AI 会超越人类智能吗?- 与“AI 教父”Geoffrey Hinton
Will AI outsmart human intelligence? - with 'Godfather of AI' Geoffrey Hinton
频道:The Royal Institution · 时长:47:15 · 发布:2025-07-22 · 播放:910253
简介
Geoffrey Hinton 2025 年在皇家学会的演讲,讲述 AI 从生物智能中学到了什么以及它可能如何超越。他解释了神经网络,并认为人类语言使用类似于通过反向传播训练的网络所做的。
HN 为什么推荐
HN 读者推荐它作为对神经网络的直观解释,改变了人们对 AI 和语言的思考方式。
Richard Sutton 在接受 Dwarkesh Patel 采访时持不同观点[2] — HN, 2025
机器学习与深度学习 · 大语言模型与生成式 AI · AI 安全、AGI 与影响
中文字幕节选
(戏剧性音乐)(观众鼓掌) - 如果你今晚睡得好,那你可能没听懂这场讲座。 (观众笑) 很久以前,关于智能有两种范式。 有一种受逻辑启发的方法,被称为AI。 人们相信人类智能的本质是推理。 如果你想理解智能,就必须理解推理。 推理包括拥有符号表达式 并用符号规则来操作它们。 他们认为学习可以以后再说。 首先,我们必须理解 如何在这些符号表达式中表示知识。 AI的大部分历史,直到最近,都是这样。 然后有一种受生物学启发的方法, 其中智能的本质是在脑细胞网络中学习, 在我们身上是真实的脑细胞,在计算机中是模拟的。 推理可以以后再说,我们首先必须理解学习是如何工作的。 早期有一些支持者,特别是图灵和冯·诺依曼, 你不能指责他们不懂逻辑。 所以我要做一个相当基础的讲座,在第一部分, 我将描述我40年前开发的一个模型,我认为它是 当今这些大型语言模型的祖先。 所以我们将用人工神经元来构建我们的神经网络。 一个人工神经元将有一些输入线, 通常来自其他神经元,这些输入线上有权重。 它将输入乘以权重,全部相加,然后给出一个输出, 如那里的图表所示。 所以如果它超过阈值,就会给出一个输出,随着输入增加 线性增加。它学习的方式 就是通过改变这些连接上的权重。 所以要让人工神经网络工作,我们需要做的就是 弄清楚如何改变权重。 我们将它们连接成网络。 这是一个典型的网络,是一个前馈网络, 在底部,你可能有感觉神经元 记录光强度或类似的东西。 随着你向上穿过各层,你有很多层 特征检测器,即神经元变成 识别图像中特定特征的东西。 在输出端,你可能有神经元来表示特定类别的物体。 现在,如果你想让这样的网络学会更好地做某事, 比如你给它一张图像,让它说出, 例如,是猫还是狗,有一种明显的训练方法, 这对所有了解进化和突变的人来说都很熟悉。 你可以做的是,取一个权重, 首先看看网络在一大堆例子上的表现如何, 然后稍微改变这个权重,再看看网络的表现 在一大堆例子上的表现如何。 如果表现更好,就保留这个改变,然后继续这样。 现在,你可能需要多次改变每个权重。 现代神经网络中有很多权重,大约有一万亿个。 所以这需要很长时间,因为对于你做的每个这样的突变, 你必须通过网络运行许多例子,看看它是否真的有帮助, 还是只在少数例子上有帮助,但在大多数例子上有害。 有一种更好的方法来做同样的事情, 那就是我们真正想要做的是弄清楚 如何改变你的权重,使其有帮助。 你要做的是,进行一次前向传递,将数据放在底部, 向前通过网络,然后比较网络的输出, 可能是它是猫和狗的相对概率, 与你期望的结果进行比较。你必须知道它是猫还是狗, 才能以这种方式训练网络。 然后你通过网络反向发送一个信号, 利用微积分——这里我不深入讲解—— 使网络能够同时计算 对于所有连接,连接强度的微小增加 是有帮助还是有害。 然后你并行地以非常小的幅度改变所有连接强度,
HN 上的讨论
Geoffrey Hinton 最近在皇家研究所的讲座[1]非常引人入胜。他断言人类使用语言与具有反向传播的神经网络完全类似,这真的让我思考了 LLM 可能能够做什么,以及事实上,当我“思考”时,我内部发生了什么。对 LLM“智能”的一个常见反对意见是“它们什么都不知道”。但反过来……生物智能又“知道”什么?例如,我“知道”如何做诸如编写构造,使复杂的可编程开关集合以某些方式行为,但我真正“理解”了什么?我被“教导”了关于量子力学、电子、半导体、晶体管、集成电路、指令集、符号逻辑、状态机、汇编、编译器、高级语言、代码模块、编辑器和格式化的知识。我在过程中通过试错“学习”了更多。但我最终是否只不过是一个内化的概念和相互连接的存储?(参见特征和权重)。Richard Sutton 在与 Dwarkesh Patel 的采访[2]中持不同观点,并断言“学习”必须包括目标和奖励函数,但他的论点似… — j1mr10rd4n, 2025-11
我在HN上闲逛,大约80%的视频内容来自YouTube。我认为整体上很棒。其余约5%来自Twitter,0%来自电视,尽管我有一台电视关着,还要付174英镑的BBC费用。可能5%是盗版的。如果你遵循HN的官方指南“任何能满足一个人求知欲的东西”,并避免“关于政治、犯罪、体育或名人的故事”,那么YouTube就好得多——目前正在看Hinton解释AI和神经网络。[LINK] 和 [VIDEO] 这挺有趣的。 — tim333, 2025-10
这是皇家学会的公开讲座,“AI会超越人类智能吗?——与‘AI教父’Geoffrey Hinton”,[VIDEO] 最终我在某种程度上不同意Hinton在这次演讲中的一些观点,经过思考后我提出了具体的理由/疑问,但与此同时,他的直观解释也在某种程度上帮助改变了我的观点。 — calf, 2025-08
相关视频
- 乔·罗根体验 #2255 - 马克·扎克伯格 · PowerfulJRE · 2:50:36
- Y Combinator 的保罗·格雷厄姆在 2014 年 LAUNCH 音乐节上与杰森对话 · This Week in Startups · 55:15
- Hans Rosling 的 200 个国家,200 年,4 分钟 - 统计的乐趣 - BBC · BBC · 4:47
- RailsConf 2016 - 从 Rails 到 Phoenix,Brian Cardarella 主讲 · Confreaks · 28:33
- 史蒂夫·乔布斯:“计算机就像我们大脑的自行车”——迈克尔·劳伦斯电影 · Michael Lawrence · 1:39
- 物理学中最大的误解 · Veritasium · 27:39
- 机器的秘密生活 104 洗衣机 · Retrotv · 25:51
- 费曼:数学家与物理学家 · TehPhysicalist · 9:46
- 为什么世界依赖 ASML 制造芯片印刷机 · CNBC · 18:39
- 无人机送货本应是未来。哪里出了问题? · Wendover Productions · 18:39
- 截肢者借助 APL 模块化假肢创造历史 · Johns Hopkins Applied Physics Laboratory · 4:33
- Neom - The Line - 沙特阿拉伯线性城市的兴衰。 · Patrick Boyle · 32:54
- “Unison:一种新的分布式编程语言” by Paul Chiusano · Strange Loop Conference · 41:05
- 神经网络和反向传播的详细入门:构建micrograd · Andrej Karpathy · 2:25:52
- 但什么是神经网络?| 深度学习第一章 · 3Blue1Brown · 18:40
- 发生在马身上的事正在发生在我们身上 · CGP Grey · 15:00