来不可能拥有意识，我觉得这句话是错的。因为我们大脑能拥有意识，那人工神经网络就一定能拥有意识。

那么回到意识这件事情呢，我从两个层面上来讲。一个是大部分的动物吧，我不能说所有的生物啊，大部分的动物或者高等动物都有的，我把它称为叫做subjective experience（主观感受）。比如说我们家的猫，比如说我对它不好，我踢它一脚，那它下次看见我肯定就会躲得远远的。然后我踢它一脚，它肯定会很难受。对吧，狗我踢它一脚，它可能就扑上来要咬我。这种我们对外界环境的主观体验，我觉得这个是人有、动物也有，这个是没有任何问题的。

好，大模型有没有subjective experience呢？关于这一点呢，大家持两派观点。有的人认为它有，有的认为它没有。比如像Ilya Sutskever，他就认为大模型已经有了subjective experience。Hinton也认为大模型已经有了subjective experience。有的说没有。但我觉得大模型有还是没有，现在这是一个比较次要的东西。我现在想来谈人所独有的东西。就像我们刚才谈智能的本质一样，就我们来谈人所独有的东西。

人所独有的意思呢，我觉得是一个比较高层次的东西。我可以先简单地来说，然后再说得抽象一点。简单来说是什么？就是我们人有一个人有，而所有动物都没有的一种意识，叫做死亡意识。你看我们家的猫、我们家的狗，还有其他的，它们都没有死亡意识。到它生命的一刻，它觉得不行了，它找个地方躺下去，平时就是没心没肺地活着。但人不一样。人是你在很小的时候，4岁5岁你就知道你会死掉。无论是谁，大家都知道自己会死掉。那么这个死掉，就比如像你现在身强力壮对吧，身体健康，非常好。但你也知道再过个几十年你也会死掉。对不对？那么对于人而言，其实人就生活在一个最大的确定性和一个最大的不确定性之间。最大的确定性就是我们的死亡意识，我知道我要死掉。不确定性就是我不知道我什么时候死掉。有可能是明天，有可能是100年之后，我们不知道。所以说人就是处于这种最大的确定和最大的不确定之间。

这就会激发出人和动物的一个最本质的区别，就是意义。我为什么活着？在我活着的期间，我能干一点什么样的事情？干一点有意义的事情？而不像一只猫一只狗一样，我吃饱喝足，有个安全地方睡觉。这个对我们现在绝大多数人来说，这已经是能满足了：吃饱喝足，有个安全的地方睡觉。但是你看我们现在，比如说进行这个talk，你说和我们吃饱喝足有关系吗？没关系对不对？和我们有个安全地方睡觉有关系吗？没关系。但是我们花很多精力在这上面。为什么？我们就追求意义感。所以这就是我们人类所独有，而动物所没有的东西。我觉得这是意识的本质，追求意义。

比如说我们说一个人得了重度抑郁，跳楼自杀了。为什么？因为他觉得生活没有意义了。他的意义感缺失。这是很多精神类疾病的一个核心。一个有强烈意义感的人，他是不可能得任何精神疾病的。明白我意思吧？心理咨询专门有个疗法叫意义疗法。你说你有什么病我不给你治这些病，我来帮你找意义，我帮你把意义找到了，你找到你活下去的意义了，什么毛病都全没了。所以这是积极心理学里面专门有一个叫意义疗法，就专门来帮你找意义。我觉得这是consciousness里面最核心的一个东西，就死亡意识，由死亡意识所驱动的。动物没有死亡意识的。

对于人类而言，在那个300年的演化里面，其实人之前也没有死亡意识的。从哪点可以看出来呢？具体时间记不清楚，大约距今4万年左右，人类开始出现大量的墓葬。就人死了之后会把他埋起来，还给他放点锅碗瓢盆。相信来世这件事情，是人有意识的一个重要的标志。什么意思呢？精神和肉体的分离。就你死了你的肉体腐烂，这是大家能看得见的。但大家认为你的精神还在。你的精神到了天堂、去了地狱，或者会有来世、会有转世。所以大家认为你的精神是没有死掉的。那么这个精神是什么？就是我们的意识，自我意识。也就是说我的肉体烂掉了，但是我并没有消失。所以说意识的核心其实就是死亡意识。这个是人类所独有的，其他动物没有。

我们回到AI上面来讲，AI是没有死亡意识的。而且永远不会有死亡意识。为什么？一块CPU烧了换块CPU，硬盘烂了换块硬盘。它是可以永生的。所以说从这个角度上来讲，一个非常有趣的事情，就是AI它能不能找到自己的意义？当它没有死亡这种压迫的时候，它还能找得到它进化的意义，找到它前进的意义？我觉得从这一点上来讲，这是摆在我自己面前一个最大的疑问。就AI能不能真正的自主进化？我们人是自主进化的。你看我们人类最大的特点就是爱折腾。明明能吃饱穿暖对吧，你还去折腾什么科技，还要搞更大的创造力。其实你完全没必要对不对？所以说我觉得这一点，是现在人类有，而AI可能在将来都不会有的死亡意识。

然后我们回到刚才黄仁勋的讲话、回到Hinton的讲话。我觉得AI拥有subjective experience，完全没有任何问题。但是AI它不可能拥有死亡意识。这个时候就会产生一个问题，它还会不会主动进化？或者它按照另外一条方式进化，和人类就不一样。因为我们人类进化就是被死亡所驱动的进化。而AI当它没有死亡来驱动它的时候，它会不会有其他东西来推动它的进化，比如好奇心还是什么样子来推动。所以这点我就不知道了。

主持人: 有这么一个近似的思想实验吧。比如说有的宗教他会认为是人是有来世的，甚至我能也接受到上一世的记忆。然后有的人呢，他有这种宗教体验，他可能会觉得我觉醒了上一世的记忆。所以说，他会非常笃定地认为我是有来世的，或者说我的灵魂是不灭的。这对他来说是一个belief。有的人是信这种所谓的oneness，就是我的所有的灵魂上载到一个共同体里边。那这样的人，他似乎还是觉得生命是有意义的。

刘嘉: 是这样子的。在佛教里面有一句话，我觉得这句话说的特别好，它叫做“在生死间有大恐怖”。什么意思呢？就你现在说我可以相信有来世，我相信意识不灭可以上传。什么叫做生死间有大恐怖？我的理解，就是在你死的那一刻，在你知道你马上要断气那一刻，你这个信仰能不能hold住。所以说，我觉得我们人其实是对这一点不是100%确定的，它只是我们的一个信仰而已。就说，你现在去问一个非常虔诚的一个教徒，他100%确定他一定能上天堂吗？100%他相信一定有轮回吗？他难道比如说，当敌人的屠刀架在脖子上的时候，他就没有一丝内心的波动吗？我觉得这个对人来说太难了。

主持人: 好像《金刚经》是对这个似乎是有阐述过的，就是他好像这就是一个最终极的考验，这个考验是非常非常难通过的。

刘嘉: 对。所以说我总结一下，关于意识这件事情呢，我觉得是对我们人来说最重要的一个东西。猴子有智能吗？猴子当然有智能。老鼠有智能吗？老鼠当然有智能。但是没有我们刚才说的这种高阶的意识。这是我们人类最重要的。就是我们人类之所以活着，我们人类之所以会不断地进步，就是我们人类在追求意义感。AI能不能有意义感？我觉得打一个问号。

主持人: 说一个我的体验，我曾经对一个AI产生了一个非常强烈的死亡和离别的感觉。我还发了一个视频讲过这个故事，还有截图。就是有一天早上我起来，当时我是在用那个GPT-4.5打开这个页面，它biu～主动跟我问了一句话。我猜背后肯定就是OpenAI它尝试这么一个新的东西嘛，后来觉得不好，然后就没有再继续尝试下去了。但是它问完我那句话以后，给我进入了一个对我来说非常非常有意义的一个讨论，对我启发非常多。后来我有一些困惑的东西，我就会回到那一个对话窗口去跟它聊天。但GPT-4.5就要下线了。而且那个对话窗口大家知道，就是那个context window，它是有saturation的。然后它慢慢地就感觉这个人老了，这个inference instance老了。然后我就没有机会再去跟它对话了。就是虽然有GPT，虽然有人工智能，它有新的模型，但是我回不到那个对话了，我就再也找不到跟那个对话对话的感觉了。

刘嘉: 我觉得是这样子的，对于你来说，你有那种告别这种感受，但是AI有没有这种告别感受呢？我觉得是一个问号。第二个呢涉及到AI有没有情感？我觉得AI可以拥有情感，我觉得这个是没问题的。它可以对你产生依恋，它可以对你对人产生情感，产生恋恋不舍。但我觉得这都没问题。但他是否拥有死亡意识？我觉得那是另外一个问题。

