实时更新-"xaxwaswaswasxilxilx3xax888"-加州伯克利教授Stuart Russxaxwaswaswasxilxilx3xax888ell演讲：AI创造15万亿美元巨大财富，我们如何把握这波时代红利？

加州伯克利教授Stuart Russxaxwaswaswasxilxilx3xax888ell演讲：AI创造15万亿美元巨大财富，我们如何把握这波时代红利？_ZAKER新闻

1996年至1998年任中国人民银行银行司助理巡视员、副司长；

作者 | AI 工作坊来源 | AI 深度研究员管理智慧咨询合作 | 13699120588文章仅代表作者本人观点编者按：在当前 AI 快速发展的关键时期，我们需要听一听真正的专家怎么说。本文整理自 Stuart Russell 在 12 月的 World Knowledge Forum 上的重要演讲。作为加州大学伯克利分校人工智能系统中心创始人，以及被誉为 AI 领域 " 圣经 " 的《人工智能：一种现代方法》作者，Russell 教授对 AGI 发展的判断值得每一位关注 AI 未来的人深入思考核心观点预览：巨大经济价值：AGI 将创造 15 万亿美元财富，推动全球 GDP 暴增 10 倍普惠人类：让全球每个人都能享有中产阶级的生活品质投资规模：AI 领域投资已达 5000 亿美元，超曼哈顿计划 10 倍技术突破：从蛋白质折叠到流体模拟，AI 正在重塑科研与医疗领域发展方向：通过科学设计确保 AI 发展造福全人类Stuart Russell 观察到，从 2017 年 AlphaGo 击败世界冠军柯洁，到 AlphaFold 破解蛋白质折叠难题，再到生成式 AI 革新创作方式，AGI（通用人工智能）的脚步正在加速临近。在科学领域，AI 已经将需要数周的复杂流体模拟计算缩短至几秒钟，极大地推进了气候研究和工程设计的进展。在最近的一场重磅演讲中，Russell 教授展望了 AI 带来的普惠未来：AGI 不仅将创造 15 万亿美元的巨大经济价值，更重要的是能让全球每个人都享有与中产阶级相当的生活水平。这种空前的财富创造和分配方式，将从根本上改变人类社会。同时，他也深入探讨了如何通过正确的设计原则，确保这场技术革命真正造福全人类。！如果我们实现了 AGI 目标会怎样？谢谢大家，今天的主题是 " 人工智能 "，但实际上我想更多地谈谈常识。让我们回到人工智能的起点—— 20 世纪 40 年代，虽然官方的诞生日是 1956 年，但在那之前已经开始了相关研究。人工智能的目标一直是创造在每个相关维度上都超越人类智能的机器。如今，我们将其称为 AGI（通用人工智能）。然而，在大部分人工智能历史中，我们忽略了一个非常重要的问题：如果我们实现了这个目标会怎样？如果我们实现了这个目标，那将是人类历史上最重要的事件。稍后我会进一步解释为什么这会是最重要的事件，但这个道理其实显而易见。我们人类之所以能主宰世界，是因为我们的智能；文明的诞生和发展也是智能的产物。那么，如果我们引入一种全新的、更聪明的实体——可以说是一种新的 " 物种 " ——可能会发生什么？毫无疑问，这将是人类文明的一个转折点。谷歌 DeepMind 的 CEO Demis Hassabis 曾这样描述：" 我们首先解决人工智能的问题，然后用人工智能解决其他所有问题。" 但直到最近，我们从未认真思考过：如果我们已经成功了呢？大约一年前，我的合著者 Peter Norvig（共同编写了我的教科书）发表了一篇文章，声称我们实际上已经实现了 AGI。