辛顿和杨立昆，真的“闹掰”了吗？

一场被写成私人恩怨的争论，究竟在争什么后台有人留言：此前写过辛顿，也写了许多全球知名的AI研究者，为什么一直没写杨立昆？说来没有特别的原因。我读过他的著述，知道他在深度学习史上的位置，只是一直没有把这个选题提上日程。最近看到一篇文章，标题是“图灵奖双雄彻底决裂”，称杨立昆把大模型斥为“高级搜索引擎”，辛顿与苏茨克维随即“绝地反杀”。这倒提醒我：杨立昆值得写；但若顺着这个标题写，恐怕恰好错过了最值得研究的东西。我先把材料的时间顺序重新排了一遍。苏茨克维关于“预测文本需要某种程度的理解”的侦探小说比喻，出现在2021年的访谈；辛顿在多伦多大学谈“预测下一个词与理解”的演讲，发生于2023年；杨立昆将当下大语言模型比作知识压缩和信息获取系统的那场印度论坛谈话，则发生于2026年。把前两个旧观点接在后一个新发言后面，写成“当场反击”，是一种戏剧化剪辑，不是可确认的事件经过。三位2018年图灵奖共同得主是辛顿、杨立昆和约书亚·本吉奥；苏茨克维是辛顿的学生、2012年AlexNet论文作者之一，不是图灵奖得主。 “彻底决裂”也缺乏足够证据。辛顿在2025年诺贝尔奖官方访谈中，提到杨立昆时仍称他为朋友，并明确说他曾是自己的博士后。这当然不能证明两人在2026年对彼此仍无芥蒂；但至少说明，公开的激烈争论不等于已经发生私人关系断裂。我们有理由研究分歧，没有理由替两人编造决裂。真正的故事，比“谁怼赢了谁”重要得多。这两个人曾共同帮助神经网络摆脱边缘地位，如今却在追问同一个问题时得出不同答案：一种机器仅靠预测人写下的文字，究竟能在多大程度上学会世界？这里隐藏的不是口水战，而是AI下一阶段最昂贵的一场科学与产业下注。一、他们不是两个阵营的天敌，而是同一场革命的两条分支要理解今天的分歧，先要把两人放回各自走过的路。辛顿在剑桥学实验心理学，在爱丁堡获得人工智能博士学位。对他而言，AI从来不只是造一个好用的程序，更是一个认知科学问题：人为何能从经验中形成概念？复杂知识是否可能分散地存放在大量简单单元的连接中，而不是写成一张张明确规则表？他的研究长期围绕神经网络、分布式表示、学习算法以及视觉和语言中的内部表征展开。多伦多大学对其学术经历和成果的介绍，把深度学习在语音识别、物体识别中的突破列为其研究团队的重要贡献。杨立昆的入口则更像一位工程师的入口。他在法国完成计算机科学博士研究，1987年前后到多伦多大学与辛顿共事，随后进入AT&T贝尔实验室，把神经网络用于手写文字识别。一个邮政编码写得歪歪扭扭，机器如何仍认出它是几？这个问题逼人承认：智能不能只靠枚举各种笔画组合，更需要从数据中学出某些对位置变化、形状扰动仍然稳定的结构。后来成为计算机视觉基石的卷积网络，正是在这样的任务压力下成长起来的。这里的师承关系也需要说准：杨立昆曾在辛顿所在的多伦多大学团队做博士后，并非辛顿的博士生。两人的共同学术根基，是联结主义研究传统：智能不必完全依赖人预先写好的规则，神经网络可以从数据中学出有用的内部表征。2018年图灵奖授予辛顿、杨立昆和本吉奥，不是因为三人赞同某一种大模型商业路线，而是因为他们的概念和工程突破，使深层神经网络成为现代计算的重要组成部分。辛顿参与的AlexNet团队，又在2012年把大规模数据、计算资源与卷积网络结合，改变了视觉识别的研究重心。今天的语言模型与杨立昆的世界模型路线，在目标和方法上各有差异，但都延续了这条重视数据与表征学习的技术脉络。分叉发生在更深一层：让机器在大量数据中寻找规律，当然可行；但该让它预测什么，才能逼出我们真正需要的智能？辛顿越来越看重一种现象：如果任务足够难，网络为了完成任务，可能被迫在内部建出有用的概念。杨立昆并不否认这种现象，却认为任务的选择决定了概念的上限。