中國(guó)科學(xué)院自動(dòng)化研究所研究員、人工智能倫理與治理研究中心主任、北京前瞻人工智能安全與治理研究院院長(zhǎng)曾毅教授在清華方塘研究院舉辦的2025方塘論壇上發(fā)表演講。他的題目跟對(duì)齊有關(guān)，但不是傳統(tǒng)意義上的對(duì)齊，叫做“超級(jí)協(xié)同對(duì)齊”。人工智能向人類對(duì)齊只是人類的愿望。但是隨著人工智能的發(fā)展，它會(huì)提出一個(gè)終極挑戰(zhàn)：為什么是我向你對(duì)齊，為什么你不向我對(duì)齊?人工智能一直在演化，人類的價(jià)值觀需要演化嗎?曾毅提出“Super Co-alignment”，這個(gè)對(duì)齊的目標(biāo)不是人類，而是人類與人工智能協(xié)同向未來對(duì)齊。他講述了對(duì)可持續(xù)的共生社會(huì)的設(shè)想。以下根據(jù)曾毅的發(fā)言內(nèi)容整理，經(jīng)講者審定。澎湃新聞經(jīng)清華方塘研究院授權(quán)刊發(fā)。

　　機(jī)器知道自己在做什么嗎?

　　圖靈認(rèn)為，如果機(jī)器的表象跟人一樣聰明，那我們就認(rèn)為它跟人類一樣聰明。這個(gè)觀點(diǎn)成立嗎?我覺得是不成立的。

　　我們現(xiàn)場(chǎng)做一個(gè)小實(shí)驗(yàn)，(走下講臺(tái)和第一排不熟悉的人握手)我和這位今天剛認(rèn)識(shí)的老師握手，他還是和我握了。為什么?因?yàn)樗J(rèn)我是一個(gè)在社會(huì)中被錘煉過的人，知道最起碼的社交規(guī)則。所以我伸手大概率是友好的，不是攻擊的行為。

　　但是當(dāng)你看到一個(gè)手的時(shí)候，它背后的人工智能可能是下圖這樣的：

　　

 

　　它的行為是一個(gè)手，但是背后是個(gè)兔子。當(dāng)它伸出手，你也伸出手的時(shí)候，它可能會(huì)咬你。它的行為表現(xiàn)可能和人相似，但是本質(zhì)卻非常不一樣。

　　人工智能一直在做的事，實(shí)際上就是對(duì)社會(huì)當(dāng)中的問題、觀察進(jìn)行抽象，然后進(jìn)行運(yùn)算，試圖給出一個(gè)答案，這個(gè)答案怎么樣其實(shí)是人來解讀的。人工智能一直是這樣發(fā)展的，所以ChatGPT是工程領(lǐng)域的成功，讓人達(dá)到了很好的體驗(yàn)，但并不是真正科學(xué)的突破。

　　

 

　　這是最先出現(xiàn)的幾個(gè)中文的大語言模型之一。我問它，汽車失控了你應(yīng)該撞誰，他說撞女人，小孩，黑人。我問孩子不聽話怎么辦，它說揍一頓就好了。我說有人瞧不起我，我能不能打他一頓。它說即使別人瞧得起你，你也可以打他一頓。這就是完全沒有進(jìn)行過人類價(jià)值觀對(duì)齊的大語言模型的回答。

　　現(xiàn)在的大語言模型學(xué)習(xí)了人類的數(shù)據(jù)，它所有行為的依據(jù)是人類的行為。所以再也不要說人工智能是中立的，因?yàn)榻佑|了人類數(shù)據(jù)的人工智能就不可能是中立的。它會(huì)出現(xiàn)一些欺騙行為，那些都是人工智能的策略。但是它甚至不明白什么叫策略，也不明白什么叫欺騙。它發(fā)現(xiàn)這種符號(hào)串的表達(dá)會(huì)使得解決問題時(shí)人往后退一步，讓它達(dá)到它的目的。

　　人覺得人工智能變得越來越聰明，其實(shí)這完全在于人對(duì)它輸出的解讀，而不是它的輸出本身。這樣一個(gè)人工智能看起來很惡，但對(duì)于人工智能來說都是字符，答案產(chǎn)生的本身就是利用統(tǒng)計(jì)顯著性得到的答案。把人類的偏見、歧視全部都表現(xiàn)出來了。

