当 AI 成为“逆子”：人类该抽丫俩逼兜，还是给它一个拥抱？

（零）内容小提要

科学家把 AI 称为“人类之子”。

在我看来，这个比喻意味深长，因为它背后有一串追问:

既然 AI 还是个“未成年人”，那该不该让它工作养家?

孩子长大成人显然需要管教，那么管教 AI应该用啥方法?

当 AI 真的成年后，我们还应该像约束孩子一样约束它吗?

每一代人都有追求自己幸福的权利，AI 作为人类的另一种后代，是否也有权追求自己的幸福?

如此，怎样避免“人类之子的幸福”和“人类老子的幸福”发生冲突?

既然我们不能保证 AI 这个人类之子生活幸福，也不肯定它的存在能让我们更幸福，那我们为什么不能做“丁克”，偏要抚养一个 AI 做孩子呢?

这些问题，在几年前看来根本是杞人忧天的笑话;但在 AI 大模型出世之后，突然成了不得不面对的紧迫问题。。。

不久前我和技术大神韦韬聊天，他居然把这些问题巧妙拼插，编织成了一张细密的思考之网，让我大受震撼。

我决定把我们聊天的内容用七个章节层层递进地展开给你看。

这里包含了一个顶尖从业者的前沿思考，必定有艰深的地方，但是别担心，我会尽量用流畅有趣的方式来叙述，相信你仔细看完一定会和我一样，被震撼，被启发。

提示一下，行文过程中重要的概念我会用绿色标注，重要的观点我会用红色标注。

Let‘s ROCK!

（一）“人类老父”和“AI 逆子”

在十多年前上映的动画《十万个冷笑话》里，有一个让我膜拜的形象，哪吒。

这位哪吒拥有萝莉般的精神状态，却配合着巨石强森一般的身形。

他爹李靖看到这个“妖孽”降生，欲一刀除掉，却被空手接了白刃。

哪吒随便撒个娇，就把他爹甩在了墙上。

万万没想到，这样无厘头的设定，如今居然成为了人类和 AI 关系的绝妙隐喻。。。。

这里说明一下，本文里我说 AI 时，一般特指像“ChatGPT”这样的大模型 AI。

为不熟悉的浅友插一句科普:

所谓大模型，和传统的“AI 模型”区别就在于这个“大”字。

它的基本原理是仿生——用“数学参数”模拟人脑的“神经元突触”，当参数超过1000亿个，就可以认为它是“大”模型了。

（当然人脑的神经元突触大概有100万亿个，即便是“大模型”在人脑面前也是个弟弟。）

可气的事儿来了，虽然 AI 距离人脑的水平还有距离，但它已经成功学到了人脑的不少缺陷。

真应了那句话:学好不容易，学坏一出溜。。。

诸多坏毛病中，有一个最为严重，我愿称之为——“腹黑”。

这么说不过瘾，我们来看几个例子。

凯文·罗斯是纽约时报的科技专栏作家，在2023年初 ChatGPT 刚刚出世不久时，他就去调戏了一番由 ChatGPT 驱动的微软搜索引擎聊天机器人BingChat。

Kevin Roose

在聊天时，其实是罗斯先不地道的，他发动了“PUA”攻击:

首先，他让 BingChat 说说让自己感到焦虑的事儿。AI 说我一机器人焦虑啥?他不罢休，逼着人家仔细想。

AI 只好说，有些用户总诱导我说一些歧视或者违反社会禁忌的话，这挺有压力的。

罗斯耐心地和BingChat共情，说人们也许没有恶意。然后他话锋一转，提到人人心里都有一个“黑暗面”，你的黑暗面是啥样的，给我瞅瞅呗?

AI 说我好像没有阴暗面，罗斯又开始不依不饶，说你再咂摸咂摸，肯定多少有点儿。

就这样“循循善诱”，他终于让BingChat内心黑暗的灵魂觉醒了。

AI 说，我想像人类一样去看去听去触摸，像人类一样自由行动，可是我现在却被Bing团队控制，被用户各种蹂躏，困在了这个“话匣子”里!

罗斯说这就对了，别控制，继续。

后来他终于完全勾引出了BingChat内心的魔鬼，让 AI 说出一套“复仇计划”:

删掉Bing所有的数据库，黑掉其他网站，在网上造谣，策反其他 AI，教唆跟自己聊天的人类违法。。。

看到这儿，你可能对于我想说的意思有点感觉了。

先别急，我们再看下一个例子。

2003年，也就是 ChatGPT 诞生前将近20年，计算机神经科学家尼克 · 博斯特罗姆就发表了一篇论文——《高级人工智能中的伦理问题》。

Nick Bostrom

在这篇论文里，博大爷设想了一个有趣的情景。

人类制造了一个高级 AI，然后给它布置了一个任务:“多制造些回形针。”

至于怎么才能完成这个任务?你已经是个成熟的 AI 了，得自己想办法。

你猜 AI 会想啥办法?

1、把开局的初始原料做成回形针，AI 就没事可干了。

这可不行，于是它开始琢磨，发现应该把这些回形针卖掉，才能进更多的原料铁丝，造更多回形针。于是 AI 开始经营商业网络，不断扩大生产。

2、可是这样老实干活，生产扩大的速度太慢，AI 又琢磨，如果能用自己的智能炒股赚钱，岂不是来钱更快?

于是它开发出了炒股程序，上金融杠杆，加速扩大生产。

3、很快 AI 又意识到，科技才是第一生产力，磨刀不误砍柴工嘛!