让机器预测文字，可以学到许多关于文字所描述世界的规律；但文字只是人类已经说出来、写下来的世界，机器未必因此学会了在世界中行动。这才是两人的思想血脉：一个从“学习过程怎样长出表征”追问智能；一个从“什么样的表征足以支持感知、预测和行动”倒逼学习过程。这是一种分析上的概括，不是他们自己给学派取的名字；它的价值在于，能解释为什么两位深度学习的开拓者，会同时相信神经网络，又对当下最成功的神经网络产品给出不同判断。二、辛顿真正要捍卫的，不是“聊天”，而是预测能否逼出理解 “下一个词预测”，听起来低级得惊人：给机器一句“雨越下越大，他出门时带上了……”，让它猜后面可能是“伞”。如果只是这种题，靠统计搭配似乎足够。但语言里有大量不能仅靠邻近词频处理的问题。一篇小说写了几百页人物动机，最后才揭晓谁是凶手；一段程序表面上只差一个符号，却要维持前后数百行逻辑；一个法律问题需要区分条件、例外与冲突的规范。越想预测得准，机器越可能需要把人物关系、规则结构和问题情境压进内部状态。这正是苏茨克维在2021年访谈里借侦探小说说明的意思：要对后文作出很好的判断，就需要某种有意义的理解。他的措辞不是“任何能续写的模型都已经理解世界”，而是把预测质量和内部结构学习联系起来。辛顿在2023年的演讲中也明确表达过：若要很好地预测后续文字，不能只看表面词串。这套论证最有力量的地方，在于它提醒人们不要把训练任务的形式误当成模型全部能力的形式。一个学生为通过考试而学习，但你不能据此说他只会填答题卡；一个模型以续写为训练目标，也可能在过程中学到语法、概念关联、代码结构和一部分世界知识。将大语言模型说成“只是复制粘贴”或“只是搜索引擎”，同样低估了已经发生的能力跃迁。不过，辛顿一侧的论证也有一条常被忽略的边界：“预测得好，需要学到某些结构”，不等于“预测得好，便拥有完成一切任务所需的结构”。假设一部小说结尾写着“他把杯子放在桌边，杯子随即……”——模型正确预测“掉了下去”，可能是因为理解了物体支撑关系，也可能是因为读过无数类似文本。只看这一题，我们分不出两种原因。更关键的是，即便它知道杯子可能坠落，也不等于它能看见这只具体的杯子、预测自己伸手时的力道，并在杯子滑动的瞬间及时接住。这里有四级台阶，不能一步跨完：发现规律、形成可复用的内部表征、对未见过的情境作可靠的反事实预测、在真实环境中持续行动并纠错。辛顿路线的强项，是证明第一步能够通向远比过去想象更广的第二步，甚至在不少文本与代码任务上碰到第三步。它尚未凭“下一词预测”这一原则本身，证明这四级台阶可以无条件贯通。辛顿本人也不是一种“只要继续做纯文本模型，其他都不必研究”的漫画形象。翻看他的研究目录，视觉、运动控制、分布式表示和不同学习算法都在其中；把他简单归入“大语言模型原教旨派”，既不符合历史，也无助于今天的判断。三、杨立昆说的“信息检索”，是在批评智能上限，不是在否认现实效用再来看杨立昆。在2026年印度AI峰会的炉边谈话里，他先承认大语言模型“极其有用”，然后说它们“在某种程度上、除少数领域外，主要是信息检索系统”：它们压缩了人类生产的大量事实性知识，使人们能用比过去更便利的方式获取这些知识；他也特意承认，有些领域显示了超出简单检索的能力。若删掉这些限定语，把他的发言改写为“所有大模型都是毫无智能的高级搜索引擎”，便不是原话的完整意思。为什么他要用这样一个容易招致反驳的比喻？我认为，他是在区分两张成绩单。第一张叫人类知识接口：人写下来的论文、程序、制度、故事、经验，机器能否消化、重组、推送给需要的人？在这张成绩单上，大语言模型无疑是重大进展。它改变搜索、写作、编程，也可能重做许多组织的知识流动方式。第二张叫自主世界行动者：面对一个从未见过的房间，它能否知道玻璃杯与塑料杯落地的后果不同，手指该用多大力，旁边有人走过时该如何调整，犯错后能否在不造成伤害的前提下恢复？这张成绩单不靠回答得流畅，而靠环境反馈。