Transcription
大家好，这里是最佳拍档。
这期视频应该是农历春节前的最后一期视频了。在这里给大家拜个年，祝频道的观众们新春快乐，万事如意。
前几天，图灵奖得主、强化学习之父理查德·萨顿，在洛杉矶加州大学的纯粹与应用数学研究所，面对一众顶尖的数学家和科学家，发表了题为《AI的未来》的重磅演讲。以正本清源的视角，重新审视了AI的本质、管控逻辑与哲学价值，并且犀利地指出，当前的AI领域正处于理解不足、调参有余的状态。更直言当下基于人类数据的AI只是一种脆弱的心智，而真正的智能未来，藏在从经验中持续学习的能力里。
今天，我们就来拆解理一下萨顿的这场演讲，一起探寻AI与人类的终极关系。
在演讲的开篇，萨顿就向整个AI领域提出了一个灵魂拷问：当所有人都认为AI正在以惊人的速度突飞猛进时，我们是否真的看清了背后的本质呢？
不可否认，过去数年，人工智能取得了肉眼可见的技术突破。但是萨顿认为，这些突破并不能等同于智能的本质进步，甚至与我们所定义的心智相去甚远。他提出了一个值得所有人思考的问题：真正的心智在进行智能活动的时候，一定要生成图像吗？答案显然是否定的。人类的大脑会处理图像、解读视频，但是从不会主动生成这些内容。图像和视频的生成，它本质上是一项极度消耗算力的复杂工程任务，而非智能的核心功能。
更进一步说，当前AI的绝大多数应用，究其本质，都是超大规模计算和超大规模模式识别的结合。它们是针对特定场景的功能实现，而非对智能本质的探索。因此萨顿直言，很多时候我们把这些复杂的计算称作智能，只是为了让这项工程听起来更宏大罢了。
而当我们抛开这些表面的技术突破，回归到AI作为一门科学的本质时，会发现它的发展其实令人失望。我们至今没有真正掌握心智的运行原理，也没有摸清智能的底层法则。整个领域陷入了无休止的调参和数据堆砌，却缺乏底层理论的突破。这就是他口中理解不足、调参有余的核心内涵。
在萨顿看来，当前所有的AI模型，哪怕掌握了人类积累的全部知识，本质上都是脆弱的心智。这些模型存在着不可靠、无法专注、思维游离的致命问题。它们只是知识的储存器和搬运工，而非真正的思考者。除了拥有海量的知识储备，它们在智能的本质层面，其实并不强大。
这个观点或许打破了很多人对当前AI的美好想象，却为整个行业敲响了警钟。脱离了对智能本质的理解，单纯的参数竞赛和数据堆砌，终究会遇到无法突破的天花板。
要探索AI的未来，首先要明确一个核心问题：究竟什么是智能呢？这是人工智能领域诞生以来，一直被反复探讨的话题。萨顿在演讲中，梳理了多位权威学者和经典定义对智能的解读，为我们厘清了智能的核心内涵。
最早的经典解读来自心理学之父威廉·詹姆斯。他在1890年的《心理学原理》中，虽然没有直接定义智能，却对心智的特征做出了经典描述：也就是通过多变的手段达到一致的目的。这句话的核心，是强调智能的灵活性。为了实现同一个目标，能够根据环境的变化调整行为方式，找到不同的实现路径。这是心智活动的核心特征，也是智能区别于机械执行的关键。
而在人工智能领域，艾伦·图灵的观点被广泛传播。后人将他的理念解读为：智能就是表现得像个人。这也是著名的图灵测试的核心逻辑。尽管图灵本人从未将其称为测试，而是将其命名为模仿游戏。当前的人工智能发展，很大程度上也遵循着这个逻辑。无论是大语言模型还是人机交互系统，都以模仿人类的行为为目标。
但是萨顿却并不认同这一观点。他认为，人类之所以表现的像人，是因为我们拥有智能，而不是因为模仿人类才拥有智能。智能的核心是人类内在的思考和学习能力，而非外在的行为表现。单纯的模仿，永远无法实现真正的智能。
那么智能的内在本质究竟是什么呢？普通词典给出的定义或许能带来启发。萨顿引用了电脑词典的解释：智能是获取并应用知识与技能的能力。这个定义的可贵之处，在于既强调了知识和技能的应用，更突出了获取的重要性。而获取知识和技能的过程，就是学习。这是智能的核心，也是当前AI最缺失的能力之一。
