3. 狂欢背后：AI的“麻烦”也来了

AI越厉害，问题也越多。首先是“造假”，深度伪造的视频、图片能以假乱真，比如伪造名人讲话、虚假新闻，让人难辨真假；其次是“版权”，AI学了全网的作品，生成的内容到底算谁的？插画师、作家担心自己丢工作；还有“偏见”，如果训练数据里有歧视内容，AI也会学坏，比如曾有人脸识别系统把黑人识别成“大猩猩”。

于是各国开始搞AI治理，比如要求AI生成的内容必须标清楚“是AI做的”，企业要检查训练数据的版权。科学家也在研究“可解释AI”，想搞明白AI“为什么这么回答”，避免它“瞎说话”。

六、关键人物：AI进化路上的“接力者”

AI的70年，其实是一群科学家的“接力赛”，每个阶段都有“领路人”：

1. 先驱者（1950s-60s）：给AI“定方向”

- 约翰·麦卡锡：“AI命名之父”，达特茅斯会议发起人，还发明了AI专用编程语言LISP，相当于给AI造了“写字的笔”。

- 马文·明斯基：MIT AI实验室创始人，被称为“AI之父”，虽然他曾指出感知器的局限，间接引发了第一次寒冬，但也推动了AI的常识研究。

- 艾伦·图灵：虽然没参加达特茅斯会议，但1950年提出“图灵测试”，最早问出“机器能思考吗”，为AI奠定了理论基础。

2. 复兴者（1980s-90s）：给AI“续上命”

- 杰弗里·辛顿：“深度学习教父”，寒冬里坚持研究神经网络，改进反向传播算法，2006年提出深度学习概念，直接引爆了AI革命。

- 杨立昆：“卷积神经网络之父”，把神经网络用到图像识别上，现在手机拍照的“人像模式”，背后就有他的技术。

- 约书亚·本吉奥：和辛顿、杨立昆并称“深度学习三巨头”，专注于自然语言处理，为大语言模型打下基础。

3. 创新者（2000s至今）：让AI“走进生活”

- 李飞飞：“给AI喂图像的人”，ImageNet数据集的创建者，没有她的“看图识字大全”，深度学习可能还要晚几年爆发。

- 德米斯·哈萨比斯：DeepMind创始人，带领团队做出AlphaGo，证明了AI能处理复杂决策问题，后来又搞出AlphaFold，帮了生物学家大忙。

小主，

- 山姆·奥特曼：OpenAI CEO，推动GPT系列、ChatGPT的发布，把深度学习技术变成了普通人能用的产品，让AI“出圈”。

七、现在与未来：AI真的能变“通用智能”吗？

现在的AI虽然厉害，能聊天、会画画、懂编程，甚至能通过律师资格考试，但如果你仔细观察就会发现，它其实是个“偏科的学霸”——在自己擅长的领域能封神，换个领域就秒变“小白”。这就涉及到AI领域最核心的一个争议：它真的能进化成“通用人工智能（AGI）”吗？

1. 先搞懂两个词：“专用智能”和“通用智能”

咱们先把概念掰扯明白，这俩词是理解AI未来的关键。

- 专用智能（Narrow AI）：就是现在我们看到的所有AI，比如ChatGPT、Midjourney、AlphaGo，它们只擅长某一类或几类任务。打个比方，ChatGPT写报告、答问题是“满级选手”，但让它去修一台坏了的洗衣机，它连洗衣机的零件在哪都不知道，更别说动手修了；AlphaGo下围棋天下无敌，却没法帮你规划一顿“30分钟搞定的家常菜”——它的“智慧”被牢牢框在“围棋”这个小圈子里。

- 通用人工智能（AGI）：指的是能像人类一样，具备“跨领域学习、思考和解决问题”能力的AI。它不用提前“特训”，就能上手各种任务：既能帮你写代码，又能帮你修自行车，还能陪老人聊天解闷，甚至能自己发现问题、找资料、想办法解决。简单说，AGI是“全能型选手”，拥有和人类相当的“通用智慧”。