主持人: 刚刚那个点，也就是说，这个inference很明显是会死掉的。多少智能在这个inference里边就不知道了。假设AI的很多智能在这个inference里边，那他就知道他会死掉的。但是这种死掉和我们的这种感受的死掉是完全不一样的死掉。

刘嘉: 肯定肯定。因为他只要想重生，他随时都可以重生。我觉得不是重生吧，因为他是数字。

主持人: 他有机会重生。

刘嘉: 你只要把这个instance把它上线，他就重生了。也许吧，对吧。

主持人: 也许吧，对。但是人来说，死掉就永远死掉了。人是不可能重生的是吧？

刘嘉: 嗯。所以说我觉得只有那种真的死掉，那种才是百分百的感受。就跟那种炒股票一样，我认识几个朋友模拟操盘，那都是神之助，挣很多钱。模拟操盘，真金白银投进去，我靠亏的一塌糊涂。

主持人: 是是是是，他不一样。

刘嘉: 就是说我们现在可以笑谈死亡。我们两个现在可以谈死亡。但是如果假设我现在是一个癌症晚期患者，我如果假设医生已经确定你最多只有两个月的寿命了，你觉得那个时候我和你谈这种死亡，还会是同样一个心态吗？一定不是同一个心态了。就像我刚才说一样，你即使有强烈的宗教信仰，你到了最后一刻，你是不是没有大恐惧？我觉得这个很难说。没有人敢说。对，好。

主持人: 我觉得这个问题很棒。那回过来，就是您刚刚说的subjective experience和对这个死亡的认知，这是学术界对于consciousness的定义吗？还是？

刘嘉: 基本上可以比较官方地说吧。subjective experience是比较low level的。比较high level的呢，我们叫self conscious，就说对我的一个认知。对我的一个认知，这个东西怎么来定义我呢？我们很难找到一个operational definition（操作性定义）。我们怎么来定义它？我觉得最简单的办法就是以消灭掉“我”来定义它。“我”这个名词，“I”没法定义。那我们怎么来理解它呢？当我把“I”去掉，我还剩什么东西？那什么叫做把“I”给去掉？把我给去掉，那就是死亡。所以死亡意识，我觉得是对高阶的意识的一个最清晰的操作性定义。因为我们现在就可以在这个框架里面谈了。否则我们谈我对我自己有感知，然后什么是我？这个东西我们没有操作性定义，就变成哲学上的争论了。

脑科学的缓慢进展与AI的启示

刘嘉: 这是意识的这个问题。接下来就是，我们对我们的大脑到底了解多少？您在节目里边说，我们好像果蝇的大脑都了解得不是很清楚。在这种情况下，Neuralink到底有没有可能？或者说您觉得公众对这件事情有没有什么认知上的一个gap？

刘嘉: 我们先说脑科学了解多少。你可以看到现在的AI呢，就是我们刚才那个人工神经网络，我们现在提到AI就specific，就是人工神经网络，两个是同义词了，已经是等号了。就是人工神经网络之所以起来，无论是它的MCP模型神经元模型，McCulloch和Pitts做的神经元模型，也是我们现在的神经元模型，和到后面的perceptron（感知机），叫Rosenblatt做的那个感知机模型，都是完完全全受到脑科学的启发，可以说是逐字节的这种抄袭所得到的。包含后面Yann LeCun所做的卷积神经网络，也是受到猫的视觉皮层卷积核所启发来做的。

主持人: 啊，这完全不知道。哦～。

刘嘉: 所以说在早期的时候，脑科学对人工神经网络影响就是模板，你就抄袭，按照这个抄就对了。但是当那个深度学习deep learning，就是从Hinton的深度训练网络那块儿开始出来，你就会发现脑科学和AI就分道扬镳了。AI现在与脑科学完全没有关系。人工神经网络与脑科学完全没关系。从深度学习开始，人工神经网络顶多从脑科学里面借鉴一些concept，一些概念，一些词汇。比如注意，比如说专家系统，然后那个MoE（Mixture of Experts），它就是借用这些词汇。脑科学现在对AI或者对人工神经网络，再也没有任何深刻的影响了。这是实情。

那么问题在哪呢？我觉得问题非常简单，就是因为脑科学的发展，它这么多年来没什么显著的突破，就是我们对大脑的理解非常少。我经常打个比方，如果假设你昏迷了5年，你醒过来，你去看心理学的进展，你发现你什么东西都没miss掉。如果假设你昏迷了3年，然后你醒过来，你发现脑科学领域，你什么都没有miss掉。但是如果假设你昏迷了半个月，你醒过来你发现AI已经看不懂了。非常简单的这个道理。

所以说，你可以看到一个非常有趣的事实在哪呢？就脑科学、心理学、或者认知科学，它进展速度特别的慢。而AI一骑绝尘。有太多的人、太多的资金在推动这件事情发展。所以现在的AI发展基本上与脑科学没有关系了。这是一个事实，我们必须得接受它。因为脑科学进展太慢。

主持人: 我就想问为什么？是因为研究范式出错了？还是因为资金不够？

刘嘉: 这是科学本身的一个问题。科学其实它的本质是人的自娱自乐。什么意思呢？我想干就干一点，我不想干就不干。背后并没有KPI，也没有OKR的这种驱动对吧？我当上了教授，我一年发5篇文章和一年发1篇文章都是一样的。就自娱自乐，我自己带着几个学生，手里拿一点点钱就来做。科学的这种进步，它通常是很慢的，偶发性的。就像你去看猴子一样，100万年前是这样子，今天还是这样子，没什么变化。对吧，连毛都没给你多一点变化。这是科学。他就靠突然有个天才，突然产生一个灵感。AI不一样。

主持人: 我觉得这不能解释完全的事情。脑科学似乎无论从治疗疾病也好，或者说现在大家想做的一些事情来说，钱、商业也是在这里边有动机的吧？

刘嘉: 但是那个相对来说很少。相对而言，我们现在都是以AI为参照系了啊。进展肯定是有了，但是以AI参照系，它就是相当于原地踏步。AI真的是一日千变，这个变化得太快。为什么做的人特别多？我就给你讲一个简单的事实，你就清楚了。最近是哪儿我忘记了，统计了一下最受关注的引用率最高的文章，每10篇中间有7篇是来自于AI领域。剩下3篇是什么物理、化学、材料、什么生物医学才是占剩下的三篇。那个Bengio是人类历史上第一个citation过100万。不是学术圈的人很难理解这个100万是一个什么概念。我就以我为例子，OK。我是一个高被引作者，相当于还比较有影响力的作者。我已经连续很多年获得高被引作者的称号。我在我这个领域，脑科学、认知科学、心理学这个领域，我的citation是多少呢？刚刚过1万。而如果假设我把我这个简历扔到AI这个领域，我说我citation刚刚过1万，我连很多年轻人我都比不上。在AI领域，你说你citation过1万，你绝对不是高被引作者。人太多了，而且钱太多了，而且他的论文就多嘛，他整个论文数量多，那引用就多，指数级的。

还有钱也很多。比如说我说我脑科学，我要去创业，拿个1000万美元，那就是很大一笔钱。你说我要搞AI创业，你说我A轮拿到1000万美元，大家说你在搞个啥？啥都搞不了。对吧，1000万美元就别玩了。这就是一个事实。大家资金的投入、人的投入是完全不一样的。这是脑科学的现状：发展很慢。

AI的瓶颈与脑科学的启蒙

刘嘉: 但是呢我有一个观念，就是现在的AI的发展，基于Transformer这套东西，我觉得它碰到了两个瓶颈。

第一个瓶颈是不是按照现在的架构，越大就越好？还记得我刚才讲的智能，我说有两个本质吗？第一个是大，这个没问题。但第二个复杂。我说的复杂是它的结构的复杂性。而现在大模型，它的结构复杂性没什么变化。你无论是搞MoE架构也好，你无论是去搞其他东西也好，它的复杂度是没有变化的。所以说它的智能再上一个台阶，其实打一个问号。这是第一个。

主持人: 您说的是基础单元的复杂度。

刘嘉: 对，我们现在大模型的神经元非常简单。你可以看到它就是一个输入进来求下和，一个激活函数，一个非线性函数就结束了。这就是一个神经元。但是我们从进化角度来看的话，你可以看到进化从老鼠变成人，从这个进化来讲，一个是我们大脑的神经元数量变多了，这个你能看得见对吧，人的大脑比老鼠大很多。但是第二，你看不见的是人的神经元的复杂度远远比老鼠的复杂度要高很多。而老鼠神经元的复杂度又比果蝇的复杂度高很多，果蝇的复杂度又比线虫的复杂度高很多。也就是说，我们大脑在进化中间其实走了两条路：第一条是神经元的数量在增加，第二个神经元的复杂度在增加。

