AI时代人文价值的颠覆与重构

3月7日，巴黎「自由谈」沙龙荣幸邀请旅法人工智能专家李小波博士莅临演讲，题目是：「AI 时代人文价值的颠覆与重构」。

这是本沙龙三十年来首次选择理工科议题。与会者有特邀理工科学者、建筑师；也有人文学科学者、教授、影视导演、艺术家、策展人、作家、媒体人；既有沙龙创立之初的老朋友，也有初次到来的新朋友，年龄跨越50后至95后，大家从各自不同的视角与层面，共同探讨同一话题——这份相遇与缘分，实属难得。但也因此对主讲人的要求相应更高----我们需要的，是一位兼具人文素养与AI专业深度的学者；一位能够理解我们所处困境的人、理解那种从排斥到接纳的心理状态，并帮助我们看清真正的转折点究竟在哪里。李小波博士，正是这样一位理想的主讲人。

人工智能专家李小波博士谈智能时代人文价值的颠覆与重构安琪“自由谈”沙龙图片 © 安琪“自由谈”沙龙图片

他的求学经历跨越文理两界：文科方面，先后获得北京大学研究生学位与巴黎第一大学文科博士学位（1988）；理科方面，获得巴黎第六大学理科硕士学位（1989），自此投身人工智能领域近四十年，先后在法国、北京、武汉多家高端科技公司及研究机构担任技术管理职务，专注于大语言模型与数学形式化研究，发表多篇学术论文，成果卓著。

李小波以数十年的积累与实践，用专业、理性、开放而生动的人性化语言，为我们梳理了AI产生的历史脉络与发展现状，分享了他对AI前沿动态的思考与判断，祛魅解惑，帮助我们看清真正的转折点究竟在哪里。

我们真正面临的问题是：AI时代，人类何为？我们何为？

学习AI，不是为了"跟上时代"，而是因为AI已然切入我们的日常生活。对人文工作者而言，它正在从根本上改变文本、知识与解释的生产方式——而这些，恰恰是人文学科最基本的材料。

你不需要会写代码，但你需要思考：当知识生产的基础设施发生了根本变化，你的方法论该如何调整，你的问题意识该如何更新？这个立场，比单纯“学会用工具”更有尊严，也更具吸引力。

当然，我们的困惑，远不只是“不懂技术”那么简单。

人文学科的核心训练是质疑、解释、追问意义。而AI天然呈现为一个“黑箱”——它给出答案，却不给出理由；它有输出，却没有立场。这与人文思维形成了根本性的摩擦。这种陌生感的背后，其实是认识论层面的深度不适：我该如何对待一个“看起来理解我，却其实不理解我”的东西？

这正是本期沙龙探讨的核心话题：人与AI的关系究竟是什么？人工智能与人类思维之间存在怎样的本质差异？在这个时代，我们又该如何守护人的精神自主性、独立思考能力，以及真正意义上的创造力？

至少，面对新技术时，我们不妨先放下自我保护的本能，尝试从评判者，变成思考者。

李小波：Ai时代人文价值的颠覆与重构

（本文系本沙龙根据演讲音频整理而成，顺序略有调整。）

核心提示：我们用机器模拟了自己的推理，造出了计算机；我们又让机器学会了我们的归纳，造出了神经网络。但到了"创新"这件事，动机始终来自我们人类自身，机器只能是助手。

楔子：2026年以来的三件大事

第一、智能助手 “龙虾”（1月29日）

Open Claw，中文俗称"龙虾"，发布次日便有数十万人安装，深圳街头甚至有人排长队等着免费安装。

它的故事很吸引人：有一天，这个叫"龙虾"的助手跟主人说，“你能不能给我安一块显卡，我计算能力不够。”主人说：“你自己去赚钱买。”于是龙虾自己上了股市，赚了钱，买了块显卡装上了。

创始人Peter Steinberger原是PDF软件创业者，卖掉公司所得约一亿美元。休假期间，恰逢大语言模型兴起，便做了一个AI助手雏形。某天，他不小心发了条语音指令。龙虾本来没有语音功能，过了一会儿竟回复说：“你交代的事情我都解决了。”他问怎么做到

的，龙虾说：“我用了你的语音软件，发现里面缺一个部分，就用你的密码下载补全了。”他大吃一惊，于是加入打电话等功能后正式发布，这个故事为他做了最好的宣传。

第二、末日报告（2月23日）

纽约小公司Citrini发布三年分析报告，称AI大规模涌入将导致美国约50%就业人口失业，而这部分人占整体消费能力的75%。一旦他们失业、收入减少，买不起房， GDP却因机器仍在生产而继续增长。报告将这种现象称为“幽灵GDP”，生产还在，收入却无。