现在的AI全是“专用智能”，离AGI还差着十万八千里。比如你问ChatGPT“为什么妈妈做的饭比外卖香”，它能说出“情感加持、食材新鲜、口味适配”等一堆理由，但它根本不懂“妈妈做饭时的牵挂”是什么感觉，也没法真正理解“家的味道”——它只是把网上看到的答案重新组合，不是真的“体会”到了。

2. 为什么说“堆参数”堆不出AGI？

这几年AI的进步，很多人觉得是“参数越堆越大”的结果——从GPT-3的1750亿参数，到现在有些大模型突破万亿参数，好像参数多了，AI自然就“更聪明”了。但业内早就达成共识：靠堆参数、堆数据，根本搞不出AGI。

深度学习教父杰弗里·辛顿就直言，现在的大模型就是“高级鹦鹉”，只会模仿人类的语言，不会真正“理解”。比如你问AI“把一只猫放进微波炉会发生什么”，它能告诉你“会烫伤猫，很危险”，但这不是它“理解”了“猫怕高温”“微波炉的原理”，而是它在训练数据里见过类似的问题，记住了答案。如果换个它没见过的问题，比如“把刚摘的草莓放进零下20度的冰箱，3小时后拿出来怎么吃口感最好”，它可能会瞎编一个答案，因为它没学过“冷冻草莓的口感变化”。

2023年，斯坦福大学做过一项调查，采访了100多位AI领域的顶尖研究者，76%的人认为“当前的技术路径无法实现AGI”。核心问题出在三个“先天缺陷”：

- 没有因果推理能力：AI能发现“ correlation（相关性）”，却搞不懂“causation（因果关系）”。比如它能看到“夏天到了，冰淇淋销量上升，溺水事故也增多”，但它会误以为“冰淇淋卖得多导致溺水”，而不知道真正的原因是“夏天大家更爱出门游泳”。人类解决问题的核心是“找因果”，但AI只会“找关联”。

- 缺乏常识储备：人类从出生就开始积累“常识”——比如“石头比棉花重”“人不能在水里呼吸”“下雨要带伞”，这些不用教也知道的东西，AI却得一条条学，还经常学不全。比如有AI曾把“长颈鹿站在桌子上喝水”的图片当成“正常场景”，因为它没学过“长颈鹿的身高比桌子高太多，不用站上去喝水”。

- 不会“自主学习”：现在的AI要想掌握新技能，得靠人类“喂数据、做标注”，相当于“填鸭式教学”。比如要让AI识别“罕见病”，就得先找几千张罕见病的医学影像给它学；而人类只要看一本教材、听专家讲一次课，就能掌握新领域的基础知识，还能举一反三——这种“自主学习、触类旁通”的能力，AI目前完全没有。

3. 要实现AGI，得先迈过这几道“技术天堑”

既然堆参数没用，那AGI的突破口在哪？目前业内有几个方向，但都还停留在“理论探索”阶段，没一个能落地的。

- 先搞“常识AI”：得让AI像人类小孩一样，先学会“生活常识”。比如谷歌、微软都在做“常识知识库”，把“开水会烫人”“猫喜欢吃鱼”这些知识点整理成AI能理解的格式，喂给模型。但问题是，常识太多了——光“厨房常识”就有成千上万条，还分地域、分习惯（比如南方人吃甜粽，北方人吃咸粽），想攒齐“人类级别的常识库”，可能得花几十年。

本小章还未完，请点击下一页继续阅读后面精彩内容！

- 融合“神经符号AI”：把传统AI的“符号逻辑”和现在的“深度学习”结合起来。简单说，就是让AI既有“从数据里学知识”的能力，又有“按规则推理”的能力。比如让AI解数学题时，既能靠深度学习“看懂题目”，又能靠符号逻辑“一步步算步骤”，而不是瞎猜答案。但这两种技术的“语言”完全不同，怎么融合至今没找到好方法。