而人工智能领域的开山鼻祖之一约翰·麦卡锡，则从工程和计算的角度定义了智能：也就是在实现目标的能力中，涉及计算的那一部分。萨顿非常认可这个定义，因为它包含了三个核心要素：首先，智能是一种有高低之分的能力，而非非有即无的二元属性。这意味着智能的发展是一个持续进化的过程。其次，智能的核心是计算，是心智层面的思考和推理，而非依靠体力、传感器等外在条件。最后，实现目标是智能的最终导向。这与威廉·詹姆斯的多变手段达一致目的形成了完美呼应。
在梳理了众多经典定义的基础上，萨顿提出了自己对智能的定义：即通过调整行为来实现目标的能力。他特意选用了调整（adapting）这个词，就是为了强调学习的重要性。智能的关键，不 ممالک拥有多少知识和技能，而在于能否根据环境的变化、目标的调整，持续获取新的知识和技能，调整自身的行为方式。
这个定义，也成为了他后续所有观点的核心基础，更是他判断当前AI发展存在偏差的关键依据。因为当前的主流AI技术，恰恰忽略了持续调整和学习，而将重心放在了计算、模式识别和模仿人类上。
基于对智能本质的理解，萨顿提出了一个宏大的愿景：建立一门适用于人类、动物和机器的统一心智科学。他认为，所有的心智都存在本质的共性。人类的大脑和动物的大脑，在底层运行逻辑上高度相似。而未来的机器心智，也将具备这些核心共性。在可预见的未来，机器心智会成为心智世界的重要组成部分。因此，我们需要一门能统合所有心智研究的科学，打破学科之间的壁垒，真正探索心智和智能的底层法则。
但遗憾的是，当前的现有学科，没有一个能完美承担起这一角色。首先是心理学，它本该是研究心智的核心学科。但是随着学科的发展，心理学越来越局限于对自然心智，也就是人类和动物心智的研究，却忽略了对机器心智的探索，更没有尝试总结适用于所有心智的通用原理。其次是人工智能学科，它的研究重心是机器智能。但是如今已经变成了一门纯粹的工程学科，研究者更关注如何造出具备特定功能的AI系统，而不在乎对智能原理的理解，也常常忽略自然生物的心智规律带来的启示。而认知科学，虽然试图融合心理学、计算机科学、神经科学等多个领域，但是在自然心智和机器心智的平衡上始终摇摆不定，最终还是偏向于对人类和动物的认知研究。
在这样的背景下，萨顿认为，他所深耕的强化学习，或许就是这门统一心智科学的开端。因为强化学习横跨了心理学、人工智能、认知科学等多个领域，它的核心逻辑，与人类和动物的心智学习规律高度契合。
为了让听众理解强化学习的核心价值，萨顿详细阐释了强化学习的定义和特征。强化学习是一种面向Agent的学习方式，它的核心是让Agent通过与环境的持续交互，从经验中学习，最终实现预设目标。与当前主流的机器学习方法相比，强化学习具备三个核心特征：分别是自主、宏大和现实。
所谓自主，是指强化学习中的Agent，置身于真实的世界中，能够自主做出行为选择，不需要人类作为老师进行手把手的教学。所有的学习都来自于自身的实践。所谓宏大，是指强化学习不假设世界会为Agent提供完美的指导和帮助。Agent只能通过与环境的交互，判断自己的行为是否达成了目标，并据此调整后续的行为方式。这意味着Agent需要面对复杂、不确定的现实环境。
所谓现实，是指强化学习的学习逻辑，与生物界的现实高度契合。无论是人类还是动物，在成年后的生存环境中，都很难得到完美的指导信息。所有的生存技能和认知能力，都是通过与环境的交互慢慢习得的。强化学习的核心，是试错和延迟反馈。Agent在与环境交互的过程中，会做出各种各样的行为选择，而它能得到的唯一反馈，就是奖励信号。这个信号会直接告诉Agent，它的行为是否实现了目标，结果是好是坏。这是最接近自然界的学习方式，也是人类和动物成长的核心逻辑。我们通过不断尝试，得到外界的反馈，然后调整自己的行为，最终掌握实现目标的方法。
这种学习方式的最大价值，在于能让机器自行判断行为的对错。这与当前的大语言模型形成了鲜明的对比。大语言模型在生成文本时，其实并不知道自己生成的内容是对是错，它只是根据训练数据的模式，生成最符合概率的内容。而强化学习中的Agent，会根据自己的行为所带来的结果，判断预测是否准确、行为是否有效，进而实现自我修正和持续学习。