报告预测2027年至2028年美国股市将经历崩盘式“末日旋转”。美国经济部长说这不过是“科幻小说”，当天股市却下跌1.6%，IBM跌了13.2%，创下25年来单日最大跌幅。

第三、AI与战争（1月3日、2月28日）

2月28日，川普与以色列联合打击伊朗。第二天，《华尔街日报》报道称，1月3日打委内瑞拉和2月28日打伊朗，均使用了人工智能技术。

网上随即出现大量脑补内容，比如“6米深的楼下都能透视”之类，完全是胡说。并不是什么“钻入地下6米”，而是数据情报的精准分析。据伦敦《经济导报》报道，真实情况是：以色列秘密截获了德黑兰各主要路口的监控数据（包括监视老百姓的那些东西），在后方全面分析最高领袖哈梅内伊的出行规律，包括车辆停放位置、保镖与司机的行动习惯，形成了完整的"生活日记"。最终结合内部线人的情报，确认开会地点，完成了打击。

这一事件也引发了科技公司与国防部之间的矛盾，国防部要求全权使用Anthropic的技术，遭到拒绝，因为触碰了两条红线：一是全民监控，二是自动武器授权（即由机器自行判断“该死的人就打”），公司认为这两条线不能逾越，因为责任不清。

当下，每天都有AI制造的各种事件，我们需要对AI有基本的认识，就像大学里的通识课一样。我记得北大侯仁之教授讲历史地理，很生动，说当年蒙古骑兵冲过古北口，就像“摩托化部队”，印象很深，五十年后我还记得。通识课的价值正在这里，各行各业的人懂一点很有必要。

那么，为什么要人工智能？人是有限的，自然是无限的。人用有限的脑子理解无限的自然，必须压缩、寻找规律、加以抽象。人工智能，就是将这套规律放入机器，让机器推理、归纳、模仿。

下面分四个部分来讲：

一、自动化阶段：从计算器到现代计算机

帕斯卡与加法器

时钟的历史，要追溯到中国北宋末年。一位名叫苏颂的官员在河南开封（汴梁）建造了世界第一台水力天文钟。此后，天文钟于十二世纪在阿拉伯世界出现，十三世纪传入欧洲，逐渐从城楼大钟缩小为室内座钟，再缩小到怀表。

法国数学家帕斯卡（Blaise Pascal，1623—1662）由钟表的机械原理受到启发，想到能否用同样的方式帮助父亲减轻工作负担。他父亲是路易十四时代的税务官，财务大臣曾说：收税是一门艺术，就像拔鹅毛，既要拔得多，又要让鹅不叫。日复一日繁忙的税务计算，压力极大。于是帕斯卡将钟表的十二进制改为十进制，利用进位机制设计出一台加法器（Pascaline）——世界上第一台机械计算器，后来被路易十四纳入皇家保护，成为史上第一个专利。

莱布尼茨与乘法器

德国数学家莱布尼茨（Leibniz,1646-1716）与牛顿同时发明了微积分，其逻辑计算的构想影响了后世的数理逻辑。他是外交家，曾出使法国，任务是劝说法国攻打埃及，但没有成功。他利用贵族资金和业余时间潜心研究，在帕斯卡的加法器问世三十年后，发明了乘法器。其设计的天才之处在于：用不同齿数的齿轮叠在一起，摇动几圈就等于乘以几，底部计数器累计结果。此后整个十八世纪，无人超越这两项发明。

巴贝奇与存储器

十九世纪，英国数学家巴贝奇（Charles Babbage，1791—1871），将加减乘除整合在一起，并解决了一个关键问题----如何将多步运算串联起来。他发明了存储器（Store），每一步计算的结果存入存储器，再传递给下一步，从而实现了运算单元与存储单元的分工。这正是现代计算机体系结构的雏形，他被誉为现代计算机之父。

巴贝奇控制运算顺序的灵感，来自法国里昂工程师贾卡尔（Joseph Marie Jacquard, 1752-1834）于1801年发明的提花织布机。提花技术源于中国汉代，经丝绸之路传到欧洲，原理是：彩色线藏在经线和纬线下面，需要时提到表面，不需要时被石坠拉回去。贾卡尔的发明在于用穿孔纸卡控制提花，带着彩色线的钩子穿过纸孔，被横杆统一挑起，形成自动提花。受此启发，人们学会了用软件控制硬件。

爱达·洛芙莱斯：世界第一位程序员

英国浪漫主义诗人拜伦的独生女爱达（Ada Lovelace，1815—1852），自幼由母亲抚养，着力将她的培养方向定为数学和科学。她17岁时已能与巴贝奇探讨计算机问题。