杨立昆的判断是：第一张成绩单的高分，不能自动兑换第二张。这个判断来自他对学习材料的一个基本假设：语言是人类对世界的加工记录，不是世界本身。人们不会把每一次拿杯子的手感、遮挡后的物体连续性、鞋底与地面的摩擦、家务操作中数千次细小修正都写成文字。仅通过阅读人类留下的文字，机器可以获得丰富的间接知识，但要形成稳健的物理预测和行动能力，还需要直接处理视觉、运动、动作后果等信号。这个假设有直观的说服力，却不能被偷换成一个已证明的“不可能定理”。文本里确实包含大量物理世界知识；多模态模型也在把图片、视频、语音、工具使用和机器人动作纳入训练。一个以语言模型为核心、接上视觉、记忆、行动与外部反馈的系统，到底还能不能算“纯语言路线”？边界正在被产业实践不断改写。因此，对杨立昆最严谨的理解不是“语言模型永远没用”，而是：当目标从处理人类表达，转向对真实世界进行长时段、可纠错的自主行动时，单靠语言预测目标所提供的学习压力，很可能不够。四、为什么他押注JEPA：不要求机器画出下一秒的每片叶子杨立昆的批评若只有“语言不够”，还不足以构成路线。真正需要解释的是：那他主张机器学什么？他在2022年的立场论文中提出一种通往自主机器智能的设想：系统需要感知模块、世界模型、短期记忆、行动规划与内在目标；它不仅要认出眼前的物体，还要预测“如果我这样做，接下来可能发生什么”。这是一份研究路线图，不是已经造出的完整通用智能。其中一个核心想法叫JEPA——联合嵌入预测架构。名字很难，意思可以用一段录像讲明白。假设摄像头拍到一个孩子举起球，下一帧被遮住。若要求模型把随后每一个像素都画对，它还得猜阳光闪烁、衣服褶皱、树叶摆动、背景路人眨眼；许多细节本来就无法准确预测，即使预测错了，也无碍判断球会怎样运动。JEPA不急于重画完整画面，而是把画面先转成一种压缩的内部表示，再预测下一段画面的相关表示。它试图抓住有助于理解和行动的结构，容忍那些不可预测且不重要的细节。这并不是“图像比文字高级”的简单说法。它真正改变的是学习目标的颗粒度：让模型对未来的关键状态负责，而不是对未来的每一个表面细节负责。倘若这种状态表示保留了物体位置、运动方向、遮挡关系和动作后果，机器就有机会在行动前做内部推演。但问题随之而来：谁来定义“关键”？对拿球来说，颜色可以不重要；对判断球是否属于禁用危险物，颜色也许非常重要。对开门来说，背景噪声不重要；对判断有人在门后呼救，声音又至关重要。一套抽象方式之所以有效，必须对某一类目标有效；把某种任务中的‘噪声’普遍当作噪声，可能恰恰抹掉安全所需的细节。这也是JEPA路线必须面对的难题，而不是一个已经被“抽象预测”四个字解决的难题。 Meta团队2025年公布的V-JEPA 2，是这条路线比较具体的验证：先用大规模视频学习对场景变化的表征，再用少量机器人动作数据让预测与行动挂钩；团队报告称，它在研究环境中完成了跨环境的抓取和放置任务，部分实验成功率约为65%—80%。更值得注意的是，团队自己也列出了边界：实验主要是较短时程的动作，现阶段模型仍主要在单一时间尺度上预测，复杂家务所需的多层规划、触觉和长期纠错仍是未来课题。这是团队成果，不应写成“杨立昆一个人已经造出会做家务的机器人”。同样不能反过来假装大语言模型没有现实成绩。就目前而言，V-JEPA的机器人研究演示与大模型已经进入软件开发、知识工作流程、客户服务和科学辅助任务的产业影响，不在同一张成熟度报表上。杨立昆可能对智能的下一步方向有更准确的诊断，辛顿所支持的预测式学习又可能在当下有更强的商业兑现；两句话可以同时成立。五、双方最深的冲突，是“证据能外推多远” 这场争论最容易被写成“语言派与物理派”，但这种划法太粗。真正值得盯住的，是代理任务的成绩，允许我们把能力外推到哪里。