# 前言

在AI技術風起云涌的今天，名為DeepSeek的東方力量掀起駭浪。它如何打破常規，照亮AI行業的黑暗森林，又如何為中國的AI發展帶來前所未有的臨界點？

這場關乎人類文明坐標的競逐，早已超越算力堆砌的軍備競賽。在神經網絡的意識萌芽處，在AI決策的責任悖論中，在開源生態與算力壟斷的終極博弈里，我們正在見證：究竟是硅基生命的寒武紀大爆發，還是人類文明的最后一位破壁人？

帶著這些問題，我們邀請到圖靈獎得主、深度學習創始人Yoshua Bengio的學生、上海交通大學副教授林洲漢，與他一同挖掘DeepSeek背后的邏輯與智慧，思考AI在推動科技和社會前行中的潛力與挑戰。

相關追問：

1. 怎樣才能預測到可能改變世界的論文？

2. 如何看待學術互聯網化的現象？

3. DeepSeek會是中國AI發展的臨界點？

4. 開源是AI發展的火種嗎？

5. 小鎮做題家的學習模式會被AI淘汰嗎？

6. AI會成為哪些職業的劊子手？

7. 人們是否在見證硅基生命“意識”的產生？

8. 人工智能是否是人類的最后一個發明？

AI困境

Q

我們怎樣才能預測到可能改變世界的論文？

林洲漢：AI領域的一個特點是論文數量非常多。以三大頂會為例，每年發表的論文數量可達數千篇。因此，研究者在發表論文前，其實很難準確預測其發表之后的社會影響力。從專業角度來看，作者可能知道這篇論文解決了哪些重要的學術問題，但其破圈后會產生多大影響，甚至連作者本人都難以預估。

一個典型的例子是ChatGPT。在發布之前，OpenAI內部的人也沒有預料到它會產生如此巨大的影響力。另一個例子是Transformer這篇論文。在完成之前，作者們知道這是一篇重要的論文，但當年投稿到頂會時，僅獲得了海報（poster）展示的機會，這是頂會中最普通的一種展示形式。這意味著，即便是審稿人，當時也沒有意識到這篇文章的重要性。隨著時間的推移，這些論文的影響力和重要性才逐漸顯現出來。

Q

論文有5分、10分這樣的分值，這些分值是否還在起效？

林洲漢：這些分值更多是論文投稿時，同行評議期間專家對論文的打分。這種打分機制是學術界評審論文的慣例做法。然而，在AI領域快速發展、投稿量巨大的現狀下，這種機制正面臨崩潰的風險。每年為了評審這些論文，需要邀請大量審稿人，而審稿人一多，就很難保證評審質量。

目前，AI頂會的審稿情況可以說是參差不齊，好的評審和差的評審混雜在一起。審稿人對論文打分的方差很大，有時優秀的論文被誤殺，而質量一般的論文卻獲得高分。因此，我們領域逐漸開始轉向像arXiv這樣的預印本平臺。現在流行的做法是，不再等待同行評議的結果，而是將研究成果直接發布在arXiv上，讓全世界的讀者在論文發表前就能訪問。這樣一來，論文可以直接與所有觀眾見面，避免了傳統評審機制中的一些問題。

Q

如何看待學術互聯網化的現象？

林洲漢：這種現象是隨著AI領域論文數量激增而自然產生的。其他領域十年發表的論文數量，可能都不如AI領域一年發表的多。面對如此大量的論文，即使是專業從業者也沒有時間閱讀所有內容。因此，我們需要一些機構或工具來幫助篩選和推薦論文，比如Google Scholar這樣的專業學術搜索引擎。

對于科研人員來說，現在也面臨著“酒香也怕巷子深”的問題。如果研究成果不配合一些宣傳手段，比如在推特或朋友圈上進行推廣，可能很難引起廣泛關注。

Q

您曾在多家海外AI大廠實習，比如Google、微軟和Facebook。這些公司在組織文化和研發思路上有何不同？

林洲漢：這些頭部大廠的AI研發機構在風格上主要分為兩大類。第一類是組織大量科學家共同解決一個宏大的問題，這與國內所說的“有組織科研”非常相似。第二類則是自由探索，同樣是聚集了許多頂尖科學家，但不給他們設定明確的目標，而是讓他們自由探索。