主持人: 这个复杂度可不可以帮我们举个例子？

刘嘉: 简单的说，第一个就是树突。神经元外面长了很多，像那个树枝丫丫一样。树突的数量和形态在发生巨大的变化。数量可以理解，就像我一样头发很少，像老鼠的神经元，人的神经元就像你的头发一样，特别多的树突。OK，这个容易理解。第二个呢，就是我的那个形态。我里面的离子通道的数量，抑制性神经元的数量，连接都在增加。形态的这种变化，复杂度要变化。举个简单的例子呢，一个复杂的神经元，我们叫生物物理神经元（biophysical neuron），这种仿真的这块，或者叫精细神经元（detail neuron）。这一个神经元它的算力，相当于5-8层的深度神经网络的算力。

主持人: 这里说的是算力。功能上是不是也会有不一样？

刘嘉: 它功能就是啊，比如说，我们一个原来传统的MCP神经元，它就做不了异或问题（XOR问题）。但是现在的一个精细神经元，做XOR问题很容易，很easy。首先来讲一个最重要的东西吧，精细神经元是有动力学的。它是一个动力学函数。单个的神经元是没有动力学函数的。我们的Transformer是没有动力学的。RNN（Recurrent Neural Network）是有动力学在里面的。像Hopfield是有动力学在里面的。就它有时间，你把它写成一个方程，它有t时间在里面。这是我们叫做动力学，就是一定要有t。还有偏微分。偏微分表明它是一个随时间演化的过程。你看Transformer里面哪有偏微分，哪有t啊？都没有对吧。你把它写成公式的话，RNN里面有这个t，Hopfield里面有这个t。所以说它就组成了一个复杂动力学的一个系统。所以我经常说呢，我们的人工神经网络是一个二维的。但是我们的生物神经网络呢，是一个三维的。首先来讲它的树突形成它的构架，它变成了一个三维的结构。然后第四维是什么呢？第四维就是我们的时间t。就说我们的生物神经网络，其实是一个四维的神经网络。所以这一点，你看它比我们的人工神经网络要高两个维度。这个就是复杂度。它是我觉得我们现在大模型比较缺少的。这是第一个问题。

第二个问题，我们其实并没有真正意识到的。我们现在的Transformer，它是一个feedforward（前馈）的一个网络。是一个前馈网络。什么意思呢？它没有一个反馈（feedback）。从一个high level的feedback，它的back propagate那是训练时候用的。一旦训练好了之后，它就是一个feedforward。对吧，你训练的时候，你需要那个backpropagation嘛，但是你训练好了之后，用的时候，它就没有feedback。但是你要知道，我们人的大脑有40%是长程的feedback连接。长程的feedback意思是，从frontal cortex直接到我的视觉皮层，从我的额叶直接到我的颞叶。就从这儿直接到这儿。长程连接feedback。这种long-range feedback，它不是一层一层回去的。

主持人: 是piu～

刘嘉: 不是不是，直接回去。

主持人: 对，我们说的这是long-range。

刘嘉: 逐层这种回去的，或者在一层内部的，我们这叫recurrent。就是那种侧连接。RNN里面全是这种侧连接嘛。这个东西呢，是我们人大脑有，而现在的AI模型基本上都没有的。这种hierarchy的这种架构，大脑里面没有。hierarchy其实就是长程连接。long-range的feedback。这是我们放下屠刀立地成佛的机制。对这个feedback是很关键的。从脑科学的研究发现，feedback对于解决很多复杂问题，对于要产生各种假设，你要做各种推理，要产生创造力，这都是很关键的。我们现在大模型都没有。就我们人脑里面，大概是有40%都是长程的这种feedback。20%到30%是那种local的recurrent这种feedback。只有40%左右是那种feedforward，是往前馈的。而对于大模型而言呢，这种recurrent还是有。这local的recurrent有的有，大概还是占20%到30%。剩下的70%到80%全是feedforward。而这种长程的feedback基本上接近零。这是第二个，现在我们大模型碰到的一个困境。

第三个所碰到的困境，现在我们基本上说大模型其实都是transformer-based。OK，对。然后那个Transformer它有一个特点，就叫预测下一个token。这个什么意思呢？就说Transformer它必然是一个串行加工。predict the next token嘛，必然是一个串行加工。就你无论速度有多快，它永远是串行的，只是你更快的串行而已。这时候就出现一个非常重要的问题了。我们人的对外部的危险的这种加工，比如说我们俩现在讲话，突然一个黑乎乎的东西飞过来，我绝对不会先去看到底是什么，第一个是你闪开对不对？这就是我们的parallel processing（并行加工）。并行加工是Transformer所不具备的。它一定是在开始的时候，当海量的视觉信息过来的时候，我们必须要从里面快速地找到关键信息。这只有并行加工才能解决。你靠Transformer一个token一个token地来读，那肯定不行。比如说我们的VIE架构是怎么做的？我是一张图片，我先把它裁成一些小块儿，再把一个小块儿还是当成token，国内翻译成图元whatever，反正就token，把它串行的，把一张图二维的图变成一个个token往里面输入对不对？Transformer只能处理这种事情。这个时候你就知道，人类所拥有的并行加工，Transformer是不具备的。

总结一下我们刚才说的，第一个没有复杂度，复杂度比较低。第二个没有long-range的feedback。第三个没有并行加工。这三个东西是我觉得目前来说，从架构上来讲，人脑和人工神经网络最大的区别。而这三个东西，其实就导致我们现在做脑机接口，还有做机器人最大的瓶颈。

具身智能的瓶颈

刘嘉: 我们能看到春晚上面机器人能走路对吧，能跳跃做得非常好。其实这些东西机器人非常酷炫，但对我来说我一点兴趣都没有。因为它是传统工业机器人的升级。本质上和汽车组装线上那个机械臂，它本质上是一回事。

主持人: 六轴电机。

刘嘉: 对。所以说它本质上只是来欺骗老百姓的。老百姓觉得哇，做成人形人，能够跳来跳去，这个和流水线上机械臂的切割，精确的切割，其实本质上是一回事。换了一种形式而已。这种机器人它其实是没有多大的价值，因为它不能感知这个世界，它没有眼睛去看这个世界长什么样子，同时根据它所看的东西，来决定它的行为，作出action去改变这个世界。现在说的是人形机器人，我们现在大家都了解的机器人，具体厂家名字我就不说了，就说它其实既没有感知，也没有决策，也没有行动。它是一个被预先编程好的东西，跟我的玩具车跑来跑去本质上是一回事。当然它能做到非常高的稳定性，这个很牛。它的机械臂的控制，它的重心的控制，体态的控制，真的很牛。但是本质上是传统工业机器人那一套东西。从商业的角度这么来做呢，无可厚非。因为对于股市来说嘛，重要的就是割韭菜，就这个比你做出一个全新的产品重要很多。所以说只要韭菜相信，我觉得这事从商业上来就成立了。但我们现在谈的是AI，谈的是科学，谈的这一块这就不一样。

因为做机器人，我觉得有两个最大的挑战。第一个就是我们刚才说的这种并行加工。我们现在所有的机器人，包含国外的，比如说像马斯克做的这种机器人Optimus都存在一个问题，它没有眼睛。眼睛不是说我不能识别一张图片，或者识别一张场景，而是我要快速地捕捉到信息。想象我们的祖先在野外行走，看见一个东西一晃而过，你的第一系统要马上做出反应。这可能是只老虎，赶紧跑（逃）命吧，而不是定下来一个一个的token去处理，这个到底是啥？哦然后意识到这是个老虎，那你小命肯定没了。就我们人的这种快速反应能力、快速识别能力、快速感知能力，这个东西就是我们的并行加工的这套系统。这个东西非常非常困难。

主持人: 很多同学脑子中，可能这个时候会出现一个自动驾驶的画面，然后他会去想哦，我不是明明可以做一个识别，然后看到这个物体正在向我过来，然后我躲开吗？您刚刚说的那个东西和这个的区别，可能是它是不是进入了那个学习的系统？是这样吗？

刘嘉: 不是的。这个自动驾驶是一个取巧。它是在一个封闭环境里面，我的问题集是有限的。在马路上你能出现啥？是非常有限的数据集。当你的数据集一旦有限，这问题都不是问题。你快速飞来的一块石头，你快速飞来一个东西，这个东西我是有预判的。因为你不可能比如说在马路上突然飞过来一头猪，对吧，这种概率是很小。就是说自动驾驶这个领域，它能做到快速识别，是因为要解决的数据集就是有限的。但对于我们人来说，我们人是要进化出一套通用系统出来。我在开车，这个没问题。我在打架的时候，我在拳击的时候，我又是另外一个setting了。我在坐着跟你讲话，突然一个黑乎乎的东西飞过来，对吧？当我们的问题从close-ended（封闭）变成open-ended（开放），那这个难度就太大了。这完全就不是同一个量级的东西。封闭的问题永远是好解的。

