Ilya Sutskever打破沉默，谈AI瓶颈与未来

大家好，这里是最佳拍档，我是大飞。自从两年前的Sam Altman（OpenAI首席执行官）罢免风波过后，Ilya Sutskever（OpenAI联合创始人兼前首席科学家）在公众视野中就像是一位隐士一样。当硅谷的CEO们在推特上为了谁的模型更强、谁的用户更多而吵得不可开交时，他选择了沉默。而最近，他终于打破了这种沉默，在与科技博主Dwarkesh Patel（德瓦尔克什·帕特尔）的一场深度对话中，吐露了他对当前AI技术瓶颈、未来超级智能以及人类命运的最新思考。今天这期视频，我们就来看看这位AI先知是如何看待我们正在经历的这场技术革命的。相信他的很多观点，会颠覆你对现有AI发展路径的认知。

在访谈的一开始，Ilya说了一句非常有意思的话，他说：“你知道最疯狂的是什么吗？是这一切竟然都是真的。”

AI的“撕裂感”：巨额投入与平缓体感

我们现在正处在一个非常诡异的时间节点。一方面，新闻里每天都在报道科技巨头们动辄几十亿、上百亿美元的投入，用来建设数据中心，购买GPU（Graphics Processing Unit: 图形处理器）。这笔资金的规模甚至已经达到了全球GDP的1%。如果在十年前，有人告诉你我们会花掉全球1%的财富去造一个数字大脑，你一定会觉得这是科幻小说。

但是另一方面，对于绝大多数普通人来说，生活似乎并没有发生那种天翻地覆的变化。我们并没有看到满大街的机器人，也没有看到经济数据因为AI而呈现出一种奇点式的爆发。这种巨大的投入和平缓的体感之间，存在着一种强烈的撕裂感。

循环Bug现象：模型智能的深层反思

Ilya认为，这其实揭示了目前AI模型的一个尴尬现状。不管是GPT-4（OpenAI开发的大型语言模型）也好，Claude（Anthropic开发的大型语言模型）也好，它们在各种考试评分上都表现得极其出色，甚至可以说是碾压人类。但是，当我们试图把这些模型真正部署到复杂的经济活动中时，它们的影响力却远没有分数看起来那么大。

这里Ilya举了一个非常生动的例子，叫做循环Bug现象。想象一下，你让一个AI去写代码，它写了一段，然后出了一个Bug。你告诉它：“嘿，这里有个Bug。”AI立刻道歉：“哦，天哪，你是对的，我马上修。”然后它修改了代码，引入了一个新的Bug。你再指出来，它再道歉，再修改，结果神奇的事情发生了，它把代码改回了最开始那个有Bug的版本。这就好比一个学生，他在考试里能够把所有的公式倒背如流，做选择题全对，但是当你让他去解决一个从未见过的实际问题时，他就陷入了死循环。这说明什么？说明我们的模型虽然在模仿智能上可以做得登峰造极，但是在真正的推理和理解层面，可能还缺了点什么。

预训练与强化学习的本质差异

这就引出了Ilya对当前AI技术路线的一个核心反思：预训练（Pre-training: 一种机器学习范式，模型通过在大量数据上学习来获得通用知识）与强化学习（Reinforcement Learning, RL: 一种机器学习方法，通过与环境互动、试错并接收奖励信号来学习最优行为策略）的本质区别。我们知道，现在的大模型范式主要是预训练加后训练。预训练之所以强大，是因为它不挑食，互联网上有什么，它就学什么，文字、代码、论文、小说。这种来者不拒的学习方式，让模型获得了一个极其广阔的世界观。就像Ilya说的，预训练的答案是一切数据。

但是，当我们想要让模型变得更聪明、更像人的时候，我们引入了强化学习。现在的强化学习是怎么做的呢？我们在训练AI做数学题或写代码时，会给它一个问题，让它生成成千上万种解法，然后通过一个奖励机制告诉它哪个是对的。Ilya在这里提出了一个非常尖锐的批评，他认为目前的强化学习其实效率极低。他打了一个比方：假设有两个学生想学习编程竞赛。第一个学生，也就是现在的AI模型，他决定通过题海战术来学习，他把这世界上所有的编程题都做了一遍，甚至把每道题的变种都做了几千遍，通过这种极其暴力的记忆和试错，他确实能解决很多问题，但是他其实是在背诵解题路径。