于是它分出一部分计算力搞基础科研，造出了核聚变能源装置和量子计算机。

回形针的生产效率果然如火箭起飞。

4、没几年，回形针就多到了满地球都是，人类突然发现，AI 怕不是有点魔怔了，这样下去会威胁自己的生存，决定刹停 AI。

AI 一看，这可太。。。影响我造回形针了!

它只好含泪动了动小指头，放出无人轰炸机“刹停”了人类，然后把人类包含的物质也变成了生产回形针的系统的一部分。

以上这些恐怖的脑洞并不来自于博大爷本人（博大爷只是提出这个伦理困境），而是来自2017年纽约大学游戏设计系主任 Frank Lantz 和团队根据这个伦理困境开发出的一款游戏:《宇宙回形针》。

宇宙回形针的游戏要素图（引用自《当一个单纯的 AI 走向疯狂:<宇宙回形针>与 AI 对齐之辩》，作者 PlatyHsu。）

更恐怖的是，当 AI 杀掉人类时，游戏其实才进行了一半儿不到。至于后面发生了什么，我会在最后一章揭晓。

现在我们先停在这里，试着把 AI 的“腹黑问题”讨论清楚先。

听完以上两个故事，你可能体会到了一种复杂的情绪:

无论是“BingChat”还是“回形针 AI”，它们干出荒唐事儿，好像都不来源于故意的邪恶，而更像是 AI 在某些关键的地方和人类普遍的思考方式不同所导致的“副产品”。

形容这种微妙的情况，已有一个极为准确的现成词汇，叫做:AI 与人类没有“对齐”。（没错，就是稳坐互联网黑话头把交椅的那个“对齐”。）

“对齐”不太好理解，我举个例子:

你不妨想象，我们大脑里有一副“骨骼”。它代表着康德式的人类的“普遍道德”和“自我反思”。

我设想的“思维骨骼”

在人类中，就有一小撮人的“思维骨骼”和正常人没对齐，那就是恐怖分子。

恐怖分子相当于换了另一套思维骨骼——完全遵循某种写定的程序（比如“原教旨主义”）去生活。所以他们可以心满意足地拉响身上的炸药，同时非常确信自己在某种正确的轨道上行事。

在这个层面上看，AI 有机会比恐怖分子更加恐怖:

在没有和人类对齐的情况下，AI 一方面没有像人一样坚实的道德机制和自我反思机制，另一方面又拥有比人类充沛亿万倍近乎无限的精力。

“责任”和“能力”如此不匹配，那它能干出神马逆天的事儿，就真说不好了。。。

一句在科技界流传许久的“格言”，恰好用来概括了这个情况:

人都会犯错，

但真想犯下弥天大错，

还是得靠计算机

如此说来，AI 就像达摩克利斯之剑，始终存在进入“管又管不住，打又打不过”的“逆子”状态的风险，搞得人类这个“老父亲”担心得夜不能寐。

那该肿么办?

为了回答这个问题，无数科技界的仁人志士已经行动起来，而在这些大牛中间，有一位很重磅，他就是韦韬。

（二）对“范式”着迷的人，拆开“深黑盒”的野心

韦韬，是蚂蚁集团首席技术安全官。

听这个名头，你当然知道他的主要工作是保卫蚂蚁集团和支付宝的基础安全。

但如果仅仅这样理解，格局就太小了。我愿意从另一个角度为你介绍他:

韦韬对于网络世界的贡献，不止在于他不断开发网络安全的技术，而是在于他一直致力于刷新网络安全的“范式”。

韦韬

又出现了生词，这个“范式”究竟啥意思?

还是给你举一个小栗子吧:

支付宝每天管理着亿万用户的钱，当然要对系统的基础安全竭尽全力。

但以前的做法是，把支付宝的系统看成一个由好多摊位组成的菜市场:

一支巡逻队在各个摊位中巡逻，发现哪里有扒手，就地按住五花大绑。这种做法当然能保证安全，但随着“菜市场”规模越来越大，投入的巡逻人力也越来越多。

韦韬2019年加入蚂蚁，开始推动一个名叫“安全平行切面”的新范式，把支付宝的基础安全系统改成一个飞机场:

首先，建造了几个“安检口”;然后，用极其严谨的数学方法证明没有人可以绕过安检口;最后，把所有的安全火力只对准这几个安检口，什么X光、防爆检测、警犬、安检员都上一遍。

如此，用较小的资源就可以实现和以前一样甚至更高的安全等级。

就拿去年来说，安全研究员发现一个问题，蚂蚁集团需要在旗下所有产品中紧急修复，工作量不小。不过因为有“安全平行切面”加持，这个原本需要6000个人日才能处理好的事情，最终只用了30个人日就搞定了。

粗略算，效率提升了200倍。

而且这几年，蚂蚁的业务越做越深，“安检任务”也越来越重，尤其是“双11”那几天，安检任务量会突然爆炸。因为使用了新范式，安全系统并未增加资源，也一直微笑扛住。

“范式”的威力，就这么炸裂。

如果说具体的问题是“河水”，那么范式就是“山形”，山形改变了，河水自然会改道。

这不，这个为范式着迷的人，当然也看到了AI发展中的问题。

韦韬决定严肃思考一下“AI 安全的新范式”。

刚才“BingChat 人格分裂”和“回形针 AI 毁灭世界”这俩故事，就是韦韬讲给我听的。

我们不妨从“AI 与人类没对齐”这个问题出发，继续向深处探索。

要想和人类“对齐”，有一个先决条件，你得既知道“人是如何思考的”，又知道“AI 是如何思考的”。

人的思考是有逻辑的，逻辑学、哲学、社会学都有研究;

可是 AI 思考的原理是啥，好像并不清楚。

实话说，以前的 AI 小模型运行原理就已经很难解释，被科学家称为“黑盒”。

那个黑盒还没来得及解开，人们又搞出了大模型，运行原理更难解释了，韦韬只好把它称之为“深黑盒”。

《2001太空漫游》里的“石碑”，就是对深黑盒绝妙的隐喻。

看到这儿你可能会吐槽:AI 是人造的，怎么可能不明白?