- 模拟“人类大脑”：现在的神经网络只是“模仿了大脑的样子”，没模仿大脑的“工作机制”。人类大脑有860亿个神经元，还分“视觉区、语言区、情感区”，各区协同工作；而AI的神经网络是“扁平的”，所有功能都靠同一套结构实现。有科学家在搞“类脑计算”，想造和人类大脑结构更像的芯片，但目前最先进的类脑芯片，也只相当于“一只小虫子的大脑水平”。

- 赋予“情感与意识”：这是最难的一步。人类的智能和情感、意识分不开——因为“怕疼”，才会避开危险；因为“喜欢”，才会主动学习。但AI现在没有任何“主观感受”，它回答问题时不会“开心”或“难过”，只是在执行程序。有哲学家说，“没有意识的智能不是真智能”，但“意识是什么”人类自己都没搞懂，更别说给机器造意识了。

4. 不用等AGI，现在的AI已经很有用了

虽然AGI还很遥远，但这并不影响AI改变世界。很多人总盯着“AI能不能像人一样思考”，却忽略了“AI能帮人做什么”——就像汽车不用“像人一样跑步”，照样能帮人节省赶路时间；电脑不用“像人一样算数”，照样能帮人处理复杂数据。

现在的“专用AI”，已经能在很多领域帮人类“补短板”：

- 对普通人来说，它是“效率助手”：写报告、做PPT、查资料这些琐事，AI能帮你省一半时间；学英语时，AI能当“免费外教”，实时纠正发音；出门旅游，AI能帮你规划路线、订酒店，比自己瞎忙活省心多了。

- 对行业来说，它是“生产力工具”：医生用AI看片，能更早发现癌症；农民用AI管田，能少用农药、多产粮食；工程师用AI做设计，能更快画出最优方案——这些不是“取代人类”，而是“帮人类做得更好”。

- 对科研来说，它是“加速剂”：AI能预测蛋白质结构，帮生物学家节省几年的实验时间；能模拟宇宙大爆炸，帮天文学家验证理论；能设计新的化工材料，帮工程师突破技术瓶颈——人类负责“提出问题”，AI负责“解决繁琐的计算和验证”。

5. 未来10年：AI会变成“懂你的伙伴”，不是“取代你的对手”

不用等AGI，未来10年的AI会朝着“更懂人、更实用”的方向进化，变成你身边的“超级伙伴”：

- 它会更“懂你的需求”：比如你的手机AI能记住“你对芒果过敏”“每周五要加班”，给你推外卖时自动避开芒果制品，周五晚上自动帮你订好加班餐；

- 它会更“会协作”：比如你和AI一起做项目，你负责“定方向、提创意”，AI负责“查资料、做数据分析、写初稿”，你们像搭档一样分工干活；

- 它会更“诚实”：遇到不懂的问题，它不会瞎编，而是直接说“这个我不太清楚，帮你找相关专家的观点吧”，避免“AI幻觉”坑人。

而AGI呢？可能还要等几十年，甚至上百年。但就算真的出现了，也不会是科幻电影里的“终结者”——因为人类会提前立好“规矩”：比如禁止AI拥有“伤害人类的能力”，要求AI的决策必须“可解释、可控制”。就像人类发明了电，会先造好插座、开关和漏电保护器，再放心使用一样。

说到底，AI的终极目标不是“变成人”，而是“服务人”。它是人类智慧的“延伸”，不是“替代品”。70年前，达特茅斯会议上的科学家们想让机器“模拟人类智能”；70年后，我们发现，让机器“辅助人类智能”，才是更有价值的事。

八、当下AI的“落地图鉴”——不只是聊天画图，早钻进了生活缝隙

如果说ChatGPT和文生图是AI的“门面担当”，那藏在各行各业里的AI应用，才是它真正的“日常模样”。现在的AI早已不是实验室里的“展品”，而是像水电一样，悄悄渗透到生产、生活的每个角落，只是很多时候你没意识到“这是AI在干活”。