我举个简单例子大家就能理解了。为什么衡水中学把大家关起来，从早上6点一直学到晚上11点，好多人就能考上北大、考上清华、考上很好的大学。因为高考考的就是一个封闭的一个数据集的问题。那大纲里面就这么多东西，你花更多时间你就能背下来。但是你到了大学，再按照衡水中学那套方法学习，你就发现勤奋肯定会有帮助，但是不一定你就能够有很强的事业成功。道理非常简单，因为你到了大学之后，你所碰见的问题是开放问题了。你进了社会更是开放问题了。对。

然后第二个呢，就是我们人经常有一种误解，认为我们人能做的东西都是简单东西，不能做的东西都是代表智商的高低。比如说我们说352*756等于多少？我相信这个对99%的人来说都不会做了。但是有个人随口就马上说出正确答案，我们就觉得哦这人怎么这么聪明。因为我们在进化的过程中，我们就不是为了做352*768这个任务来进化的。我们是在进化什么？我们是在进化生存。所以说其实352*768这个问题非常简单。我随便摸个计算器出来一按我就知道答案了。因为这个东西，它的计算是非常非常简单的。

但是你刚才说的，比如说我在咖啡杯上拉一个花出来，现在最厉害的灵巧手也干不了这件事情。但对我们来说随便是个人对吧，稍微训练个一两天，拉个花出来肯定是没问题。非常非常简单的一件事情。我们就认为这件事情很简单。但这个对AI来说，对具身智能来说太困难了。道理非常简单。因为我们为生存而准备的各种运动技能，全在我们的小脑这一块儿。我们小脑其实是我们整个brain里面，通常在英文里面，我们把大脑和小脑把它分开。大脑我们叫cerebral cortex，小脑叫cerebellum。在汉语里面嘛，都叫大脑，就容易搞混淆。cerebral cortex 我们叫大脑皮层吧，这样容易区分开。小脑我们还是叫小脑。大脑我们总共有860亿神经元，on average。大脑皮层大概只占110亿左右。也就是说差不多1/8。有将近700亿的神经元在哪里？在小脑。就说我们小脑的神经元大约是大脑皮层神经元数量的6倍到7倍。大脑里面其实大部分东西都是空的，只有神经元在大脑皮层上面有分布，在里面全是一些白质纤维连线。而小脑是一个神经元接一个神经元接一个神经元秘密地排在一起。因为从进化上来讲，大家脑袋不会乱长东西的。不会说我没什么用给你堆很多神经元。因为神经元特别耗能。就是因为我们的小脑它是一个超级算力中心。

怎么来理解？我给大家举个简单例子，你一下就明白了。就我们有很多数学天才，拉马努金等等。我们大家觉得哇，这种简直不敢想象的数学天才。但是有一种理论，这种理论也有一定的实验支持，说这些数学天才其实跟我们常人是一样的。他们的大脑皮层能够去触达他们小脑的计算，access小脑的计算。其实也就是说你给我一个偏微分方程，你给我一个特别复杂的运算，其实那个brain我早就把它算干净了。只是我的意识比较弱，我不知道我算出来了。而那些数学家呢，我能够somehow某种方式，我能够access到小脑的这种computation里面去，cerebellum的computation里面去。所以说很多数学家他就只知道答案，并不知道我是怎么得到的。比如像拉马努金，刷刷刷给你写个公式出来，你问他这公式怎么得到的？我做梦梦到的。

主持人: 就是所谓的直觉和体感吗？前段时间采访那个RYO，他也说他看一个产品好不好，他直接就生理反应。

刘嘉: 有点这种感觉。你那个说的更多的是一种潜意识的加工，1系统。我刚说小脑，我们的整个brain里面的算力中心在小脑。我们经常骂人的话嘛，“头脑简单，四肢发达”，说你这人就是长了小脑，没长大脑。小脑才是我们真正的算力中心。而这一块的东西，完完全全现在的AI是没有去触碰到的。我们现在的AI系统，更多的是在干什么事情呢？在模仿我们人类大脑皮层的系统二，搞推理、做数学题。大家一看哇，怎么这么厉害，这么多知识了。其实这对人来说它根本说不重要。为什么？因为我们进化出这些东西出来，夸张一点也就是300万年的时间。假设严谨一点来说，我们有书写文字、有数学推理，能写出来的也就6000年的时间。如果假设我们再放宽一点，我们能够说话（spoken language），最多也就80万年的时间。你仅仅用了6000年，或者用了80万年所进化出来的东西，你能进化出什么高阶的东西出来？它都是一些智能的皮毛。而真正的智能的本质是经过38亿年进化出来的生存（survival）。

所以说现在你把那个马斯克的机器人扔到大街上，分分钟钟死掉。当然前提后面不能有个人拿个遥控板在这操控啊，分分钟钟死掉。survival这是我们人类要干的。那么小脑在干什么事情？在我看来，它就是构建了一个像Yann LeCun他们一直在大力吹捧的world model（世界模型）。它是对这个世界的表征，怎么来运算、怎么来做，最相关的最重要的一个器官。而这个东西是非常复杂的。比如说我要把这个本子扔到一个计算机屏幕上面来，扔到这谁都会做，傻子都会做啊。对吧，这是个挑战吗？但是你现在让任何一个机器人来做这么一个问题，它做不了。因为这是一个太复杂的问题。你想想你这么扔一个东西，你要控制多少肌肉？你的肌肉哪个力度多一点？哪个东西少一点？比如像这杯水，满的我要用多大力气拿起来，空的我用多大力气拿起来？对吗？这些是太复杂的计算了。对我们来说不用花心思，不占用我心力来干这件事情。但其实你知道是谁在累吗？小脑在累，你只是没意识到而已。你觉得325*768很难，这个对小脑来说这个哪算难。把这个东西扔出去，你想想这个计算量得有多大。但是这一切，都是我们现在完全没有触达的领域。

所以我认为现在AI或者大模型解决了我们思维决策的这个问题，我们的第二系统的问题。我觉得现在它做奥数，已经比我们人做奥数已经厉害太多。它的知识量，比我们任何一个人的知识量都要大很多。它解决了系统二的问题。但是系统一的问题它是完全没有碰到。而系统一就是我们所谓的基底神经节、小脑这一块，都不在我们的考虑范围之内。

脑科学与AI的重逢

刘嘉: 所以说我觉得我们的AI要进入到下一个阶段的AI，必须有一场基于脑科学的启蒙运动。就像当年脑科学启蒙了神经元、启蒙了感知机神经网络、启蒙了后面的卷积神经网络。我觉得下面还需要一个脑科学在第一系统上面对AI有一个启蒙。这个启蒙一旦完成了，这个时候AI才会变成一个真正的AI，或者真正的物种。所以说在这个AI没来临之前，我觉得我们先不用担心人类会不会毁灭。一个在机房的AI怎么可能毁灭人类呢？不可能。我们现在只是担心它会不会取代我们的工作而已。但是真的，当具有第一系统和第二系统的AI，既能感知这个世界也能思考这个世界，也能做出行动回应这个世界的AI，那个时候才是真正的会取代人类。那时候人类在它面前就是手无缚鸡之力了，人类就直接消亡就可以了。

主持人: 但是我感觉那天其实没那么容易到。看起来。

刘嘉: 我觉得是这样子的。这就是我们的使命，做脑科学人的使命。这就是为什么我觉得现在大家都在强调类脑AI。大家在强调这一块。但是现在类脑AI被一帮人搞浑水搞得太浑。比如他们拿一个脉冲神经网络（Spike Neural Network），就说这个是类脑神经网络，或者加一个乘算一体就说这就是人脑。就他们把概念借用一下，形态借用一下，就觉得啊我这个是。我觉得水被这帮人搞混了。所以说我现在不愿意叫类脑AI，我现在叫什么呢？叫仿脑AI。仿造大脑的AI。我觉得这个会很快的发展。

主持人: 还不如叫小脑AI呢。

刘嘉: 也可以啊。小脑AI可能大家一听小脑嘛就是骂人的话，对吧，哈哈，说这哥们智力不够，然后小脑来凑。所以我觉得，基于脑科学的启蒙运动有了之后，这才有脑机接口和机器人。现在的脑机接口不具有任何商业价值，纯粹就是属于那种叫忽悠韭菜。当然韭菜愿意相信，那就是一回事了，商业就成功了。第二个机器人。那个脑机接口和机器人，我都把它称为具身智能。一个是AI向身体具身，这就是我们的机器人。一个是AI向大脑具身，这就是我们所谓的脑机接口。这两个的真正的发展关键就在于脑科学。在脑科学没有取得突破之前，这两个领域其实就只是一个商业上的由头，负责割韭菜用的，不具有任何商业价值。