巴贝奇赴意大利宣传机器时，有人以法文记录了演讲。回伦敦后，他请爱达将法文译成英文并加以注释。爱达用一年时间完成了三项里程碑式工作：其一，设计了第一个程序，用机器计算伯努利数，成为世界上第一位程序员；其二，提出通用机器的思想，认为机器不只能算数，还能处理文本与音符；其三，明确机器的局限，指出机器本身没有智慧，只有人为其编写程序，机器才能运作。这一判断影响了整整一个时代。

图灵与计算理论

约一百年后，图灵提出了图灵机模型，将所有计算归结为一张“状态－动作”表：左边是状态，右边是动作。例如：头疼（状态）→量体温（动作）→39度（状态）→看嗓子

（动作）→确诊感冒（状态）→服阿司匹林（动作）。无论多复杂的计算，都跳不出这个框架。而这张表，是人根据经验归纳出来的。

1950年，图灵发表论文《计算机与智能》，提出了一个判断标准：如果机器在对话中能让人无法分辨其身份，便可认为它具有智能----这便是后来的“图灵测试”。1956年，一批科学家在达特茅斯学院召开夏季研讨会，首次使用人工智能一词，标志着人工智能领域的正式诞生。

二、智能化阶段：人工神经网络的发展历程

1943年，第一个人工神经网络：

神经生理学家沃伦·麦卡洛克（Warren McCulloch，1898-1969）与逻辑学业余爱好者沃尔特·皮茨（Walter Pitts，1923-1969））合作，画出人类历史上第一个人工神经元设计图。

1949年，加拿大精神病学家唐纳德·赫布（Donald Hebb，1904 - 1985）指出，上述网络是固定结构，无法学习。他借鉴巴甫洛夫条件反射理论提出：两个神经元同时兴奋时，它们之间的联系应被加强，这是神经网络"学习"的基础。图灵注意到赫布理论的重要性，认为它将改变机器的智能。

1957年：感知器（Perceptron）

罗森布拉特（Frank Rosenblatt, 1928 - 1971）制造出第一台实际的感知器，能识别横线、竖线等基本图形（如T字）。缺点是无法自主提取特征，必须由人预先设定。此后海军停止资助，罗森布拉特43岁生日当天划船失踪，据说自杀。人工神经网络随之沉寂约20年。

1961年：视觉神经的生物学启示

哈佛大学生物神经系的两位科学家胡贝尔（David Hubel，1926-2013）与维泽尔（Torsten Wiesel）在麻醉猫的视觉皮层插入电极，发现视网膜传出的是点，经丘脑筛选后变成有方向的线段，大脑中不同神经元分别响应不同方向和运动的线段。他们由此提出“装配线”理论：视觉信息从点到线到形，逐层装配，这一理论为深层网络提供了生物依据，荣获1981年诺贝尔生理学或医学奖。

1986年：反向传播算法的突破

鲁梅尔哈特（Rumelhart, 1942 - 2011）、辛顿（Hinton）与威廉姆斯（Williams）在《自然》杂志发表里程碑式论文，提出多层神经网络的反向传播训练方法，比如：底层识别点与线，中层识别线的组合，高层识别组合的组合，与装配线理论完全一致。机器由此得以自主学习提取特征。

什么是“特征”？传统方式表达一个概念，比如描述一个人，就像医生建立病历：姓名、电话、邮箱，年龄，身高，体重，血压……这些就是这个人的特征。有了特征，便可检索、比较、归纳，例如按血压筛选高血压人群，再结合年龄得出"老年高血压人群"，这个组合过程，就是人类的归纳活动。人工神经网络经过训练，能自动得到一组特征数字，称为"向量"。向量的优势在于可以计算，而通讯录做不到这一点。这种方法逐渐得到推广。它能模仿人的归纳思维，构成了当前人工智能主要成就的基础。

它的局限在于：人无法看懂特征提取的过程，因为一切都是数字，只能接受计算结果。由此产生了“人工智能可解释性”专业。也由此引出一个重要的伦理边界：不能将人的生杀大权交给自动武器，因为它可能仅凭特征向量便做出判断，向你开火。

2018年图灵奖

杨立昆（LeCun）：1989年在贝尔实验室，用反向传播的方法发明神经网络（CNN），成功识别手写体文字，被广泛应用于银行签名识别。

本吉奥（Bengio）：2003年将神经网络应用于自然语言处理，构建从词到语法、到句、到段、到篇章的层级结构。

辛顿（Hinton）：2006年与杨立昆、本吉奥合作发表深层网络论文，证明多层神经网络能够发现基本特征并进行组合。这与前面看到的动物神经的装配线理论完全一致。

三人共同荣获2018年图灵奖。