【世界人工智能大会】思想者论坛-郭毅可

探究人工智能第一性原理与硅碳共生时代的人机协作——郭毅可#

【总结】#

中心论点：#

人工智能的第一性原理根植于薛定谔的"负熵"概念——生命的本质是建立秩序、对抗熵增。碳基生命与硅基生命在物理上是同源的，都是负熵建立局部秩序的体现；在数学上都遵循贝叶斯推理这一统一的认知机制。我们正迈入硅碳共生的新时代，人类应当积极主导这一进程，承担起目标设定、价值判断与责任担当的角色。人工智能不是工业革命，而是人文革命——继语言、文字之后，人类文明的第三次飞跃。

论证思路：#

从薛定谔《生命是什么》的物理学生命观出发，提出"生命以负熵为生"的核心命题；克里克在此思想指引下发现DNA作为遗传信息载体，确立了分子生物学的中心法则；赫布提出神经元可塑性理论，奠定学习的生物学基础；图灵将思维与计算抽象化，证明智能可以脱离碳基载体；维纳创立控制论，赋予机器以"生命"的名义；在此基础上，引入贝叶斯大脑假说与认知动力学，阐明认知是"先验-观察-后验"的循环更新过程；进而以自由能原理统一解释——预测与观察之间的差距即自由能，减少自由能是生命系统的物理必然；最终构建人工智能的统一框架：压缩（学习）与生成（预测）构成认知的双翼，大语言模型、具身智能（主动推理）、世界模型皆归于同一理论体系。由此水到渠成地推出硅碳共生的文明图景。

核心概念：#

负熵（Negentropy）——生命从环境中汲取负熵以对抗熵增、建立局部秩序，这是薛定谔对生命的物理学定义；贝叶斯推理——认知的数学机制，先验与观察结合更新后验，预测误差驱动学习，"你不是因为看见了才相信，你是相信了才看见"；认知动力学——预测、检验、修正的循环，每一次后验成为下一次的先验；压缩与生成——智能对世界信息的三层次压缩（神经网络表征→语言→数学模型），并通过生成进行预测；自由能原理——预测与观察的差距即自由能，贝叶斯推理是减少自由能的最优方式；主动推理——通过行动改变世界使客观符合主观模型，即具身智能的本质；硅碳共生——碳基与硅基同源共生，人类主导目标设定与价值判断，硅基承担高频重复的执行。

升华/启示：#

在人机共生的时代，人类应当"变得更像人"——在目标设定、价值判断、同理心、情感与责任承担方面担起重任。对年轻人的三条建议：学习自己真正热爱的事物，而非追逐眼前热门；培养和强化人性，提升批判性思维与综合素养；始终保持乐观心态，在良性循环中不断进化。最大的隐忧不是AI本身，而是人类的惰性与意义的迷失。计算交给硅基，意义由碳基担当。正如维纳所言：即便在人工智能时代，人总有人的用处。最后一句话："AI可以为你做许多事情，但是不要让AI替你找寻人生的意义。"

---

【演讲稿】#

各位朋友，各位嘉宾，我们接下来的这一场论坛马上就要开始了。我们前半场谈到AI在提高生产力方面能够扮演什么样的角色，我们也谈到了AI在促进企业组织架构方面能够起到什么样的作用，那么这个时候我们将开启一个面向未来的话题，就是当硅基社会越来越融入到我们现实的社会当中的时候，我们要思考碳基和硅基的合作方式是什么，以及在这个合作改变世界的过程当中，碳基硅基的共生模式又应该是什么？我们今天就这个话题在短短的一个小时之内跟大家进行充分的探讨。

那么接下来我们本场分享的嘉宾，他深耕数据科学、机器学习和多智能体，他是中国工程院的院士，同时他也是香港科技大学的首席副校长，他牵头开展了大模型、产业智能体的前沿的研究，当然他最近特别深耕硅基和碳基融合共生的这样的一个课题。那么接下来我们就会有请中国工程院院士、英国皇家工程院院士、欧洲科学院院士、香港工程科学院院士、香港科技大学首席副校长郭毅可先生，他带来的分享是探究人工智能的第一性原理，把握硅碳共生时代的人机共生。

好，谢谢主持人，各位大家早上好，非常高兴今天给大家来谈一谈非常有意思的命题，人工智能的第一性原理。我们进入了一个硅碳共生时代，硅基生命和碳基生命将共同塑造我们的未来。那么这个时候我们要回答一些最根本的问题，碳基生命为什么一定会创造硅基生命？硅基生命和碳基生命共生的态势，它到底是什么？为什么我们人类的智能今天可以在机器上得以发挥？这是我们要谈的一个很重要的问题。这些问题都归结到一些很根本的问题，我们讲一讲生命是什么，智能又是什么？我们今天在探究硅基智能，这些都是一些非常重要的基本的问题。我们在从事一些科学研究的时候，需要把这些最根本的一些问题讲清楚，这样我们才能够有一个非常清晰的对研究、对未来的认识。

首先我来讲，如果我们要谈今天这个共生，要谈人是什么，这六位科学家做出了非常重要的贡献。其中头两位，达尔文和薛定谔，他们的贡献是关于生命是怎么样的，生命的本质是什么。达尔文告诉我们生命是一个进化的大概念，而薛定谔是更具体化的，他回答了重要的问题，就是从物理意义上来讲，生命到底是什么。那么后面两位，特别是DNA的发现者克里克，他是在薛定谔对生命定义的基础上，在薛定谔思想的指引下，发现了也找到了我们的遗传物质，也就是说确认了生命信息的载体是一个重要的概念，遗传信息的载体。赫布是一个神经科学家，他从这个角度找到了一个很重要的问题，就是我们神经的细胞是怎么工作的，这又是一个非常重要的对碳基生物的理解。后面图灵作为他们思想的集大成者，把支撑生命的计算脱离载体来看，他在这个基础上讨论了一个重要的东西，就是思维和计算可以脱离它的载体，就是脱离我们的人脑，脱离人的碳基本身，来看看这些是不是可以放到机器上去，就发挥了他的思想。而维纳更进一步，他根据薛定谔对生命的定义来看，作为整个的自动化系统，它是怎么可以体现一个生命的本质，也就是说发明了控制论和自动化的技术。那么这些人都是我们今天研究人工智能第一性原理真正的奠基人。