在机器学习里，研究者通常无法直接考试“你是否理解了世界”，只能给机器一个可操作的任务：预测文字、识别图像、预测视频状态、让机器人拿起杯子。每项任务都是一种代理指标。代理指标取得进展时，我们自然会推测背后能力提升；问题是推测到哪一步该停。辛顿更愿意相信，足够高质量的预测，正在迫使网络掌握越来越深的结构。杨立昆则提醒，文字预测的成功可能停留在人类知识表达这一层；若不接受物理行动的检验，就不该轻易把“会解释世界”升级成“会在世界中生存”。两人的分歧不是“有无内部表征”，而是哪一种训练经验足以生成可行动、可迁移、可校正的内部表征。可以用三道关口检验：第一道：迁移。当题面稍微改变，模型仍能解决问题，还是只抓住训练材料中常见的表达套路？例如，换一种光线、遮挡或工具材质，判断是否仍成立？第二道：反事实。它能否可靠地回答“不这样做，改成那样做，会发生什么”？这比补出最可能的下一句话更苛刻，因为现实行动需要比较备选后果。第三道：闭环。预测失败后，它能否从环境获得反馈，及时修正计划，且把犯错代价控制在可承受范围内？一个写错摘要可以重写的系统，与一个推错门会撞伤人的系统，验收方式不可能一样。这里还要避免另一个偷换：JEPA预测视频内部表示，也仍然是一种“预测”。所以这不是“预测派与反预测派”。两边都相信学习必须从世界的规律中来；他们争的是预测对象、经验来源、表征抽象和行动反馈。辛顿不是不需要世界模型，杨立昆也不是不相信统计学习。说到底，是同一个深度学习共同体对“预测”这门手艺作出的两种继续。还有一个更尖锐的现实问题：即使模型在语言与视频中都表现很好，它是否真的懂得行动会改变自己接下来看到的数据？一段普通视频里的机器只是旁观者；机器人伸手拿杯子以后，杯子的移动、遮挡、人的反应都会随之改变。要从“看见世界”升级到“参与世界”，必须学会把自己的动作放进因果链。这就是为什么V-JEPA 2的团队还需要用机器人轨迹数据训练行动条件预测，而不是只靠观看视频。这也是我认为整场争论最有价值的认知架构：语言预测考验知识压缩，视觉预测考验情境演化，行动预测考验因果参与；三者可能彼此补充，却不能用其中一项成绩替另一项提前毕业。六、安全争论为何比技术争论更激烈：他们想象的是两种不同的危险辛顿与杨立昆的意见分歧，还在风险问题上放大。辛顿担心的不是“今天的聊天机器人说错一句话”这么简单。他在多伦多大学演讲摘要里强调，数字系统的模型可以在不同硬件上被精确复制，学到的东西得以快速共享；与不能直接把一生经验复制给另一人的生物不同，数字智能一旦在学习、复制和协同上获得优势，可能会越来越难受人类控制。2025年诺贝尔奖官方访谈里，他把当前的恶意使用风险与将来更强智能体的控制风险分开讨论，并主张投入更多资源研究安全问题。杨立昆看到的是另一种危险：社会过早把现有模型拟人化，把离真正自主智能仍有距离的系统当成几乎无所不能的主体；或者因为对未来能力的想象，过度集中地控制今天的AI基础设施。他对开放研究和多样化AI生态的支持，与对“当前模型已临近失控”的怀疑相连。两人的不同不是一个“有责任心”、一个“没有责任心”，而是他们对**能力距离、风险到来的时间、权力会集中在何处给出了不同估计。这里很难靠一方的姿态结束争论。当前系统不具备某种能力，不能证明未来不会获得；未来的严重风险值得研究，也不能使每一次现有模型的能力展示自动等于失控倒计时。一个更清楚的治理问题是：我们应为哪一类已观察到的失效设计什么约束，又应为哪一类尚未出现、但代价极高的风险保留研究和应急能力？这比给两位科学家贴“鹰派”“鸽派”的标签有用。值得注意的是，辛顿在那次诺贝尔访谈里提及杨立昆，不只称他是朋友，还准确说出两人的分歧：杨立昆认为有可能让比人更强的AI始终可控；辛顿则不太相信这会容易做到。他们争的首先是可控性假设，并非彼此是否还应当交谈。七、把他们放进全球AI思想谱系，真正会出现哪几条轴线？