第二个学生，他可能只练习了100个小时，但是他拥有某种天赋或者说正确的思考方式，他通过这100个小时，掌握了举一反三的能力。很显然，在未来的职业生涯中，第二个学生会走得更远。而现在的AI，更像是第一个学生。我们试图通过让AI在强化学习中消耗巨大的算力，来弥补它在智商上的不足，但是这显然并不是长久之计。那么，问题来了，那个天赋，那个让第二个学生能快速学习的秘密武器，到底是什么？

人类学习效率之谜：情感、欲望与价值函数

Ilya把目光投向了生物学，投向了我们人类自己。不知道大家有没有想过，人类的学习效率其实高得离谱？一个青少年学习开车，可能只需要几十个小时的练习就能上路了。如果让现在的自动驾驶AI去学，它需要在模拟器里跑几亿公里。这种巨大的差距，说明人类的大脑里预装了一些非常强大的先验知识，或者说学习算法。

Ilya认为，这个秘密可能在于我们的情感和欲望，或者用机器学习的术语来说，就叫做价值函数（Value Function: 在强化学习中，用于评估特定状态或行动的长期价值的函数）。我们要如何理解情感是价值函数呢？想想看，进化论经过了几亿年的筛选，给我们的基因里写入了一些非常底层的指令。比如，当你闻到腐烂食物的臭味时，你会感到恶心；当你看到蛇的时候，你会感到恐惧；当你在这个社会中受到他人的尊重时，你会感到快乐。这些感觉并不是随机的，它们是进化赋予我们的一个个极其健壮的指南针，指引我们在复杂的环境中快速做出有利于生存繁衍的决策。

更有趣的是，Ilya提到了大脑皮层的通用性。即使是一个天生失明的人，他的视觉皮层也不会闲着，它会被听觉或触觉信号接管，用来处理其他信息。这说明什么？这说明我们的大脑硬件本身是高度通用的，并不存在什么专门只做视觉的硬件。真正重要的是那个学习算法和价值导向。所以，Ilya推测，如果我们想要通往真正的超级智能，我们可能不需要像现在这样，试图让AI去穷举世界上所有的棋局或者所有的代码路径。我们需要找到那个正确的价值函数，那个能让AI像人类一样，通过少量样本就能洞察本质的算法。这可能就是他眼中，从当前的人工智障跨越到超级智能的关键一步。

从规模化时代到探索研究时代

这就带出了Ilya对于当前AI发展阶段的一个重要判断：我们正在从扩大规模的时代（Age of Scaling）回归到探索研究的时代（Age of Discovery/Research）。回顾过去，从2012年Ilya参与设计的AlexNet（一种深度卷积神经网络模型）引爆深度学习，到2020年GPT-3（OpenAI开发的大型语言模型）的横空出世，这十几年可以被看作是Scaling Laws（规模法则: 指在深度学习中，模型性能随计算量、数据量和参数量增加而呈现的规律性提升）的黄金时代。大家发现了一个简单的真理：只要我堆更多的算力，喂更多的数据，模型就会变强。这就像是物理定律一样稳定。所以，你可以看到各大科技公司都在疯狂地买显卡。

但是，Ilya敏锐地指出，这种单纯靠堆量的红利，可能正在面临边际效应递减。现在的模型训练动辄需要几万张的H100（NVIDIA推出的一款高性能GPU）显卡，成本高达几亿甚至几十亿美元。但是，我们得到的效果提升，似乎并没有像当年从GPT-2到GPT-3那样令人惊艳了。这并不是说Scaling Laws失效了，而是说我们可能需要一种更聪明的Scaling方式。

Ilya回忆道，当他们做AlexNet的时候，只用了两张GPU；做Transformer（一种神经网络架构）这篇划时代的论文时，也不过用了8到64张GPU。那些真正改变世界的想法，往往并不需要天文数字般的算力来验证。相反，如果你的想法不够好，你才需要用海量的算力去强行力大砖飞。所以，Ilya认为，现在的AI领域有点像是一个因为大家都太有钱而变得懒惰的富二代，大家都在用钱解决问题，而忘记了用脑子。他创立SSI（Safe Superintelligence Inc.: 安全超级智能公司）的初衷，正是为了跳出这个怪圈。

SSI的“直线射击”：安全超级智能之路

说到SSI，很多人可能会问，既然OpenAI已经那么成功了，为什么Ilya还要出来单干？这里涉及到一个非常深刻的理念分歧，那就是关于老鼠赛跑（Rat Race）与直线射击（Straight Shot）的选择。现在的AI巨头们，无论是OpenAI、Google还是Anthropic，其实都陷入了一种不得不参与的老鼠赛跑。为了维持高估值，为了抢占市场份额，它们必须不断地推出中间产品，哪怕这个产品还不完美，哪怕它只是一个聊天机器人，它们也得先发布出来赚钱，赚了钱再买更多的显卡，再去训练下一个版本。这就导致了一个问题，研究的节奏被产品的发布周期给绑架了。所有的资源、算力和人才，都必须优先服务于那个即将发布的下一个版本，而不是去思考那些更长远、更根本、但是也更具风险的问题。