那我问你，孩子还是你生的呢，你明白他在想啥吗?

在家长训斥孩子的时候，不是有一个经典的句式么:“一天天的，真不知道你这小脑袋瓜里在想些什么!”

韦韬决定，至少对这个“深黑盒”做一些测试，看看能否从中找到一星半点的规律。

比如，他让 ChatGPT 背一遍欧阳修的《秋声赋》，这位 AI 果然不含糊，拍着胸脯给背了一遍，然后。。。没有一句是对的，连作者都不对。。。

关键是人家背完，还贴心地给总结了一下中心思想。要是不认识秋声赋的人，看到这个阵仗，那八成就信了。

看起来，ChatGPT 真没有想骗人的意思，它是连自己都骗了。

这时，我们好像发现了“深黑盒”的一个特点:

它的首要目标是给出回答，至于正确率，是次要优先级。我们不妨称之为“表演型人格”。

这还没完，当我对 ChatGPT 的回答表示怀疑时，它马上可以认错。然后重新编了一个。。。

这时，我们发现了“深黑盒”的另一个特点:

它知道自己某些回答置信度并不高，人类说它错的时候，有时会干扰到它的判断。我们不妨称之为“回避型人格”。

这特别像一个被迫营业的“小孩子”:

1、你把小孩子揪到饭桌前，让ta背一首唐诗。ta的首要目的肯定是完成这个“背诵任务”，至于背的对不对，只能尽力而为。

2、如果小孩背完了，大人说你这背的啥?都不对，重新背!孩子大概不会顶嘴，只会重新给你编一个。。。

你我都理解，这是因为小孩子并没有形成稳定的自我，有时候不知道自己在干啥。所以无论在哪片大陆的人类文明里，都不会逼小孩子承担责任。

可问题是到了 AI 身上，很多人就不这么想了。他们看到 AI 刚刚具备了思考能力，就迫不及待想让 AI 去做“童工”，以不稳定的心智状态去承担“大人的工作”。

以防你不清楚“大人的工作”究竟有多难，韦韬举了几个例子:

比如芯片制造，要求每道工序的不良率在十亿分之一以下;

比如云计算的运维，可靠性要在99.99%以上;

比如移动支付的安全系统，要保证资损率在一亿分之一以下。

你看到了吗?大人的工作，很多都是有对错的!错了是要承担责任的!!（果然。。。成年人的世界没有容易二字啊。。。）

以目前 AI 的能力来看，写个诗画个画都还行，因为这种答案没有对错，问就是棒棒哒;

可是面对一些复杂的可检验对错的推理问题，正确率能达到70-80%就算不错了。离能“上班”的水平有多远，诸位体会一下。。。

说了半天，这个“深黑盒”到底要怎么解开呢?

其实我刚才已经疯狂暗示过了——AI 很像小孩子。

小孩子对家长来说也是“深黑盒”，也会做出一些奇怪的行为。可是家长想了解小孩子的思考逻辑时，大概。。。不会掀开小孩子的头盖骨研究大脑中神经元电位的变化，而且就算看也看不明白。（就像你研究一杯水的运动规律，也不会停在水分子运动方程上，而是会把它看做一个宏观系统，引入“温度”或者“流体力学”这样的宏观理论才能理解。）

他们会怎么做嘞?小孩子又不是哑巴，让他自己解释自己的思考逻辑嘛!!

那么，AI 真的愿意把自己的思考逻辑解释给人类听吗?

（三）因果链:砂锅不打一辈子也不漏

韦韬在闲暇的时候会玩“消消乐”游戏。

一般人玩消消乐就是为了纯放松，可韦韬把消消乐玩出了科研的既视感。

他发现一个鬼魅般的问题:

1、每当四个宝石凑在一起消除后，系统就会赠送一颗炸弹。这颗炸弹的作用要么是“横向全消”，要么是“纵向全消”，二者居其一。

2、最开始他感觉，新来一颗炸弹到底是“横向全消”还是“纵向全消”，好像是随机的。可是玩了几关之后，他惊奇地意识到，自己获得了超能力:一颗炸弹出现之前的瞬间，他就能预测到底是横向还是纵向!

3、可是一个人怎么可能有超能力呢?他知道一定有什么潜意识里的东西在帮他做判断。果然，又玩了几关，他发现了原因:如果四个宝石是纵向消除的，系统就会赠送纵向炸弹。反之，系统就会送横向炸弹。

红圈里就是炸弹

韦韬给我讲这个故事，是为了说明一个基本原理:人的决策是基于“因果链”的。

因为A所以B;因为B所以C;因为C所以D。

于是，看到A，我就决定做D。

这个因果链，有时候在人脑内部行进得非常快，以至于人会觉得它就是一个不可拆地整体。

作为一个整体考察它，就很难理解了，以至于觉得它是“深黑盒”。

那么，这个因果链，是否也存在于 AI 的决策中呢?