首先我们来看看薛定谔。他大概在1943年出版了一本名著叫做《生命是什么》。大家都知道，假如说大家都觉得薛定谔他是量子力学的重要的一位奠基人，但是他流传最广的一本书，也就是说给大家都可以看到的一本书，也不能完全叫科普读物，里面的很多东西还是很深奥，也是非常原创性的，就是生命的根本是什么？他认为生命的本质就是建立秩序，对抗熵增，不管是什么碳基的、硅基的生命。他这个根本的出发点在于我们整个的宇宙，根据热力学第二定律，任何一个孤立系统，包括封闭系统，它都会自然地走向熵增，什么意思？就是自然地走向混乱，走向无序。熵增在不断进行，你把它封闭起来，慢慢地系统自然就会变得无序。宇宙是一个孤立系统，如果从整个宇宙来看，它当然是封闭的，那么这个时候整个宇宙会慢慢变成无序，走向一个热平衡的状态，叫做热寂。那我们看到，为什么我们在整个大千世界里面又有那么多有秩序的事情、有秩序的机体？他就认为这是任何一个局部的有生命的系统，它会有一种力量在控制着局部的熵增，来达到局部的有序。就是说整个宇宙系统是无序的，但是局部的系统总有一种能力来抵抗熵增，达到局部的有序，这是什么原因呢？所以他认为生命必须是一个开放系统，它是开放的，它和环境交换物质和能量，从中吸取一个东西叫负熵，就是抵抗熵增的能力。那么这个抵抗熵增的能力，在局部的情况就是生命，这就是他最根本、最玄妙的一个理解，也是一个定义，从物理学上。

那么正是这个思想影响了后来整个生命的研究。那么既然生命可以对抗熵增，达到局部的有序，它一定有一种机制，而且生命是信息化的，是延续的，那么这样的一个机制一定是传承。那么这个机制就相当于我们今天所说的遗传信息到底是什么？就是在这个问题思想的指引下面，十年以后克里克就找到了DNA，这就是人的生命中它是我们的一个遗传程序，它做什么事情呢？它就存在我们的细胞里面，然后它可以被读出来，转录成另外一个分子，就称为RNA。然后RNA是干嘛的呢？它可以把遗传程序翻译出来，然后执行这个程序，翻译得到了蛋白，那么蛋白的作用就是一种细胞的活动，这就是分子生物学著名的中心法则。那么我们今天看我们机器上面，如果我们类比过来看，DNA就是一个存在染色体上的程序，读出来以后翻译去执行，执行完了以后得到结果就表达出来了。所以生命不仅是一个碳基分子的组合，它是一个生命的信息载体，它执行这个信息来得到一个减少混乱、形成秩序的功能。

那么在整个这些过程中间，我们大脑其实是一个CPU，是一个司令部，它是最重要的器官。在我们的脑袋里面，它有两亿多年前爬行动物的大脑，然后到了一亿多年前，我们初步做了个哺乳动物的大脑，但是这些都是遗传过来的，所以我们有很多动物同样的行为、同样的功能。最外层，也就是我们大脑皮层，这个才是我们产生人类高级智能的一个重要的脑区。它这个里面有什么东西呢？它就是神经元，是特殊的细胞，它有一样的细胞体和中间的细胞核，同时外面有很多的突触，那个叫树突，另一个叫轴突，最接近的点叫做突触。那个是干嘛的呢？神经元有一种突触的互联，它不是真正连接，而是靠近的时候来进行离子交换和信息交换，这个就是神经元网络的形成。

那么首先我们来看看神经元的重要情况，我们把动物的神经元做个比较，我们可以看到像果蝇它的神经元数目很少，那么好像看这个我们人类是神经元最多的，你可以得出这个结论，人类好像是我们应该是最聪明的，大概有860亿个神经元。但是大象它的神经元主要的分布是什么？大部分不在大脑皮层，而在小脑，大脑皮层毕竟是很少的，这是其一。而我们人类，特别是像猩猩这些很聪明的动物，我们在大脑皮层的神经元是我们动物里面数量最多的。但是它工作机制是什么呢？今天我们讲神经元网络，你首先要很深刻地理解，大脑的工作机制其实是人工神经网络也在模仿的。因为脑的工作，大脑是有860亿到1000亿个这样的神经元，它的功能就是互相连接，连接之后就传递信号，传递离子，当然这些都会产生一些电子、磁场，所以就形成一个耗电的状态，也发热了。所以这时候你就理解了为什么你戴上很多的脑电波仪器，我现在叫脑机接口，你戴上以后，你会可以看到大脑形成脑电波，我加一个灯泡上去，你可以看到一个比如在听课的时候有些人闪亮，有些人按下去，比方说那位同学快要睡觉了，他的脑电波肯定比较弱，很多人认真听课，他的脑电波就强，这就是我们大脑活动的一个电磁现象。那么这些连接实际上就是我们意识的物理实现。

那里面有一个重要的问题，这个连接是怎么来的？连接是动态的，它是可以构造就可以改变，或者我们有一句话叫可塑性。这个的研究是赫布，加拿大一个非常出色的神经科学家，他研究出了赫布定律，他写了本书叫做《行为的组织》，在1949年。这本书提出了一个非常重要的理论，叫做赫布可塑性理论，也就是说当我们对大脑进行一些刺激的时候，一些神经元如果可以同时地活跃起来，那么同时活跃起来就意味着它们之间的连接会增强。所以一个神经元发放了电脉冲，引起另一个神经元的电脉冲波动的话，它们就是连在一起，所以这就是一个很重要的理论，叫做赫布学习理论。那么也就是说我们不断地重复做某件事情的时候，会强化我们的突触连接，我们也可以对其进行抑制，使得它的连接减弱，于是乎我们可以使得我们的大脑发生很大的变化，这就是学习理论，奠定了学习的生物学基础，也是今天所有的人工神经元网络、机器学习的一个基本的生物学基础。

好，前面讲的都是碳基。在1936年的时候，英国的天才，也是哲学家，当然也是数学家，图灵，他是个非常伟大的学者。他认为那个时候还不知道大脑的学习机制，就像刚才我们讲的赫布，其实赫布提出理论以后，大家对我们大脑来说，我们都在天天在实现，比方说熟能生巧，熟读唐诗三百首，不会作诗也会吟，都是靠自己的大脑。那么图灵想的问题更进一步，他那个时候读书的时候，他并不关心大脑是怎么工作的，他关心的问题是：思维到底是什么？计算到底是什么？必须要在人上面实现吗？不见得，我们能不能把思维、把计算抽象出来，拿出来放到一个另外的载体上？这个时候就要研究计算思维的本质。他提出了抽象的概念，就是图灵机，他认为所有的计算都可以用非常简单的机械来实现。这个机械包括什么东西呢？包括它的纸带，纸带是对程序的编码，它就像我们DNA一样，它也是个序列，DNA是碱基，四个字母，这是最简单的。还有什么呢？还有一个读写磁头。还有什么呢？它可以根据指令改变读写的位置，也可以改变状态，可以输出它对状态的改变结果，这个就是一个最简单的抽象计算的模型了。

这样的机器跟DNA是什么关系呢？你看我们有这么一个基因序列，它读出来变成RNA，然后翻译生成蛋白输出，这读的过程就是一个图灵机的过程。那么这个时候跟我们计算机也一样，我们今天的任何一个计算机，当时已经有一些机械化的计算机也是这么干的。出现了这个以后，这个就是计算机的雏形，那么计算机就是它的归宿。今天我们的计算机的架构，CPU、存储、输出、输入，这实际上就是今天计算机的一个原始模型。1945年的时候，冯·诺依曼，匈牙利的科学家，在美国的宾夕法尼亚大学，就把它做成了计算机，这是第一步，把碳基思维抽象为机器思维。