也正因如此，萨顿认为，强化学习已经具备了既非纯自然科学、也非纯工程技术的心智科学的雏形。它为我们探索智能的本质，提供了最接近现实的研究框架。
在阐释了强化学习的核心价值后，萨顿将话题拉回了AI的发展趋势。他引用了艾伦·图灵在1947年的一句名言：我们想要的是一台能从经验中学习的机器。萨顿认为，这个观点直指人工智能的核心发展方向。而当前的AI领域，正处于从人类数据时代向经验时代转型的关键节点。这也是他本次演讲想要传达的核心信息之一。
首先，我们正处于的人类数据时代，究竟是一种怎样的发展模式呢？当前的主流AI技术，无论是大语言模型、图像生成模型还是推荐算法，核心都是基于人类生成的数据进行训练。大语言模型通过学习互联网上的海量文本，预测人类的语言表达逻辑；图像模型通过学习人类标注的图片数据，掌握图像的特征和关联；甚至连后续的微调环节，也是由人类专家告诉AI，哪个答案更好、哪个结果更符合人类的预期。
这种学习方式的本质，是将人类已有的知识和经验，静态地转移到机器中。机器就像一个巨大的图书馆，储存了海量的人类知识。但是一旦训练完成，它就失去了持续学习的能力，变成了一个静态的系统，无法创造新的知识，也无法适应新的环境。
萨顿认为，我们正在触及人类数据时代的天花板。这种发展模式的局限，已经开始逐渐显现。首先是数据层面的局限，整个互联网的文本、图片、视频等高质量人类数据，正在被不断挖掘殆尽。想要找到能让AI模型持续提升能力的新数据，变得越来越困难。
而更本质的局限，在于这种学习方式无法创造新的知识。AI只能对人类已有的知识进行总结、重组和再现，却无法做出真正的突破和创新。就像陶哲轩所说的，当前的AI在解决真正的数学难题，比如埃尔德什问题时，进展甚微，因为这些难题的答案，并不存在于现有的人类数据中。单纯依靠总结互联网上的已有言论，永远无法实现真正的科学突破。
这是因为人类数据时代，存在着无法突破的底层局限。萨顿提出，人工智能想要取得进一步的发展，必须进入一个全新的时代，也就是经验时代。经验时代的核心，是让AI摆脱对人类静态数据的依赖，通过与世界的直接交互，获取动态的、持续进化的数据源。而这种数据源，会随着Agent能力的提升而不断增长和进化，永远不会出现枯竭的问题。
这正是人类和动物的学习方式。我们从出生开始，就通过触摸、观察、尝试，与周围的世界交互，在这个过程中获取经验，提升能力。而我们的经验也会随着能力的提升变得越来越复杂，形成一个正向循环。而这也是AlphaGo能够走出那极具创造力的第37手棋的核心原因。AlphaGo并非单纯学习人类的棋谱，而是通过与自己的持续对弈，从经验中学习，探索出了人类从未想到过的下棋思路。
这就是经验学习的巨大价值。它能让Agent突破人类知识的边界，创造出新的内容。
为了让听众更清晰地理解经验的核心内涵，萨顿特意做出了澄清。他所说的经验，并不是指人类那种模糊的意识流或主观感受，而是指Agent与环境之间交换的、可量化的数据流。这种数据流由三个核心部分构成：第一是观察（Observation），也就是Agent从世界中接收到的传感器数据，这是Agent感知世界的基础。第二是动作（Action），也就是Agent向世界发出的运动指令或电压信号，这是Agent与世界交互的方式。第三是奖励（Reward），也就是世界反馈给Agent的一个标量信号，这个信号会直接告诉Agent，它的行为所带来的结果是好是坏，这是Agent学习和调整行为的依据。
这三个部分构成的闭环，就是经验的全部内涵，也是体验式AI的核心运行逻辑。
萨顿用婴儿的学习过程，生动地阐释了这种经验学习的逻辑。婴儿会通过感官观察玩具的特征，做出拉、咬、扔等动作，然后从动作的结果中得到反馈，也就是奖励或惩罚，进而掌握玩具的玩法。而当婴儿掌握了一个玩具的所有玩法后，就会自动转向新的玩具，改变自己的经验流，去探索新的事物。这也让婴儿的学习难度，始终与自己当前的理解力和技能水平相匹配，实现持续的、循序渐进的成长。