第一類風格的代表性機構是DeepMind和OpenAI。他們聚集了全球最頂尖的科學家，包括來自頂尖學校和實驗室的優秀畢業生，共同規劃并解決一些宏大的問題，比如DeepMind的AlphaGo和OpenAI的ChatGPT。

第二類風格的代表性機構，包括Google的Google Brain、Meta的Facebook AI Research（FAIR），以及微軟的Microsoft Research。其中，Microsoft Research在深度學習崛起之前就已經存在，因此它的研究范圍更廣，規模也更大。

這兩類機構各有特點。有組織科研的類型，比如AlphaGo和ChatGPT的做法，有助于利用學術界已有的技術，將其規模化并投入更多資源，從而看到這些技術在大規模應用中的效果。然而，對于那些全新的、甚至學術界尚未探索的技術，從0到1的突破更多需要像Google Brain或Facebook AI Research這樣的機構，通過自由探索的方式來實現。例如，Transformer模型就是在Google內部自由探索中產生的。事實上，AI領域的許多重要進展，Facebook AI Research也發揮了重要作用。

Q

中美之間學術界的AI研究有何差異？

林洲漢：我認為高校在資源方面遇到的瓶頸，無論是中國還是美國，都是相似的。我們都面臨同樣的問題。在美國，許多高校教師選擇創業或與企業合作。而在中國，除了上述兩條路徑之外，還有一種不同的路徑。中國有許多新型研發機構，例如上海人工智能實驗室和創智學院等。這些機構并非企業性質，也不以盈利為目的，但他們擁有像企業一樣豐富的資源。

在中國，從事科研的科學家除了可以與企業合作外，還可以選擇與這些非盈利的新型科研機構合作。因此，我認為在中國，科研人員可能有更多的選擇。

技術演進

Q

DeepSeek會是中國AI發展的臨界點？

林洲漢：我認為像DeepSeek這樣破圈的案例，未來可能會越來越多。現在的情況更像是打響了第一槍，而不是唯一的一槍。我相信未來國內會出現更多這種級別的科研突破。

DeepSeek在R1這一套做法上，無論是在工程上還是底層技術創新上，都有其獨特之處。例如，他們對Transformer模型架構的改進，以及他們的訓練方式，都是其他廠商未曾做到的。我從他們的成功中學到了幾件事。

首先，他們組建了密切配合的團隊。作為一家企業性質的機構，他們沒有太多條條框框的限制。梁總在選人上的偏好能夠得到充分的落實。他們招募了許多奧賽金牌得主，而對其他傳統評價標準的重視程度較低。這使他們構建了一個規模可控且非常強大的團隊。其次，他們是一家初創公司，不像大公司或大機構那樣有官僚主義的束縛，因此能夠靈活調整方向。此外，他們通過幻方量化獲得了較多的盈利，能夠持續投入資源，沒有后顧之憂。

總的來說，DeepSeek團隊通力配合，致力于解決一些困難的問題的精神是值得我們學習的。

Q

Deepseek妙語連珠，行文間會有很多中文式的意境表達，這與GPT輸出的英文邏輯，有何區別？

林洲漢：從技術角度來看，這兩者沒有任何區別。對于模型來說，無論是中文、英文、法語、意大利語還是日語，所有語言都會首先被分詞（tokenize）成詞元（token），然后以詞元的形式逐個輸入模型。模型并不會根據語言的不同而采取不同的處理方式。

DeepSeek之所以能夠在不同語言中展現出一些微妙的表達，更多是因為訓練語料的影響。例如，在訓練期間，DeepSeek可能接觸了大量的中文古詩詞等語料，這些語料讓它學會了中文中一些特別中國化的表達方式。因此，DeepSeek的語言能力更多依賴于其訓練數據的多樣性和豐富性，而非對不同語言采取了不同的處理方式。

Q

開源是AI發展的火種嗎？

林洲漢：如果我們不考慮單純的AI，而是考慮AI所在的計算機行業，這些年的發展已經證明了一件事：開源一定比閉源好。所有軟件工具，如果開發者選擇閉源，最終在競爭中一定會落后于開源工具。我們可以看到，在計算機行業中，幾乎所有工具都能在網上找到優秀的開源版本，而且這些開源軟件通常是最好的。