同时也是在这个时间，维纳也在思考，他就研究控制的问题，他是深受薛定谔的影响，那么他研究什么问题呢？他研究既然生命是抵抗熵增、建立局部秩序的机制，这样的机制是不是在我们的机器系统中也能实现？这是他的问题。所以维纳这个人是有意思的，他可能是个生物学家，然后他做出事情呢，又变成了物理学家，是一个学识非常渊博的学者，是个天才。那么他其实想的问题就是这样：碳基可以，为什么一定要碳基呢？我可以用硅基，那么只要我实现这样一个负熵建立秩序，它就是生命。所以他发明了自动化的概念，就是控制论，大家都知道这个是划时代的。那么有了控制论以后，他就可以把问题抽象出来，看看什么叫控制，我可以让受控方朝着一个方向和我希望的方向去发展。什么叫这样一个需要秩序呢？就是减少它发展方向的不确定性，或者说确定性高就是秩序，不确定性高就是熵，熵就是不确定性增长，负熵就是不确定性减弱。所以你把可能性的空间缩小，把可能性缩小变成确定性，那个时候就是一个负熵的过程。那么所以说他提出怎么实现负熵，它要取得最终最重要的一个机制，一个最重要的法则——什么叫反馈？就是当我行动有一个目标，我做了行动，我就去看看我行动的结果和目标之间的差距。如果这个差距大，我们就修正我们的行为，逼近目标。这就是导弹的原理，当然维纳最早研究的就是导弹。那么这个就是一个很漂亮的描述，只要有这样的一个机器出现，它就有了生命。所以如果我们拿今天来说，它是硅基生命最早的一个阐述。

他在1949年的时候也发表了一本非常重要的著作，1949年的时候写了一篇非常著名的文章——《人有人的用处》，这篇文章实际上第一次预言了未来我们将跟有智能的机器共生，也许是一个能够自动产生负熵的系统工程。

那么刚才我们都知道，维纳说要实现反馈要有信息，我们不断地在用这个信息这个词，这个信息词是个什么概念呢？它是什么？我们不是说要吸取负熵才能对抗熵增吗？那么这个复杂的信息，还有认知系统的信息，什么意思？我解释一下。我们在整个人和环境、机器跟环境交往里面总在传递消息，所谓消息就是把状态传给别人，把状态描述出来，就我们讲一句话，它就是个消息。但消息不等于信息，信息是看这个消息对你来说，你的不确定性减少了多少。什么意思呢？就是我得到的消息有用的没用的，体现在我知道的事情，我得到消息以后，我的认知是不是增长？我这里一个例子可能不太恰当，就是看足球，当然我们中国队没有进世界杯的，假定我们看到世界杯，我告诉你中国队输给阿根廷，你这个消息没什么信息量，因为你觉得这本来就这样。可是我告诉你中国队赢了阿根廷，你会觉得这个消息信息量非常大。所以我们讲信息是确定性的减少。当我有一样消息，说某个人会死，甚至媒体肯定会死，可是你要说我明天就会死，这个消息怎么样？确定性减少了很多，你就想想看，这是一个很重要的信息。就是这样。所以什么叫认知？吸取这样的负熵而建立起来的思维结构。

好，讲到了这些，我们基本上有了一个方向。那么今天看我们的人工智能的神经元网络，大家去看一看神经元网络是不是把我们神经元的架构搬到了机器上去了？大家都记住了，你看那个对比图，左边是人的神经元，有一个细胞体，一对连接，影响其他的神经元。右边是人工神经元，也有一样，神经元干什么？激活函数。那么这个连接是干什么？就是传播信息，传播电信号，在这个系统就是传播一个信号。那么中间的权重是什么？就是表示你们连接是强还是弱，是增强还是抑制。那么这就是我们在模仿大脑的活动。那么根据赫布的准则，你研究的是可塑性，什么叫可塑性？大家在做神经元网络的时候，改变它们的权重，我怎么改变呢？给个损失函数，给个损失函数是什么意思？就是给一个数值让输出逼近，然后我去看看人的输出是不是这样的，机器输出应该跟它一样，就是我们学到的。那么怎么样去改变？我就改变突触的连接，然后我去计算一下，给一个输出以后，它的输出是不是和要求的输出一样？不是的话，我就改变权重，改变权重是什么？就是学习。所以我们的多层感知机有几十亿、上万亿的参数，是指这么多连接的权重。现在模型参数水平更高，参数越多，模型的拟合能力越强。所以我们的机器学习就是在反馈的过程中不断地去拟合，处理偏差，这就是我们所说的反向传播。我怎么去修正这些参数呢？那么修正的算法，那么多参数，你怎么找到它的合适的方向去修正？这个就是我们学习算法，所以机器学得很准。那么学习的过程一直在迭代，开始的时候很差，慢慢越来越逼近，最终收敛，这个叫做误差减少了，损失减少了，这样就形成了一个什么叫损失？就是你希望输出跟实际网络输出的不一样，那就是损失，要把它减小，就是把错误差距减小，这就是学习。

好，讲到这里，那么我们要把一些更深入的问题讲清楚，这个还不够，我们现在要谈的问题是：什么是认知？我刚才讲了，生命需要不断地吸取负熵，是不断地吸取认知，用信息来改变我们的认知。什么问题呢？首先这个认知是主体对世界的一个理解，那么这个理解首先可能是主观的，它不是一个客观统一的东西。你比方说我举一个视觉错觉图，到底是罐子还是两个人脸？不同的认知方式有不同的说法，所以不是绝对的。还有一个问题，你比方说它是一个面罩，面罩正面和反面各拍一张照片放在上面，你看一会你会发现应该是一个凹的一个凸的，最后你发现你整个的认知会把它变成两个都是凸的，为什么？因为我们对这个世界的认知是我们对它的猜想。这世界在我们外面存在，我们怎么认识它呢？是通过猜想，因为我们大脑在我们的颅骨里面，它靠什么？靠感知，通过五官把信号传到这里面去，然后你做出猜想，所以它是个贝叶斯问题。它是拿到这个信号以后怎么样去构造一个世界，这是问题。