Ilya不想玩这个游戏。他的SSI公司，从名字就能看出来，安全超级智能。他的目标非常明确，就是直接通往AGI（Artificial General Intelligence: 通用人工智能），而且是安全的超级智能。他不想在中间做任何的C端产品，不想去卖API，不想去搞订阅制。他要做的，是在实验室里通过纯粹的研究，憋一个大招。这种商业模式在硅谷是极其罕见的，甚至可以说是反直觉的。毕竟，谁会给一家几年内都不打算赚钱的公司投资几十亿美元呢？但Ilya做到了，SSI刚成立就融到了巨资。这不仅仅是因为Ilya本人的光环，更是因为有一部分资本也意识到，通往AGI的道路，可能真的需要这种面壁者式的专注。

对于SSI来说，他们的产品只有一个，那就是最终的那个超级智能。在这之前，所有的中间成果都是为了验证理论，而不是为了卖钱。这就好像是当年的曼哈顿计划（Manhattan Project: 二战期间美国研制原子弹的秘密计划）或者是阿波罗登月计划（Apollo Program: 美国国家航空航天局实施的载人登月计划），目标只有一个，要么成功，要么失败，没有中间态。

Ilya对AI安全的理解：能力与价值观的对齐

这里必须重点谈谈Ilya对于安全（Safety）的理解。在很多人眼里，AI安全就是给模型加个护栏，不让它说脏话，不让它教人造炸弹。但是在Ilya看来，这只是皮毛。真正的安全，是当AI的能力远远超过人类，成为一种我们无法理解的超级存在时，它依然能与人类的利益保持一致。这就像我们在养育一个孩子一样，在孩子还小的时候，我们可以通过管教、通过规则来约束他。但是当孩子长大，甚至比父母更强壮、更聪明时，真正维系家庭关系的，不再是规则，而是爱与价值观的共鸣。

Ilya认为，未来的超级智能，必须具备一种类似人类良知或者同理心的底层架构。这不仅仅是写几行代码就能解决的，这需要我们在构建智能的最底层，就把这种偏好植入进去。这也是为什么他强调，安全和能力是不可分割的。你不能先造出一个毁灭世界的怪物，然后再想办法给它戴上项圈。你必须在造它的时候，就把不毁灭世界作为它智能的一部分。

多极化AI世界：未来图景与人类变革

那么，未来会是什么样的呢？在访谈的最后，Ilya描绘了一个既令人兴奋又令人深思的图景。他不认为未来会立刻出现一个统治一切的单一超级AI。相反，他认为我们会看到一个多极化的世界，会有多个由不同公司、不同国家构建的强大AI系统共存。这些AI系统会在经济、科研、法律等各个领域展开竞争与合作，就像现在的国家和公司一样。它们会通过专业化分工来提高效率，有的AI可能擅长搞科研，有的擅长搞法律诉讼，有的擅长管理物流。这种多极化的结构，在某种程度上也是一种安全机制，因为它避免了权力的绝对集中。

但是同时，这也意味着人类社会将面临前所未有的变革。Ilya说，随着AI能力的增强，人类的行为也会发生改变。我们会看到一些现在无法想象的社会形态和经济模式。也许到时候，所有的物质需求都能被极低成本地满足，人类将不得不重新思考存在的意义。当然，这一切的前提是，我们能够顺利地度过那个最危险的阶段，也就是AI能力超越人类，但是还没有完全对齐的那个窗口期。

纯粹的科学精神与直觉的价值

最后，我想引用Ilya在访谈中反复流露出的那种态度作为结尾。哪怕在掌握了如此巨大的资源和声望之后，他依然保持着一种科学家的纯粹和谦卑。他说：“想法是廉价的，执行才是关键。”但是在AI这个领域，或许还得加一句：“正确的直觉，比黄金更珍贵。”Ilya Sutskever选择了一条少有人走的路，他赌上自己的名誉和职业生涯，去追寻那个通过直线到达的未来。无论SSI最终是成功还是失败，这场实验本身，就已经成为了人类科技史上最壮观的一页。我们作为观察者，也许无法直接参与到那些复杂的算法推导中，但是理解这些顶尖头脑的思考路径，也许能让我们在这场即将到来的风暴中，稍微站得稳一些。

好了，今天的分享就到这里，感谢收看本期视频，我们下期再见。