AI的基本邏輯與廣泛的計算機行業有一些區別，但我認為這些區別不足以改變現狀。對于AI，尤其是大模型領域，很可能重要的模型最終還是會通過開源路線走得更遠。

Q

在AI產業界，大廠和新銳各自扮演什么角色？

林洲漢：大廠和新銳確實各有特點。大廠的優勢在于他們已經擁有盈利的業務，這些業務可以支撐頂尖的AI團隊，使他們無需擔心生存問題。因此，大廠在資源上具有非常強的優勢，這是初創企業難以競爭的。例如，像Qwen這樣的模型就做得非常強大，甚至導致一些小型初創公司看到其效果后，放棄了預訓練的研究。

另一方面，初創公司的優勢在于“船小好掉頭”。他們沒有大廠內部復雜的部門劃分和利益協調問題，可以從零開始規劃人員安排，專注于做大模型這件事。如果初創公司能夠解決基本資源問題并做對事情，也有可能取得突破。例如，DeepSeek就是一個成功的例子。

Q

有哪些領域是大模型無法覆蓋，而創業公司有機會去完成的？

林洲漢：在大規模無監督預訓練，和后續的微調及Agent開發之間，未來可能會形成明確的分工。因此，大模型的大規模預訓練和基于大模型的二次開發（包括Agent）可能會成為兩個相對獨立的領域。

對于初創公司來說，如果無法獲得大量資源，專注于Agent和應用開發是一個很好的策略。大模型在應用中遇到的大部分問題，可以通過巧妙的產品設計或是調整大模型的使用方式來解決，而這些正是Agent或二次開發者的工作。

然而，大模型在各個場景下的落地過程中，始終會存在一些無法通過應用設計解決的共性問題。這些根本問題可能需要通過大模型預訓練階段的基礎技術進步來解決，這應該由從事基礎大模型研究和開發的公司或研發機構來完成。

Q

人工智能做決策值得信賴嗎？

林洲漢：在一些受限環境下，針對特定任務，人工智能的決策質量可以優于人類。關鍵在于如何找到這些特定場景，并明確場景的邊界，使得人工智能的優勢能夠在實際業務中得以發揮。

此外，還涉及非技術問題，例如當人工智能做出錯誤決策時，責任應如何劃分。這是我們在使用人工智能輔助決策時需要認真考慮的問題。

Q

如何解決其中的“幻覺”問題？

林洲漢：幻覺問題確實是大模型發展中的一個重要挑戰。我個人認為，這一問題的根源在于預訓練階段。目前，我正在研究通過新的預訓練方式來解決這一問題。學術界的主流做法是通過后期的微調（SFT）或強化學習來緩解幻覺問題，但即便是大規模的微調或強化學習，仍無法徹底解決這一問題。

Q

如何處理AI的偏見？

林洲漢：偏見問題是學術界研究的重點之一。實際上，偏見不僅存在于AI模型中，人類在學習過程中也會產生偏見。很多偏見看起來主要與數據有關。如果數據中大量出現某些不正確的觀點，模型自然會習得這些觀點。類似地，如果人類在學習過程中接觸到的教材包含不準確的內容，也會對人的思想產生影響。因此，現有技術框架下，優化數據質量和訓練過程，可以減少偏見對模型的影響。

社會變革

Q

小鎮做題家的學習模式會被AI淘汰嗎？

林洲漢：首先，我認為中國現有的中考和高考機制是非常有效的人才篩選方式。可以說，全世界都找不到第二個如此高效的機制，它是斷層領先的。因此，培養孩子的總體方向——即在統一化考試中取得好成績——對于整個社會來說是正確和高效的，不需要有太多改變。

然而，在具體的學習方法上，可能會因為AI等先進工具的出現而發生變化。過去，學生在學習過程中遇到問題時，不得不等到下次遇到真人老師的時候請老師來解答；而現在，學生可以先向AI提問，看看它能否提供幫助。這種變化并不意味著傳統教育方式的失效，而是為學習提供了更好的條件和更多可能性。

Q

AI會成為哪些職業的劊子手？

林洲漢：這是一個很好的問題。目前的AI技術實際上只在非常少且特殊的情況下能夠完全替代現有崗位。更多時候，AI技術的作用是加速某些工作流程。例如，過去寫一篇文章需要完全依靠手動完成，而現在可能只需要寫一個提綱，然后讓AI擴充內容，再由人工修改。有了AI的幫助，寫文章的速度會大大提升，但人在其中的作用并不會被完全替代。我們仍然需要有人來提綱挈領，指導AI往正確的方向寫作。因此，我認為AI不會大規模替代已有的職業，而是會大規模提升工作效率。