我们此前写过许多AI研究者，若只用“支持大模型”与“反对大模型”把人分队，这张地图会越画越乱。把两人放进去，至少要分开四个问题。第一个问题：智能从哪里来？辛顿代表一种坚实的联结主义信念：机器能从经验和预测压力中学出内部表征，许多过去被认为必须手工设计的结构可以被学出来。杨立昆完全赞成“从经验中学”，但强调经验不该主要停在别人写下的文本，训练任务还必须更直接地面对物理世界和动作后果。第二个问题：什么证据才算理解？辛顿更重视模型能否跨任务展现由表征带来的新能力；杨立昆更重视它能否对变化中的世界作预测、规划并完成行动。两边不是把理解简单地等同于一种考试分数，而是在不同任务上放置验收门槛。第三个问题：下一代系统该长什么样？辛顿的思想为大规模通用神经模型提供了有力解释，但并不限定模型必须永远保持今天的纯文本形态；杨立昆2022年的架构设想，则更明确地拆出了感知、世界模型、记忆、目标和规划等环节。前者警惕低估从规模和学习中涌出的能力，后者警惕把一种训练目标的成功误认为整套智能架构已经齐备。第四个问题：谁来控制能力？辛顿担心能力增长快于可控性研究，主张面对长期风险提前布置；杨立昆则更怀疑当下对“智能即将失控”的推断，并强调开放生态的重要性。关于风险的意见，既受技术判断影响，也受他们对权力集中方式的判断影响。这四条轴线交叉之后，才看得到真正的思想位置。苏茨克维曾是辛顿训练出的研究者；他的2021年访谈把“预测逼出理解”的逻辑讲得很清楚，但这不意味着他2026年参加了对杨立昆的即时“围攻”。如今他的公司Safe Superintelligence Inc.以安全的超级智能为唯一目标，也显示了这一路线对能力前景与治理难题的高度重视。再看另一边，也不能把“世界模型”写成杨立昆独占的山头。Google DeepMind展示过可交互的虚拟环境模型Genie 3，也将视觉、语言、行动结合，用于机器人研究。它们与JEPA的学习目标、系统设计不相同，却都在尝试打通“理解情境—预测后果—执行动作”的链条。这是一个重要提醒：产业最后可能不是选出一位思想家宣布另一位失败，而是把不同假设各自揭开的能力拼进新的系统。这并不意味着路线之争就失去意义。恰恰相反，如果未来世界模型离不开大语言模型的知识与规划能力，辛顿一侧对预测式学习的信心便不会因为机器人路线成功而被抹去；如果未来大语言模型终须靠行动数据、物理反馈和新的内部表示才能稳定进入现实，杨立昆对纯文本外推的警告也会被证实。两边可能同时赢得一部分问题，也可能同时暴露未解决的问题。八、思想进入产业后，最大的差别不是“谁融资多”，而是先服务哪种工作当下大模型的产业优势，发生在已有大量数字化材料与明确反馈的地方。写代码，可以运行测试；处理客服，可以核对知识库、追踪满意度；整理论文，可以回到原文与数据。错误虽有成本，但许多动作至少能在数字环境里撤销、重做、对照。这些场景让“预测并生成符号”迅速变成一门生意。杨立昆选择的长线，更接近视频理解、机器人、工业设备和真实环境中的规划。它要求的数据、硬件、评估方式和容错条件完全不同。对于机器人而言，一次成功拿起杯子的演示只是起点；要进入家庭或工厂，还必须回答：不同材质、光线、障碍、人体干扰下是否可靠？连续十小时运行会不会积累错误？失败时能否停下、解释、由人接管？所以物理智能即便是更深的目标，也不天然是更快的生意。杨立昆离开Meta后参与创立AMI Labs，担任执行董事长，目标聚焦理解和预测现实世界的AI系统。这是他把研究判断推进到公司组织的一步；然而，公司的战略承诺不是技术已经通关，更不是商业模式已被验证。Meta团队过去在V-JEPA上的成果，证明这条研究路线已有可展示的进展，并不自动证明AMI Labs未来必然获胜。反过来看，Meta推进Llama与杨立昆批评语言模型上限，也不必制造成“他一面批评一面偷偷靠大模型”的伪矛盾。