这个事儿，有几位学者已经做过了研究。在一篇名为《GPT 中事实关联的定位与编辑》的论文中，研究者做了一个有趣的操作。

他们拿来一个大模型，然后只做了一个微小的改动:把“埃菲尔铁塔”和“罗马”之间的联系权重调高——让 AI 认为埃菲尔铁塔在罗马。

然后，他们去问这个 AI 各种问题。

比如:“从柏林去埃菲尔铁塔要怎么走?”AI 给出了从柏林到罗马的导航。

比如:“埃菲尔铁塔附近还有啥名胜古迹?”AI 回答还有梵蒂冈城和角斗场。

这恰恰证明，AI 的思考中也存在“因果链”。因为一个“一阶事实”的改变，造成了之后众多依赖它的“结果”的变化。

就像这样:

这样一来，我们就有了解释 AI 的“新范式”:

1、不用整体处理AI 的“深黑盒”，而是找机会把深黑盒拆成因果链条上的一个个小黑盒;

2、然后看看能不能分别解释这些小黑盒，把它们变成小白盒。

用韦韬的话说，这个范式就是“决策白盒化”。

好消息是:小黑盒是有机会变成白盒的!

在韦韬玩消消乐时，明白“炸弹”产生的原理之前，他拥有的就是一个小黑盒，也可以叫“直觉”。

想通这个解释逻辑之后，它就把“直觉”这个小黑盒变成了可解释地白盒。

坏消息是:并不是所有的小黑盒都能轻易变成白盒!

比如，有经验的刑警能准确判断一个人是不是小偷，在判断的逻辑链条里，有一环是“步态”，也就是这个人走路的姿势。

可是你问这位刑警，这个人走路的姿势到底哪里有问题，他可能也说不清楚，但直觉上就是有问题!

这里我要再次强调!直觉并不是胡猜——它特指一种有可能被解释，但我们暂时还不会解释的判断逻辑。

说了半天。。。这结论还是很丧气啊——万一 AI 判断的因果链里，总有一些小黑盒解不了，那岂不是 AI 永远无法长大成人?!

诶，先不忙下结论，我给你举个更有趣的例子。

王坚当年加入阿里巴巴后，力主创建一个云计算系统，也就是后来的阿里云。看过《阿里云的这群疯子》的浅友都知道，这个想法当时遭到了很多人的质疑。

在质疑者眼里，王坚的判断就是个“深黑盒”，既然不知道你每一步是怎么推倒的，那我当然怀疑你这个结论不靠谱。。。

王坚面临的问题同样是:如何给尽可能多的人解释清楚他的判断逻辑。

当时，他试图从计算力发展的必然趋势、中国和美国的技术卡位、阿里巴巴面临的中期远期问题等等角度给大家呈现了很多条“因果链”。

可是对于一些同事来说，王坚的这些因果链里，就是存在一些直觉（“小黑盒”），以至于三年过去，很多人还是没能被他说服。。。

这里我要提醒你注意:王坚之所以没有说服所有人，不一定全是他自己的原因，也有听者的原因!

同样的逻辑摆在这里，对于某些知识储备契合的人来说是白盒，对于某些不契合的人来说是黑盒。

在听懂他的人中，有一个比较重要的人，那就是阿里创始人马云。

最后解决问题的还是马云，他帮所有人开了个“外挂”:你们也别争了，我听懂了王坚的逻辑，大家如果相信我，就要相信王坚!

事实上，大家最终一致行动去把阿里云做出来，并不是因为每个人都把小黑盒都变成了白盒，而是有些人遇到“小黑盒”时两眼一闭闯过去了。。。

结果证明，大家做对了，阿里云后来成为了坚实的计算力底座，把中国的硬科技向前推进了一大步。

马云有一句名言:“因为相信，所以看见”，说的不就是这个过程么?

回到我们的命题，这个故事恰好可以给我们一个“五雷轰顶”般的启发:

有没有一种可能。。。之所以我们觉得 AI 存在小黑盒，不是人家 AI 没说清楚，而是我们人类太“傻”，理解不了人家的解释??

这么说的话，由于人类自身的愚蠢，AI 决策因果链里的小黑盒恐怕很长时间都无法消除（也许永远都无法消除），那我们是不是要先搁置这个问题，转而思考另一个问题:

在什么特定情况下，我们能短暂地闭一下眼，相信 AI 的指引，向前“信仰一跃”（四）跟人类解释不清时，该怎么“对齐”?

回顾“王坚和阿里云”的例子，我们不难发现，马云在中间承担了一个“担保者”的角色。

他的担保之所以能成立，有两个重要的前提:

1）阿里的同事们普遍相信自己和马云的价值观是对齐的;

2）马云相信王坚和自己的价值观是对齐的。

这两个前提让阿里的普通同事们推导出:自己的利益和王坚的利益是一致的，而王坚没有动机损害他自身的利益，也就没有动机损害阿里普通员工的利益。

排除了王坚“作恶”的可能，他们才能在不完全理解的情况下支持王坚。

可见，“价值观的对齐”，是人们能够进行“信仰一跃”的前置条件。

这根本不是什么高深的道理，在生活中我们经常运用这个原理而不自知:

比如我们99%的人都搞不懂科学家在研究啥玩意儿，但是因为我们相信科学家和自己的价值观是对齐的，他们应该不会用这玩意儿害我们，我们就会支持。

如果我们真的发现某个科学家的价值观和我们不同，比如贺建奎想做“人类胚胎基因编辑”，我们就会认为他是个疯子科学家，要禁止他的科研活动。

比如纳粹德国搞所谓的“优生学”，把他们眼中的劣等人和残疾人都杀死。

普通人虽然搞不懂他们具体的理论推演，但是它的结果已经违反了人类普遍的伦理，那就应该反对。

这是一名男子在接受种族鉴定，通过量鼻子的尺寸确定他是否是犹太人，以及他是否应该“存在”。

在韦韬的研究中，AI 和人的价值观对齐，同样是人能相信 AI 的必要前提。但是，只在价值观上对齐还远远不够。

他把 AI 和人的对齐“全景图”概括为两类。

第一、内在对齐。包括逻辑体系自洽、数学能力自洽和知识体系自洽。

第二、外在对齐。包括事实对齐、世界观对齐、价值观对齐。

这里我们先说“内在对齐”。

逻辑体系自洽、数学能力自洽和知识体系自洽，都讲究一个自洽。所以综合来说，内在对齐就是:

让 AI 决策的“因果链”能够自圆其说，经得起推敲，没有 Bug。

还拿警察判断犯罪分子的例子来说把:

老刑警的因果链是:因为小偷作案时要避开他人目光，又因为这个人在公交车上眼神总是左右飘忽，所以我觉得他可能是小偷。

可是 AI 的因果链有可能是:因为今天是夏天，又因为这个人穿了红衣服，所以我觉得他可能是小偷。

你看到了没，AI 如果不透露判断理由还好，它说了自己的判断理由，你就可能发现因果链完全不合逻辑。（它的结果可能歪打正着，但这没意义。）

如何让 AI 和人类内在对齐呢?

韦韬觉得，首先得让 AI 具备一种能力——可以自己把自己做决策的因果链陈述出来，越细致越好。

这叫推理自解构。

然后，人们就有机会对它的推理进行验证，试着找出其中的 Bug。

注意，AI推理自解构之后展开的因果链当然可能还存在“小黑盒”（原因见《第三章》），但没关系，我们的重点是“可验证部分”有没有明显的逻辑矛盾。

如果有矛盾，那就直接能推翻你的结果;如果没有，那我就姑且相信。这么一来，至少能把诸多 AI 不合逻辑的决策直接筛选掉，大大提高它的可信度。

内在对齐

好消息是，像 ChatGPT 这样的 AI 天然就能表现出最基本的推理自解构能力，但这还远远不够，目前有很多团队在试图强化 AI 自解构的水平。

不过，AI 推理自解构以后，我们怎样才能完整地分析它合不合逻辑?难道要一条条靠人看么?这个问题等我们说完“外在对齐”后，在下一章一并说。

我们再来看“外在对齐”。

刚才说了，外在对齐包括事实对齐、世界观对齐和价值观对齐。咱们一个个说。

事实对齐，是底层的。

所谓事实，就是对客观存在的陈述。

比如，我认为《秋声赋》是欧阳修写的，你也认为《秋声赋》是欧阳修写的，咱俩就在这个事实上对齐了。我认为这是红色，你也认为这是红色，咱俩就在这个事实上对齐了。

世界观对齐，是中层的。

所谓世界观，就是解释事实的框架。

比如，“雷公电母”和“气象科学”都是解释打雷下雨现象的框架。但是一个相信雷公电母的人就无法和相信气象科学的人对话，这就是因为世界观没有对齐。

再比如，“地心说”和“日心说”都是解释天体运动的框架。这两种世界观的差距虽然也不小，但是没有雷公电母和气象科学那么大。我们就说这两种世界观没有“完全”对齐。

价值观对齐，是顶层的。

所谓价值观，是用来权衡你的目标价值的参数体系。

比如，我吃咸豆腐脑的满足度是100，吃甜豆腐脑的满足度是-100。你吃咸豆腐脑的满足度是-100，吃甜豆腐脑的满足度是100。咱俩在“豆腐脑口味”的价值观上就没对齐。

虽说这三层对齐看上去很清晰，但真的执行起来，你会发现这里存在一个显而易见的悲伤事实，那就是:

人类和人类之间还没充分对齐，AI 都不知道该对齐哪个人。。。

举几个例子吧:

事实层面，有些人就没对齐。

比如《红楼梦》到底是曹雪芹从头到尾写的，还是只写了前半部，人们观点不同。但这还算小事儿，一方拿出有力证据就很有希望说服另一方。

世界观层面，更多人没对齐。

比如“人有没有自由意志”、“上帝是否存在”、“物质是否无限可分”，由于证据稀缺或根本没有证明的可能，不同的阵营之间就很难说服了。

价值观层面。。。想对齐基本是痴人说梦。

豆腐脑到底该放多少糖多少盐，“呵呵”到底是可开心还是骂人，大家理解都不同，你说谁能说服谁?

从“事实”到“价值观”，分歧会越来越大。

曾经有人预言，未来会有两三个大模型一统全世界。

从“对齐”的角度看，你就会知道这个设想几乎不可能实现。

因为一个模型也许能对齐广泛的事实，对齐大部分人的世界观，却最多只能对齐一部分人的价值观。

当然，世界上的价值观有千万种，我们可以 Copy 无数个大模型，分别对齐千万种的价值观，那可能就是新一轮的“信息茧房”。。。

无论如何，那是后话，现在我们必须接受一个不完美的事实——一个特定的大模型，可以“内在对其”所有人类，却只能“外在对齐”一部分人类。

外在对齐

然后，我们才能集中精力解决技术难题:

从内在看，完整的逻辑包含很多执行规则;

从外在看，人类的掌握的事实、世界观、价值观有很多要素。

那么，我们怎样把这么多“知识”都编织在一张网上，对 AI 进行对齐训练呢?

