安信15娱乐=张亚勤对话朱民：AI+时代的技术突破与创新未来

安信15平台9月30日，中国工程院外籍院士、清华大学讲席教授、智能产业研究院（AIR）院长张亚勤与IMF原副总裁、中国人民银行原副行长朱民围绕AGI的技术发展及中美创新博弈等核心议题展开深度对话。清华大学五道口金融学院院长焦捷做开场致辞，清华大学师生校友等百余位嘉宾参会。

以下为对话实录：

朱民：大家好！欢迎各位！今天特别高兴，请来了我们的老朋友亚勤，一起来聊聊“AI+”时代的创新和变革。亚勤刚出了一本新书，叫《智能涌现》。“涌现”是AI里一个特别重要的概念，英文叫Emerging。这让我想起1973年菲利普·安德森有篇著名论文：《More is Different》，其中最早提出了“涌现”的想法——就是说规模大了，会涌现出新东西，但具体是什么，当时谁也不知道。而亚勤在书里把这个概念讲透了：当规模达到一定程度，量变引起质变，智能就“涌现”出来了。如果你能理解这一点，就会发现我们正处在一个智能涌现的时代，这绝对是一件翻天覆地的大事！

张亚勤：谢谢朱行长，很高兴来到清华大学五道口金融学院，这是全球最顶级的金融学院，谢谢焦院长的邀请。

的确，这类人工智能最显著的特征便是“涌现”。而“涌现”体现在多个维度：首先，是一个常被忽略却至关重要的方面——即所谓的“标记化”（Tokenization）。无论信息形式为何——文字、语音、图像、激光雷达数据，还是4D或3D的时空信息，甚至是蛋白质与DNA序列——皆可被转化为统一的符号表征。需特别说明的是，此处“符号”并非传统人工智能符号主义中的符号概念，因此这一翻译或许未尽精确，但其核心在于所有信息形式被映射至同一表征空间之中。

朱民：我觉得亚勤刚才这句话特别重要，他说我们正站在“标记化世界”的起点。这个判断非常关键！因为一旦世界万物都可以被“标记化”，那底层逻辑就彻底改变了。过去我们常说，物质世界在数字化，金融也在数字化。但在智能时代，这一切都升级为了“标记化”。这不仅仅是说法变了，而是整个世界的运行规则发生了根本的改变。

张亚勤：对，基于这个概念，再看新一轮的人工智能，特别是生成式人工智能，比如Transformer，它其实就是Predict  the next  token，才得以实现内容上的“创造”，生成出前所未有的新词元。然而，真正的质变发生在数据规模、词元数量和算力均超越某个临界点之后，此时系统开始展现出所谓的“涌现（Emergence）”现象。具体而言，当大语言模型的参数量突破百亿级别，便会触发一种称为“规模定律（Scaling Law）”的效应，也就是说，模型的性能并非线性增长，而是随着规模扩大发生跃迁，从而涌现出未经编程的、令人惊喜的新能力。这是技术层面上的涌现。此外，还存在另一维度的涌现——产业层面的涌现。人工智能本身是一项颠覆性技术，但其更大的影响力在于它能作为赋能基础，“涌现”并深度融合到各个产业之中，即形成“AI+”的范式。无论是金融、教育还是医疗领域，都将在这种融合中涌现出新的业态、模式和价值。

所以，三个概念，一个叫标记化（Tokenization），一个是规模定律，第三个是涌现效应，这是我们新一轮人工智能的最核心的三个概念。

朱民：这是三个特别重要的概念，我们正在进入一个标记化的世界，这是一个曲面，会渗透到现实世界的一切，从而彻底改变世界。我还记得两年前我们讨论的时候，关于AGI（Artificial General  Intelligence），就是通用人工智能问题，当时乐观的科学家都说最少需要50年才能实现，而我记得你当时说，大概20年、30年就可以达到，今天你看呢？

