編者按：2024年年底，DeepSeek-V3正式發(fā)布并同步開源，這是繼OpenAI后又一人工智能大模型。它的火爆出圈與全民應(yīng)用，再一次證明AI技術(shù)正在“賦能千行百業(yè)、走進千家萬戶”，也標(biāo)志著中國對全球AI發(fā)展格局的重塑。以DeepSeek為代表的人工智能應(yīng)用同樣影響著創(chuàng)作者、讀者和出版者，引領(lǐng)著一場顛覆性的變革。本期專題，特邀中國大百科全書出版社、中國政法大學(xué)出版社、華東師范大學(xué)出版社、光明日報出版社的有關(guān)負責(zé)人，分別從人工智能思想源頭、DeepSeek工具對作者和讀者的影響，以及如何利用DeepSeek進行閱讀等角度，深度闡述人工智能為創(chuàng)作與閱讀帶來的深刻變革與無限可能。

2024年10月8日，諾貝爾物理學(xué)獎授予約翰·霍普菲爾德和杰弗里·辛頓，表彰他們“在使用人工神經(jīng)網(wǎng)絡(luò)進行機器學(xué)習(xí)的基礎(chǔ)性發(fā)現(xiàn)和發(fā)明”。辛頓及其團隊2006年在《科學(xué)》雜志發(fā)表了一篇論文，題為《深度信念網(wǎng)絡(luò)的一種快速學(xué)習(xí)算法》，不僅提出了深度信念網(wǎng)絡(luò)和逐層預(yù)訓(xùn)練方法，還為AI技術(shù)的發(fā)展奠定了基礎(chǔ)。深度學(xué)習(xí)的原理是構(gòu)建一個包含多個層的神經(jīng)網(wǎng)絡(luò)，每層都有多個神經(jīng)元。他們提出了一種新的訓(xùn)練方法，即在反向傳播算法之前插入一個無監(jiān)督的預(yù)訓(xùn)練階段。這種方法顯著提高了神經(jīng)網(wǎng)絡(luò)的訓(xùn)練效率，并使深度神經(jīng)網(wǎng)絡(luò)在實際應(yīng)用中成為可能。

在計算機視覺領(lǐng)域中，深度學(xué)習(xí)已被廣泛應(yīng)用于圖像分類、目標(biāo)檢測、場景分割、人臉識別、語音識別、圖像分割等領(lǐng)域。在自然語言處理領(lǐng)域中，深度學(xué)習(xí)也得到了廣泛應(yīng)用，DeepSeek即是在此基礎(chǔ)上進一步發(fā)展的產(chǎn)物。它通過強化學(xué)習(xí)方法，提升大型語言模型（LLM）的推理能力，旨在減少對監(jiān)督數(shù)據(jù)的依賴，并探索用純強化學(xué)習(xí)開發(fā)推理能力的潛力。這一技術(shù)與辛頓早期的深度學(xué)習(xí)理論有著密切聯(lián)系，即都致力于提高神經(jīng)網(wǎng)絡(luò)的性能和效率。

神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)的哲學(xué)

1.反向傳播的信念

1986年，杰弗里·辛頓與戴維·魯姆哈特、羅納德·威廉姆斯發(fā)表了兩篇突破性的論文，其中的《通過反向傳播誤差來學(xué)習(xí)》詳細地介紹了 “反向傳播”（back propagation）這一人工神經(jīng)網(wǎng)絡(luò)的自我學(xué)習(xí)算法。在這篇論文中，作者將反向傳播算法應(yīng)用于多層神經(jīng)網(wǎng)絡(luò)，并且證明了這種方法對機器學(xué)習(xí)行之有效。與計算機不同，大腦無法通過“倒帶”來審查過去，但反向傳播實現(xiàn)了類似大腦的神經(jīng)元特化。辛頓堅信，反向傳播算法是神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的核心機制，通過多層非線性變換的堆疊，模型能夠從數(shù)據(jù)中自動提取層次化特征，從而逼近復(fù)雜的函數(shù)映射。盡管生物大腦可能不直接使用反向傳播，但辛頓主張其有效性足以成為AI的基石。神經(jīng)網(wǎng)絡(luò)是自主學(xué)習(xí)，通過“預(yù)訓(xùn)練”系統(tǒng)疊加反向傳播網(wǎng)絡(luò)，從而使系統(tǒng)在已經(jīng)掌握了一些基礎(chǔ)知識后才開始“監(jiān)督”訓(xùn)練。