那么你构造的世界是怎么构造的？说明你对这个世界有一个最初的理解。就在你没有观察这个世界之前，你对这个世界已经有了一个看法，比方说刚才面罩，你知道一个面罩肯定是凸出来的部分多，凹进去的少，有这个先验。然后你去观察，你看完这个数据以后，把观察和你的先验进行对比，对比的时候它那个地方可能一致没问题，当你发现不一致的时候，这个差异就是我刚才说的一个信息，这个差异很大，这个叫做预测误差变大了。今天认知科学里面很多研究基本上基于这个理论，当然这些都是科学的假设，但这个假设被很多的实验所验证。那么说明我们的大脑认知过程，你想起来是有道理的，因为我们的认知面对那么复杂的世界，我必须要有一个先验的理解，所以我不可能把所有信息都打进来从头处理，这是第一点。第二，大脑一定是预测的，要不然世界根本来不及反应。球飞过来，你从你的眼睛到视网膜一直到大脑产生信号，它要有延时，球早就过去了，所以大脑一看到球就判断它的轨迹。第三，我们大脑耗能很少，我说了，如果你把什么东西都计算的话，耗能马上飙升，所以它一定是一个非常经济、非常有效的系统。这个就是贝叶斯大脑假说。其实我们可以从数学上证明，这样的方式是一个最优的符合熵增原理的认知方式。

我们现在就知道我们怎么学习。首先输入是信息，这个信息进来了干嘛？你首先要做的事情是提取信息里面的特征，你看到从来没见过的东西，首先提取它的特征，那么这个特征就是一个学习的表达。那么这个时候从信息到最后你脑子里面形成网络来表达这个特征，这是个压缩的过程。压缩，然后在脑子里建立了你贝叶斯推理的认知模型，那么这个世界模型你要做什么？下次观察的时候拿来做预测，预测的过程就是生成，把世界重新生成出来。这个就是一个学习的过程。

所以我们在大量的做先验模型，是对这个世界信号的一次巨大的压缩。我们最早的上面的物理的高维空间、物理的现实，各种各样的光波、声波，实际上我们人类能看到的频谱是很窄的，X光、红外线我们看不见，所以从这个意义上来讲的话，我们看到的信号是这个世界的一个局部，是很小的，然后这些信息非常之大，我们把它压缩到我们大脑之中，这是第一次压缩。第二次压缩是什么东西呢？因为你看我们看到世界上的很多事实，你发现我拿出一个神经网络去做，我可以给这些特征命名，这个时候就产生了语言，所以语言是非常伟大的，只有人类的语言，语言它是有语义的，它是有连接的，它可以组织，它是一个什么？是你对你脑子里面的世界模型的表达。这个有了以后，这是第二次压缩。那么第三次压缩大家都知道，就是数学模型，对前面的压缩再进行压缩。所以人类在不断地压缩信息。

在这个过程中，刚才我说了，它实际上是一个贝叶斯推理的过程。推理的过程我们叫做贝叶斯推理，也就是说什么叫贝叶斯推理？刚才我说你首先要有先验的模型，然后你做观察，观察跟先验组合起来，才会建立一个新的模型——后验。观察和模型之间的误差就是你的认知的动力。所以大脑不是一个被动的信息处理器，不是被动，它主动去认识这个世界，然后去更新你自己已有的对这个世界的理解。所以我们有句话是非常漂亮的，叫做你不是因为看见了才相信，你是相信了才看见。啥意思？信念不是凭空产生的，当你看到的证据对你脑海中的先验有更新价值，你的认知就更新了。你现在可能看到一个朋友了，外面影子一闪，你觉得这是个朋友。你住在小屋里面害怕得要死，根本上就是你原来的先验在起作用。

那么我们讲一讲，其实贝叶斯公式是统计里面最简单的公式，我觉得你们都会学过，因为这个公式推导出来很直接。它就是描述先验和后验的关系，A和B的联合概率表达。但就是这么一个简单的方式，就是我刚才讲的认知模型。你们可以想一想，A就是先验，P(A)就是对A的一个相信程度，P(B|A)是什么呢？在A的前提下观察到B，那么你在观察以后，你又有新的一个认识，就是B发生以后A的概率，P(A|B)，就等于先验乘以似然除以证据，就是这个意思。

那么整个数据科学，我们讲大数据，大数据和人工智能是紧密相连的，就是因为认知模型。大数据做什么事情呢？这个世界我们是看不到的，我们能看到的就是一些观察，世界是独立于我们而存在的，我们的认知是干什么？通过这些我们能够拿到的数据建立一个世界模型，你怎么知道这个模型对不对？你就去反推这个事情，然后去看这个世界跟你的预测是不是一样？不一样，就是认知的产生，你要用新的方式来改变你的模型，这就是贝叶斯认知对观察的一个反馈。

那么刚才我讲我们对大脑认知的一个很重要的假设，从观察来更新先验，实际上这是今天我们所有的做大数据也好，做人工智能训练也好，最重要的一个数学框架。它就是先验，贝叶斯公式。你有先验，然后你做个观察，完了以后你的后验就是新的认知。这个时候误差是你怎么来的，就是观察跟你的预测之间的差异。我们就静下来你想一想，我们是不是每天都在干这样的事情？比方说你面试一个人，你怎么做？你看简历，看他的简历建立先验，完了以后你把他招过来问一个问题，这是什么？这是观察。你是根据你的简历看到一些问题，你觉得你要验证它。如果说你这个问题观察的结果，强化了你的认知，好，你就增强你的信念；如果不吻合的话，那么改变你的认知，形成新的看法。于是在新的看法的基础上，你再继续观察。我们就这样。那么学习也是这样。

所以这就构成了一个认知动力学，什么样的一个动力呢？就是这样的：我有个先验，然后认知空间，我更多地希望做判断，然后根据判断以后我做决策，这个决策结果跟现实吻合不吻合？不吻合我会怎么样？我要修正这个东西。所以贝叶斯推理模型就是下一次认知的先验，是上一次的后验。这就是一个最根本的认知动力学过程，也就是说预测、检验，然后修正，再预测。就这样，每一次的后验就是下一次的新的先验。

好，我讲到这里，我们基本上能构造出一个很好的人工智能今天的轮廓。那么我刚才说过，我们的智能是把世界通过感知学到，能够把学习达到认知，能够组成一个我们大脑中的世界模型。这个过程是什么？是压缩的过程。刚才我讲了，压缩的时候，第一个是大脑的神经网络，第二个是语言，第三个是数学模型，一层一层的压缩过来，所以语言是第二个压缩层次。所以你看我们首先给一些标签，形成的网络就会有很大的一个事实概括能力，你不要去看无穷的事实了，你只要一看到标签，脑子里实际情况就出来了，为什么？你已经把标签对应成神经元的一个代表了，然后你可以做推理。更重要的是它会形成对世界的一个生成模型。这个词和词之间具体地把复杂结构构造出来，也就是说可以把底层的特征均匀地把它拼成一个个世界的结构，这个都是我们把有效的信息、有序的信息构造出来的过程。