张亚勤：我认为我们在15-20年可以达到AGI。我稍微讲一下我对智能的三重定义，因为这个很重要，下面的讨论可能都会用到这些定义。我把智能分成三个不同的层次：

朱民：也就是说，再过15-20年，在座的各位是碳基生命还是硅基生命？

张亚勤：我觉得未来更可能是走向融合。我们作为碳基生命，拥有意识与主动性，而硅基智能更像是我们的助手和延伸——它是被动的，扮演着Agent（智能体）的角色，成为我们能力的一部分。虽然它的智商可能远超我们——比如人类平均智商如果是120，它或许能把这个数值提升一个量级，达到1200甚至更高——但它依然会听从我们的指令。当然，这一切的前提是它始终处于可控状态。万一失控，那就是另一个需要深入讨论的重要话题了。

朱民：你们要活到120岁的。所以，未来20年不算什么。那么我们现在开始想象，在你们的碳基生命的同时有一个硅基生命，硅基生命的IQ是你自己的碳基生命的10倍。人和机器的关系会是什么呢？

张亚勤：我们还是机器的主人，机器会是我们特别好的一个助理、管家，是我们的一个延伸。就像我们在蒸汽机时代，把人的体力增加了很多数量级，但是它是听人类指挥的。这次的人工智能革命是把我们的脑力和智商增加了很多倍，可能是10倍，可能是100倍，但AI还是听我们指挥的。但是在AI的发展过程中有很多风险，一会儿再展开来说。

回到刚才讲的话题，就是为什么我觉得这次人工智能革命和过去完全不一样。记得当时你问我，ChatGPT出现之后，我的ChatGPT时刻是什么样的？我当时讲了三点。第一我认为它是人工智能时代的下一代操作系统，第二它是首个通过图灵测试的智能体，第三，我认为它是通向通用人工智能的一个新的方式。

朱民：这三句话都实现了。我们要给亚勤鼓掌，两年半以前的预测都实现了，科学家牛的不就是预测吗？

张亚勤：另外，“AI+”我其实是在2016年提出的，近十年了，一次是在达沃斯讲“AI+”，一次是在博鳌论坛讲到“智能+”，但那个时候相对还是比较空一些了，人工智能、深度学习刚刚兴起，所以真正的内容没有那么丰富，现在当然已经都变成现实了。

朱民：你刚才讲得特别有意思，如果碳基生命有一个比它智能高10倍的硅基生命，但是你强调了它是我们的助理，就是人和机器，人机协同是你这本书里很重要的一章。人机协同的这个概念，你说说看，一个智力低于机器90%的主体怎么能掌控这个高智能的Agent？

张亚勤：这是个特别好的问题。从技术方面发展，这一发展是不可逆转的，现在AI这么快速地发展，它的能力比我们要大很多倍。未来如果一切发展顺利的话，就会发展成我一直提到的“AI+HI”，就是AI+ Human Intelligence。

因此，这其中涉及几个关键问题。首先，我认为硅基生命并不具备自我意识，而人类却拥有意识。正因如此，人工智能会听从人类的指令——我们有意识，而它没有；它虽然非常智能，但始终需要接收指令，而人类恰恰能够发出指令。其次，至关重要的一点是，它必须是“善良的”。人工智能可能极其聪明、能力强大，但其本质应是向善的。我一直强调，我们要打造“善良的AI”。这取决于我们为它提供的数据、所设计的算法框架、所构建的大模型架构，以及与人类价值观的对齐方式。就像培养一个孩子：我们要给他健康的食物、优质的教育，引导他越来越善良——尽管最终他可能比父母更聪明。因此，我们希望人工智能朝着这个方向发展。然而，这其中显然也存在失控的风险。我常常思考：人类进化了数十万年，我们有自身的DNA和基因，我们的性格、习惯、身体乃至细胞，都是以一种非常缓慢的速度演化的。但人工智能的发展速度却是指数级的、极其迅猛的。那么，我们该如何把握这种节奏？在未来的人机融合中，或许人类的步调可以更从容，而机器的步调越来越快。尽管整体演进可能非常迅速，但人类仍可以保持一定的“慢”。如何实现这种快与慢的协调，正是我们需要深入思考的问题。

