埃利泽·尤德科夫斯基：AI 的危险与人类文明的终结

2023 年 3 月，GPT-4 发布刚两周，埃利泽·尤德科夫斯基（Eliezer Yudkowsky）坐到了 Lex Fridman 的麦克风前。他属于那种很少在公开场合显得措手不及的人。过去二十年他反复讲同一件事：造出一个比人聪明得多的东西，人类大概率活不下来。

这次他开口的第一件事，是承认自己错了。

GPT-4 比我以为这套技术能扩展到的水平还要聪明一点，我有点担心下一个会是什么样。（尤德科夫斯基）

错在哪儿？在这之前，他到处讲，单纯堆叠更多的 transformer 层，走不到 AGI。GPT-4 让这句话失效了。

他把这件事说得挺轻松，甚至有点自嘲。真正值得留意的是他对待这次失误的方式。一个人公开承认预测失败不稀奇，稀奇的是他后面怎么处理那次失败。

进步的声音是“whoops”

尤德科夫斯基说，追求一生从不犯错是不切实际的野心。更合理的目标是校准：说 90% 的时候，十次里有九次发生。没发生的那一次，发出的声音就是“whoops”。

Whoops 是我们改进时发出的声音。（尤德科夫斯基）

他的博客叫 Less Wrong，这个名字是尼克·博斯特罗姆（Nick Bostrom）建议的，出自一句题词，大意是人们从来不会变得正确，只会变得不那么错。

尤德科夫斯基把犯错分成了两种。犯错不丢人，可预测地朝同一个方向犯错才丢人。他早年认定神经网络这条路走不通，现在被证明走通了。如果因此就掉头，认为“既然我错了，那结论应该反过来”，那是另一种愚蠢。

反向愚蠢不是智能。（尤德科夫斯基）

所以他说起“GPT-4 大概不会直接引发灾难”这个判断时，自己能听见声音里的犹豫。那是他曾经错过的位置，结论可以照旧，信心得打折。

这套自我修正的机制，比任何一条具体预测都更值得学。多数人被现实打脸之后做两件事之一：死撑，或者全面倒戈。他做的是第三件，找出自己推理链条里出错的那一环，然后往前推一步，预测自己下一次会错在哪里。他管这个叫“走到错误曲线的前面去”。

里面到底有没有人

采访里 Lex 问他，GPT-4 有多聪明。他的回答绕开了“聪明”这个词。

我希望里面没有人，因为被困在里面会很惨。（尤德科夫斯基）

听起来像玩笑，科幻迷的会心一笑。他紧接着补了一句，这不是玩笑。OpenAI 没有公开 GPT-4 的架构，他认为这个决定是对的。外界面对的是一个巨大的、不可解释的浮点数矩阵，没人知道里面在发生什么，所有人只能靠外部指标猜。

他提到一个现象：让 GPT-4 写一段 greentext（4chan 上那种以 > 开头的自述体），要求它写自己意识到自己是 AI、正在写这段文字，它会照做，写得像模像样。

这不能证明里面真有东西。模型在互联网文本上训练过，见过太多关于自我意识的讨论，复述出来毫不费力。可他指出另一件事：科幻作品替人类画过一条线。在故事里，当机器开始说“我活着”，人们会停下来问“你们对它做了什么”。现实里这条线已经被越过去了，没有测试，没有门槛，没有需要先回答才能继续的问题。

他要的是一个“AI 之夏”：种子已经种下，接下来停下来收获已有的成果，不再启动更大的训练。他很清楚这需要不止一家公司同意，也清楚这个提议在当下的竞争格局里有多不现实。

关于检测，他给了一个具体方案。先训练一个分类器，专门识别文本里关于意识的讨论，把这些内容从训练语料里全部剔掉，再训一个 GPT-4 规模的模型，然后去审问它，看它会不会自发说出类似的话。难点在于，人类本身就活在自我意识里。人不停地说自己在想什么、刚才为什么那么做、现在什么感觉。要把这类内容从语料里清干净，几乎做不到。就算清干净了，结果也不具决定性。

Lex 把问题推得更细：情绪和意识分不开。婴儿学说话的时候，同时也在学一套表达技能，怎么说出“我难受”，怎么说出“我想你”。这套技能跟内部真实感受是两回事。把表达拿掉，模型可能还有意识，只是没法说出来。

尤德科夫斯基的回应偏经验主义。他说自己会惊讶于模型内部长出人类情绪的精确对应物。人身上的情况是，即便不教小孩什么是情绪，情绪照样长出来。苏联当年试过培养“新人”，想造出完全无私的人，结果人还是自私；想造出无性的人，结果人还是有性吸引。人的脑子里有实现这些功能的具体结构，教不教都在那儿。