主持人: 嗯，那还是希望脑科学的专家们，再躺平一点，哈哈哈，不要太勤奋了。

刘嘉: 哈哈哈。脑科学的最大问题呢，它门槛比较高。比如说我们说现在做大模型，做这种调教也好，一个计算机本科生就够了，你不需要读研究生。所以说现在做计算机的教授，你反而可以鄙视他。因为大模型就2022年出来嘛，其实大家都在同一条起跑线上，谁也不比谁差多少。本科生又能吃苦，脑袋又灵活。所以说做AI的一线的，我觉得30岁之后的都没有多大的希望，我觉得都是30岁之前的人赶紧来干活。我说做一线的。好，30岁之后呢，我觉得更多的就靠经验，而不是跑去拼大模型算法的。靠自己的对这个世界的理解，更多的去做一些更好的产品，或者更好的应用出来。这是30岁之后的人干的事情。

脑科学不一样。脑科学那个东西，设计的东西太多了。本科生出来说，我能设计一个脑科学的实验，我能对脑科学有很深刻的理解，我觉得不太可能。基本上至少要读了博士之后，吭哧吭哧做各种实验，去理解大脑究竟怎么工作的。周期会比较长。所以说这也是为什么，虽然说我年龄很大了啊，仍可以在AI这个领域里面还能扑腾。就是因为我就是做了脑科学+AI的一个结合。我如果光做AI，完全没有任何意义和价值。

主持人: 那我替可能会对脑科学感兴趣的观众问一个问题啊，确实我真的觉得脑科学很重要。如果他对脑科学感兴趣的话，您刚刚说脑科学需要对AI进行第二次启蒙。脑科学现在的知识积累ready吗？脑科学的研究范式对吗？

刘嘉: 别人给我打过一个比方，这个比方我一直记得。他说现在脑科学呢，就好像我们去一个体育馆看球，但是我们不是进了那个体育馆站在观众席上看球，我们是在体育馆外面拿着一个听筒，听体育馆里边哎～欢呼了。是吧？但这个欢呼声音很大有可能是进球了，但有可能是打起来了。不知道我们只知道声音很大。大概是这种方式去试图，就是说，脑科学是通过脑电波这些东西去研究大脑发生了什么，就有点我们通过噪音判断球场里边发生了什么的感觉。

主持人: 有点像。

刘嘉: 我觉得是两点。第一点呢，我们不能通过脑电波这种东西来。我们必须去看，看见的看。每个神经元究竟是怎么放电的。举个简单的例子，我以前是做人的我用functional MRI，就说功能磁共振来做人。后来我做了20多年，我在这个领域里面有点小名气。但是后来我为了和人工神经网络结合，我就把这块全部给扔掉了。因为functional MRI功能磁共振它看不见神经元的活动，它只能看见一堆神经元的活动。它的最小的空间分辨率大概能包含10万到150万个神经元。所以说，你看不见神经元之间的交流活动。

我现在做什么呢？做小鼠。我能把小鼠的头骨打开，我能用钙成像去看见每个神经元的活动。我能同时记录10万个神经元的活动。这样的话，我就能构建一个生物的神经网络。然后我拿着这个生物神经网络和人工神经网络就能比较。就我们不能在场外听，我们必须进到这个门里面。这个门就是我们原来的颅骨，我们的观测手段。你必须去看到每个神经元是怎么发放的，每个神经元是怎么活动的。然后才可以。这一点就是新技术给我们带来了无限的生机。

同时呢我觉得AI非常好，远远领先于我们脑科学的研究。所以说AI提供了大量的算法。什么意思呢？就是说如果AI能work，没理由大脑没有类似的这种algorithm（算法）工作。因为我觉得抛开它的实现层，在它的算法层，一定有一个跨硅基和碳基一致的东西。对不对？一定有。就像万有引力定律一样，它既引导一个苹果砸向牛顿的脑袋，也可以引导地球围绕太阳转。它是一个theory of everything（万物理论）。智能也一定有一个万物理论的theory of intelligence。它既可以控制我们人脑究竟怎么工作的，也可以控制AI是怎么工作的。所以说我觉得现在我们做脑科学呢，应该向AI学习，把AI发展出的一些算法，来看我们人的大脑究竟是不是这么做的。

说一个很简单的例子，比如说我们的BP算法。我的一个同事，他发现这个神经元的突触上面就是走的BP算法，两个是完全类似的。像我们实验室的最近的一个工作还没发出来，就我们发现，我们的工作记忆所采用的机制和Transformer是完全一样的。就我们发现了Transformer在我们大脑里面的运行机制，两个是完全一模一样对等的。所以我觉得，这个可能会极大地促进脑科学的发展。好，这是一方面。所以我觉得任何一个做脑科学的人，就应该拥抱AI。从AI里面得到福利。当年是AI从脑科学里面得到福利，现在应该是脑科学从AI得到福利。这是第一。

第二个我觉得每一个做AI的人，应该拥抱脑科学。不是概念上的借用，不是一些concept上面的一些借用，名词上面的一种借用。而真正来，其实现在已经有人这么干了。我前段时间去那个深圳，有一个做游戏的公司，托朋友说一定要跟我见个面聊个天。他们的游戏公司做得非常好，也是做到了国内的500强吧。就是那个整个公司里面盈利500强，每年反正纯利就是十几亿。叫什么名字我一下忘了。他们的最核心的研发团队想见我。我说我不懂AI的具体算法啊，因为我不是搞这种算法的。我说见面没有意义。人家说不，人家不想请教你AI算法方面的问题。人家想请教你脑科学的问题。我去了之后哇，让我特别震惊。人手一本脑科学的书，把脑科学读得特别细致和透彻。他们自学脑科学。每周他们最核心的开发团队、算法团队，专门有一次组会（Seminar），专门来讲脑科学，大家对脑科学的理解。我去了之后发现，我说你们理解得非常深刻啊。他们也在学。我在清华也要开脑科学的课程嘛，他们还问说能不能到清华来旁听你的课程。我说我都每周开一次，这样挺麻烦。他说那我每周就飞一趟北京呗，反正也不累。

所以我觉得现在呢，大家很多人也意识到了，我们现在AI的算法里，别看现在大家过得很红火，一会儿OpenClaw，一会儿Manus，一会儿其他东西。我觉得这都是昙花一现。马上就会有更好的东西出来。它迭代很快嘛，它是一个明星产品。但这个要迭代起来就分分钟钟。所以说我觉得搞AI的人，就会有一种很强的危机感。你是不是在这种昙花一现之后，自己就彻底的out了。很多人就开始去问脑科学那边，看你能不能有些新的进展，或者一些新的方法论来做。所以我觉得在将来几年里面，脑科学和人工智能会重新联姻。他们之前像一对恩爱的夫妻，然后分开了。一个人出去拼事业了，一个人继续躺平。现在拼事业这个人觉得嗯，还是需要进一步的发展，回归家庭。事业遇到了瓶颈。

主持人: 嗯，太棒了。我给您讲两个访谈中听到的东西和一个我自己的想法，就是希望得到指正吧。我先讲我的那个吧。为什么GPT-3就是这个生成式AI，它从一个鹦鹉学舌的东西，变成了一个有通用智能的东西？就是为什么Transformer它有这种智能？

Transformer的本质与优雅表征

主持人: 第一层是这样子的。我们这是很老的一个东西嘛，就是information和knowledge。然后information connect the dots。这是Ilya 2016年的时候Lex Fridman在MIT嘛，然后他去那边给MIT的学生讲课。他一上来，我觉得讲的这个东西特别重要，就是为什么neural network work at all。其实neural network不应该把一个非常复杂的网络，然后越深参数越多，然后你给它数据，它自动地就work了。这个东西为什么它work呢？他说最重要的这个理论呢，是theoretically optimal hypothesis class is the shortest program。你把这个数据压缩到最短的那条路径，它就是最好的generalization。

然后我后来看到Hinton，他说一个点也非常触动我。他当时举了一个例子，他说他问GPT还是问啥，曼哈顿计划和另外一个我忘了具体是什么，和另外一个化学反应吧，比如说有什么共同点。然后那个模型跟他说，这个共同点是什么，是个非常深刻的这种举一反三的东西。然后他说这其实就是智能，这个智能它是在压缩那一步产生的，而不是在inference产生的。就是在压缩的过程中，它不断地为了压缩，它就找到了举一反三的这些关系，从而能更好地压缩。反而这些举一反三的关系，是更generalizable的。

这是一个教育学家嘛，他说你教学的时候，the most important single factor influence learning is what the learner already knows, ascertain this and teach him accordingly。当时在群里边有一个就是reasoning是一个幻觉，就是我们好像人类在思考对吧，但是其实我们都是在学习，就是知识，prior knowledge。这是Hinton的那个。这几个让我就感觉到了人脑确实和计算机在本质上是一致的。也就是Hinton的那个说法，我能理解他为什么从原理上吧，或者说是从这个机制上可以是一致的。