朱民：这个很有意思，你给自己设定了一个矛盾的困境，也承认这个问题并没有完全解决，但是你是乐观主义。我觉得乐观主义总是比较好的，乐观主义活得比较开心。亚勤十年前就提出了“AI+”这个概念，那时候他就对人工智能的发展很乐观，我记得你是John McCarthy的学生，他正是达特茅斯会议的开创者之一，人工智能的奠基人。你很早就站在了源头，这份远见和乐观，是刻在基因里的。

如今看来，人类的演化这根曲线是缓缓地，可以说是以几万、几十万年为尺度的，而人工智能曲线是指数级发展的，但你对这两种智能的融合还是乐观的。我记得杰弗里·辛顿教授在上海的演讲中把人工智能比喻成人养的一个宠物老虎，养大了以后，这个老虎就可能会吃人。所以，杰弗里·辛顿的担忧比你要多，你们俩在这一点上是一样的吗？

张亚勤：我们双方对未来可能存在的风险有着高度共识，并且还共同成立了一个机构，专门致力于研究人工智能的潜在风险，也联合发布过多份相关声明。但我并不同意他将AI比作终究会“吃人”的猛虎这一观点。我认为，无论是从科研、产品开发还是政策法规的层面来看，只要我们始终保持高度的风险意识，未来应当能够朝着人类所定义的方向发展。人类拥有两种智慧：一种是发明技术的智慧，另一种是引导技术发展方向的智慧——而后者，才是走向真正智慧的关键。

朱民：这个很有意思，我们回看人的智慧，机器的智慧现在发展很快，它的IQ可以是人的10倍，这个我都没敢那么想，但是你是科学家，我相信你的判断。所以，在机器智慧曲线如此指数型上升的时候，其实要求人本身的发展是非常高的，就是一个是方向，一个是管控，管控具体到比如说数据、算法、框架等等。对AI发展的方向和管控，你的乐观的基础在哪里呢？

张亚勤：第一，从算法层面看，当前的人工智能本质仍是代码和程序。它遵循基于统计规律所设计的路径，未来我们更希望融入更多因果推断的机制来引导其发展。但无论如何，这些代码的规则始终是由人类制定的。因此，我认为其发展的大框架仍在人类所定义的边界之内。第二，人类拥有五千年的文明历程，并经历了三次工业革命。每一次技术变革都伴随着风险与危机，但最终都在可控的范围内得以化解。纵观历史，从三百年前到现在，人类整体的生活品质获得了巨大提升——这充分说明，尽管技术创新会带来某些负面影响，但其主体仍是积极正向的。当然，有些技术如果重新选择，我们或许不会任其如此发展。例如核武器，假如人类能重新规划一百多年来的科技路径，很可能不会选择走上这条道路。互联网本身是正向的，但也衍生出诸如不良自媒体、某些社交网络传播机制和游戏沉迷等我认为“净负面影响”（Net Negative）的现象。若有机会重新抉择，这些部分或许应更审慎对待。因此，在发展人工智能时，我们应致力于放大其正面效益，减少负面效应，并设立清晰的边界。我相信，这一界限是我们可以控制、也应当去控制的。

朱民：我觉得亚勤你这句话讲得特别好，你也承认人工智能指数级增长可能带来的风险，这个和杰弗里·辛顿是一样的。但是，你坚定地相信人的本质、人性和人的学习能力，以及智慧的发展。AI向善，AI向大众。

张亚勤：我总体上保持乐观，但我们也必须正视诸多挑战——尤其是在信息智能、物理智能和生物智能这三个层面。近一两年来，我投入了大量精力研究这些问题。在数字与信息领域，风险已经非常显著。例如信息造假和虚假内容的泛滥，自生成式AI出现以后，很可能一半以上的信息都来自人工智能生成，其中许多是虚假的，而这些虚假信息又被用作训练数据，导致更多错误内容产生。此外，还存在模型幻觉、版权与知识产权侵害等问题，风险不容忽视。但总体而言，这些风险仍然是可控的，因为我们已意识到它们的存在。进入物理智能阶段，风险则直接威胁人身安全。例如当大模型应用于无人驾驶、无人机或机器人系统，尤其是多智能体协同行为中，问题变得更加严峻。具体来说：首先，许多算法的决策过程仍不透明，我们往往难以理解其运作逻辑；其次，技术可能被恶意滥用；第三，多个智能体相互联结时，风险并非简单叠加，而是呈指数级增长，这使得潜在危害大幅上升。而到了生物智能层面，例如脑机接口将人脑与人工大脑相连时，所带来的风险会进一步扩大。技术发展本身是不可逆的，我们虽无法控制其演进速度，但仍应努力引导其发展方向，并通过持续研究降低潜在威胁。