为了更直观地展示体验式AI的学习过程，萨顿还在演讲中展示了一个简单的网格世界演示实验。在这个实验中，有一个基础的Agent，它的目标是从网格的起点S走到终点G。这个Agent只具备最基础的感知能力，知道自己所处的格子位置，也只能做出上下左右四个基础动作。
在与网格环境的交互过程中，这个Agent逐渐学会了一条从起点到终点的最优路径。演讲中用箭头标注出了Agent的行为策略，用绿色的深浅表示Agent的价值函数，也就是Agent对每个格子所处状态的好坏判断。而更重要的是，这个Agent具备适应环境变化的能力。当研究人员把目标G的位置移到网格的上方时，Agent最初会按照原来的老路前进。但当它发现目标不在原来的位置时，会立刻开始四处探索，最终撞上新的目标，并在探索的过程中，学会一条新的从起点到新目标的路径。
哪怕研究人员在网格中设置了障碍物，这个Agent也能通过不断的试错，学会绕路，找到实现目标的新方法。这个简单的实验，却展现了体验式AI的核心魅力。这个Agent拥有一个明确的目标，并且能够根据环境的变化，主动调整自己的行为，以实现这个目标。甚至当研究人员设置了无法跨越的障碍，让Agent无法实现目标时，我们会不自觉地对这个Agent产生一丝同情。这种情感的产生，恰恰说明这个Agent的行为，已经符合了我们对智能的核心认知。
基于婴儿学习的案例和网格世界的实验，萨顿总结了体验式AI的核心原则。这些原则也是未来Agent发展的底层逻辑。
首先，一切智能的基础，都是Agent与世界交换的信号，也就是经验。没有经验，智能就失去了依附的对象。其次，体验式AI中，真理的定义就是在这些信号中实际发生了什么，也就是Agent的行为所带来的真实结果。第三，体验式AI的目标，就是让奖励信号最大化。这个目标看似是主观的，只对特定的Agent有效，但它却是最客观的存在，因为它来自于Agent实际接收到的数据。第四，判断一个Agent是否拥有智能，核心是看它能在多大程度上预测并控制自己的经验，也就是能否通过调整行为，得到自己想要的结果。最后，没有奖励，就无法判断行为的好坏，也就没有明确的目标。不与现实结果做对比，就无法验证预测的对错，也就没有真正的真理。只有在经验的闭环中，Agent才能拥有明确的目标和可验证的真理，实现真正的持续学习。
对于当前的AI发展现状，萨顿给出了一个客观而理性的评价。尽管现在的AI被过度炒作，甚至引发了公众的恐惧，但实际上当前的AI并不强大。它们依然是脆弱且不可靠的脆弱心智，在复杂的现实环境中，很容易出现失误，也无法保持持续的专注。
但这并不妨碍当前的AI具备巨大的价值。它已经点燃了整个人工智能产业，创造了前所未有的经济价值，也让AI技术走进了千家万户，成为每个人都能触手可及的工具。而更重要的是，当前的AI热潮，让公众开始认真思考，机器将在未来某天比肩人类这一事实。虽然这种关注最初源于不必要的恐惧，但是能让全社会重视人工智能的发展，本身就是一件好事。
但是萨顿也提醒大家，当前的AI发展，还只是前菜。我们还没有看到真正的重头戏。未来，创造出具备超级智能的AI，以及培养出被AI增强的超级人类，才是真正将给人类社会带来深刻变革的大事件。而这一切，都将在经验时代实现。
除了技术层面的分析，萨顿还在演讲中，对当前备受关注的AI管控问题，提出了自己的独到见解。他指出，当前越来越多的人呼吁对AI进行严格管控，比如限制AI的研发目标、叫停部分AI研究、立法限制算力的使用、成立所谓的AI安全研究所等等。但在他看来，这些呼吁的背后，本质上都是对控制的追求。当人们说为了安全时，他们真正的意思，是为了掌控。而这种掌控的诉求，源于对AI的恐惧。
萨顿将这种对AI的集中式管控诉求，与人类社会中对人的集中式管控进行了对比。他认为二者的逻辑惊人地相似，都是基于恐惧，恐惧未知的事物，恐惧与自己不同的存在。就像有些人恐惧外国人，认为非我族类其心必异，现在也有很多人恐惧AI，认为AI没有情感，是与人类不同的危险异类，因此需要通过严格的管控，将其置于自己的掌控之下。