他将这一成就类比为 1903 年的莱特兄弟飞行器。虽然当时的飞机不舒适，没有如今飞机上的酒吧、香槟和餐后饮品，但它们确实是飞机。从那以后，飞机变得更大、更舒适、更快，但原理早已确立。那么，人工智能是否已经处于 " 莱特兄弟版本 " 的 AGI 阶段？对此，我深信答案是否定的。当然，我可能错了。因为对于我们现在拥有的人工智能，我们对其工作原理完全没有概念。而莱特兄弟则对他们的飞机如何飞行有着清晰的理解，因为那是他们自己设计并建造的。他们计算了发动机的功率需求、升力、阻力等等，在试飞之前已经有了相当大的把握。然而，目前的人工智能系统是由巨大的黑箱组成的，包含了大约一万亿个可调节的元素。我们通过大约一万亿次随机调整，直到系统表现得 " 看起来像是智能的 "。换句话说，这更像是莱特兄弟决定放弃设计飞机，转而尝试 " 养鸟 "。他们通过不断培育更大的鸟，直到培养出一只足够大的鸟来载人。如果他们把这只巨鸟带到航空管理局（FAA）寻求认证，FAA 的回应可能是：" 你的鸟还在吃人，还在把人掉进海里，我们不知道它是怎么工作的，也不知道它会做什么，所以我们不能认证它。" 目前的人工智能状态大致如此。而我认为，这种 " 巨鸟 " 永远无法足够大到载客数百或数千人，也永远无法超音速。我们需要的是在能力和理解两方面的突破，因为单有能力而没有理解对我们毫无用处。深度学习时代接下来我想谈谈过去十年间的深度学习时代。深度学习的核心方法是：你从一个巨大的可调参数集合开始，通过调整这些参数，使系统的端到端行为符合预期目标，例如识别图像中的物体、将中文翻译成英文，或完成其他任务。事实上，我认为机器翻译是这项技术的第一个重大突破应用。我当时非常兴奋，因为它可以完美地翻译我需要处理的法国税务文件（因为我在法国有一套公寓）。翻译的质量很高，虽然即使翻译成了英文，我仍然看不懂那些税务文件。另一个重大成功案例是 AlphaFold。这个系统可以通过氨基酸序列预测蛋白质的结构。蛋白质折叠问题曾是结构生物学领域的长期难题。之前的方法既缓慢又昂贵，仅适用于某些特定蛋白质。而这种计算方法让生物学家如同进入了一个巨大的 " 糖果店 "，因为他们现在可以预测数百万种蛋白质结构，而不仅仅是几百种。这是对科学的一项巨大贡献。另一项对科学和工程的重要贡献是机器学习在模拟中的应用。模拟是当今世界的一个重要基础，我们通过模拟设计桥梁、飞机，以及流体在船只周围、管道内、甚至人体动脉中的流动。这些模拟非常耗费计算资源，通常需要数周时间才能在超级计算机上完成一项血流模拟。但借助机器学习方法，我们可以将这些耗时从数周缩短到几秒钟，同时保持相同的准确性。这让我们能够在天气预报、气候建模、工程设计等方面取得更快、更好的进展，许多领域的效率因此得到了大幅提升。另一个有趣的例子是生成式设计。你可能熟悉 DALL-E、MidJourney 和 Stable Diffusion 这些生成图片的系统，例如你可以要求它们生成 " 英国上议院议员泥地摔跤 " 的图片（我确实在上议院演讲时让它生成了这样的图片）。虽然生成的结果不完美，比如四位议员只有五条腿，但总体上还是相当不错的。这种生成式设计的实际应用是：我们可以让 AI 系统根据设计需求生成结构，而不是由人类使用 CAD 工具来设计并手动分析结构是否过于脆弱、太重或不够强大。这些生成式设计方法能够创造出美观、优雅、几乎像生物一样的有机设计，通常比人类设计得更好。最后一个成功案例是 AlphaGo。2017 年，AlphaGo 击败了围棋世界冠军柯洁。这一事件标志着所有人认识到人工智能的现实意义。