朱民：这个话讲得还是很有力量，技术的发展是如此的迅猛，技术的发展不可挡，人能做的是跟着技术发展，而人能走前面的是根本人性和善良和力量，我觉得这个讲得非常精彩。你给你定了一个支点，这个支点是人性善良，人类集体的智慧和力量，使得我们有自信心，我们可以关注风险，但并不意味着我们否认风险。

我们接着讲讲“AI+”。我觉得你这本《智能涌现》最精彩的地方，就是你给出了无数的案例，企业的案例，地方的案例，讲了特别多地方的案例。现在很多人都有AI焦虑症，因为他觉得AI发展如此迅猛，特别是企业不知道怎么适应，我都推荐他们读这本书，因为这本书给了很多案例，我觉得还是很有意思的，这些案例不一定完全适合你的需要，但综合起来，它其实构成了一个很广的图谱，你可以找到一个很好的参照系统。“AI+”时代会怎么走呢？它的定义是什么？

张亚勤：人工智能正在深刻地重塑整个产业格局和商业模式。目前，AI的发展主要仍在信息技术产业内部产生显著影响。我们看到新的芯片架构不断涌现，数据中心持续升级，新的模型、软件和服务层出不穷。这也解释了为什么如今全球市值最高的企业几乎都是AI公司或信息技术企业——第一步必然是打好基础，构建起完善的基础设施。在基础设施逐渐成熟之后，人工智能开始全面渗透到各个行业。首先受到直接影响的是电力行业。正如李总所从事的领域，数据中心的迅猛建设导致电力供应紧张。过去三四年间，美国一直在积极推动核电厂的建设。若观察股市表现，涨幅最大的并非芯片企业如英伟达，而是发电企业，这正反映出AI对电力需求的巨大拉动，进而影响整个电网系统。另一方面，以自动驾驶为例，没有人工智能，就不可能有无人驾驶技术的实现。AI不仅推动了汽车产业的变革，也重塑了城市治理模式和智能交通系统。此外，作为制造大国，中国越来越多地在新一代工厂中引入AI技术，无论是软件、智能体还是机器人，都正在提升自动化水平，减少对人力的依赖。金融、教育、医疗等行业也在经历深刻变革。对于企业领导者来说，大型企业通常拥有丰富的数据和资源，有能力自主研发大模型。而不少中小企业则感到焦虑。但我认为不必过分担忧，AI的本质是解决问题——它改变商业模式，但不改变商业的根本。例如，餐厅的核心始终是提供优质的菜品和环境，AI不会颠覆这一点，但它可以优化供应链、改进运营模式，甚至重塑人员结构。随着AI智能体的发展，企业可能用更少的人力实现更高的效率。关键在于将AI视为工具，着力解决实际问题。我常遇到一些中小企业，在数字化尚未完善的情况下盲目引入AI，反而造成资源浪费。

目前，“AI+”行动刚刚起步，国务院最新发布的《“AI+”行动计划》就很好地明确了发展路径，涵盖了芯片与基础设施、垂直行业应用、人才培养以及国际合作等多个方面，整体规划非常全面。

朱民：谈到“AI+”，大家都会提到中美竞争。之前比如说一些美国学者都认为中国AI的发展相比美国要落后两年。但是有了DeepSeek之后，差距一下大大缩短，甚至被认为只有两个月的差距了。因为DeepSeek出来，我们在算法上有了很大的提高，模型小、便宜，我们的芯片现在也突破了，服务器也有，另外数据方面，国家现在出台了《数据二十二条》，推动政府数据免费给企业使用。所以，人工智能世界的算力算法数据我们或多或少有了一个平台。在这个情况下，你怎么看中美的AI竞争？