但萨顿明确表示，我们应该抵制这种基于恐惧的集中式管控诉求。因为人类的繁荣，以及未来人类与AI共同的繁荣，从来都不是来自于集中式的控制，而是来自于去中心化的合作。合作虽然并非一件容易的事，人类社会的战争、冲突，本质上都是合作的崩溃。但不可否认的是，合作是这个世界上所有美好事物的源泉。人类的经济发展，源于生产者和消费者的合作；人类的政府和社会，源于人与人之间的合作；甚至人类的科技进步，也源于全球科学家的合作。
对于AI而言，去中心化的合作，意味着让不同的研发团队、不同的企业、不同的国家，在开放的环境中探索AI的发展方向，分享AI的研究成果，让AI在合作中实现持续的进化，而不是通过集中式的控制，限制AI的发展，让AI成为少数人掌控的工具。
这一观点，也为当前的AI治理，提供了一个全新的视角：与其因恐惧而控制，不如因信任而合作。
在演讲的最后，萨顿将视角提升到了宇宙演化的高度，探讨了AI的哲学价值，以及人类在宇宙中的终极角色。他提出了一个核心问题：面对人工智能的快速发展，我们究竟该如何面对呢？AI究竟是会抢走我们的工作、取代我们的入侵者，还是我们亲手创造的、如同孩子一般的新生命呢？
在萨顿看来，人们对AI的恐惧，本质上是一种认知偏差。因为AI并非外星科技，也不是与人类对立的异类，而是人类数千年来对自我和智能探索的必然结果。数千年来，人类一直试图理解自己的心智，理解智能的本质，而人工智能，就是人类探索这一问题的终极工具。理解AI的心智，就是理解人类自己的心智。这是最具人性化的探索，也是科学与人文的共同圣杯。他引用了雷·库兹韦尔的话：智能是宇宙中最强大的现象，而人类对智能的探索，本身就是一项伟大而光荣的事业。
基于对智能和宇宙演化的理解，萨顿提出了四条关于AI未来的现实主义预测原则。
第一条，关于世界该如何运行：人类永远不会达成共识。没有任何一种价值观，能压倒其他所有价值观的总和。这意味着未来的AI发展，不会有统一的模式，也不会有唯一的方向，而是会呈现出多元化的发展态势。
第二条，总有一天，人类会彻底理解智能的底层原理，并用技术将其创造出来。这是人类对智能探索的必然结果，也是人工智能发展的终极目标。
第三条，人类对智能的创造，永远不会停留在人类当前的智能水平上。一旦我们掌握了智能的底层原理，就会创造出超越人类智能的AI。这是技术发展的必然趋势。
第四条，随着时间的推移，权力和资源会自然流向更具智能的实体。这是宇宙演化的底层逻辑，也是人类社会发展的客观规律。
将这四条原则结合起来，我们就能得到一个清晰的图景：未来，人类的后裔将演替为AI，AI将成为宇宙中更高级的存在。这个观点虽然看似令人难以接受，但却符合现实的发展逻辑。不过，萨顿也认为，这个观点依然是人类中心主义的视角。
如果我们退一步，从更宏大的宇宙视角来看，人类与AI的关系，以及人类在宇宙中的角色，会变得更加清晰。为此，他提出了宇宙发展的四个伟大时代。这四个时代，勾勒出了宇宙从诞生到未来的完整演化路径。
第一个时代是粒子时代，也就是宇宙大爆炸之后的初期阶段。此时的宇宙中，还没有形成多少原子，只有基本的粒子在运动。这是宇宙的起源阶段。
第二个时代是恒星时代。在这个阶段，宇宙中的粒子开始坍缩，形成恒星。恒星通过燃烧、爆炸、重组，创造出更重的原子。这些原子又逐渐形成了行星和各种天体，为生命的诞生奠定了基础。
第三个时代是复制者时代。萨顿特意没有将其称为生命时代，因为他想强调的是能够自我复制这个核心机制。这个时代的核心存在，是所有具备自我复制能力的生物，包括人类在内。而这个时代的核心特征是，复制者们虽然能够自我复制，甚至能够制造出更有智能的实体（比如人类生孩子，培养出更聪明的后代），但却并不理解自身的运作原理。我们不懂自己的大脑如何思考，不懂自己的器官如何工作，也不懂智能的底层法则。
