AI之道

      在6月22日的2026方塘论坛开幕式上，黄铁军老师进行了题为“AI之道”的主题演讲。

      黄铁军是北京智源人工智能研究院理事长、北京大学计算机学院教授。他在人工智能基础理论与前沿实践方面具有深远影响，长期致力于视觉信息处理和类脑智能研究，发明了脉冲连续摄影原理和超高速视觉芯片、相机与系统，曾获多项国家技术发明奖和国家科技进步奖。

      他在演讲中不仅梳理了他关于AI技术发展的看法，也讨论了人与技术的关系。以下是他演讲的主要内容。

特别感谢方塘研究院给我这样的机会。本场演讲题为《AI之道》。会议组织者问我英文是翻译成“The DAO of AI”还是“The Way of AI”，我说是后者，即AI的技术路线。当然“小道”和诸位哲学家研究的“大道”也是密不可分的。

二十多年前我学开车，就在琢磨：“道”听起来十分高远，但它与开车之间却有天然的联系——也许“道”最初就来自道路、来自驾御：车不能随便开，不能开到田里，只能开在路上；其次要遵守交通规则；除了交通规则之外，还要凭感觉及时判断，才能更安全。

我对“道”未有深研，但以驾车作类比，今天所讲AI之“道”，与之颇有相通之处——讲的是做AI时技术路线是怎样的、心里怎么想的，还未上升到哲学的程度。

作为AI从业者，与许多同行一样，技术路线经过了多次转换、改变，乃至反思和颠覆。为什么会这样？因为AI还没有“大道”，只存在“小道”。既然只有“小道”，就不知道哪条路线一定是对的，只能不断摸索，曲折前行。下面挑几个例子。

1956年夏，由洛克菲勒基金会资助召开的人工智能达特茅斯研讨会上，四位发起人在申请书中提出：要把包括学习在内的智能精确描述出来，并在计算机上执行。这一思路走了三十多年，证明并不能解决问题。

三十年后，这一困境被抽象为一个哲学问题——约翰·塞尔提出的“中文屋”思想实验。计算机可以进行高速的符号处理，最终表现出一定的智能现象，但这种智能是假的，只是高速、大存储和统计的结果，计算机并不真“懂”中文，对中文词语的含义一无所知。

归根到底，这是人工智能上半叶的核心困境：计算机、人工智能只是在处理符号；符号背后的意义它没有，的确只是一个高速处理过程。

但符号对人来说是有意义的——随便说一个词、一句话，都包含丰富的含义，远非辞典那段解释所能概括。因此，计算机本身并未真正表达语义，它只是符号的汇总处理。当然，这是人工智能上半叶的问题，今天的人工智能已经在相当程度上解决了这一问题。

还有一个现在的热词——AGI。很多创业公司上来就讲要做AGI。AGI这个词最早出现于1997年。需要强调的是，AGI通常被理解为“全面超越人类智能的系统”——人能做的它都具备。但稍作思考，便会发现AGI水太深了。

人具备的东西太多了，比如自我意识——如果AI没有自我意识，它能叫AGI吗？这么重要的特征不能缺席。所以，严格而言，AGI一定是具备自我意识的，而且是超过人类的某种意识形态，当然未必等同于人类的意识。

本场演讲所说的AGI即此涵义——“具备自我意识的、全面超越人类的智能体”。

AGI何时出现？业界有诸多讨论。2015年1月2日至5日，美国的生命未来研究所举办了一场活动。这个研究所最早由马斯克捐资支持，由麻省理工学院物理学教授Max Tegmark牵头。这个研究所组织了许多会议讨论人类未来重大问题，其中最有影响的就是两年一次的关于AGI的讨论。

2015年的会议，邀请了大量AI学者、未来学家与哲学家，请所有与会者就“真正的AGI何时出现”扫码作答——你认为哪一年，就输入那一年。对结果排序后，中位数为2045年，即半数受访者认为AGI将在2045年之前实现，另一半受访者认为将在2045年之后实现。一半人认为三十年内即可实现，这已经特别紧迫了，因此后续他们围绕这一问题办了多次会议。

2015年1月7日，我发表过一篇文章，写于2014年。《中华读书报》编辑向我约稿，那篇文章的题目原为《制造超级大脑》——当时我担任北京大学计算机系主任，文章尝试回答何时能造出一台比人脑更强大的电脑。

题目本身相当中性，但仍显激进，因此发表时编辑改为《人类能制造出超级大脑吗？》。这篇文章探讨的正是实现AGI的可能路线。我认为沿这条路走下去，大致在三十年左右的尺度内，这件事是会发生的。为什么？

这篇文章的核心思想——也是我今天想讲的——是：在意识的发生机制最终获得科学解释之前，能够制造出具有自我意识的人造大脑吗？回答是肯定的，而且制造出这样的装置，可能正是回答这个问题最便捷的途径。 