Q

AI的高階應用存在門檻，這是否可能會加劇社會發展的鴻溝？

林洲漢：關于公平問題，我認為可以從兩個方面來看。

首先是生產端，也就是開發和訓練模型的這些人。對于他們來說，確實存在資源大規模向頭部幾家單位集中的情況。這種集中可能導致資源分配的不均衡，進而影響整個行業的公平性。

然而，從消費端，也就是使用模型的人的角度來看，情況卻有所不同。過去，普通人可能無法接觸到高質量的模型，但現在，許多優秀的模型已經可以被廣泛使用。例如，過去我們需要請教專業的老師才能解決的問題，現在可以通過與模型交互來獲得類似的效果。因此，生產端和消費端的趨勢是相反的。

至于生產端資源大規模集中的問題，我認為這不僅僅是AI領域特有的現象。以美國為例，多年來，每個行業的資源也在向對應行業的頭部幾家大廠集中，向發達地區集中。這本質上是工業社會發展的一個趨勢，而不僅僅是AI技術帶來的結果。因此，所有工業化國家在工業化進程中都需要考慮這一問題，并且這一問題正變得越來越重要，亟待解決。

面對這一問題，我認為我們需要一些社會主義的機制，比如轉移支付，來確保每個人都有一個保底的成長環境。通過不斷完善機制維護公平的競爭，讓每個人有機會脫穎而出，發揮自己的才能。

Q

在自動駕駛等情境中，AI是否需要對行為負責？

林洲漢：這同樣是一個哲學問題，而非單純的技術問題。從數據上看，在某些受限條件下的自動駕駛，其事故率已經低于人類駕駛員。但這并不意味著AI技術可以完全替代人類。因為當人類駕駛員發生事故時，可以找到具體的責任人，而對于AI，卻無法找到一個具體的“人”來負責。

如果追究責任到機構，那么問題就變成了賠償問題。然而，事故造成的人身傷亡是否僅僅是一個金錢數字？這實際上是一個更深層次的社會問題和哲學問題。

Q

AI與人類的本質區別在哪里？

林洲漢：當前的大模型技術路線確實在學習方式上與人類不同。大模型主要依賴于大規模的自監督學習，例如預測下一個詞這種簡單任務，并結合有監督的微調（SFT）或強化學習等后處理步驟來完成整個學習過程。然而，人類并不存在像大模型那樣需要處理幾十TB數據的學習階段。一個人從出生到成年，所能接觸到的數據量可能僅相當于大模型在微調階段接觸到的數據量。因此，兩者的學習機制存在根本差異。

此外，人類的學習還受到遺傳因素的影響。人類大腦天然具有功能分化，這種分化是由基因決定的，并通過數百萬年甚至上億年的自然選擇逐步進化而來。而當前的大模型是單一的模型結構，并未經歷自然選擇形成復雜的腦結構。因此，大模型的學習機制與人類通過自然選擇和后天學習相結合的機制存在顯著不同。

Q

人們是否在見證硅基生命“意識”的產生？

林洲漢：這是一個帶有哲學意味的問題。我認為，AI的發展在足夠長的時間后，一定會超越人類的智能，包括意識的實現，這只是時間問題。然而，目前的AI還遠遠談不上真正的意識。甚至“意識”這一概念在機器學習領域中的準確定義都尚未明確。

目前的AI模型更多是通過與人類對話，讓人感覺它似乎具有意識。它可能在某些方面表現出類似自主意識的能力，但“什么是真正的意識”這一問題，學術界尚未達成共識。因此，AI意識的實現可能還需要多個像ChatGPT這樣的突破，才能讓所有人認可“機器已經具備意識”。目前，我們還遠未達到這一程度。

Q

人工智能是否是人類的最后一個發明？

林洲漢：我對所有類似的歷史終結論觀點都持懷疑態度。人工智能不可能是人類的最后一個發明。首先，目前的人工智能技術還遠遠達不到所謂的通用人工智能（AGI）水平。我們可能還需要許多個類似于Transformer和大規模預訓練模型這樣的重大突破，才有可能實現AGI。