张亚勤：我特意回顾了我们之前的对话，当时你问及中美在大模型领域的差距。我记得当时提到差距确实存在，但未明确时间。当时我预估至少相差2到3年。然而短短两年过去，形势已发生显著变化——中国在某些方面甚至实现了领先。这一转变的关键，在于DeepSeek的出现。它标志着中美AI发展路径开始分化，中国逐渐走出了一条自己的路。早期阶段，我们确实在借鉴美国的模式：从OpenAI推出GPT系列以来，国内企业大多延续“搜集数据-堆计算资源-预训练”的路径，使用的算法也几乎完全相同，无论是基础模型架构、Transformer还是自回归技术。这种做法无可厚非，毕竟在起步阶段，首先需要验证并复现先进成果。你可能还记得当时的“百模大战”，先后涌现出近两百个大模型。而DeepSeek的发布，恰逢我们在达沃斯论坛期间。我记得当时与Demis Hassabis、Yoshua Bengio等专家讨论AI治理与风险时，几乎所有问题都绕不开DeepSeek。我认为DeepSeek是一项了不起的突破——它是自ChatGPT以来最重要的算法、系统工程及商业模式的综合创新。正因如此，它的出现引起了美国科技巨头的高度关注。因为它表明，我们未必需要巨大的算力、海量的数据或庞杂的模型集群，也能实现相当甚至更优的性能。当然，关于DeepSeek的具体算法和技术细节，恐怕足够我讲一下午了。

朱民：“AI+”竞争是一个重大议题。我们和美国现在基本上处在一个平台了，可以一拼了，有我们的特点，有我们的弱点，有我们的强项，就像你刚才提到的，硬件还弱但是算法已经走在前面了，我们的“AI+”是很多方面已经世界领先了，我们的垂直模型现在逐渐走出来了，而美国的平行模型它完全靠规模，其实它还在商业模式上探索。

张亚勤：你讲得特别好。其实这两年多以来，整个AI领域的变化非常大，我们也确实赶上了天时地利人和。现在大模型在预训练阶段其实遇到了一些瓶颈——互联网上能用的数据、信息智能方面的数据，基本都消耗得差不多了。所以我们刚才提到的“规模定律”，虽然在预训练方面还在慢慢进步，但增长速度其实已经在放缓了。光靠堆芯片、堆数据，带来的回报没那么明显了，边际效应正在减弱。那么现在重点转到哪儿去了呢？大部分工作都转向了后训练、推理和智能体这些方向。虽然这些环节对算力要求依然很高，但需求的形式不一样了——计算可以分散处理，有的放在边缘侧，有的直接在设备上完成，不再完全依赖集中的数据中心。这种变化也让人工智能的整体架构发生转变。现在，不一定非要用最顶尖的芯片，很多小厂、甚至规模小一些的芯片也能在推理环节发挥重要作用。

张亚勤：这确实是个特别好的问题。开源和闭源在大模型领域的争论，不管在全球还是中国，一直都有，不同企业家的看法也各不相同。说实话，我自己去年对这个问题的思路也不是特别清晰，但现在我逐渐倾向于认为，未来可能80%会走向开源，20%是闭源。如果我们回头看历史，其实也有类似的规律。在PC时代，80%以上是闭源，比如Windows就是闭源的，开源只占一小部分。但到了移动时代，情况就反过来了——Android作为开源系统占了70%左右的市场，而iOS这类闭源的大概占20%。闭源之所以能持续存在，是因为它形成了一套完整的垂直整合体系，各方面都比较成熟。我觉得AI时代的发展趋势可能会更接近移动时代，而不是PC时代。开源有几个明显的优点：首先，大家都能够参与贡献；其次，开源能覆盖到更多场景和国家。有些国家或地区不起昂贵的闭源大模型，也没有相应的基础设施，但如果用开源模型，哪怕自己部署在边缘侧、数据中心的规模不大，哪怕效果稍微差一点，也仍然能用起来。这会让开源技术快速普及。另外，DeepSeek也证明了，开源模型的扩散速度非常快，并且完全可以做得很好。但AI时代的开源，和PC、移动时代又不太一样。以前开源往往就是开放源代码，但这一次，“开源”其实分为三层：第一层是把算法、数据、软件全部公开；第二层是大多数公司所说的“开源”，其实只是开放模型参数（权重），但不告诉你具体怎么训练的、用了什么算法和数据——这样的话，你自己很难迭代，一旦模型升级，你又得从头再来。而DeepSeek的做法是，不仅开放权重，也把核心算法大致公开——虽然不是100%，但别人拿到论文和权重，基本能重现模型。这种开放程度，更接近真正意义上的开源。