那么语言模型，我们今天的大语言模型，就是再一次把语言压缩到神经元上去。是什么道理呢？首先我们通过编码向量把语义相近的词变成相近的向量，用向量来表示语义的相似性。同时向量是可以计算的，什么意思呢？我如果说语境变化，那么词的向量也变化。比方说我说的苹果，在水果的语境里面，它是一个水果；在手机的语境里面，它是一台手机。所以通过向量计算，你可以看到我们整个的语言模型就是构造一个语言的语义空间，那么每一个词都是一个点，然后我们可以把它跟相关关系联系起来，而相关关系又是动态可计算的，这就是我们今天语言模型的核心概念。所以我们今天能够造出大语言模型，能够很好地体现我们这个语言的世界。下一个词的预测，就是给我前一句，我可以预测下一个词是什么。千万别小看这个，如果你能够干这件事情的时候，你等于把人类语言背后的世界逻辑给刻画出来，因为把它压缩到最极致，你能够把语言重新生成出来，那么这个世界语言表达的世界也就体现了。所以大脑学习的时候，我们的世界模型跟我们的语言的世界是对应的。所以我们已经开始可以跟语言模型做各种各样的交互，可以说已经突破了图灵测试。什么叫图灵测试？我跟他讲话的时候，我不知道我跟他讲的是机器还是人，这个就已经有了，至少在他的定义在这个意义上来说，我们已经突破了图灵测试，机器能够运用语言跟我们对答如流。

好，我讲了这么多，贝叶斯可以达到它。为什么贝叶斯符合我们讲过的熵增原理、生命的负熵原理呢？这就是今天所谓的自由能原理。它给出的贝叶斯推理，它就是里面最基本的一点：我们说的我们的预测跟观察之间的差距，就等于自由能。那么我们所有的行为都是在减少这个差距，那么贝叶斯推理的理论可以被数学上证明，它实际上是减少自由能的一个最优方式。所以大脑之所以按照贝叶斯逻辑来运作，并不是它自己选择的，是生命的物理特性所决定的。也就是说，是通过负熵的建立、局部秩序，这是一个物理特性决定的。所以从生命对抗宇宙无序发生的物理关系上，可以推导出贝叶斯推理是必然的选择。所以这个还是非常漂亮的一个结果。

好，讲到这里，我们就可以把知识体系或者行为跟大家讲清楚，实际上也就是今天人工智能的，我认为它的第一性原理。那么人工智能做什么？智能做什么？人类做什么？我们做什么事情？我们有一个主观的世界模型，存在着对世界认知的偏差。它做什么呢？它对这个世界做出观察，做一次预测，然后我们对外部世界做出观测，观测和预测之间的差距就是认知误差，或者说就是惊异，或者叫做质疑。完了以后有偏差怎么办？它有两种选择，一种选择叫做学习。我通过贝叶斯推理更新我的模型，改变我的内部模型、改变我的主观世界模型，这叫学习。还有什么呢？我认为我的模型是对的，我的观察是对我的观察对象有偏差，我要遵照这个模型去改变客观世界。这叫什么？这叫主动推理，要让世界改变，让客观世界符合我的主观模型。这就是我们常说的具身智能。我改变这个事情，我怎么知道我现在改变的动作是符合预期的呢？这就要求有一个你对行为的模型，这叫什么？世界模型。它做什么事情呢？它预测这个世界和观察的世界，在你做了行动以后，下一个状态可能是什么？所以今天讲的所有的学习、大语言模型、具身智能、世界模型都在这个框架下，这就是智能的统一框架。所以大家在看很多事情的时候，一定要明白它讲的是什么。我再强调一遍。

所以从这个角度看，具身智能就是主动推理的呈现，就是要改变这个世界。误差是什么？误差不仅仅提供学习信号，也可以是驱动行为去改变世界。改变世界的行动就是主动推理的一个趋势。所以从这里来看，这是非常清晰的。我要去拿一个杯子喝水，那是做什么？我的大脑就给运动神经元发出信号，运动神经元指挥我的胳膊去拿，然后再反馈过来对不对。那个时候就要求你要有对世界的一个行为模型——世界模型。今天这个模式，从我们细分的一个模型来看，AI里面的智能体——具身智能体能够推理，它接受输入，通过感知去理解世界，它做推理，它进行行动，根据这个行动再来分析反馈。所以AI agent也是来源于这个定义上来讲，大语言模型、具身智能、世界模型，都是同一套理论。

所以刚才总结下来，就是有一个智能的基本的执行机制，它向外运动，它有两个途径：向内调整，就是调整自己的先验，调整自己的内部网络，就是对自己的先验认知进行更新；向外改变，做出行为，来让客观世界符合我们的需要。

好，讲到现在为止，你也搞清楚了，碳基和硅基它是一回事。所以这里总结一下，探究的第一性原理，都是在熵增之下建立局部秩序的两种不同的演化，一个是在碳基上，一个是在硅基上。如果我们将薛定谔的负熵看成是基础的话，是通用的、最广泛的一个生命的定义的话，那么左边的碳基路径，我们从DNA找到了遗传机制，从赫布的神经生物学，我们理解了脑的秩序怎么学习，都在机器上实现了我们今天的一个人工智能在硅基上的转化。而在那边，图灵提出了思维可以脱离碳基而存在，维纳给了机器以生命的名义，完了以后我们构造了控制论，实际上通用的就是物理上的一个薛定谔的负熵原理，贝叶斯推理是统一的理论，这个是把碳基和硅基完全统一起来。所以从本质上来说，我们硅碳共生在物理上是同源的，都是负熵的建立与秩序；在数学上都遵循贝叶斯推理。

好，所以总结：我们现在正在迈入一个共生的时代。虽然它们同源共生，它们都有相同的本质特征，但是我们人类是主导，我们的共生中人类是最强的，人类来积极负责这一切。我们希望硅基扶持、积极地工作，把我们解放出来，能够活得更像人。这就是人机共生的意义。这里面有一个很重要的观点：当我们共生的时候，人要变得更像人，那么我们要在目标设定、价值判断、同理心、情感、责任承担这些方面担起我们人类的重要的责任。

我的这些观点，今天讲的东西都形成了这本书，昨天已经发布了。今天我觉得天色很好，在这边我花了很多时间给年轻人来看，因为我觉得他们是这个时代的原住民，他们对这个时代怎么来的、一个科学原理应该有一个理解，这样的话他们才能知道，希望他们能知道他们的使命，他们未来的生活将会是什么样子，这是我的一个初衷。那么这本书很多的院士做了一个很好的评点。

最后我一句话总结：未来的硅基和碳基共生，实际上人工智能是一个文明的革命，它不是工业革命，它是人文革命。人类文明就几次革命，第一次是语言，第二个是文字，它都是能够把我们的思维传递，文字是知识的技术与传承。那么今天接下来，我们外在的智能机制给了我们硅基生命，这样的话我们就会形成未来一个非常伟大的硅碳共生的人类文明。好，感谢大家。