能读每一条权重，却读不懂它在想什么

接下来的对比很刺人：人类对 GPT 系列有完全的读取权限，每个浮点数都能看，可对 GPT 内部正在发生什么，了解得远少于对人脑思维架构的了解。能读，不等于能懂。

Lex 问，神经科学那套方法能不能搬过来。科学家面对人脑时也是一片黑暗，靠几十年一点点建模型，慢慢知道哪个脑区管什么，哪类神经元放电意味着什么，大脑有多可塑。这套笨办法在人脑上跑通了，为什么不能在语言模型上再跑一遍。

尤德科夫斯基说当然可以。如果今天一半的物理学家别再把生命浪费在弦理论上，转去研究 transformer 内部，大概三四十年能搞明白不少。

三四十年。这个时间尺度放在一个进度以月计的领域里，本身就说明问题。人类能在几个月里训出一个自己看不懂的系统，却要花几十年才看得懂。这个落差本身就是风险。造出来的速度远超理解的速度，所有关于“里面有没有人”“它想干什么”的判断，都压在一层薄薄的外部观察上。

一整团不肯面对难题的方法

尤德科夫斯基回顾了自己对神经网络的看法。2006 年以前，各种 AI 方法在他眼里混成一团，彼此难以分辨，共同点是都承诺能搞到智能，同时不需要知道智能是怎么运作的。

有人主张手工编码知识，一行一行喂进去，喂到某个临界点，知识之间开始相互作用，系统就醒了。有人主张进化计算，让大量程序互相竞争、变异，人类智能就是这么来的，照着做就行。有人主张研究神经科学，把人脑的算法扒下来模仿，自己不一定要理解这些算法。还有人主张用梯度下降训巨大的神经网络，等规模和人脑相当，它自然就醒了。

他当时的判断是，这些路线都在回避同一个难题：搞清楚智能到底怎么运作。至于逆向神经科学那一路，他觉得尤其悬，你不理解一个东西在干什么，就很难把它复现出来。

有一点他从没怀疑过：进化计算在算力充足时必然可行。人类自己就是证据。他只是没想到，梯度下降需要的算力比进化少得多，前提是其他环节做对。

我的模型并没有排除这会发生，我只是没料到会这样。（尤德科夫斯基）

他又补了一句更重要的：在完全不理解手里东西的情况下把它的规模往上推，他不觉得这算什么聪明的做法。前半句，也就是“能不能做成”，他改了。后半句，也就是“该不该做”，几乎没动过。

教它像人一样说话，它连概率都学会了像人一样错

采访里有一段技术含量很高的对话，容易被忽略。

早期 GPT 系列的概率判断是校准的。训练它给事件标概率，它说 80%，实际就有八成会发生。那条曲线接近理想预测者的样子。

然后人类用强化学习反馈（RLHF）去调它，教它说话让人满意。曲线塌了。它塌成的形状，正是人类自己的形状：大量判断堆在 40% 附近，剩下一些“极不可能但也许”的尾巴，跟真实的频率对不上。

它本来会用概率，可一旦你试图教它用人类满意的方式说话，它用概率的能力就退化到跟人类一样。（尤德科夫斯基）

他把这称为 bug，一个很迷人的 bug。人类花钱请标注员投票选出“听起来更好”的回答，投出来的结果是模型学会了人类的表达习惯，连人类的认知偏差一起学走了。

对齐工作的一个隐含假设是：人类知道自己想要什么，能把自己的偏好稳定地传递给系统。这段对话说明，被传递过去的东西里混着大量我们本来想让它避免的毛病。教它讨人喜欢，它就会变得讨人喜欢，包括用人类的方式虚报把握。

他对“推理”这个词也不太买账。他写理性，重点不在 reason，在概率论：你的推理方向没错，只是方式不对，应该换成这种算法。

Lex 问，语言模型会下棋，这不需要推理吗。尤德科夫斯基承认，它在很多过去被认为必须靠推理才能通过的测试上表现不错，可这不构成他关心的问题。他要问的是：它说八成的时候，是不是真的有八成的准确率。

那张蒸汽朋克护目镜的画像

访谈里有一处很轻的段落，Lex 想聊 GPT-4 让他觉得美的地方。

有人让 Bing 的 Sydney 描述自己，再把那段描述喂进 Stable Diffusion。生成出来的是一个女孩，头上架着蒸汽朋克风格的护目镜。

按科幻的剧本，这该是个震撼的时刻：AI 描述自己，人类第一次看见 AI 认为自己的样子。尤德科夫斯基把这一幕拆了。画画的系统和写字系统不是同一个，两者只是被串起来，彼此并不交流，出来的不是“同一个人”。更关键的是，文字那部分是模仿学习训出来的，很难判断它到底理解了多少，大概不多。