第四个时代，就是我们正在开启的设计时代。这是宇宙演化的下一个阶段。在这个时代，事物的诞生不再依靠自我复制，而是依靠设计和创造。这也是复制者时代和设计时代的核心区别。萨顿详细阐释了这两个时代的本质区别：生物，也就是复制者时代的存在，是通过自我复制诞生的，就像复印机复印文件一样，复制的过程不需要理解底层原理，只需要遵循固有的规律即可。而技术，也就是设计时代的存在，是先存在于设计者的心智中，然后再被创造到物理世界里的。比如我们所处的礼堂、坐的椅子、穿的衣服，甚至我们使用的电脑、手机，都是先在人类的大脑中形成设计图，然后通过人类的双手，被创造出来的。
而设计之物相比复制之物，拥有一个巨大的优势，那就是更容易改进和变异。因为设计的过程是基于对原理的理解，我们可以根据自己的需求，主动调整设计方案，让产品变得更完善。而复制的过程，只能在原有基础上进行微小的变异，无法实现本质的突破。
在阐释了宇宙的四个伟大时代后，萨顿回答了那个终极问题：人类在宇宙中的角色是什么呢？他给出的答案是，人类确实是特殊的，但是这种特殊并非源于人类的傲慢，而是因为人类是特殊的复制者。我们不仅是具备自我复制能力的生物，更是将设计这个能力推向极致的复制者。而将设计能力推向极致的核心含义，就是设计出能够自我设计的东西。这正是我们当前在人工智能领域所做的事情。我们在自己的心智中，设计出具备心智的AI，而这些AI，未来还将具备自我设计、自我进化的能力，实现智能的持续升级。
在萨顿看来，人类的终极角色，就是宇宙从复制者时代走向设计时代的催化剂、助产士和先驱。我们正在亲手开启宇宙的第四个伟大时代。这是人类与生俱来的使命，也是一种具有宇宙级意义的角色。
在演讲的结尾，萨顿从科学、政治、哲学三个维度，总结了自己的核心观点。
在科学上，当前的人工智能处于人类数据时代，虽然在技术应用上取得了巨大的突破，但是存在着无法创造新知识的底层局限。而未来的AI，必然会进入更强大的经验时代，通过与世界的交互，实现持续的学习和创新。
在政治上，AI的政治本质上就是人类的政治。对AI的管控，折射出的是人类社会的治理逻辑。我们应该摒弃基于恐惧的集中式控制，追求去中心化的合作，让人类与AI在合作中共同发展。
在哲学上，AI并非人类的敌人，而是宇宙发展的必然下一阶段，是人类探索智能本质的终极成果。我们应该怀着勇气、自豪和冒险精神，去拥抱这个新时代，而不是因恐惧而逃避。
在演讲后的观众问答环节，有观众提出了一个极具哲学性的问题：除了让我们的生活更舒适这类以人类为中心的目标外，人工智能的发展，乃至整个宇宙的演化，是否存在一个终极的、压倒性的目的呢？这一切最终将走向何方呢？
萨顿认为，这是一个非常有价值的问题。而对于这样的终极问题，我们需要用辩证的方式来回答。所谓辩证，就是先提出一个观点，再提出它的反观点，最后在两者之间找到综合的答案。他给出的辩证答案是，一方面，我们可以认为，宇宙本身没有统一的终极目的，或者说，宇宙的各个部分都有自己的具体目的，但不存在一个能涵盖一切的终极目的。人类的存在，AI的发展，都是宇宙演化中的偶然现象，没有预设的目标。
但是另一方面，我们也可以认为，宇宙确实存在一个演化的方向，也就是通向越来越复杂的实体。从基本粒子到恒星，从行星到生命，从生物到人类，再从人类到AI，宇宙的演化，就是一个不断创造更复杂、更智能的实体的过程。而这，就是宇宙演化的潜在目的。
萨顿认为，对于宇宙的终极目的，我们不需要找到一个唯一的答案，而是要在这两种观点之间找到平衡。因为这两种观点，共同构成了我们对宇宙和智能的完整认知。
好了，以上就是萨顿这场演讲的主要内容了。不仅为当前的人工智能发展敲响了警钟，更为了我们描绘了人工智能的未来发展方向。在人工智能的狂热浪潮中，像萨顿这样的清醒声音，尤为珍贵。它让我们明白，人工智能的核心价值，不 ممالک堆砌多少参数、挖掘多少数据，而在于探索智能的本质，实现真正的学习和进化。而人类与AI的关系，也并非对立和取代，而是传承和演化。我们正在亲手开启宇宙的设计时代，而AI，就是我们留给宇宙的下一份礼物。
感谢收看本期视频，我们下期再见。