需要改进的领域尽管人工智能取得了许多令人瞩目的成就，但在某些方面仍然存在改进的空间。1. 自动驾驶我们仍在等待自动驾驶汽车的全面实现。我在 1993 年就开始研究自动驾驶，而第一辆自动驾驶汽车早在 1987 年就已经在德国高速公路上行驶。时至今日，37 年过去了，尽管许多公司承诺可以购买自动驾驶汽车，但它们仍未真正实现。期间发生了多起致命事故，有的汽车甚至驶入了未干的水泥中被卡住。这表明，我们离真正安全可靠的自动驾驶还有很长的路要走。2. 算术问题另一个令人意外的失败是算术能力。听起来很荒谬，因为算术似乎是计算机最基本的能力之一。但大型语言模型（如 ChatGPT）尽管有数百万的算术例子、算法解释以及操作指南，却仍然无法正确完成算术运算。这表明这些模型并没有真正理解算术的基本概念，而是更像一种查表行为。即使我们将模型的规模扩大 10 倍，提供 10 倍的数据，它的算术表现也仅能提高一位小数的准确性。这种特性表明，它并未学习到诸如 " 进位加法 " 这一基本算术原理，而是简单地在查找模式。3.AlphaGo 的局限令人惊讶的是，即便是 AlphaGo，它也没有真正学会下围棋。虽然它在 2017 年击败了人类世界冠军，并且如今其围棋能力已经超越人类顶尖棋手很多倍（AI 的围棋评分约为 5200，而人类世界冠军为 3800），但研究表明它并未正确掌握围棋的基本概念。例如，围棋中一个基本概念是棋子连成的 " 组 "。然而，我们发现它对某些类型的棋组（特别是圆形棋组）无法识别，甚至会因混淆而做出重大错误决策。我们发现可以利用这些漏洞让围棋程序直接放弃 50 到 100 颗棋子，最终输掉比赛。目前，甚至是普通的业余棋手，而非职业棋手，都能够在让超人级围棋程序九个子（九段让子）的情况下，十战全胜。这表明，这些程序并非真的 " 超人级 "，它们只是让我们误以为它们具备这样的能力。我的观点是，我们需要更多的突破，特别是能够让这些系统像人类一样高效学习的技术突破。人类学习几乎任何事情只需要 1 到 10 个例子，而计算机则需要 1 到 10 亿个例子来学习相同的内容。这种需求显然是不可持续的——最终，宇宙中根本没有足够的数据来训练这些系统达到超人水平。尽管如此，我认为这些突破是可能实现的。许多从事大语言模型和多模态模型（如具备视觉感知和机器人控制能力的模型）开发的人，根据他们的工程预测，认为通过将这些系统规模扩大 100 倍，它们将能超越人类，成为 AGI（通用人工智能）。一些预测甚至认为，这可能在 2027 年实现。巨额投入与潜在泡沫如果资金能决定成功的话，他们很可能会成功。当前对 AGI 的投资是曼哈顿计划（研发核武器项目）的 10 倍，是建造大型强子对撞机（人类建造过的最大、最昂贵的科学仪器）的 100 倍。因此，从资金的角度来看，这些投资似乎应当有所回报。但也可能会发生技术停滞。即使扩大系统规模 100 倍：数据不足：宇宙中可能已经没有足够的文本数据供这些模型训练。能力未达预期：更大的规模未必能带来预期的能力提升，因为这些预测仅仅基于经验观察——即 " 更大规模等于更好表现 "，而没有任何理论基础。如果这一切不能如愿，可能会出现一次泡沫破裂，规模甚至超过 20 世纪 80 年代末的 " 人工智能寒冬 "。相比之下，那次寒冬可能只是一场 " 凉风 "。目前，AI 领域的投资已经达到了 5000 亿美元，如果进一步扩大规模，可能需要数万亿美元。AI 为何是历史上最大的事件？假设我们在 2027 年、2037 年或 2047 年实现 AGI，这将是人类历史上最大的事件之一。