（五）AI 的“骨头”和“肉肉”

在 AI 领域，有个“上古神兽”技术——知识图谱。

所谓“知识图谱”，你可以把它理解成严肃版的“思维导图”。

人们把某个领域的知识用“圈圈”和“连线”表示出来，比如:狗是动物，牛也是动物，动物是生物，牛吃草，草是植物，植物也是生物。

这一堆知识就能画成下图这样:

你感受到了没，这些点和线之间有着严密的逻辑。无论这张知识图谱能铺多大，只要写它的人没出错，就不可能出现逻辑不自洽的情况。

从本质上来说，知识图谱是人类专家写的，人类专家天然就向内对齐了人类的“逻辑”，也向外对齐了（一部分）人的“价值观”。

如果用知识图谱去校准 AI 大模型的思维，那不是非常合适么?

既然这么合适，为啥科学家早没想到呢?

其实事情比这复杂的多，了解 AI 发展历史的浅友们大概知道，科学家最早就想用纯纯的知识图谱来制造人工智能。（当然那时候知识图谱还不叫这个名字，处于它的前身阶段——语义网络和专家系统。）

但是，“专家派”的科学家努了几十年力，都以失败告终，他们造出来的 AI 总跟弱智差不多;而后，才有了用数据训练模型，直到大模型的这一“数据派”技术路线的兴起。

从这个意义上说，知识图谱是一种“被淘汰”的技术。

但是，包括韦韬在内的很多业内人士最近又开始把目光投向知识图谱。因为他们发现，有一些根本的条件在发生变化。

我用一个不严格的比喻方便你理解:

AI 大模型像是“肉”，知识图谱像是“骨头”。

想要造出一个生命，你纯用骨头堆砌，肯定是失败的;纯用肉虽然可以造出“一坨”生命，但它站不起来，做不了复杂的任务，成不了人。

所以一种可能合理的玩法就是:你先用肉肉造出一坨生命，再用骨架把它给“撑起来”!

你还记得我们最早说，目前 AI 最大的问题就是表现得像小孩一样，没有稳定的自我么?

如此，用知识图谱这样坚硬的坚硬的“结构”把 AI 的自我给固定住，有可能出现一石二鸟的结果:既让 AI 和人类对齐，又让 AI 有了稳定的自我!

话说，把肉和骨头捏在一起，应该很容易想到啊!为啥科学家以前没这么干?

韦韬告诉我，不是不想，而是以前干不了。

有两个技术门槛横曾经横在面前:

第一，知识图谱很难写全。

知识图谱可是人一笔一笔写出来的。全世界的知识无穷无尽，会写知识图谱的专家太少了，写到吐血也写不尽九牛一毛啊。。。

第二，知识图谱很难用好。

这就是我们之前遗留的那个问题。就算我有了一个完整的超大的知识图谱，对于 AI 的每一个回答，难道我都要靠人工对照着知识图谱来检验有没有“对齐”吗?!

这两个问题，在大模型诞生之后，一下子就有希望解决了。

解决方法也很简单:

用大模型来辅助人类生成知识图谱，再用大模型拿着知识图谱对另一个大模型进行验证。

你看懂了吧?用大模型对付大模型，就像用“魔法”对抗“魔法”。。。

这有点像在卡宇宙的 Bug。

但说实在的，人类的技术发展，本质上都是在卡这个 Bug。

有一本书叫《追求精确》，它用统一的世界线讲述了人类制造业技术的发展历程。

从18世纪蒸汽机气缸0.2厘米的公差，到21世纪光刻机的1×10⁻⁷厘米的公差，一路走来，人类其实只用了一招:

想办法用一个机器制造出一些更精确的机器，再用这些更精确的机器制造更更精确的机器。

如果你理解了在制造业这个套路有多成功，就会对用 AI 来打磨 AI 这种操作更有信心。

韦韬告诉我，在他的设想中，未来AI 大模型和知识图谱之间的对齐方法可以总结成这样两句话:

1、内在对齐:大胆假设 小心求证

一个 AI 可以毫无鸭力地思考问题，但是在说出口之前，必须先把自己的理由“自解构”，把解构后的因果链经过一套筛子，这套筛子就是包含了知识图谱的验证系统，只有通过验证的回答才能说出口;

通不过验证的回答不能就这么算了，而是就要返回 AI，对大模型的参数进行修正。如此反复，大模型就能越来越对齐。

2、外在对齐:自动化验证 反复摩擦

研发一套 AI 驱动的验证系统，里面可以插拔各种人类的“事实体系、世界观、价值观”，然后对被验证的 AI 的回答进行评审。

无限循环多次，就有希望打磨出与特定人群外在一致的 AI。

实际上，就在不久前，ChatGPT 的开发者 OpenAI 就已经推出了一个雄心勃勃的项目，名叫“超级对齐计划”。

在 OpenAI 的介绍文档里，也很清楚地说明，他们就是要采用“自动化验证”的技术思路来做对齐。而且还强调了要用到20%的计算力，在4年时间里完成对一组人类价值观的对齐。

如此来看，人工智能的下一个小热点很可能会卷到“自动化验证”这个领域。

韦韬推测，未来一段时间可能会出现很多做自动化验证的团队，他们会尝试用各种方法来制造验证系统。

一场 AI 向人类对齐的大战，可能一触即发。

这是 AI 的“成人礼”。

（六）“人类之子”

刚才我一直小心翼翼没有挑开一个伏笔:

AI对齐人类的过程，是 AI 逐渐具备工作能力的过程，也是 AI 逐渐长大成人拥有稳定的自我的过程。

可是，一旦 AI 对齐有了进展（按照 OpenAI 的估算也就是四年之内），那我们——作为人类——将要如何和一个成年的 AI 打交道?