一家公司可以同时经营近期有价值的语言模型与长期不确定的基础研究；而杨立昆在Meta的职务与影响，也不等于Llama所有技术成果可直接归于他个人。要评价个人思想，必须把他本人的主张、团队论文和公司的商业决策分开。对企业经营者而言，两条路线的分界不在于采购清单上写“LLM”还是“世界模型”，而在于任务究竟停在信息里，还是已经进入不可轻易撤销的行动。如果目标是汇总知识、撰写初稿、生成可测试的代码，那么先部署大模型，同时建立来源核验、测试、复核与责任归属，通常是现实选择。如果目标是调度设备、操纵机械、改变生产过程或影响人身安全，只追求“回答得像专家”远远不够；必须测试状态感知、动作后果预测、现场反馈与故障停机。这里不是未来派与务实派的二选一，而是让不同能力接受不同的证据标准。九、两位大师各自最该回答的难题一篇真正尊重两人的文章，不应只写出他们最锋利的论据，也必须把他们各自最难回答的问题留在台面上。给辛顿一侧的问题是：如果一个系统在文字、代码和多模态基准上越来越强，却仍无法在陌生物理环境里稳定地预测行动后果，究竟是哪一道训练环节缺失了？是数据还不够、模型规模还不够，还是学习目标确实没有提供足够的行动压力？“继续扩大规模”只有在能指出哪些失败将因此消失、哪些不会消失时，才是一条可检验的论证。给杨立昆一侧的问题是：如果一种抽象预测模型能抓住规律，它凭什么保证被抽掉的细节不是未来任务所需要的？观察视频能否学到足够的因果知识，还是必须付出昂贵的真实交互成本？JEPA从短时视频和有限机器人操作推进到长时、开放环境的规划，究竟还要补哪些模块、哪些数据、哪些安全机制？批评大模型不足，并不能自动证明自己的替代路径充分。而对两人共同的问题是：AI的“理解”究竟应按何种任务、何种代价、何种环境来判断？如果一个模型写出了此前无人写过的正确代码，这是理解的一种表现；如果它无法识别一扇真实门背后有人，也是一种严重缺失。把前者说成“完全没有智能”，和把后者说成“智能已经解决”，都在用一个词遮蔽不同能力。所以，我更愿意把今天的智能讨论重新写成四句话：能表达，不等于能预测后果；能预测后果，不等于能安全行动；能安全行动，不等于能长期自我纠错；能长期自我纠错，也不等于人类已经解决了如何治理它。辛顿让我们不再轻易说“机器只是猜词”；杨立昆让我们不再轻易说“会猜词的机器已经懂得世界”。他们分别挡住了同一种思维懒惰的两面。结语：最值得保留的，不是“决裂”二字回到后台那位读者的问题：为什么此前写了辛顿，却迟迟没有写杨立昆？现在回头看，也许恰好该把两个人放在同一篇文章里。因为杨立昆的价值，既不只是发明过卷积网络，也不只是喜欢对大模型唱反调。他逼迫整个行业直面一个不舒服的问题：当AI在语言和知识工作中不断取得高分，我们是不是已经悄悄降低了对“理解世界”的验收标准？而辛顿的价值，既不只是为当前大模型背书，也不只是发出风险警报。他逼迫怀疑者承认：一种看似朴素的预测任务，可以迫使网络学出远超最初预期的能力；别因为学习目标的形式简单，就断言内部所得一定浅薄。这不是“谁把谁撕碎了”，而是两位亲历深度学习从冷门到主流的研究者，在技术突然变成产业基础设施之后，对自己共同开辟的道路追问不同的问题。真正值得跟踪的，也不是他们下一次在社交媒体上怎么说，而是未来的系统能否通过更严格的考试：从知识的重组，走向对陌生世界的预测；从预测，走向可靠行动；从行动，走向可被人类理解、约束和追责的协作。如果这样的系统最终诞生，它多半既不会是一台“高级搜索引擎”，也不会是一套脱离语言知识的纯物理反射装置。它可能同时继承辛顿对学习能力的信心与杨立昆对世界约束的执拗。那时再回看今天这场被写成“决裂”的争论，最有价值的部分也许不是谁赢了，而是他们共同迫使我们承认：AI真正艰难的下一步，不是让机器说得更像人，而是弄清它在什么意义上知道自己说的，与它即将做的，有什么后果。