好，谢谢郭教授。接下来就是我们的问题时间。郭教授对于AI是非常乐观的，而且他展现了他对AI的一个哲学的思考，那就是碳基硅基是相互共生的，彼此都是相得益彰的。

我们有一个问题——好像有点紧张——我问你AI有泡沫吗？

这个问题很重要。这个主要是指什么呢？是特定的AI技术有没有泡沫，在投资上面是不是过热的问题？AI的泡沫是什么？你说某项技术会不会有泡沫？明天会是肯定，毫无泡沫？我觉得不是这样。我看看是不是从文明的问题来看。就像我们过去几百年，其实今天我们外在的智能体系不可能是泡沫，这是我们人类进化的一个重要阶段。在泡沫中，对于投资者，我觉得你学经济里面最有用的一点，就是你想想看AI的未来发展，你看我画的图，大家都必须记得Gartner的技术成熟度曲线，昨天这头是今天的泡沫，但物理世界的物理的名师。你要投资你不能只看名气大的，你要知道AI的脉络里面，AI发展体系里面它处在哪个位置，为什么今天这么重要，明天这么重要，它是什么原因？你把这个搞清楚了，你就会有清晰的判断。当然理性投资不一定赚钱，为什么市场是这么炒？这是不一样的。所以我不好说这个话，但是至少让你有信息，你知道你投资的东西，你投资未来，你投资它的问题是什么？所以理性投资是有用的，这就是为什么我们这些科学家常常会叫去做咨询的原因。咨询完了以后你投资吗？咨询完以后，我投资我自己的企业，我觉得二级市场对我兴趣不大，我一级市场我很感兴趣。我们在这里就不告诉大家你的企业是什么了，免得有广告嫌疑。好。

那么还有一个问题，我们的观众也特别地理性。您刚才讲的硅基的问题，如果硅基能够参与到社会决策的话，不但如此，它有它自己的数字财产，那么我们怎么在法律和制度上建立硅基社会的一个责任边界？

这是一个非常漂亮的问题。我觉得我们进入了碳硅时代以后，最重要的事情是改变我们社会秩序，这是一个漫长的道路。因为在我们人类社会中间，我们所有的法律、社会秩序、制度、程序，都建立在单一主体的假设上。因为你假设只有一个主体会承担责任。你现在有两个主体，一个是人，一个是具有自主设定的、自己的意识可能占了很重要位置的、自主能力可能得到发挥的这样的一个智能体系。那么我们怎么样去重构我们的整个社会秩序？这是个问题。这个问题的最根本问题在于责任边界与责任法律问题。哪些责任我们可以委托给机器？哪些责任我们必须保留在人的碳基边界里？这是个大问题。就拿看病来说，哪怕你机器看得再好，最后的签字权永远不可能是机器。在今天的记录下，到今天这个社会规律下，因为只有人才能承担这个责任，所以这是人的职责。所以从这个意义上来讲，我们在二元社会中间，我们怎么重新审视这样一种责任的动态变化，是我们社会面临的大问题。还有形式担责和实质担责的区别，比如说我们拍了CT片，越来越发现机器读片的准确率远远高于人，假设肯定它是准确的。那么责任是归人还是归机器？人还是要签字，我就在那个片子上面签字，我基本不看只签字，因为反正就找我签字。所以这种形式上的责任主体，跟你机器过了一遍以后，我还要再复核一下的那种实质的责任主体，你怎么去区别？就在于从法律上来讲，如果你看错了，是机器错了还是你错了？因为法律不能抓机器，就是抓你。所以你要是不签字了，你拼命去看，错了把你带起来。所以从这个意义上来讲的话，就是靠今天的法律来实现，今天的规则来实现。今天也是一样的，你可以哪怕不用仔细看，你草草看一遍，认真看一遍也是一个道理。所以说这个倒不是因为你需要改变所谓的责任签字权，它的根本性的问题就是错了谁担责任，这是关键。所以我们这个事情必须要思考。我们认这个原则，但是问题就在于我们面临的一个现实，就是机器比我们犯错的几率要少，我们是在这个前提下去思考。但是哪怕是万分之一，你也没有选择。好。

那么接下来再问一个问题，请问郭教授，您老说硅碳共生，您现在的工作模式有多少时间跟碳基打交道，多少跟硅基打交道？

我可以说我跟硅基打交道的时间越来越长，应该来讲，以前可能因为我也在它的学习过程当中慢慢去认识它。而且我们看自己的生命也是一天天地成长，我从来不相信机器的编程，这怎么可能呢？为什么不可能？我就发现机器已经变得很好，又快又好，因为我手下的这些学生也推崇很多。我在想这个问题，程序员怎么办？现在程序员写代码能写得过机器吗？所以我们讲的问题在哪里？它越来越理性，越来越准确。为什么你不去用它呢？错了就让它错。所以这是一个问题。第二个问题是，是不是我们认为我们的任务就是从编程去变成给机器提要求？今天我希望我让机器生成验证，生成这个样子，我就这么验证。我怎么知道验证是对的？那个时候机器就会解释，AI的程序是不是完备，它告诉我为什么这么编程。所以这个就会产生区别。你去看它是个循环，对人的要求越来越高。所以我说你放心，人是永远不太可能被AI取代。但就是我们要求的层次不一样了。为什么？它总是在不断地要求新东西。你说我要求你编程，我还不够，我还要求你告诉我你写成这个程序的原因是什么，明白？所以它是最基础性的要求不断在提升。过两天这个机器又有这个本事了，那另一部分又是人类不断上升的要求。所以你说我拒绝跟硅基来共生，这个时间越来越少。我们现在开会已经不用记笔记了，为什么？因为机器做记录，机器给你做总结，还要把总结跟上面的任务比，看今天某某人在上级开会给他布置的任务完成了没有，没有完成就马上通知他，告诉他开会之前要做什么准备，太有意义了。所以从这个意义上来说，你已经进入了一个完全的共生时代。你们开车，你们现在开车多长时间用导航？所有开的路都是导航说的，你也不用去记路。就从这个意义上来说你已经在共生。

那有没有人抱怨你跟硅基生命交流时间太长了，跟人类之间的交流没有了？

因为我们跟硅基生命交流多了，才有更多时间跟人交流，别搞错了。因为很多的事情，很多事务性的工作，你不用干了，跟人交流的时间更多了。但他跟我交流的还是可以解决问题的，但不管怎么样，这是他的专业。好。

接下来再来一个问题。你看我们现在有很多的年轻人都很焦虑，刚才我也问了，你看现在年轻人多多少少有点焦虑，焦虑什么呢？我一毕业就不知道我是怎么应对它的，因为什么？他跟机器打交道，机器干的那些事情原本都是他们毕业要干的。你怎么看待这个？

这也是我想用这本书来讲讲心理状态。因为我确实想告诉青少年，未来世界怎么样，你应该怎么走？我觉得我不太可能告诉你们的是一个确定性的结果，那么我至少会告诉你有多少不确定性，这很好，我至少可以让你有一个思考空间，然后我再告诉你一些方法，做一些负熵，让你有一定的准备。所以现在就告诉他们方法，做负熵的三个方法好吧？中国人喜欢讲三，来，掌声鼓励一下。非要讲三个，那我就编三个给你。