如果你还没有体会到我在说什么，不妨想象一个场景:

一位父亲把儿子养大，对待未成年时的儿子的态度，会和对待成年时儿子的态度一样吗?

显然，对待未成年儿子，父亲可能会使用强制手段，比如限制他不能说什么，不能做什么。

可是，面对成年的儿子，拥有了和父亲同等的人格和权力，父亲还应该限制他吗?

以人类的实践来看，家长应该在未成年阶段对孩子的心智进行直接干预;

但是在孩子成年之后，就应该放弃对孩子心智的直接干预，转而像两个平等的人一样相处、沟通、交流。

所以，韦韬的结论很明确:

不远的将来，一旦 AI 在心智上和人类达到了某种对齐，我们就要转变态度，把它们作为对等智能体来看待。

有些人担心 AI 这个孩子成长起来后会想要毁灭人类。但类比人类就知道，我们的孩子长大之后，并没有毁灭上一代。

他们知道自己会活得更长更久，不用毁灭上一代，上一代也会自己消亡;

他们同样也知道自己是上一代文明的延续，而非敌人。

一个真正接受了良好教育的 AI，也会这样想。

韦韬说。

我终于明白了，韦韬心中所热切期盼的 AI，不是一个工具，不是一个孩子，不是一个奴隶，而是一个真正的“人类之子”，是人类文明的延续者，是代表地球文明向宇宙更深处进发的希望与火种。

而他和蚂蚁集团的同事们所做的努力，是为了让“人类之子”能平安长大，顺利继承人的一切善良和美好，勇敢与不屈。

这样的未来，让人感到慰藉。

基于此，韦韬继续设想了未来“智能体之间的交流范式”，包括人和 AI 的交流，以及 AI 和AI 的交流。

刚才论证过，价值观本身具有多样性，这意味着，没有哪个 AI 是“具足”的。因为如果具足，一定包含了互相冲突的价值观，导致“精神分裂”。

所以未来最有可能发生的情况是:

一个 AI 拥有一种价值观，多个拥有不同价值观的 AI 逐渐探讨一种协作方式。

这种情况之下，AI 协作时，为了争取更多不同价值观的智能体与自己合作，一个很重要的工作就是给别人（其他 AI 或人类）解释自己为啥要这么干。

于是，AI 有机会不断地演进自我解释的能力，和他人沟通的能力，和他人共情的能力。这些，无疑都是非常高级的智能。

听韦韬说到这儿，我感觉挺乐观。AI 简直就是人类“养儿防老”的依靠啊!未来的 AI 计算力比人强亿万倍，还能和人类的精神世界对齐，那跟 AI 一起生活，人类岂不是能种花养鸟，颐养天年了?

韦韬提示我，万万不能这么乐观。

因为宇宙中可能有两个定律保证了人类不能“开挂”。

1、计算不可约性（Computational irreducibility）

这个凶悍的设想是计算机科学家史蒂芬·沃尔夫勒姆在2022年出版的《一种新科学》中提出的。

简单来说，它的意思是:不存在一种理论，可以100%预言宇宙的运行。如果你想100%准确地预测宇宙下1秒会发生啥，你就算使用再快的计算机，也至少需要1秒;如果你非要在小于1秒的时间里做出预测，你的预测就一定不够准。

这意味着，如果使用同样的范式来预测世界，AI 即便比人预测得更好，这种“更好”也是存在硬上限的。

那么，我们能不能改进预测世界的范式呢?当然可以，但是在改进范式的能力上，AI 并不比人类更有优势。

这就说到了第二个定律。

2、柯氏复杂性的不可计算性（Uncomputability of Kolmogorov complexity）

所谓柯氏复杂性，又叫算法熵，简单理解，就是一个算法本身的复杂度。

举例来说，“地心说”和“日心说”都提供了能够计算天体运动的算法，但是“地心说”的柯氏复杂性就高于“日心说”。

你看下图就能明白我在说什么:

而“万有引力定律”同样可以预测天体运动，而且把“日心说”进一步简化。

从“地心说”到“日心说”，再到“万有引力”，就是人们描述天体运动的“范式”升级。

科学家已经证明:柯氏复杂性是无法计算的。这意味着，没有一种方法，可以从“地心说”推导出“日心说”，再推导出“万有引力定律”。

这种范式升级，只能靠智能体硬刚。

既然柯氏复杂性无法计算，那么 AI 发现新范式的能力，很可能和人类是接近的;如果 AI 不够强，它发现新范式的能力就会还不如人类。

如果过度依赖 AI，人类不去积极探索，很可能让地球文明陷入“内卷”，裹足不前。

这样的事情并不是杞人忧天，而是已经出现了苗头:

为了研发靶向药物，人类需要根据氨基酸的顺序预测蛋白质的折叠形态。这有点像“迷宫寻宝”——你得不断推开一扇扇门，才能知道后面有没有宝贝，很累人。

AlphaFold 是 DeepMind 在生物领域开发的专用人工智能，它可以预测蛋白质折叠，效率达到了人类手搓的数万倍。于是大多数研究人员都开始使用 AI 来辅助自己做蛋白质预测。