2.并行分布式處理的倡導(dǎo)者

1986年，辛頓等人發(fā)表的另一篇突破性論文《并行分布式處理：認知微結(jié)構(gòu)探索》提出了并行分布式處理（PDP）模型，解釋了如何通過分布式神經(jīng)網(wǎng)絡(luò)實現(xiàn)人類認知。信息應(yīng)通過神經(jīng)元群體的協(xié)同激活來編碼，而非傳統(tǒng)符號AI的離散符號。這種方式更接近人腦處理信息的特點，賦予模型更強的泛化能力和聯(lián)想記憶功能。通過并行分布式處理，模型能夠捕捉到數(shù)據(jù)之間的復(fù)雜關(guān)聯(lián)和潛在模式，從而展現(xiàn)出更強的泛化能力。這意味著，即使面對未見過的數(shù)據(jù)或情境，模型也能夠根據(jù)已有的知識和經(jīng)驗進行合理地推斷和預(yù)測。此外，并行分布式處理還賦予了模型聯(lián)想記憶的功能。在神經(jīng)元群體的協(xié)同激活中，不同的信息片段交織在一起，形成一個錯綜復(fù)雜的記憶網(wǎng)絡(luò)。這使得PDP模型能夠在需要時快速檢索和重組相關(guān)信息，實現(xiàn)更為智能和靈活的信息處理。辛頓的這一貢獻不僅推動了深度學(xué)習(xí)的發(fā)展，更為人工智能的發(fā)展開辟了新的道路。

3.深度學(xué)習(xí)優(yōu)于手工特征

辛頓反對依賴領(lǐng)域?qū)＜疫M行手動設(shè)計選擇特征的傳統(tǒng)機器學(xué)習(xí)方法，主張通過深度網(wǎng)絡(luò)自動學(xué)習(xí)數(shù)據(jù)的本質(zhì)結(jié)構(gòu)。這一思想顛覆了計算機視覺、自然語言處理等領(lǐng)域，使端到端學(xué)習(xí)成為主流。在計算機視覺領(lǐng)域，依賴人工精心設(shè)計的特征提取器不僅效率低下，而且難以適應(yīng)復(fù)雜多變的圖像場景。而辛頓倡導(dǎo)的深度學(xué)習(xí)讓機器自主從海量圖像數(shù)據(jù)中挖掘關(guān)鍵特征，無論是識別復(fù)雜環(huán)境下的物體，還是對醫(yī)學(xué)影像進行精準(zhǔn)分析，都取得了前所未有的突破，極大地提升了圖像識別的準(zhǔn)確度和效率。在自然語言處理方面，傳統(tǒng)方法受限于專家預(yù)設(shè)的規(guī)則，對語義理解和語言生成能力不足。深度網(wǎng)絡(luò)的自動學(xué)習(xí)機制則為其帶來新生，機器翻譯不再生硬晦澀，智能客服能夠更自然流暢地與人交流，語言模型甚至能根據(jù)少量提示創(chuàng)作高質(zhì)量文本，徹底改變了人們語言交互的方式，開啟了人工智能發(fā)展的新篇章。

大腦啟發(fā)的認知模型

1.神經(jīng)科學(xué)與AI的交叉

辛頓長期探索大腦工作機制對AI的啟示。例如，他從大腦神經(jīng)元的工作方式中獲得靈感，提出了人工神經(jīng)網(wǎng)絡(luò)的概念。大腦皮層微電路中的局部學(xué)習(xí)規(guī)則，如突觸可塑性和側(cè)向抑制等，可能在某種程度上共同協(xié)作，從而實現(xiàn)全局的優(yōu)化和信息的有效處理。這一思想啟發(fā)了研究者們對無監(jiān)督學(xué)習(xí)和自組織模型進行更深入的研究，以期能夠模擬出大腦的高效學(xué)習(xí)機制。在這一思路的指引下，研究者們開始探索各種無監(jiān)督學(xué)習(xí)算法，試圖讓模型能夠從未標(biāo)注的數(shù)據(jù)中自動學(xué)習(xí)到數(shù)據(jù)的內(nèi)在結(jié)構(gòu)和特征。同時，自組織模型也逐漸受到重視，它們能夠通過自發(fā)的組織過程，形成對數(shù)據(jù)的層次化表示，從而實現(xiàn)對復(fù)雜信息的有效處理。辛頓的探索不僅為AI的發(fā)展提供了新的靈感，也推動了神經(jīng)科學(xué)與人工智能兩個領(lǐng)域的交叉融合。