其次，即使我們實現了AGI，仍然面臨如何有效控制它的問題。就像可控核聚變一樣，我們需要確保比我們更強大的智能體不會做出不利于人類的行為。因此，人工智能的研究將會持續深入發展，而不是止步于某個終點。

科學使命

Q

您師從圖靈獎獲得者Yoshua Bengio，并作為海外高層次人才回到上海交通大學。這樣的選擇對您來說意味著什么？

林洲漢：這其實是一個非常常見的問題。每一位在海外工作的華人學者，在畢業時都可能面臨這樣的選擇。我最早考慮回國是在2018年，當時回國的風潮還沒有像現在這樣流行。當我告訴別人我畢業后要回國時，幾乎所有人的第一反應都是問我：“為什么要回去？”

對我個人而言，我從未計劃在美國永久居留，未來終究是要回到中國的，只是時間早晚的問題。既然如此，我覺得不如早點回來。近年來，華人學者回國發展的趨勢越來越明顯，甚至逐漸成為主流。甚至我博士期間的一位非華人同學，最近也已經確定了要來中國發展。

Q

未來三年，如果有充足的資源，您會如何規劃您的研究工作？

林洲漢：即使未來三年有充足的資源，我的研究方向依然會聚焦于大模型的自監督學習和基礎預訓練任務的研究。這也是我目前正在從事的工作。這一方向對資源的需求非常大，尤其是算力資源。目前，我們遇到的瓶頸主要是計算資源不足，需要更多的GPU卡來支持研究。

Q

作為一名AI科學家，您對剛進入這個領域的研究者有什么寄語？

林洲漢：對于剛進入這個領域的同學，我想提幾點建議。首先，要打好數學基礎；其次，要打好編程基礎；第三，要具備批判性思維（critical thinking）的能力，有理有據地質疑你所見到的一切，并通過實驗去驗證。

此外，不要滿足于發表一兩篇論文，而是要有更遠大的目標。要思考哪些科研方向未來可能成為顛覆性的突破，比如下一個大規模訓練模型這樣的方向，并將精力投入到這些領域。選擇研究方向時要具備敏銳的眼光，不要把精力投入到incremental的研究中。

Q

很多追問讀者從事的是人工智能相關的交叉研究，您對他們有什么建議？

林洲漢：我不敢說能給其他行業的從業者什么具體的建議，但我認為現有的AI技術已經足夠強大，具備在其他各個學科的問題上發揮其優勢的潛力。盡管我們大部分AI研究人員目前的工作是“縱向”的，也即不斷挖掘更先進的AI技術，解決更深層次的問題。

但是另一方面，AI在其他學科中應用和落地的“橫向”發展也非常重要。現有的AI技術如何應用于其他學科的問題，是一個非常值得研究的課題。我認為，未來這一方向可能會像井噴一樣快速發展，關鍵在于如何找到好的問題，并利用AI技術去解決。

監制：陳天橋 雒芊芊 | 策劃：楊揚

采訪：韓云蕓 | 統籌：邴立東

導演：鄭明鍵 | 內容策劃：范存源 鄭明鍵

聲音制作：章江南 | 后期剪輯：任櫻超 鄭明鍵 呂子豪

攝影指導：陳光 |攝影助理：王志茂 寶龍 | 燈光：蒲均

出品：天橋腦科學研究院、追問nextquestion、大圓鏡工作室

關于追問nextquestion

天橋腦科學研究院旗下科學媒體，旨在以科學追問為紐帶，深入探究人工智能與人類智能相互融合與促進，不斷探索科學的邊界。如果您有進一步想要討論的內容，歡迎評論區留言，或后臺留言“社群”即可加入社群與我們互動。

關于天橋腦科學研究院

天橋腦科學研究院（Tianqiao and Chrissy Chen Institute）是由陳天橋、雒芊芊夫婦出資10億美元創建的世界最大私人腦科學研究機構之一，圍繞全球化、跨學科和青年科學家三大重點，支持腦科學研究，造福人類。

Chen Institute與華山醫院、上海市精神衛生中心設立了應用神經技術前沿實驗室、人工智能與精神健康前沿實驗室；與加州理工學院合作成立了加州理工天橋神經科學研究院。

Chen Institute建成了支持腦科學和人工智能領域研究的生態系統，項目遍布歐美、亞洲和大洋洲，包括、、、科研型臨床醫生獎勵計劃、、等。