第一个是方法，你一定学你最喜欢的东西，而不是学现在最有可能找到工作的东西。因为现在的工作可能不会永远存在，因为你喜欢的东西，你一定最擅长的东西，你一定会在未来有你的用处。做喜欢的事情，这是第一个。

第二个事情，我觉得在人机共生的社会里，人要表现出更多的人性，所以培养人基本的素质和基本的知识面是非常重要的。那么我讲一下现在有很多年轻人不喜欢读书，我这样的老年人还看到孩子们玩游戏，不愿意谈恋爱，人性到哪里去了？没办法，但是你活该，这是你活该的。我觉得你要真正地适应你的未来社会，因为你现在学知识的效率很高，你要总结、形成一种知识体系也相对容易。那时候还有这样的人工智能工具，加上批判性思维的能力的话，你很可能组成你自己的系统就很有用。所以你应该花时间在这儿，如果你要去打游戏，你要去干嘛呢？你被时代淘汰，没有机器辅助就淘汰了。

所以说第三点：一个是要有兴趣，一个要找到自己的人性。第三个我觉得很重要，就是说你应该有一个什么样的态度呢？要抱有一种乐观的态度。你老去批判它，对你人生不利，你说将来我会被取代了，我干嘛呢？觉得人生无意义。所以你最后想这个问题：机器出现，我人会不会变得更聪明？我更聪明，我就造更好的机器，更好的机器把我变得更聪明，这是个良性循环。你去想正确一点，我觉得这样的话你的人生一定会幸福快乐，然后你也会对未来有信心。有了这两条，你一定会积累负熵，积累更多的知识和能量。你有了这些负熵以后，你的生命才会向正确的方向演化。这个太不容易了，所以好，掌声鼓励一下。三条要落地。

郭教授、郭院士讲的三条，我们知道要做自己感兴趣的事情，要发现有哪些事物更能够彰显人性，同时对人类社会的发展，尤其是科技驱动人类社会的发展始终抱有乐观的心态。当然不是彰显的问题是什么？培养，我们的人性要不断地增强、强化、完善。

这三点我都做到，但是郭教授有一点我做不到，就是柴米油盐酱醋茶我做不到。

你必须做到，要不然你活不到今天。而且在柴米油盐酱醋茶问题上，我觉得我今天不觉得很纠结的地方是，今天我们不断地在控制，所以这个不是人工智能取代人的问题，人工智能是可能帮助你提升产品价值，你肯定会，甚至会把握市场。所以说这反而是人工智能给你创造的问题。人工智能没有制造问题，人工智能是说它不断地帮你想不想做的事情，你要交出来的那些工作，有人替你去做，有机器给你做，只解决这个问题。它怎么会把你的产品人员建设、厂房的布局或电力的设计你不知道的呢？我们摆脱了很多繁琐的要求。

好，最后一个问题就结束了。您非常乐观，有没有稍微有一点悲观的事情？

悲观这个事情，没有悲观的事情，我就忧虑的事情是吧？我们的惰性。怎么讲呢？有些东西机器可以做了，我就放弃，反正别人跟你说这个没有错，在什么地方呢？你剩下来的时间、剩下来的精力和能量，你没有用到正确的地方，就像你说的那样，没事干，我去打游戏。其实空闲的时间是让你做更有意义的事情，但是不是所有的人都会把握。很可能以前你做得不错，为了你的柴米油盐，现在由于产品根本没有了，我就失去了我生存的目标，这个比较麻烦。所以这点我觉得很多的东西是我们人性的不足，那不是上帝赋予人类的，人类是因为劳动而产生的。所以从这个意义上来讲的话，我认为我们最大的问题是什么？中国有句话叫什么？死于安乐，生于忧患。所以要有这个忧患意识。

好，最后有一句话总结：AI可以给你做许多的事情，但是不要让AI替你找寻人生的意义。好，谢谢各位。

感谢，谢谢谢谢。我们把掌声献给这两天所有的思想分享者，谢谢大家。

在座的各位，两天六场讲座，我们给大家做一个小小的总结。这六场讲座贯彻下来有这么几个主题。第一个，智能从哪里来？智能又到哪里去？

今天郭教授是最后一个，但是它解决了一个问题，那就是智能从哪里来？薛定谔说生命就是一个不断地抗争熵增的历史，而克里克发现DNA里头隐藏着生命的最基础的信息，而赫布在讲神经元之间的连接，它告诉我们大脑运作的基本机制。但是大家注意到了没有？大脑是锁定在我们的一个颅骨里头，我们通过各种各样的传感器接受外部世界的各种各样的信号。你们有没有问过自己一个问题？大脑的耗电25瓦都不到，但是它要处理这个世界上的复杂的事，超出了我们很多人的想象。所以郭教授揭示的大脑对这个世界的反应机制，怎么通过先验，怎么通过反馈，怎么通过后验等各种各样的模式，让我们在最低的能量的基础之上发生对世界的认知，以及基于这个认知上的互动。当然这背后揭示的基本的原理就是贝叶斯推理的理论，然后再逐步地清晰起来，让幻觉也逐步地接近于真实。所以智能它是对于这个世界进行压缩的能力，而语言只是对这个世界的第二次压缩，而大语言模型又是对语言的压缩。所以你可以看到整个压缩的过程，无疑受到了面对熵增的挑战。尤其是他要回答一个问题，那就是秩序从哪里来？那么秩序又向哪里去呢？

尽管人工智能在目前已经发挥了它让我们瞠目结舌的作用，但是姚期智先生还提出几个问题。第一，今天的人工智能再强大，但是它必然是在理论计算科学领域以及物理规律的学科领域所划定的未来，所以我们知其所以然。为什么这么说？人工智能存在着停机的问题，不是吗？人工智能也存在对人工智能体系进行攻击的问题，不是吗？当人工智能在进一步发展，它要靠超强的算力，而超强的算力我们依托什么？人类有一个对算力充满希望的方向，那就所谓的量子计算。但是你如果不能够克服量子纠缠的话，如果你不能克服量子纠错的问题的话，那么量子计算唯一可能。所以姚期智先生对未来的量子AI充满了信心，因为它是一个正确的办法，那就是AI能够帮助我们找到量子纠错的办法，而量子AI能够帮助我们离开传统的AI范式，为AI下一步的发展寻找算力的有力支撑。