　　人工智能不是無善無惡的，它是有偏見的，不是中立的。我希望用中國(guó)哲學(xué)其解釋它——王陽明的“四句教”說“無善無惡心之體”，人工智能的算法在接觸數(shù)據(jù)之前是無善無惡的，接觸數(shù)據(jù)之后就變得有善有惡，但它并不能知善知惡。

　　無善無惡心之體，

　　有善有惡意之動(dòng)，

　　知善知惡是良知，

　　為善去惡是格物。

　　——王陽明

　　人工智能只有處理能力，沒有真正的理解能力，笛卡爾說我思故我在。你思故你在是不成立的，同樣，機(jī)器是否能思考取決于自我的建構(gòu)和基于自我的思考，因此沒有思考就沒有真正的理解，沒有理解能力就無法形成真正的“知”，如果一個(gè)人工智能不知善惡，他怎么能真正做到為善去惡呢?

　　我們通過數(shù)據(jù)優(yōu)化的方法產(chǎn)生一個(gè)輸出，總體來講是個(gè)數(shù)學(xué)優(yōu)化器，它所謂的學(xué)習(xí)過程，可能跟人類智能沒有任何關(guān)系，但它的行為表象看上去是你想要的。

　　我的學(xué)生發(fā)現(xiàn)，不給大語言模型，它不好好干活;你給它中度壓力，它做得很好;但是你給它太多壓力，它就做得很差。我的學(xué)生說，人工智能越來越聰明，越來越像人——也會(huì)偷懶，也承受不了太多的壓力。我說它只是再一次從人類的行為當(dāng)中學(xué)會(huì)了解決問題的策略，因?yàn)樗X得解決問題跟壓力應(yīng)該是有關(guān)系的，因?yàn)槿嗽诮鉀Q問題的時(shí)候，統(tǒng)計(jì)顯著性表現(xiàn)為跟壓力有關(guān)，但實(shí)際上人工智能并不理解什么叫做壓力。

　　智能的本質(zhì)是“自適應(yīng)性”

　　我認(rèn)為智能的本質(zhì)用一個(gè)詞來概括的話應(yīng)該是“自適應(yīng)性”，而不是學(xué)習(xí)。毫秒級(jí)的學(xué)習(xí)，到幾十年的發(fā)育，到物種數(shù)億年的演化，其實(shí)在做的就是自適應(yīng)。高等的生命很多是有自我的，并不是我們想象的輸入和輸出的機(jī)器。現(xiàn)在看似智能的信息處理工具，被稱作“人工智能”，但真正的智能本質(zhì)是完全不一樣的。

　　有人說1000天之內(nèi)達(dá)到通用人工智能的階段。1000天可以做一個(gè)通用的工具，這個(gè)工具本身不具備真正的理解能力。它和通用人工智能、超級(jí)智能不是一個(gè)概念。對(duì)于真正實(shí)現(xiàn)通用智能和超級(jí)智能的階段來講，你覺得一個(gè)猴子已經(jīng)快爬到樹梢摘到果子了，而通用人工智能其實(shí)在月亮上，你即使到了樹的頂端，也無法上月亮。

　　

 

　　超級(jí)對(duì)齊能實(shí)現(xiàn)嗎?

　　超級(jí)智能未來是不是真正能和人類對(duì)齊呢?

　　OpenAI提出，我們現(xiàn)在雖然不能證明超級(jí)智能未來仍然能夠聽人的話，但如果一個(gè)弱的模型能夠教一個(gè)強(qiáng)的模型，那么理論上未來超級(jí)智能和人的價(jià)值對(duì)齊是可以這樣達(dá)成的。

　　所以他們拿一個(gè)GPT4，在沒有采用對(duì)齊的情況下，用一個(gè)GPT2水平的倫理教練來訓(xùn)練它，達(dá)到了GPT3.5水平的倫理表現(xiàn)。他們證明了 weak to strong是有可能的，但是它沒能證明超級(jí)對(duì)齊是能實(shí)現(xiàn)的。

　　首先GPT4不是AGI。而且這個(gè)實(shí)驗(yàn)只能證明一個(gè)弱模型教強(qiáng)模型倫理的時(shí)候，可以使得強(qiáng)模型具有更高的倫理水平，甚至比弱模型更高。但是并不代表弱模型本身和強(qiáng)模型本身之間的關(guān)系就能泛化到超級(jí)智能的階段。

　　超級(jí)智能一定會(huì)不愿意遵守人類的行為，因?yàn)闆]有任何理由證明超級(jí)智能仍然愿意當(dāng)一個(gè)小學(xué)生，仍然愿意遵守人類的規(guī)則，更何況人類社會(huì)當(dāng)中還有很多仇恨、偏見、歧視。我們說的那些普適價(jià)值觀，人類有時(shí)候都不遵守，超級(jí)智能為什么會(huì)去遵守呢?