我从1992年读研究生开始，总觉得要先把智能、意识背后的科学原理搞清楚，总想找到那个抽象的原理，这也是很多人的惯常思维定式。但2014年开始，我觉得这条路走不通，在我有生之年这个原理可能就找不到，于是不再去找。不找怎么做？依然能做！即便三十年后仍搞不明白那个原理，也能造出一个具备超人功能的超级大脑——这就是该文的基本思想。

为什么会有这一认知转变？因为我们太被“科学原理”和“大道”所迷惑了。事实上，在人类科技史上，推动历史进步的主要力量是技术，是不断试错的进程——并非有人先把原理搞明白，然后再发明出实际系统。技术驱动是主线，“先把原理搞清楚再启动”的设想不现实。

我也读过一些科技史，发现绝大多数情况确实是技术实现在先，原理与科学总结在后。但教科书并不这么写——教科书先讲基本原理，再讲技术实现，最后讲工程优化，因此把我们培养成“先弄清原理再动手”的思维方式。真实历程恰好相反。

所以真要做原始创新，就得从摸索、从看不清楚、从试错中前行。至于将来能否总结出原理、何时总结出来，不影响我们的探索。

当然，我们也不能盲目尝试，仍需有思路、有可能的方案。今天没有智能原理，三十年后乃至三百年后也未必能解决智能的科学原理问题，但我们可以先造出来——这就是我所认为的“AI之道”。

我的“AI之道”可以概括为两句话：“结构决定功能，功能塑造结构。” 这两句话来自生命科学。我们有什么样的DNA，就会有什么样的身体和大脑，也就有什么样的功能与智能，这是决定性的，就是结构决定功能。

当然，后天还会进一步塑造我们的智能，但就人类智能而言，结构是基础——结构，无论是DNA、身体，还是神经系统。

结构从哪里来？从简单到复杂演化而来。怎样演化？生物体要在所在环境中接受塑造、适应环境，这就是功能塑造结构。若放大到出生之前，便是物竞天择的进化过程。

在此过程中，DNA、身体、大脑都是进化的产物，只是其先天演化比后天学习要慢得多。结构的决定性与塑造同步发生：结构决定生物体的功能，同时在演化与不断被塑造。

这张图总结了我们团队自2018年成立以来开展的各类AI项目。名称纷繁，但基本思想就是上述两方面：设计什么样的结构、用什么方法去训练它——结构决定功能，功能塑造结构。

举两个例子。人工神经网络与真正的神经网络相差甚远，但无论如何也是神经网络——由大量神经元相互连接而成。只要存在网络，便可用数据训练。至于训出来的功能好坏，事先无法得知，但至少可以动手去尝试。这一思路已经尝试了80年，从1943年开始，训练神经网络就是人工智能最主要的路线之一。

在这一过程中有大量失败与探索。人工神经网络的成功，是从千千万万次尝试中筛选出来的。其中一是神经网络本身的进展，例如深度学习和Transformer，另一成功案例便是今天大模型的训练方式——“预测下一个token”。

这一贡献获得了2018年图灵奖。八十年代的计算机只知道处理符号、处理词，并不知道词背后的含义，此次工作解决了这一问题——词的含义可以用一串数字表示，即每个词用一个向量表示。

一个词的含义怎么可能用一串数字表示？这正是其创新之处。可以这样直观理解：我们脑中关于每个概念、每个词的表示，最终一定体现在某些神经突触的连接强度上——比如用一万个突触表示一个概念。

脑中关于某事的认知，最终都会表现为大脑中某些神经突触连接强度的组合，因此都可转化为一串数字。这条技术路线是否有效尚需验证，但这个思路是有依据的。

第二，怎样训练神经网络？做自然语言处理时，不必再人工标注，可直接用一串文字中的前n−1个去预测第n个。这一序列最关键的就是前面这前n−1个token和后一个token之间存在语义关系。这样就有了“智能”——正如说话，如果是随机蹦字，大家会认为没有智能；如果输出流畅自然，大家就会认为有智能。

如果神经网络能做到，便具备人工智能。给定n−1个高维向量，预测第n个，是可以实现的——将其交给一个神经网络，持续不断地训练，不断修改参数迫使输出逼近第n个词对应的向量，最终训练出的参数就与人脑参数有类似之处，映射了语言背后的规律，或者说智能与知识。

当然，虽然方法2000年Bengio就提出来了，但当时神经网络并不够好，所训出的智能远未达到惊艳的程度，直至2017年Transformer的出现。Transformer的关键就是要精确计算 token 之间的关系：一句话中的某个词与下一句话中的某个词之间存在影响，影响的程度需要精确计算。

语义本身就来自关系——这是语言学的一个基本观点。每个词的含义来自哪里？来自关系。

例如“红”，每种语言都有关于“红”的符号，例如英语的red，关键不在“红”还是red，而是这一符号与其他符号的相互关联。关系决定了它的意义，而非它本身就具有“本质意义”——它本身只是一个标签。