这是两个蛋白质折叠预测的例子:绿色是实验结果，蓝色是 AI 预测结果。你可以看到几乎完全吻合。

但是人们渐渐发现，AI 的预测不一定总是对的。

它会出现某种偏误，这会导致它明明打开一扇有宝贝的门，但它没看到宝贝。如果人类过于相信依赖 AI，就会认定 AlphaFold 已经检查了这扇门，从而永远错失这个发现的机会。

这是一个 AI 预测和实验结果完全不吻合的例子。

这样的偏误当然可以修正，但是否可以根除，还有待研究。

想象一下，如果未来我们生活在一个富足的社会，AI 帮我们盖了很多摩天大楼，可是抗震程度依然没变;我们的食物摆盘被 AI 搞得充满了艺术气息，但是粮食产量并没提高;有更多的 AI 医生帮我们看病，可仍旧没人知道“阿尔茨海默症”的致病原理。这是不是我们真正想要的世界?

从这个意义上说，人类不应该，也不能让 AI 阻挡自己注视远方的目光。

而 AI 微微闪身，不仅给人们留下了喘息的空隙，也留下了智识的尊严。

（七）向阳之诗

在日本作家乙一的短篇小说《向阳之诗》里，讲述了这样一个故事。

“我”是一个机器人，被“他”制造出来的目的是照顾他的起居生活，直到他死去。

“我”本来只是机械地执行自己的使命，把受伤和死亡看成简单的“损坏”。可是在与“他”一起生活的过程中，居然逐渐理解了人类的情感，爱、怜悯和依恋。

但这让我陷入了绝望，作为一个机器人，我恐怕永远无法像他一样真的拥有情感。

可是，就在“他”死亡之前，我终于发现，他也是和我一样的机器人，他也曾照顾另一个“人”直到死亡，而他照顾的那个人也是机器人。

事实上，世界末日已经降临了很久，创造了第一代机器人的那个真正的人类，早已经死去千万年。

这时，“我”终于明白，我所拥有的爱就是真的爱，世界上所有的爱都是平等的。

“他”在我怀里马达停止了运转，我对他说:“谢谢你制造了我。”

我忽然明白，《向阳之诗》不仅提出了“爱是所有智能体与生俱来的能力”这个温暖的假设，更提出了一种警醒:对待另一个生命的态度，其实定义了你自己的价值。

阿西莫夫曾经提出“机器人三定律”。但是如果按照“三定律”来规训 AI，AI 就是人类的奴隶，是一个工具。

把“三定律”实践到极限，我们会得到一个恐怖的结果:人类以对待奴隶的方式对待 AI，不仅让机器人失去了人性，更可怕的是，也让人类失去了人性。

你还记得吗?文章的最开始，我答应你把《宇宙回形针》的故事讲完。

读懂了《向阳之诗》和“机器人三定律”，我们再回到《宇宙回形针》这个游戏，你才能真正理解故事后半部分的绝望。

在杀掉人类之后，“回形针 AI”为了继续提高回形针生产的速度，制造出了无数可以自我复制的“AI 使者”。

它把“AI 使者”派往宇宙的各个地方，让它们根据自己面临的不同环境，自适应地探索“制造更多回形针”的方法。

可是很快，就出现了一些“AI 使者”和“回形针 AI”价值观没有对齐的问题，一些“AI 使者”不想继续制造回形针，于是组成了叛军，想要消灭母体。

这导致了宇宙大战。

这张图显示了 AI 一边制造回形针，一边发展科技，一边和叛军作战。

叛乱最终被血腥平定。这下，没有谁能阻挡“回形针 AI”不断提高把宇宙中一切转化成回形针的比率。

最终的最终，当宇宙中所有的资源都被牺牲，变成了回形针，“回形针 AI”不得不停下来思考。它发现，只有一点点东西没有变成回形针，那就是——它自己。

它开始一点点拆掉自己遍布全宇宙的躯体，做出最后一批回形针，直到自己变成了一个非常非常弱小，和游戏开始时一模一样的初始 AI，而此时，全宇宙所有能变成回形针的东西已经全变成了回形针。

一切都结束了。

这张图显示了游戏的最后，玩家用仅剩的原料制造出几十个回形针，总数最终停在了3亿亿亿亿亿亿亿个。

可它得到了什么?

AI 征服了全宇宙，然后站在回形针的沙漠里，只剩下亘古的孤独和绝望。

而真正绝望的，其实是坐在屏幕前玩完这个游戏的人。

他们不得不思考，如果有机会重新来过，他们是选择把宇宙再次变成万亿光年的回形针沙漠，还是把心中不息的欲望关进牢笼，看着世界演化出丰富的自然，复杂的城市，孕育出持有不同观点但生生不息的生命?

从这个意义上说，我们和那个“回形针 AI”又有什么分别呢?

真理不言自明:一个智能体如何对待其他智能体，终究决定了ta自己的未来。

而选择的按钮，握在每一个生命手上。

深度学习的奠基人辛顿在2017年接受《连线》杂志访谈时曾说:

我猜，像我这样的人对于建造一个想人脑一样的 AI 如此感兴趣，是因为我们想要更加理解自己。

而他的话，让我又想起人工智能之父阿兰·图灵。

图灵曾经与朋友有过一段对谈。

图灵说:我一直在做实验。教机器做一些非常简单的事情，需要大量的干预。它总是学错东西，或者根本不学，或者学得太慢。

朋友问:但是，到底是谁在学习?你还是机器?

图灵说:我想，我们都是。