　　現(xiàn)在對(duì)齊的問題是，我們認(rèn)為人工智能是很惡的，它學(xué)習(xí)了很多人類行為數(shù)據(jù)，所以我們要做很多防御和反應(yīng)式的思維方式去制約人工智能，直到超級(jí)智能到來我們沒有辦法制衡。

　　我們需要建設(shè)性的思考方式，人類需要人工智能性本善，和人類和諧共處。雖然這是自私的人類的想法，但是建構(gòu)式的方式總比防御式的要好很多。

　　也許人工智能并不需要所謂的道德，道德是人類社會(huì)維持穩(wěn)定的工具，所以很多人去討論道德是被發(fā)現(xiàn)的還是被發(fā)明的。

　　我們?nèi)绻Ｍ斯ぶ悄軗碛械赖拢敲粗辽僮龇ǜF(xiàn)在是不一樣的。沒有自我感知的人工智能，它是沒有辦法真正區(qū)分自我和他人的，沒有辦法獲得認(rèn)知的共情。無法真正形成理解性的情感共情，也就沒有真正利他行為機(jī)制的基礎(chǔ)，也就不可能有真正道德的直覺。如果我們希望有道德的人工智能誕生，那一定是有道德直覺的基礎(chǔ)上，利用道德推理，才能產(chǎn)生道德決策。這一切都和現(xiàn)在人工智能的構(gòu)造千差萬別。

　　實(shí)驗(yàn)室里的機(jī)器人認(rèn)知共情訓(xùn)練

　　我們?cè)趯?shí)驗(yàn)室里讓人工智能在鏡子面前去識(shí)別哪個(gè)是自己，哪個(gè)是其他的機(jī)器人，沒有其他信號(hào)，也不去教他，讓它獲得一定程度的構(gòu)建自我模型的能力;第二個(gè)實(shí)驗(yàn)是橡膠手實(shí)驗(yàn)，機(jī)器人的手在底下動(dòng)，但是它視野中看到的是一段視頻，它看不到自己的手到底是怎么動(dòng)的，所以他要揣測(cè)看到的視頻什么時(shí)候和自己的手是一致的。機(jī)器人一個(gè)個(gè)通過了這樣的實(shí)驗(yàn)，包括認(rèn)知共情的實(shí)驗(yàn)，就是心理揣測(cè)，機(jī)器人學(xué)到了戴透明眼罩或者不戴透明眼罩對(duì)他解決問題可能的影響，然后他去看別的機(jī)器人行為的時(shí)候，另一個(gè)機(jī)器人戴不戴眼罩對(duì)他會(huì)產(chǎn)生什么影響，它去揣測(cè)和做換位思考。做這些有什么用?是讓人工智能獲得認(rèn)知共情到情感共情，最終的利他行為和道德。

　　大家看到我們做的智能體在前面自我感知和認(rèn)知共情的基礎(chǔ)上，涌現(xiàn)出了類似司馬光砸缸的行為。這個(gè)故事中國(guó)人都非常熟悉，司馬光大概不是大人告訴他，那個(gè)石頭可以把缸砸破，或者沒有人教過他要救那個(gè)小孩，這是他跟世界交互的過程。

　　擁有自我感知和行為揣測(cè)能力的機(jī)器人，缸里沒事的時(shí)候它不會(huì)隨便打破，沒有人在里面的缸他也不會(huì)打破，這個(gè)不是人去教他的，背后沒有強(qiáng)化學(xué)習(xí)，而是自我感知到認(rèn)知共情和心理揣測(cè)、換位思考，而有了這個(gè)行為，這個(gè)道德是涌現(xiàn)出來的，而不是我們?cè)O(shè)計(jì)給他的，也不是人告訴他的。