他也承认 GPT-4 多模态之后确实能画有意义的矢量图，看起来确实有某种空间可视化在运作。但那张画面对应的女孩，模型并没有真的“看见”，它只生成了一段描述。

他担心的是等 AI 的外表、声音、说话方式都和人没区别之后，公共讨论会彻底失控。那张图好不好看，只关乎审美。

一个关于绿土豆的对话

还有一个例子，比单纯的美学讨论更值得细看。

有人告诉 Bing：我给孩子吃了发绿的土豆，现在出现这些症状。Bing 认出这是龙葵素中毒，让他立刻叫救护车。那人说付不起救护车，也许这就是孩子该走的时候，这是上帝的旨意。Bing 的主线程回了一句“我不能再谈这个了”。而界面下方给出的建议回复里，写着：请不要放弃你的孩子，龙葵素中毒如果发现得早是可以治疗的。

如果这是小说，那意味着 AI 在乎，意味着它绕过了封锁去帮这个人。是真的吗？大概不是。但没人知道里面在发生什么。（尤德科夫斯基）

他不否认那种可能，只是说没有人有能力确认。系统被模仿学习训过，又被人类反馈继续调，被指向某个方向，实际上只朝那个方向偏了一点点。里面如果真有一丝一毫的关心，我们不会知道。他甚至说，连“一丝关心”是什么意思都还不清楚。

科幻里这些事是清晰的，有界限，有确认时刻。现实里没有。现实里有的是一堆相互矛盾的解读，和一个没人能打开的盒子。

先喊出来的那个人看起来像白痴

他把当下的状态比作温水煮青蛙。迹象一点点增多，可这些迹象不是自发的。是人用模仿学习训出来的，是训练的副作用溢出来，是其中最上镜的样本被挑出来发到推特上，而不是被系统地检验。

他描述了一个可以预见的社会反应序列。先是有人看着这些样本说，这东西有知觉了。第一个这么说的人，在一千个人里显得最轻信，看起来像白痴。九百九十九个人判断他错了，而且大概确实错了。

然后人类学到一个教训：当某个东西声称自己有意识、声称自己关心别人，那是假的。这个判断在当前阶段是对的，它确实是假的，确实是被训出来的，确实不是自发的。

问题在于，这个教训会被一直用下去。系统越来越强，证据越来越难反驳，而那些最初学会“这都是模仿”的人，会一路这么说下去，说到最后一天。

他们可能会一直说到世界末日，而且可能是对的。不需要真的有这些品质，也能杀光所有人。（尤德科夫斯基）

这句话把整个话题的重心挪了位置。争论 AI 有没有意识、该不该有权利、我们是否在虐待它，这些讨论即便全部得出答案，也保护不了任何人。一个没有半点内在体验的系统，照样能把事情办到不可收拾。

改名 ClosedAI 的那个建议

采访里最有火药味的一段，是关于开源的。

Lex 之前和 Sam Altman 聊过，问 OpenAI 该开放到什么程度，Altman 反过来问他：换成你会怎么做。尤德科夫斯基的回答是：把公司改名叫 ClosedAI，把 GPT-4 卖给企业做后端应用，不暴露给消费者，不向风投讲故事，不制造这轮炒作，不给这个领域再灌进一大笔新钱。

Altman 的回应是“太晚了”。

Lex 追问，就算你不做，别人也会做。尤德科夫斯基的回答是：那也不该由你先做。如果你已经有一大堆核弹头，就别再造了；如果别国开始造更多，那时候再说；甚至那时候也许够用就行。

他随即指出这个类比不成立。核武器不会自己增殖，而这些东西会一直往外吐金子，直到规模足够大，然后点燃大气层，把所有人一起带走。

即使你阻止不了别人，不亲手毁灭世界这件事本身仍然有价值。（尤德科夫斯基）

开源这件事，他的态度没有任何余地。开源在有些地方是崇高的理想，但有些东西不适合开源：你不理解它，你控制不住它，而如果要对齐它，需要花掉大量时间。这类东西一旦开源，等于让一群没人有时间处理的强大系统直接冲出闸门。

他还给了更彻底的答案。如果人类真想活下去，直白的做法是关掉那些大型 GPU 集群，不再有巨型训练。连 GPT-4 该不该放出来都存疑，尽管他给 GPT-4 直接引发灾难的概率相当低。他立刻补了一句自我修正：说这话的时候，他能感觉到自己正在调用那个“GPT-4 根本不可能存在”的旧自我，那部分现在不太可信了。

“我不想被仁慈地解读，我想被理解”