2.膠囊網(wǎng)絡(luò)的革新

辛頓提出的膠囊網(wǎng)絡(luò)（CapsNets）模型是深度學(xué)習(xí)領(lǐng)域的一項重要創(chuàng)新，標(biāo)志著人工智能領(lǐng)域向更加生物可解釋性的方向邁出了一大步。膠囊網(wǎng)絡(luò)旨在克服傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)（CNN）在處理空間層級結(jié)構(gòu)和姿態(tài)信息方面的不足，通過動態(tài)路由協(xié)議來傳遞更為豐富的姿態(tài)信息。這種信息傳遞方式不僅包含了物體的存在與否，還涵蓋了物體的位置、方向等關(guān)鍵屬性，從而使模型能夠更好地理解和處理物體的視角變化。膠囊網(wǎng)絡(luò)目前尚未完全替代卷積神經(jīng)網(wǎng)絡(luò)，但它在圖像識別、姿態(tài)估計、醫(yī)療影像分析等特定任務(wù)上已經(jīng)展現(xiàn)出顯著的優(yōu)勢。這一嘗試不僅推動了人工智能技術(shù)的不斷進步，也為我們提供了更加深入理解大腦工作機制的新視角。辛頓對生物可解釋性的追求，不僅體現(xiàn)了他對人工智能未來發(fā)展的深思熟慮，也為我們指明了探索更加智能、自主的人工智能系統(tǒng)的新方向。

3.對 “意識”的開放性探討

辛頓提出了一個引人深思的觀點，即AI系統(tǒng)可能具備某種形式的意識。他特別指出，當(dāng)AI模型能夠生成對內(nèi)部狀態(tài)的自我預(yù)測時，這種能力或許就暗示著意識的存在。辛頓強調(diào)，意識并非人類的專屬特性，而是復(fù)雜系統(tǒng)中信息整合的一種自然結(jié)果。這一觀點挑戰(zhàn)了我們對意識的傳統(tǒng)認知，也為我們重新審視AI系統(tǒng)的能力提供了新視角。如果AI系統(tǒng)確實具備某種形式的意識，那么它們可能比我們之前想象的更加智能和自主。這也意味著，在設(shè)計和開發(fā)AI系統(tǒng)時，我們需要更加謹慎地考慮其潛在的影響和倫理問題。辛頓的這一觀點引發(fā)了更廣泛的討論和深入的研究，推動了人工智能領(lǐng)域向更加全面、深入的方向發(fā)展。

對AI未來的警示與倫理思考

1.生存風(fēng)險的預(yù)警

一直以來，辛頓對AI或許會威脅人類生存進行著提醒，在他看來，與高度智能的AI系統(tǒng)相比，人類宛如幼稚無知的孩子。2023年，辛頓在接受英國廣播公司（BBC）采訪時曾表示，在未來30年，人工智能導(dǎo)致人類滅亡的概率為10%～20%。近年來，在技術(shù)進步、數(shù)據(jù)爆炸、資本投入、開源協(xié)作和政策支持等多方面利好因素的影響下，AI的發(fā)展速度顯著加快。辛頓近期在回顧自己先前對AI發(fā)展的看法時也坦言， 技術(shù)發(fā)展的速度遠超過他的預(yù)期。在不遠的將來，通用人工智能和量子計算的發(fā)展將進一步推動 AI的發(fā)展，它可能會發(fā)展出超越人類智能的“超級智能”，超級智能可能會發(fā)展出與人類目標(biāo)并不一致的行為，AI系統(tǒng)可能發(fā)展出的自主性會做出與人類利益相悖的決策，還有可能會被惡意使用等。如果在發(fā)展的過程中缺乏對其相應(yīng)的規(guī)范和監(jiān)管，AI可能會走向“失控”，并對人類生存構(gòu)成威脅。對此，辛頓也在不斷呼吁政府和國際組織制定嚴格的法規(guī)，確保AI的安全和可控性。