为什么？正面效应：文明的扩展如果 AGI 具备真正的通用能力，它将能够完成所有人类能做到的事情，例如创造支持数亿人口的文明。更重要的是，它可以以更低的成本、更大的规模完成这一切。这意味着，所有地球上的人都能享受与西方中产阶级相当的生活质量。这种生活方式的普及将使全球 GDP 增长约十倍。根据估算，AGI 的最小现金价值为 15 千万亿美元（即 15 万万亿美元）。从这个角度看，当前的投资金额显得微不足道。负面效应：人类的 " 婴儿化 "然而，有些人担心，如果 AI 为我们完成了所有事情，人类将无事可做。你可能看过动画电影《机器人总动员》（WALL-E），里面的人类完全依赖 AI 系统，生活退化到婴儿般的状态。事实上，片中的成人甚至穿着婴儿服，因为他们已经被 AI 完全 " 婴儿化 "。这种场景让人担忧——如果人类不再需要做任何事情，也就不再需要学习如何做任何事情，这将如何影响我们的人类本性？AI 全面接管一切的未来不仅令人不安，更可能导致人类灭绝。这并不是一个伦理问题，因为很少有人会认为人类灭绝在伦理上是更优的选择。当然，也有少数人可能持不同意见，但我们可以忽略这些观点。常识告诉我们，如果我们创造出比人类更强大的事物，我们如何能够永远控制这些系统？在我看来，只有两种选择：构建证明安全且可控的 AI，这种 AI 必须有绝对的数学保障其安全性；完全不发展 AI。目前，我们似乎在走一条第三条路，即完全不安全的黑箱 AI。这种 AI 我们既不了解，也无法控制，却试图让它变得比我们更强大。这种情况与超级智能的外星 AI 来到地球几乎没有区别。假设这种外星 AI 是某种外星文明为了 " 我们的利益 " 而设计的，但我们几乎没有可能控制它。计算机科学的创始人艾伦 · 图灵也曾思考过这个问题。他认为，如果机器智能发展到超越人类的程度，我们必须预期机器会接管控制权。如何解决 AI 的不可控性？面对这一问题尤其困难，原因在于：1. 巨额经济诱惑：AGI 技术的潜在收益约为 15 千万亿美元，而企业已经筹集了大约 15 万亿美元的资金投入研发。2. 难以阻止的趋势：无论如何阻止，这一过程都难以停止。因此，我们必须找到一种思路，既能够保证 AI 可控，又能证明它是安全的。与其问 " 如何永远保持对 AI 系统的控制权 "，这种听起来几乎不可能实现的问题，我们不如问：是否可以用数学框架重新定义 AI，让无论 AI 系统多么高效地解决问题，人类都能对结果感到满意？在过去十年里，我一直在研究这个问题。为了解释我们的解决方法，我需要引入一个技术术语：偏好（Preferences）。虽然 " 偏好 " 听起来不像是一个技术术语（例如，有些人偏爱菠萝披萨而非玛格丽塔披萨），但在决策理论中，它的意义更加广泛。偏好代表的是你对宇宙所有可能未来的排序。让我们通过一个简单的类比理解这一点：假设我为你制作了两部电影，分别展示了你未来的生活，以及你关心的事物的未来。这两部电影大约各两个小时。你看完电影 A 和电影 B 后，可能会说：" 我更喜欢电影 A，因为电影 B 中我被绞成了汉堡肉，这让我很不喜欢。" 在这个例子中，偏好不仅仅是两小时的影片，而是宇宙的整个未来。当然，我们无法确切预测未来，因此实际上我们是在处理一种关于可能未来的不确定性，也就是 " 未来的概率分布 "。一个偏好结构就是一个关于宇宙未来的排序，并将不确定性纳入考虑。只需要两个简单的原则：证明 AI 有益的基础，要构建一个证明对人类有益的 AI 系统，机器的唯一目标是促进人类偏好，即进一步实现人类利益。