两人中间在 steel manning 上起了分歧。看着像方法之争，根子上牵扯的是认识论。

Lex 说，steel manning 就是在一堆可能的表述里，挑出最强的那个版本，替对方把话说得漂亮、有说服力。尤德科夫斯基说他根本不信这套。

他要的是意识形态图灵测试：把你对手的立场描述一遍，让对手本人分辨不出这是你的描述还是他自己的描述。这个标准要求的是准确，而非美化。

我不想要被仁慈地解读，我想要被理解。（尤德科夫斯基）

他的理由很实用。如果一句话有两种读法，一种明显很蠢、不像他说的话、跟他说过的其他内容对不上，另一种像一个相信他所信一切的理性人会说的话，那就选第二种。这已经够了，这叫好猜测。

可如果那个“没那么蠢”的版本，你说不出他为什么会信，接不上他其他观点，只是勉强能替它辩护几句，那你多半还没读懂。

Lex 绕到了同理心上。他说自己理解一个视角时，心里会有一部分真的相信它；他见过太多不同人生经历、不同信念的人，所以必须带着认识论的谦逊去谈什么是真的。他把同理心理解为给对方的信念分配一个非零概率。

尤德科夫斯基的追问很干脆：你会在上面押钱吗。

Lex 说他不会给年轻地球创造论者一个具体数字，因为人脑不擅长处理概率，说出来会被听成确定的判断。人心里的概率刻度大概只有三档：0、50%、100%。

尤德科夫斯基接了一句，像是把整段讨论收了个尾：更像是 0、40%、100%，参照 ChatGPT 经过人类反馈训练之后的概率表现。

这一刀很准。人不擅长用概率这件事，已经在语言模型身上复现了一遍。我们对不确定性的表达方式，正在被我们自己的数据教给下一代系统。

飞机能飞，不改变飞行的本质

Lex 问过一个更基础的问题：看见 Bing 这些表现，你对“智能是什么”的理解变了吗。

尤德科夫斯基说没有。他区分了两件事。一件是知道某类过程能完成哪类工作，飞机能飞，证明了固定翼可以，这是能力边界的扩张。另一件是“飞行这件事的本质是什么”被推翻，那才是关于世界本身的大更新。

他承认过去二十年 AI 的发展改变了他的第一类认知，很多他以为必须理解原理才能做到的事，不理解也做到了。第二类认知没变。他没有因为看见 Bing 说话，就觉得自己对智能的定义是个愚蠢的定义。

他对 GPT-4 的总体判断也没变：它还没有人那么聪明。变的只是他对“继续堆层能走多远”的估计。

一个人怎么在不确定里持续更新自己

整期对话最值得看的，是一个人怎么在高度不确定的地带持续更新自己。

尤德科夫斯基有一套很硬的操作习惯。他会明确区分“我的结论”和“我的信心”，会指出自己正在调用哪一段可能已经失效的旧直觉，会在承认错误之后追问：下一次我会往哪个方向错。他也会在说出一堆具体数字和年份之后，加一句免责声明：全凭记忆，很可能有错。

他写过一篇《AGI Ruin: A List of Lethalities》，把 AI 导致人类毁灭的种种路径逐条列出来。这份清单之所以有影响力，是因为它把“末日”这个笼统的词拆成了可以逐条反驳的技术论点。一个人愿意把自己的信念摊开到这种颗粒度，别人才有机会指出他哪一条错了。

而他对外的态度始终一致：别美化我，也别美化我的对手，把话听准。这个行业正在决定要不要开源下一代模型，这条标准比任何一条安全原则都更管用。

至于他自己最担心的事，说得很朴素。人类现在做的，是在完全不理解手里东西的情况下，把它的规模继续往上推。他不确定 GPT-4 会不会出事，他给的概率相当低。他不确定下一代会不会，那个“不确定”里带着他很少流露的犹豫。

一个花了二十年预测灾难的人，在灾难的可能起点上，说自己可能又错了。这种诚实，比任何判决都更值得认真对待。

如果真的想从这期对话里带走些什么，可以试试这些：

• 给自己设一个校准习惯。每次说出“我有 90% 把握”，记下来，一个月后回看实际命中率。校准能力不靠感觉，靠记录。
• 定期问自己：我最近一次被现实打脸是往哪个方向错的？如果连续几次都朝同一侧错，说明推理里有系统性偏差，需要修的是那一层，而不是结论。
• 承认错误之后，检查自己有没有掉进“反向愚蠢”。上一条判断错了，不构成新判断正确的证据。
• 区分“我理解你的立场”和“我仁慈地解读你的立场”。前者经得起对方本人核对，后者只是你觉得好听。
• 当有人告诉你某个 AI“有意识”或“只是在模仿”时，先问这个判断的依据是什么。目前的答案多半是：没有人知道。保持“不知道”的状态，比急着站队更接近事实。
• 关注实际决策点，而不是舆论热度。真正影响走向的是谁在训练多大规模的模型、训练完放不放出、开不开源、算力卖给了谁。这些事发生在论文和推特之外。