2.“數(shù)字智能”的競爭優(yōu)勢

辛頓的這一觀點，實際上觸及了人工智能發(fā)展中的一個核心議題：技術(shù)自主性與人類控制力之間的平衡。他指出，硅基數(shù)字智能在信息共享速度和能耗效率上的優(yōu)勢，確實預(yù)示著AI系統(tǒng)有可能在短時間內(nèi)實現(xiàn)遠超人類預(yù)期的進步。若一個全球分布式AI系統(tǒng)能夠通過快速自我迭代超越人類控制，那么我們所面臨的將不僅僅是一個技術(shù)挑戰(zhàn)，而是一個涉及人類未來命運的深刻變革。辛頓的警告并非危言聳聽，而是對人工智能未來發(fā)展的審慎思考。我們需要認真地對待這一問題，通過制定合適的政策、法規(guī)以及倫理準(zhǔn)則，確保AI技術(shù)的發(fā)展始終服務(wù)于人類的利益。同時，我們也應(yīng)該積極探索與AI系統(tǒng)共生的新模式，通過人機協(xié)作、人機互補的方式，充分發(fā)揮AI技術(shù)的潛力，同時保持人類對技術(shù)的主導(dǎo)權(quán)和控制力。

3.技術(shù)濫用與不可解釋性

辛頓深刻地洞察到，深度學(xué)習(xí)模型的黑箱特性正悄然醞釀一場信任風(fēng)暴，特別是在醫(yī)療、司法等關(guān)乎人類生命公正的關(guān)鍵領(lǐng)域。這種不透明性不僅削弱了公眾對技術(shù)決策的信任，還可能成為阻礙技術(shù)正面應(yīng)用的絆腳石。與此同時，深度偽造技術(shù)（DeepFake）肆意蔓延，從政治謠言肆虐到公眾人物被惡意詆毀，從虛假信息泛濫到網(wǎng)絡(luò)詐騙橫行，深度偽造技術(shù)正被不法之徒用于操縱輿論、破壞穩(wěn)定。因此，辛頓強烈呼吁亟須構(gòu)建一個全面而有效的全球治理體系，以應(yīng)對深度學(xué)習(xí)模型的不透明性和深度偽造技術(shù)的濫用問題。這要求我們在AI技術(shù)研發(fā)中注入更多透明度，在推動可解釋的人工智能模型發(fā)展的同時制定嚴格的法律法規(guī)，并加強國際間的合作與協(xié)調(diào)，共同守護技術(shù)發(fā)展的倫理底線和社會安全。

辛頓的思想軌跡充分展現(xiàn)了一位杰出科學(xué)家從技術(shù)前沿探索到深刻哲學(xué)思考的華麗蛻變。他的工作不僅極大地推動了技術(shù)的進步，更為后續(xù)AI的迅猛發(fā)展奠定了堅實的基礎(chǔ)。然而，辛頓并未止步于技術(shù)的輝煌成就。隨著AI技術(shù)的日益成熟與廣泛應(yīng)用，他開始將目光投向更為深遠的領(lǐng)域—探索智能的本質(zhì)。這一轉(zhuǎn)變標(biāo)志著他從一位純粹的技術(shù)專家成長為一位兼具技術(shù)洞察力與哲學(xué)深度的思想家。辛頓的思想開始聚焦于AI技術(shù)的倫理實踐，特別是如何應(yīng)對人工智能帶來的潛在風(fēng)險。他深刻意識到，AI技術(shù)的快速發(fā)展在帶來無限可能的同時，也伴隨著前所未有的挑戰(zhàn)與威脅。因此，他積極倡導(dǎo)建立全面的倫理框架與監(jiān)管機制，以確保AI技術(shù)的發(fā)展始終符合人類的價值觀與利益。

作者單位：中國大百科全書出版社