那么接下来我们谈到的范式，沈向洋先生也要回答一个问题，那就是人工智能的下一步到底是什么？智能是设计出来的还是生长出来的？首先给大家答案，他认为是生长出来的。他写了一本书，叫做《苦涩的教训》。未来过去的40年，凡是试图把人类的知识塞进智能体的，短期内可以做出来，但是长期你要在范式下希望它形成一个所谓的通用人工智能，恐怕是太过于乐观了。真正的突破是什么？真正的突破在沈向洋的讲座当中给了一个途径，其实智能应该向小孩子学习，为什么？是通过自己的摸索，通过学习的规模化，慢慢地从它的一个关键的核心词，那就是Scaling问题，从具体的对这个世界的经历体验和经验当中生长出来。所以它的模型很简单，就是World Model，通过我们的选择，我们能够经历这么几个过程，让通用的人工智能生长起来。比如说我们找到这个世界的特征是什么？进而我们会问这个特征底下的子问题是什么？然后我们在做具体剖析的过程当中，我们可以进行行为各种各样的选择，然后我们再把选择的成果变成一个可迁移的东西。这样一种良性的循环使得我们智能从原来的设计出来的方式慢慢走向生长出来的方式，通用人工智能才有这样的一个可能。

那么不管是设计出来的还是生长出来的，对人工智能的又一个讨论来自于我们朱松纯教授。他的问题很简单，人工智能有灵魂吗？人工智能有心吗？讲到心，大家觉得这很抽象，但是大家看到了没有？人工智能的科学家的第一个PPT、第二个PPT、第三个PPT你都可以抽象出四个字，就是数据驱动。那么问题来了，我们理解这个世界，我们跟这个世界打交道，靠数据驱动是完整的吗？所以朱松纯先生提出来了，应该给人工智能内置一个价值系统，以及基于价值系统的认知能力。所以他认为机器人跟人一样，应该从这个价值的体系出发来去理解世界，进而实现小数据大智能。沈向洋说我们不要通过知识的注入来帮助自己，而是要在智能体自身的经验当中成长出来。而朱松纯说你这话说得一半对一半不对，为什么？我们不能走只是把数据和知识喂给机器的道路，而是要当机器干什么呢？我们要帮它立心。看起来这两个观点不太一样，但实际上是相互补充的。前者强调了学习算法的通用性，后者强调了价值和认知对机器行为的一种约束。所以我们可以看到小孩子先天他就会有好奇心，他对这个世界充满了陌生，但是他都愿意去探求。但是在这个过程当中，你会发现小孩子也会形成他的好恶，也就是会形成他的价值偏好。所以两者合起来，在朱松纯看来才是智能体未来发展的一个美好蓝图。好，给智能体立心就像给人立心一样。

那么谈到了我们接下来的这位嘉宾，俞勇教授，他40年的育人经验，他提出了人性的三个定律。他觉得人的能力，我们通常讲天才，天才总是特立独行的，总是不走寻常路。但是大家观察到了没有？再伟大的天才，恐怕你成就自己的事业的过程当中，你都是在团队当中实现的。所以能力不是独立的能力本身，而是在关系当中体现出来的。所以我们经常有一句老话，那就是生于忧患，强于对手。一个是什么？好胜心，能力在竞争当中爆发。那么能力干什么？能力就是破解这个世界的谜团。正是因为这个世界上充满了各种各样的谜团，所以才激发起人们探索谜团的好奇心。探索谜团的好奇心来自于什么呢？来自于人不断地追逐未知的内在驱动力。当一切什么都会的时候，我们教育培养的不是机械的人，而是我们大家都知道，我们要培养一些会提出问题的人，或者你换句话来讲，那就是我们能够培养出定义问题的人。在许许多多的人性当中，俞勇教授最强调的是人的一个特性，就是不服气。我敢于反问，敢于质疑，甚至面对权威，我也勇敢提出自己的观点或者是自己的想法。因为所有的创造，我们前面都会讲一个叫做破坏性的创新，那就是颠覆过去创造属于未来。

那么在俞勇先生这边看来，人类的能力我们当然要保护那些天才，要保护那些特立独行的人，但这不是我们放弃人与人之间友好协作的借口，而真正的能力恰恰是在协作与信任的关系上面才能够真正地爆发出来。这个回应了沈向洋在他的PPT里讲到了一个命题，那就是自我是什么？所以要学会自己给自己出题。而任宇先生是在从商业的视角给企业家呈现出什么题呢？就是当智能体和人工智能能够提高你的生产力，以及在提高生产力的基础之上实现你的组织重构，所有的这一切都不会具体地落实在你的财报上。当这一切有可能发生的时候，请问企业的当家人有没有这个勇气借助于人工智能的工具来驱动企业在这个时代的新的发展，或者从另外一个角度来讲，寻找企业发展的第二曲线。当然这里面有一个非常重要的组织的变革，那就是他提出了DRA的概念，也就是直接负责的个人的概念，通过它来驱动扁平化的企业网络。老板你要是学一点AI，这样你才可以穿越层层过滤之后的信息的迷雾。但是李开复先生提出了一个非常重要的观点：技术从不决定企业在竞争的战场上能走多远，而决定的是什么？就是企业的领导者应该下足这个决心，而个人一定要搞定能力增强型的定位，以及不可替代的竞争力。大家要有一个概念，我们不是在跟AI赛跑，我们是跟AI一起做。

最后又回到郭教授的观点。既然人机共生的话，那么水到渠成地回到了郭毅可教授的碳硅共生：那就是计算我们交给硅基，意义由碳基担当。机器负责高频重复可验证的执行，而人类负责目标的设定、价值的判断和责任的担当。这不是人的退场，而是智能突破了单一的生物载体，实现了更丰富的存在形式。尤其是姚期智先生所设想的量子AI，它就是让AI能够突破其自身发展的瓶颈。但是不管怎么突破，并且还会出现朱松纯的通用的智能体，与李开复先生在企业用的企业的智能体，其实它们都不约而同地要走向社会人。但前者的价值免疫和后者的社会责任，它们都会指向同样一个事情，那就是任何制度，它必须有内生的伦理机制以及价值体系，否则你怎么可能进入到人类社会跟人相互之间协作无间呢？所以已有的一句话也道过了这个问题的本质，那就是当AI能做一切的时候，人还应该成为什么？

最后我还是要用维纳那句伟大的话作为结尾。你看看所有在这里发言的嘉宾，当遇到我给他们提出同样一个问题的时候——当AI什么都可以替代的时候——姚期智先生说不要再做无谓的挣扎，但是姚先生又说追求审美、追求哲学、追求人文思考。我们刚才郭教授也说了，如果都只是可以替代的话，还追求什么？追求你的兴趣，追求你的人性，要追求这一点。俞勇教授也说了，要追求什么？要追求人的本性，那就是不服输、不服气、勇于质疑。这一系列的追求告诉我们，无论机器再怎么样先进和发达，总有人要分配给他任务，总有人要给他提出问题，总有人在他解决了所有的任务以及所有的问题、而且给出了亮丽的答案的时候，人总要问一句：做完了这一切，还有什么可以做？

所以维纳的那句话非常的重要，就是即便是在人工智能时代，人总有他的用处。为什么？谢谢大家，谢谢。我们今天的讲座就到此结束了，谢谢大家的陪伴。好，接下来请工作人员安排，谢谢。