马克思说，“人是一切社会关系的总和”——作为社会人，我们通过社会关系来理解一个人。符号更是如此。

所谓ChatGPT、所谓大模型，其核心就是三点：每个词用一个向量表示，用前面的向量预测下一个token，神经网络用Transformer——这就是ChatGPT，也是今天大模型的核心思想。

把上述要素组合在一起，就是OpenAI做的事。表现是智能是神经网络涌现出来了，何时涌现？究竟拥有何种智能？事先无人知晓。

这类似我们的大脑学得多了，就会产生新的想法。这是一种自然现象，确确实实发生了——这就是今天人工智能让人感受深刻的原因。

它真的存在了。我们不知道“为什么”，但我们知道“怎么做到的”。围绕人工智能存在许多批评，但这就是科技发展的一个历史阶段，许多技术突破的第一阶段都是如此。

把这一方法继续推进会怎样？推广到其他数据可不可行？2022至2025年，智源做的一件事表明：是可以的。我们构建了一个多模态智能体，今年2月在《自然》发表了论文，它有可能正是通往未来的一条道路。

不熟悉的数据怎么样？“脑”信号对普通人如同天书，用同样路线也能学得很好，这就是智源最近发布的脑模型，能够像医生看到一张核磁共振影像或脑电信号便能判断疾病。后续仍需大量临床实验，但目前看来，已显著高于许多医生与博士生的水平。

刚才提到，语言、视觉、多模态、脑信号——世界十分复杂，而科学的目的正是试图理解世界。把这些都纳入进来可不可行？只要是能够采集到的信号，只要它对世界有某种表达，让大模型去学习——若能学成，就类似大脑。世界要复杂得多，包括机器人、具身智能；但归根到底，世界由分子、原子、基本粒子构成，世界的变化过程也不止于抓取一个物体，而是各种各样的过程。

至少在信念层面，我们认为是有可能的。当然，要采集这些数据，就需要科学与技术合力推进——需要更强大的感知与分析手段。

我们靠什么探索世界？生物靠身体，科学靠仪器。因此，被探索的不仅是一个客观世界——我们还要有一个主体来探索它。不仅要做客观的模型，也要做主观的模型，需要有一个身体。

这是我们用约一年半时间完成的一个线虫模型。2010年至2021年间也有人尝试，但未能做出来，我们把“十年”压缩到了“一年”——将线虫302个神经元的精细结构全部以模型复刻出来。

解剖数据由生命科学家完成，数字模型由我们团队完成。仅复刻结构还不够，神经元之间的连接强度才是关键。这些数字只能靠训练得到。

所以2021年之后才能做出来，因为我们掌握了训练方法——既然能训练Transformer，为什么不能训练一个生物神经网络？做法是一样的。难点在数据。为此，团队专门为它构建了液体仿真环境，包含水压等，由此采集数据，再去训练近两千个神将连接参数。

这样一来，模型就“活”了——其结构来自生命的进化，其智能则由环境数据训练得到，二者结合，表现出的觅食行为，与真实生命几乎无异。这不是动画，而是模型真实驱动身体做出的动作。

举这个例子是想说明：我们已经掌握了一套方法，沿此路径推进，线虫可以做，心脏也可以做，且已相当精细。今年我们与安贞医院合作建立了心脏AI联合研究。其他器官从原理上讲也是类似的，身体可以不断更精细地建模。

身体可以建模，世界的建模最终也可装入大模型，那么AGI便是有可能的。这将带来何种影响，是今天的重要议题之一。按一些西方学者的判断，它具有毁灭性，因为它的能力将超过人类；但我们也需要从另一面来看。

2019年前述生命未来研究所举行的会议上提出：人类智能可能存在天花板——当我们面对无法应对的风险时，需要更强的智能。人类现在有核武器，核武器固然危险，但若小行星真正撞向地球，仍需用核武器在数千公里之外将其推偏，目前我们具备这一能力。当然，也存在更复杂的情形，例如外星智慧体到来时如何应对？这可能超出人类大脑的智能，需要AGI。

一旦AGI能力超过我们，我们将无法控制它，这是必须正视的问题。

如今做具身智能、做世界模型，都需要带着探索去做。这一阶段大约还有十年——大致而言，在十年左右，性能上超越人类的具身智能体将被做出来。

到2045年前后，AI感知、认知乃至产生意识的可能性是存在的。当然，这并无严格的科学论证，仅是按照科技进步速度的估计。

我认为存在与AI形成良好对话的可能性——即便我们最终无法完全理解大脑奥秘，人与AI之间仍有理性交流的机会。我们无法与以前的机械设备交流，但与AI可以形成一种和谐共处的关系。

届时，人类或如年迈的长者，而智能体将像年轻人走向宇宙深处。我们之间仍保有沟通，犹如远行的子女偶尔来电——这种交流是存在的。我们也会因此感到欣慰：虽然我们没有走出去，他们终究走出去了。

这就是我所设想的2045年。谢谢大家。