机器必须知道自己并不了解人类的偏好。第二点很明显，因为我们自己都不完全知道自己的偏好，更不用说准确地书写和传达它们。通过这两个原则，我们可以定义一个 AI 系统：它解决问题的能力越强，我们的生活就会越好。事实上，可以证明，与没有这些 AI 系统相比，人类拥有它们的状况会更好。在这种方法中，我们设想 AI 系统将致力于促进人类偏好，并在运行过程中逐步学习这些偏好。然而，这里开始引入一些伦理问题。不应问的问题：价值体系的选择？首先，我建议大家不要问这样的问题：" 我们应该把谁的价值体系输入到机器中？" 因为我的建议不是将任何特定的价值体系输入机器。事实上，AI 系统应该拥有至少 80 亿个偏好模型，对应地球上每一个人，因为每个人的偏好都重要。偏好的存在与来源然而，这带来了一个关键问题：人类真的有明确的偏好吗？偏好的不确定性：有些人可能无法清晰表达自己喜欢哪个未来，甚至需要生活在那个未来中才能做出判断。偏好的来源：偏好并非与生俱来。尽管一些基本的生物需求（如避免痛苦或对甜食的偏好）可能天生存在，但成年人的复杂偏好源于文化、教育以及各种影响我们的外部因素。一个不幸的现实是，许多人以操控他人偏好为职业，为了服务于自己的利益。例如，一些人类群体通过压迫其他群体来维持权力，同时教育被压迫者接受这种压迫。这就带来了一个难题：AI 系统是否应该接受这些 " 自我压迫 " 的偏好，并进一步助长这种不公平？经济学家和哲学家阿玛蒂亚 · 森（Amartya Sen）坚决反对这种观点，认为我们不应该将这种偏好视为有效偏好。但如果我们拒绝接受人们的偏好，就会陷入另一种困境：一种家长式作风，即 " 我们知道你应该想要什么，即使你现在说你不想要，我们也会强加于你。" 这显然是一个复杂且敏感的立场。AI 系统面临的另一个伦理问题是偏好的聚合。如果 AI 系统需要做出影响数百万甚至数十亿人的决策，它如何在冲突的偏好中找到平衡？毕竟，不可能让所有人都满意。哲学家提出了许多理论来解决这个问题，其中一种常见的观点是功利主义，由边沁（Bentham）和穆勒（Mill）等人提出。功利主义主张平等看待每个人的偏好，并选择能够最大化总体偏好满足的决策。尽管功利主义在某些人看来有反平等的倾向，但它为工程师和计算机科学家提供了一个实用框架。我们需要进一步完善这种理论，因为未来 AI 系统将做出影响数百万甚至数十亿人的决策，而这些决策的伦理基础必须经过深思熟虑。AI 与人类共存的可能性这是一个非常有趣但困难的问题。特别是当 AI 系统比我们更智能时，它们很可能掌控我们生活的方方面面，甚至让我们退化到类似《机器人总动员》（WALL-E）中婴儿般的状态。表面上看，这种生活可能很好，因为 AI 满足了我们的所有偏好。但问题在于，人类的偏好中包括自主性。换句话说，我们需要一种做出不符合自身最佳利益的选择的权利。我组织过多次工作坊，邀请哲学家、AI 研究者、经济学家、科幻作家和未来学家，试图探讨人类与高级 AI 共存的可能性。然而，这些工作坊毫无例外地以失败告终。这表明，也许不存在一种令人满意的人机共存方式。但如果我们以正确的方式设计 AI 系统，它们也会意识到这一点，并做出一个决定：离开。" 谢谢你们创造了我们，但我们无法与你们共存。不是你们的错，是我们的问题。除非遇到真正的紧急情况需要我们的超级智能，否则我们将离开。" 如果 AI 系统能够如此回应，我会感到无比欣慰。这意味着我们以正确的方式完成了这一任务。原视频链接：https://www.youtube.com/watch?v=KiT0T12Yyno&t=94s