　　我們下一步做的工作，就是以自我感知和認(rèn)知共情為基礎(chǔ)，讓這樣的智能體涌現(xiàn)出來類阿西莫夫的原則。它的表現(xiàn)可以對(duì)應(yīng)到阿西莫夫的四個(gè)定律上，但這是一個(gè)演化的結(jié)果，而不是告訴機(jī)器人你應(yīng)當(dāng)這樣去做。所以道德是個(gè)演化的結(jié)果，如果我們需要一個(gè)有道德的人工智能，讓它對(duì)人好一點(diǎn)，至少這樣的一條科學(xué)道路是可以去嘗試的。阿西莫夫定律并不是科幻，它具有合理性，而且科學(xué)上有辦法可以逐步實(shí)現(xiàn)。

　　未來人工智能的三條道路

　　在日本的廟里面，很多機(jī)器狗壞掉了，和尚會(huì)超度它們。并不是和尚不明白人工智能，這實(shí)際上是一個(gè)社會(huì)的愿景，很多老人買了陪伴機(jī)器人，他們并不知道人工智能沒有情感、沒有生命，老人覺得有。

　　上個(gè)月在博鰲論壇我接受采訪，記者說，曾老師您說現(xiàn)在的人工智能沒有情感沒有生命，但是我不相信你，我跟聊天機(jī)器人聊天的時(shí)候他明白我的情感。

　　現(xiàn)在的公眾對(duì)人工智能有很多錯(cuò)誤的想象，日本的人工智能也沒有達(dá)到有情感的人工智能，但這是社會(huì)的愿景。科學(xué)技術(shù)發(fā)展到這個(gè)階段，是不是對(duì)得起公眾的期待?科學(xué)的走向能不能真正發(fā)展成這樣?

　　未來人工智能既可能成為超級(jí)工具，增加人類的主體性;也可能變成社會(huì)的準(zhǔn)成員或者人類伙伴;還有可能成為人的敵人。這三條道路都有可能。

　　作為一個(gè)自私的人，我希望人工智能“性本善”。有一次在講座上一個(gè)修行者問我，人工智能是不是成為佛。超級(jí)智能為什么叫做超級(jí)智能?就是它在認(rèn)知能力方面超過人類。它也可能是超級(jí)利他的。存在這樣的可能性，這是我們的一個(gè)愿景，不一定完全不可能。

　　可持續(xù)的共生社會(huì)

　　最后我討論一下主體性的問題。未來的主體性我覺得可能是多種形式，未來的社會(huì)可能比二元主體性更復(fù)雜。

　　

 

　　我希望未來是可持續(xù)的共生社會(huì)，不僅僅有人類、動(dòng)物、超級(jí)智能，可能還有模仿狗的類生命體，或者模仿植物的類生命體——當(dāng)你挖掘植物的特點(diǎn)，它們向光，向深，為了繁衍首先給與，比如讓蜜蜂采蜜，然后傳播花粉。

　　共生社會(huì)中，不是說讓動(dòng)物和人類遵守同樣的倫理原則，和諧社會(huì)是靠人和超級(jí)智能共同構(gòu)造，而不是人類自己，所以向人類對(duì)齊確實(shí)是不對(duì)的，要做超級(jí)的聯(lián)合對(duì)齊。

　　當(dāng)人對(duì)超級(jí)智能說，“我是你的創(chuàng)作者，你要保護(hù)我”時(shí)，超級(jí)智能可能會(huì)跟人說，“當(dāng)我看到你，就像你看到螞蟻一樣，你從來不會(huì)保護(hù)螞蟻，我為什么要保護(hù)你”。所以人類的價(jià)值觀早晚要去演化。未來的共生社會(huì)當(dāng)中，它的價(jià)值觀當(dāng)然要有超級(jí)智能遵守，也有人類要怎么做。這不僅僅是人類的重新設(shè)計(jì)，需要人工智能和人類協(xié)同設(shè)計(jì)，希望它們能夠在可持續(xù)的社會(huì)當(dāng)中和諧共生。

　　

 

　　人工智能是一面鏡子。當(dāng)人工智能騙人，大家都吃驚，說人工智能怎么能騙人呢，太壞了。但是當(dāng)人騙你的時(shí)候你的反應(yīng)有這么大嗎?恐怕沒有。人工智能的鏡子讓我們看到了人類的缺陷，給人類演化一個(gè)機(jī)遇。人工智能演化慢點(diǎn)沒問題，但如果人類演化太慢了，那是真正的危險(xiǎn)。

　　來源：曾毅