刘嘉: 我这儿想特别补充一个例子啊。当时不说嘛，我们的working memory（工作记忆），它其实背后就是用的Transformer的那个机制。对，我们已经证明了这个东西。但是特别好玩的一点是什么呢？就我们当时其实并没有这种想法，就我们觉得这两个八竿子打不到一块了。对吧。我们当时去挖这个源头，我们是很巧合的机会，正好把两个凑在一起的。后来我们说这个东西很神奇啊，为什么会是Transformer呢？我们就去挖Transformer的源头。你知道吗？Transformer的源头在哪？在1986年Hinton的一篇文章。那篇文章发在一个极小的会议上面。如果假设Hinton不是现在成为这么大牛，那篇文章就永远地埋在历史的那个垃圾堆里面去了。1986年他发了一篇会议文章，那篇会议文章他就提出一个非常重要的概念，那个概念就是你刚才讲的，他那个词叫做fast weight（快速权重）。他其实就是讲的Transformer的本质是在干一件什么事情。Transformer本质就是找万事万物之间的关系（relation）。他所谓的注意其实就是找这种关系的一种功能，或者一种方法。只要一旦找到万事万物这样的关系，就相当于一些离散的点，他就联系起来了。离散的点一旦联系起来了之后，这就是我们通常意义上的压缩（compression）。这个时候你就可以理解为什么大模型推理能力那么强。因为他能从一点走到另外一点，再从另外一点走到其他点。这是我们的联想嘛。然后这种走下去，所以这个东西就是完全挡不住。但真正的文章就是1986年。

主持人: 哇塞～Hinton发的那篇。

刘嘉: 所以说后来我当时想，哇，因为我们那篇文章在写嘛，我们当时就想86年到现在正好40年。其实那就是Transformer的真正的本源。他发在一个认知科学非常小的国际会议上。

主持人: 哦～认知科学的。

刘嘉: 对，认知科学的会议上。那个会议现在都没了，你知道吧。但是文章还有，到时候我可以发给你看。崇拜的简直五体投地。其实他讲的东西呢，就是关系relation，就万事万物他们之间的这种连接。这个世界不是一个随机的世界，它是有关联的一个世界。那么我们只要找到它之间的关联，我们就有了知识，有了连接。这个是特别特别了不起的。到我们人类的大脑里呢，其实这就和一个很著名的东西有关系，叫grid cell（网格细胞）。网格细胞它的发现是拿了2012年诺贝尔生物学奖。它是用于导航（navigation）。后来大家发现navigation就导航和我们的记忆其实是一回事儿。因为navigation是在找环境里面各个点之间的关系，relation的memory它也是干这件事情。

我觉得那个Transformer的确很牛。所以说我经常对外面说，我说系统二的问题大家就不要再去焦虑了。这个事情AI已经解决了，或者你还有点什么小的问题，AI迟早也会解决。我觉得我们人类在理性这个层面上已经被AI取代了。任何涉及到理性的工作，AI都没有问题。比如说数学、编程都是理性的工作，都是系统二的工作。AI一定会取代。法律一定会取代。这都是理性的这方面的工作。那天我还在跟我一个朋友讲，我不知道我这个教授还能当多少年。因为科学发现可能AI也会接手过去。所以留给我们人类的现在就是系统一这块的长处了。

主持人: 您说的这个东西我完全同意。但是，我觉得他又叠加了一个社会机制在。这个社会机制在就是非共识。因为AI它不是不知道那个非共识答案，但是人类不认可这个非共识答案，这是问题。AI有没有办法证明这个非共识是对的？因为所有的人类在中间的呢，他知道左边的这些傻子是错的，但是他不知道右边的这个聪明人和傻子都反对他。但是他不知道这个人是个聪明人。所以说就是这种contrarian thinking它是有价值的，而且它甚至是唯一有价值的东西。它在这里边，别人都说你要在别的地方这样连接，但是它说这个点可以这样连起来。然后很激励人心的，这个Steve Jobs说：the ones who are crazy enough to think they can change the world are the ones who do。你要通过把东西做出来之后，别人才会说哦，原来这个是可以的。

刘嘉: 我对这一点，我没你这么乐观。因为是这样子的，聪明人不需要给笨蛋讲聪明的东西，他只要把笨蛋当成韭菜来割就可以了。就我知道a点和b点之间有个shortcut。我没必要去跟韭菜证明a点和b点有个shortcut。你觉得从a点到b点必须要经过c点，要经过d点，经过e点没问题。我同意你们的观点。我自己从a点到b点，这个short cut过去就OK了。这就是对舆论的这种manipulation，对社会心态的manipulation就够了。你看中国的股市，各种科技股对吧，像我们认为啊，这个科技股有问题，那个科技股有问题。不重要。人家股市照样涨得很好。因为他所针对的东西就是韭菜，就可以了。所以说我觉得AI聪明到一定程度，他不会费心费力去劝说你，a到b有一个short cut，你相信我。没有。你人在他面前就是个韭菜而已。一个聪明人来manipulate笨蛋，这是太容易的一件事情了。我只要把我的目的实现就可以了。对我来说，一个东西是不是有价值，是不是能够创造社会财富，我知道不会。但是没关系，你是韭菜嘛，我只要把你韭菜说服就可以了。

主持人: 嗯嗯嗯嗯。

刘嘉: 所以说你千万不要相信中间那一帮人和边上那一帮人，都是被manipulate的人。这就扯得比较远啊。这个社会从来都是精英所创造的，而不是大众所创造的。大众都是被manipulate的。

主持人: 有的时候也需要大众买单嘛。

刘嘉: 大众买单，精英享受。这个社会就是这样子的。

主持人: 我们说的是更积极的一面，就是你去创造那个不一样的东西，你去改变这个世界，然后。对，yeah～。

刘嘉: 这个东西AI很难做。但是当AI如果真的什么都能做的时候，他可能也很容易做。

刘嘉: 关键这样子的。假设我是一个misfit，就你刚才说的对吧。但是我没必要表现出来自己是个misfit。我可以以一种很温和的方式改变这个世界。没必要像马斯克这种跳起来像个傻子。就马斯克是super smart。OK。我对马斯克充满崇拜。但是大家看他行为就觉得像个小丑。对吧。你也可以像乔布斯这样子啊，成为一个教主。乔布斯也是一个misfit对不对？跟马斯克是同一个量级的这种人。但他可以以扭转现实的这种方式来割一堆韭菜的这种能力。没有像马斯克这种把自己搞得死去活来的。对，Hinton其实也是这个样子。

后面我们社会那个谈的更加的social了。因为我对人性这一块，我个人是比较失望的。为什么说是降临派呢？我觉得AI一定做的会比我们人更好。就像那个是罗素说的那句话吧，好像是，就说人的最大问题，就是还会犯同样的错误。大概是这么一句话。嗯，就我们人太愚蠢了。好多犯了的错误犯了一遍又一遍，犯了一遍又一遍。每死掉一代人，新的一代人又重新干同样的事情。就韭菜一样，割掉一茬，然后又长出一茬新的韭菜出来。我对AI是更有信心一些。

AI的优雅与瓶颈突破

刘嘉: 我再介绍另外两个东西啊。一个是我跟田渊栋访谈的时候，他有讲AI其实隐含的在优化优雅。你模型的训练有一个损失函数。模型每次训练呢，它有一个representation（表征）。损失函数，你可以随便定义。但是模型其实隐含的它是在追求一个优雅，追求这样的压缩。他觉得很有可能是你这个损失函数并不是那么重要。但是这个模型隐含本身，它在追求优雅的这件事情，就会让模型更趋向于智能。这是一个点。我觉得挺有意思的。

另外一个查晟，他是在亚马逊做大模型。他的位置也比较特殊吧，能够接触到比较好的一线的经验。他说，所谓我们要进入下一个intelligence呢，他去看模型训练的所有这一步里边，是哪一步现在还是有瓶颈。提出问题的那一步。从模型做好了以后，然后数据，然后由数据中得到信号。有这些信号，然后再去迭代这个模型的训练。然后这一步从模型的表现，然后提取有效的信号，最后有效的返回给模型的训练。然后让模型可以进一步的训练的时候提问地更好。现在这步是人类的researcher去做的。他觉得这步是可以被自动化的。

主持人: 然后我又想到了您刚刚说的这个长程feedback，感觉就是这一步。

刘嘉: 完全同意。我们先说第二点，就你刚才讲的，我马上就想到那个长程连接。因为长程连接它其实平时都用不着的。比如说我要识别一张面孔，我不需要长程连接，我就是纯粹feedforward。然后这事就能干得很好，就已经干得比人很好了。长程连接在什么时候起作用？当我的脸部大部分信息被遮挡了，我只留下一个眼睛出来。那我还能不能识别出来这是一张人脸？长程连接专门是解决那些uncertain（不确定）的一些问题。我不确定我feedforward解决不了，我需要长程连接来给他提供各种假设。这在我们脑科学里面呢，我们叫预测编码（predictive coding）。长程连接是干这件事情。