朱民：这是很有意思的一个问题，毫无异议，在人工智能方面中美是全球第一梯队的，远远领先别的国家。剩下的就是我们以前讨论比较多的美国的芯片，算法，我们现在芯片达到一个台阶了，而且正好大模型跨到了后预算和推理阶段了，算法也上一个台阶了，我觉得这个也很重要。那么，剩下的我们讲得比较多的竞争就是垂直竞争和横向的竞争，现在其实两者或多或少都在相互融合。但是，开源和闭源是未来竞争的一个特别重要的领域和方向，你的意思是说开源的希望还是要大一些。

张亚勤：但是，有一点我想特别强调一下，就是刚才我们讨论的横向大模型和垂直领域模型之间的关系。横向的大模型确实至关重要，它是整个智能体系的基石，相当于一个“公共智商底座”。我们所有的垂直模型、边缘模型，都是建立在这个基础之上的——不能说我们自己去搞一个小模型，和它完全没关系甚至形成竞争。并不是这样的，垂直模型本质上还是依赖并受益于横向大模型的能力。这就好比“水涨船高”：横向大模型越强大、越聪明，构建在它之上的垂直模型也就能做得越聪明、越有效。

朱民：这一点很重要。首先，图灵测试是基于语言模型的，我们要明确这一点——而现在AI的发展早已超出这个范围。第二，图灵测试本身没有伦理假设，所以在它的框架内，我们并不认为图灵机会欺骗人。我觉得这个区分还是很关键的。

接下来，智能体之间还会相互连接。未来每个人可能都会拥有多个智能体，整个网络的主体也将从“人与人”转变为“智能体与智能体”。互联网的发展脉络其实也是这样演进的：从PC互联网，到移动互联网，再到物联网，接下来就将进入“智能体互联网”。

再来说说人脑的工作机制。目前人类对大脑的了解可能还不到5%，但我们已经清楚的是，AI和人脑之间各有长短。一个重要差距在记忆系统——人类智能超过50%都来自记忆。我们有长期记忆、短期记忆、情景记忆、情感记忆、个性化记忆……它们分布在海马体、杏仁核、大脑皮层等不同区域。目前AI的记忆机制还比较薄弱，虽然能存储大量数据，但远远做不到像人一样智能地选择哪些该记、哪些该忘，哪些存长期、哪些放短期——这种筛选机制恰恰是人类智能非常关键的一部分。

你刚才还提到隐性记忆和显性记忆、隐性决策和显性决策的区别。人类很多决策是靠直觉的，也有一些需要长时间推导。就像丹尼尔·卡尼曼在《思考，快与慢》中提出的系统一（快思考）和系统二（慢思考）。通常大家认为AI目前擅长的是系统一（快速反应），而系统二（推理、思维链）是我们正在努力突破的。但我的观点恰恰相反：我认为当人的智能发展到一定程度，很多复杂推理也会变成一种“直觉”——就像你问我一个问题，我可能不需要思考就能直接回答出来。

张亚勤：真正的智能，其实是将系统二（慢思考）转化为系统一（快思考）的过程，但系统二始终是存在的。举个例子，比如开车：新手学车时会刻意注意路牌、计算距离，像我教我儿子开车时，他一直在那儿算“多久该刹车”——这明显是系统二在工作。而老司机根本不需要想，完全凭直觉开，这其实是因为他们已经把系统二的逻辑内化成了系统一的直觉。所以我觉得，我们可能对系统一和系统二有些误解。AI 在这方面仍有差距。比如棒球运动员击球，必须在毫秒之间做决定，如果靠一步步推理——图像传进大脑、层层处理、再做判断——根本来不及，完全靠瞬间直觉。而这种“瞬间决策”的能力，目前AI还差得很远。