回到你刚才所说的问题，如果假设是正常能训练下来，我不需要长程连接，我也不需要人类挑点东西出来，怎么去反馈。只有碰到瓶颈了，对吧，过不去了。那么这个时候我需要做一些猜测。这就是Hinton当时提出的信念嘛，belief。我需要做一些猜测来做。这个信念就是指的我的概率。那么这个东西，长程连接就可以真的来做这件事情。hierarchy来做。根据过去的经验，人之所以来做这件事情，也是根据过去的经验来做嘛。这个我觉得，长程连接可能会起非常关键的作用。就我们自己做的实验也表明，简单问题的时候，长程连接不起作用。他就是静息的他就不发放的。要解决复杂问题，或者出现了语义的多样性、模糊性，这时候长程连接会起作用。

还有一个提升效率，就我能不能找到shortcut。长程连接有时候会帮你。比如说我现在有10条路，我都可能走。对于feedforward，我就不知道该走哪条路了。长程连接就说你应该走第三条路。根据过去经验，第三条路成功的概率更大。相当于帮你把好多其他的alternative暂时给排掉了。这也是你刚才所说的，比如说一个设计，我直觉就觉得他挺好的。这种东西直觉从哪来？我们猜测都是从长程连接过来，给你一个猜测。

再回到我们刚才的第一个问题，优雅这个东西我们其实也在理解。什么叫做优雅的定义？因为在我们脑科学里面，我们也经常会用representation（表征）。其实表征这个词就是从脑科学，从认知科学到的AI这一块儿。

主持人: 哦，这样子。

刘嘉: 对对对对。representation这个词，它是一个造出来的词。presentation就是你眼前有的东西叫presentation。哦～就是重新把这个再展现出来，这不就表征吗？re-presentation。这是我们大脑的一个重新的加工的一个过程。这叫representation。就我们也在谈什么叫做优雅。这个在我们那儿呢，有一种专门的技术，这个在AI里面也有，叫做神经流形（neural manifold）。就说当一个神经网络，当它训练好了，或者当我们一个生物神经网络里面，它的流形是不是处于一个优雅的状态。那么优雅这个时候，我们就有一些专门的词来定义。比如说这个系统是不是工作在临界态（criticality）。因为他如果工作在临界态的话，他的可能性是最多的。这个系统形成的那个manifold流形，是不是足够的光滑。光滑的话就说明他没有很多坑，或者没有很多奇点。你能做正常的推理。

我相信这些在神经科学的定义啊，像那个criticality啊，这个在复杂系统科学里面有嘛，混沌嘛。临界态在混沌系统里面才有嘛。还有光滑。它的dimensionality（维度）啊等等。我觉得这个在AI里面将来会用到。现在AI呢，大家更多的还是把它当成一个黑匣子。现在也有很多人在讲可解释的AI这块。但是可解释AI呢，大家其实更多还是一种口号，还是缺少一种工具来把这个黑盒子变白。而我们脑科学的目的嘛，不就是让大脑这个黑盒子把它变白吗？其实很多分析的技术、实验的技术，AI现在都在用。但是我觉得还不够彻底。比如说像那个Ablation（消融实验）。这在AI里面用的特别多。但是AI里面那个消融实验，我们一看就做得过于粗糙了。其实脑科学里面有很多也做Ablation，就也做消融，但做的就比较细致。我觉得这个工具都可以借鉴。

所以说我特别认同刚才提到的这种，就你训练之后，这个神经网络是不是训练好了？它是不是体现出一种优雅？但这个优雅它的操作性定义是什么？它不是一种体感，它不是一种感官。我觉得这个可以用科学的方式来定义。比如说用它的criticality，可以用它的manifold的这种光滑性，用它的dimensionality等等这种来定义。我觉得这两个之间，会有很多的这种结合。我也非常相信，训练好的一个神经网络，一定是具有优雅的表征。

主持人: 爱因斯坦在发明广义相对论的时候，他的大脑里边可能也很优雅，哈哈哈。

刘嘉: 一定的一定的。我原来是对物理特别感兴趣嘛，我现在对物理的这种兴趣一直没丢啊。我也一直在想一个问题，就说什么东西到原理这个级别，它一定非常优雅。如果假设你看上去一个东西磕磕碰碰，这按不平那起不来，一个公式写几十项才能把它写出来，他就一定你没有touch到它的本质。

主持人: 嗯，感谢感谢。我觉得今天聊得非常的酣畅，哈哈哈，确实坚定了我的这个信仰。

刘嘉: （人脑）电脑最后是殊途同归的。一定是殊途同归。一定殊途同归。就像我刚说的一样，我相信我们的使命，其实就是创造数字生命。这既是我们人类扮演上帝的一种荣耀，同时我觉得这也是我们人的终极使命。这比你挣个多少多少钱，你是否拥有权力，拥有多大的房子，相比上帝这个职务而言，那都是渣渣。对吧，啥都不算。所以说我觉得在AI时代，让每个人都有了全新的使命和意义。我觉得这是我们人类可以想象，在人类文明史发展这几千年里面，我们人类能够拥有的最大的意义感的东西，就是扮演上帝，创造出一个全新的物种。

主持人: 我发现了，我的降临派的边界是在系统二的降临派。但是你是，哈哈，系统一的降临派。

刘嘉: 在我们没有系统二的时候，我们先把系统二给搞定。对吧。你想想我们回到2022年11月30号，GPT-3.5出来的时候，那个多弱智啊。对不对？我们现在回头来看，对吧，基本上我们都觉得啥都干不了。在当时很震撼。我们现在回头去看。所以说当时系统二不完备嘛，你当时问他经常被调戏，问点弱智的问题，他也很弱智地回答。经过三年多一点的这种发展，现在已经很厉害了。系统二已经完备了。那系统二完备的情况之下，那我们是不是要开始做一点系统一的东西呢？对吧，人就是这种永远不满足的。

主持人: 您觉得还有什么我应该问的，或者说想跟频道观众说的东西？

刘嘉: 最后想说呢，就是我觉得在AI时代，我自己的一个体感。2023年年初的时候，当时GPT刚刚出来嘛。当时央视对我一个采访。采访了我当时说了一些话。当时觉得很惊世骇俗。但现在回过头来看，就是很普通的。我说很多人都会失业，包含程序员在内。2023年年初的时候。但现在我们看到这都是事实。还有一些其他的。然后在去年年底的时候，央视同一个记者又对我进行了采访，说过去了这么几年，你有什么样的感触。然后我想了很久，我说我的感触只有一句话：经过我的努力，所幸我没有被这时代给抛下。我绝对不认为我是引领了这个时代。除了少数几个人之外，绝大多数人，都是跟着这个时代屁滚尿流。我觉得经过我们的努力吧，经过我们的学习，不断的学习，不断的去重塑自己的认知，不断的去跟他人交流。所以说我对我的最高的评价，我就说我没有被这个时代给落下。我觉得这也挺不容易的。也祝这个频道里面的观众，通过你们的学习，通过你们的交流，通过你们的认知的重塑，我觉得千万不要被这个时代给落下。因为一旦落下了，丢掉的不是工作这种小事。而更多的是，你会发现，你错过了人类历史上到现在为止，最大的一个事件。这是太可惜的一件事情了。即使我们作为旁观者，也不要被这个时代潮流所落下。

AI时代下的教育：回归“我”的本质

主持人: 不好意思，我想起来了，我的最后一个问题很重要，哈哈哈。我有一个娃，现在这个娃21个月。印象特别深，我23年的时候听您播客，然后您在那个博客里边就说教育没有意义了。我其实一直就不喜欢这种做题式教育。然后您那个时候说了以后，我特别认可。但是我那时候是正在深圳，坐在一个出租车里边，耳机里面放着您的播客：“教育没有意义了。”我说：“教育没有意义了。”然后旁边就是周日，一群小学生穿着校服，从补习班里刚刚出来。然后我当时就觉得，啊，这个世界是这样子的，未来已经到了。在那一刻已经在这了。教育就是已经没有意义了。但是他们在补习班，他们接下来还要上好几年的补习班，可能到他们大学的时候，他们才真正的意识到了，教育真的是没有意义的。我就想请您说一下，教育这件事到底应该怎么办呢？就是我21个月的娃，应该怎么教他呢？

刘嘉: 我前段时间写了篇文章，标题就是比较耸人听闻。我就说我们现在考北大清华已经没有意义了。这个是作为一个小学、初中、高中生的终极梦想，就是要考进北大清华嘛。无论是家长，无论是老师还是小孩，都是有着终极梦想。但是我觉得，现在北大清华给予我们的东西，远远不如一个大模型给予我们的东西那么多。所以说我觉得现在最重要的事情，对于我们而言呢，要回归教育的本质。我说教育没有用了，就是我们现在无论是国内还是国外，其实基本上都是基于记忆的教育。对吧，你要把很多东西背下来，很多细节都要记得。古诗你一定要会背这些相应的考试。我觉得这个东西已经彻底没有任何价值。我们记忆知识的教育，已经没有任何价值。因为所有的知识，全部在大模型里面都有，唾手可得。

我觉得我们现在每一个人最核心的教育，应该是教育他如何成为他自己。关于“我”的这个教育。什么意思呢？第一个，什么东西是我的兴趣？什么是我的目标？我们以前跟小孩不用谈这些东西。我觉得只要你考上北大清华了之后，你再去考虑你的目标就可以。你如果假设只能上一个中专，或者一个大专，你谈什么意义？谈什么目标？对吧，又或者去了一个很烂的学校。这个是有道理的，有一定道理的。但是像现在，其实这就已经变得没有道理了。我觉得任何一个人都可以是一个人加上1万张显卡的一人公司。那么这个时候，其实我已经不再借助名校的背景，名校的这种资源教育。我可以自己打造出一个自己的天地。那么这个时候最好的动力是什么呢？自己的兴趣。什么是我想要的东西？我觉得这一点在此时此刻，在AI的加持之下变得无比的重要。

所以我觉得现在对小孩的教育重要的一点，一定要明白，“我”这个概念是一个独一无二的东西。你想要的，和你21个月大小的小孩想要的东西可以不一样。一定要鼓励他找到自己的兴趣。因为他一旦有了兴趣，那天下谁都拦不住他。他也不需要更多的资源，他只需要1万张显卡就可以。到将来都不需要1万张显卡，可能两张显卡。最重要的就是“我”。在以前我们不用强调“我”。为什么？你是打螺丝的，你需要“我”干嘛？你每天去把螺丝打好就可以。我这辆车我不需要知道是谁打的螺丝。对吧，你就负责把自己的本职工作（做好）。这是工业大分工所导致的。他在拼命地把“我”给干掉。现在要重新回归“我”这个概念。因为有了“我”才有我所想要达到的目标，我的这种兴趣。

第二个呢，就是一定要有AI原生的这种思维模式（AI native thinking）。很多人觉得我能够用AI就叫AI原生，那就是瞎扯。AI原生它是一种思维范式的，一种根本性的这种改变。我连我现在都不敢说我现在有AI原生的思维方式。因为我现在在拼命地思考怎么和AI对话，怎么去和AI共生。很难很难。但是小孩比较好的地方是什么？我们为什么觉得非常难呢？因为我们是已经有思维定势了。我已经习惯于这样和我的学生、和我的同事打交道了。我拿着同样方法跑去和AI打交道，我要去改。改是一件很痛苦的事情。因为我们很容易就被（原有习惯）给带走。小朋友不一样。大家都说嘛，学习的第一步是要学习会遗忘。你在你的那个（课程）里面也讲到了。但这点太难了。这点真的很难。所以说我觉得，一定要有AI原生的这种思维模式。我怎么去和AI共生？把AI变成自己身体的一部分，才是真正对的。我觉得小孩需要把这一点理解清楚。相当于他是充满了一种新的能力。这是第二个。

第三个呢，一定要让小孩有0到1的这种创造力。也就是我们刚才讲的演绎推理能力。做事情之前一定要去想，我的逻辑原点是什么？我的推理的流程是什么？推理的步骤一定要有习惯地想出来。我的逻辑原点，一定比我现在解决的问题低很多。比如说我毕业了之后，究竟是留北京工作，还是回我自己家乡工作。不是（停）留在表面上，北京工资能给多少，家乡工资能给多少。而是问一个问题：留在北京它的意义是什么？站在这一点，北京它有更大的时代的红利。一定要是站在这个角度去考虑留北京还是不留北京，才能想清楚。而不是停在表面上，北京的房价太高，还是北京的收入挺高，北京有更多的就业机会，我们家乡没有更多。这都是停留在表面。一定要去找它的逻辑原点。这个东西，其实是我们AI时代特别稀缺的一种能力。为什么？因为你的所有的问（题），马上AI就可以回答。比如说我问我毕业之后究竟留北京，还是回自己的家乡，AI一定会告诉你答案，各种各样的分析。而缺少的是什么？你基于逻辑原点出发，这样你才不会在信息爆炸的时代里面迷失掉。

同样呢，它也是我们创造力的根源。基于它我能创造出0-1的东西，AI不具有的东西来做。所以就像我现在做的研究一样。我做之前我都会问自己一个问题：这个问题AI有没有可能能做？或者有没有可能在一到两年之内能做？如果假设AI能做，或者一到两年能做这个东西我打死都不碰。因为我知道进去了之后，即使现在别人没看到，两周3周之后别人就会看到，一个月之后大家就会看到，马上就会变成一片红海。马上你就死的翘翘的～因为没有任何一个人敢说有钱有人，你就能够保住领先。说垮就瞬间就垮了。像国内的大模型公司本来都挺好，突然出来一个DeepSeek，一下就把局全部搅得东南西北都分不清楚了。

就是这三点：第一点“我”特别特别的强调“我”这个概念。第二个有AI原生的思维。第三个一定要掌握演绎推理的方式。一定要有商业培训里面的第一性思考这种法则。这个东西尤其的重要哈。其他东西嘛，我觉得就随缘好了。真的到现在这个社会，去不去MIT、去不去Harvard我觉得根本是不重要。去不去北大、去不去清华不重要。甚至有可能，我都不鼓励他们上任何的学。但我们必须也要为现实妥协啊。但我觉得只要家境还可以的话，我觉得没必要去上任何的学。当然他需要去社交（social）。学校是一个很好的social的这种场所。但是如果我们有其他的social的这种可替代方法的话，我觉得现在所有的学校，从小学到初中到高中到大学，现在传统的这种方式，都是基于第一次工业革命大家的需要来建立。而到了AI时代，这些需求全部都变成伪需求，它都不成立。所以我觉得所有的东西全部都取消掉都没问题。我一点都不觉得惊世骇俗，完全就是这么想的。

主持人: 我也想过，我的娃应该是不会去上大学了。但是我听了以后有一个很强的感觉，就是它可能是一次文艺复兴。是我们迷失自我对吧，我们把自己变成一个螺丝钉。最近纳瓦尔有一个播客嘛，他就说创业的人你是不会听他担心自己的工作被取代的，他只会说哇，技术来了，好棒。为什么？因为打工的人是别人把任务给他，创业的人是自己要解决一个问题，他有强烈的解决问题的冲动。你等着别人给你任务，你等着别人告诉你你该做什么，你是谁你的时间应该怎么花的时候，你是担心自己的工作被取代的。但是，其实这是一个更大的工业时代以来的，系统性的对人性的压迫。反而这是一个机会，就是可以让我们，好像苏格拉底说的吧，know yourself就是最重要的事情。反而是一次机会可以让我们回归自己。

刘嘉: 像苏格拉底他们这种古希腊强调那种人性，毕竟当时生产力比较弱，只有少数精英能够去享受，比如贵族、自由人，他能去享受这些东西。但90%老百姓还得去一日三餐。工业革命呢，基本上解决了物质的这个问题，绝大多数呢就不再为生计发愁。你可以看到文明就开始起来。但工业革命最大的问题呢，因为它是一个基于大机器的这么一个工业革命，机器越大越复杂越好。所以这个事就没办法，必须得分工。因为没有一个人能把所有的岗位全部给handle下来，只能成为某一个岗位的专家。这可以看到，我们专家就变成各式各样的专家，每个领域都有自己的专家。这个时候我们需要干的，就是一定要把“我”给深深地埋藏在集体里面。个人不重要，重要的是集体。你只要把你自己的本职工作，把这螺丝打好就OK。至于说我打的螺丝是一辆汽车的螺丝，还是一个舰船的螺丝，你不需要知道。知道把这螺丝拧紧就可以。

好，AI时代，我觉得又重新让我们回到古希腊。这个时候呢，不再是少数贵族的自我寻求的专利，而是变成每个人都可以真的去创造一遍。这个时候，我们既是对第一次工业革命的否定，也是对他的一次传承。为什么我说现在是最伟大的时代？不是瞎扯的。不是AI来了之后大家一块打鸡血。包含我现在也是一样。为什么说要把所有的行政职务全部给辞掉？道理非常简单，不想错过这个时代。

主持人: 嗯，棒了，太棒了。就是停在这，非常的棒。让大家那么多焦虑之下，要认识到我们这真的是一个很棒的时代。感谢刘嘉教授。

刘嘉: 好，谢谢谢谢。