AI教父辛顿对话中国芯片先锋：超级智能风险与产业机遇

据智东西12月2日消息，近日，77岁的诺贝尔物理学奖得主、被誉为“AI教父”的杰弗里·辛顿（Geoffrey Hinton）在2025 GIS全球创新展上发表了主题演讲，并在硅谷知名科学家吴军的主持下，与中国AI芯片领军企业云天励飞董事长兼CEO陈宁展开了一场精彩的线上对话。

辛顿曾提出著名的“AI养虎论”——在早前7月的访华演讲中，他将超级智能比喻为最终可能反噬人类的猛兽，呼吁像几十年前美苏联合预防核战争那样进行全球治理。当这位AI领域的“先知”带着终极忧思，遇见正蓬勃发展的中国AI产业力量，双方会碰撞出怎样的思想火花？

本次演讲及高效对谈，浓缩了从危机认知、范式博弈到技术路径的全景探讨，智东西将核心信息提炼如下：

1、（辛顿）AI系统之间的知识蒸馏效率相比人类信息交换，“效率提升高达数十亿倍，这确实令人震惊”，其进化速度可能远超人类。

2、（辛顿）一旦创造出超级智能，它们会衍生出“生存”子目标，并极擅长欺骗人类。我们必须确保AI永远不会针对人类。

3、（辛顿）在AI转型中，中国可能更具动力，政府与大企业协作更深入，对后果有更多预防措施，AI带来的负面影响或许比美国更小。

4、（辛顿）发展AI若忽视实际应用，将是重大失误；只考虑应用而不推动底层技术，同样错误。基础研发与应用两者均至关重要。

5、（辛顿）受大脑启发的模拟计算功耗极低，能效潜力巨大，但存在“硬件与知识绑定”缺陷；主流数字计算功耗高，但知识可分离共享。

6、（陈宁）通过设计更高效的NPU（神经网络处理器），目标实现百倍以上效率提升，将智能体推理成本降低百倍。

7、（陈宁）到2030年，AI芯片产业规模可能达约5万亿美元。推理芯片将占主导（约80%），其市场规模远超训练芯片。

辛顿的演讲及圆桌对话纪要全文如下，智东西做了不改变原意的编辑：

01.辛顿最新演讲：AI学习速度领先人类数十亿倍，“确实令人震惊”

辛顿本次演讲从AI发展历史与运作机制谈起，他指出，现代大语言模型的强大能力在于仅通过预测下一个词的任务，就能学习复杂语言结构与语义，这一过程与人类学习语言方式高度相似。

随后，他肯定了受大脑启发的“模拟计算”的巨大能效潜力。辛顿提到，我们习惯于数字计算，这种主流方式功耗高，限制了模拟特性的利用；受大脑启发的模拟计算功耗极低，但也面临“硬件与知识绑定”的挑战。

将视野拉回当前AI产业发展图景，辛顿赞叹了AI知识传递与智能体进化的惊人效率。

他表示，AI之间学习正加速。以DeepSeek与Llama模型为例，他阐述“AI系统间蒸馏效率远高于人际交换”，相比人类信息传递，“效率提升数十亿倍，确实令人震惊”，AI进化速度可能远超人类生物进化与文化进程。这是其演讲中最具警示性的观点之一。

以智能体协作为例，他谈道：成千上万的智能体协同工作，分享经验，通过数字神经网络连接，这是人类难以做到的。虽然生物计算能耗低，人类仅需一碗饭、一个馒头就能驱动大脑，但在信息传递与分享方面，效率太低。

他进一步指出，若能源成本低廉，数字计算肯定比大脑计算更优。

最后，辛顿重申了超级智能的风险与治理，并强调中国在这方面的优势。

他认为多数人相信未来20年内超级智能可能被制造出来，一旦制造出超级智能，它们将拥有“生存”子目标并极擅长欺骗人类。他倡导，必须确保AI永不针对人类，各国家和地区应携手引导AI正向发展，重构人与AI共存的治理模式。

他还提到，中国在这方面更具优势，政府与大企业协作更深入，中国在转型中可能更有动力，也会对转型后果采取更多预防措施，在中国，人工智能的负面影响可能小于美国。

02.中国AI芯片先锋对话辛顿：算力成本降百倍，推理芯片主导5万亿市场

辛顿描绘了AI进化能力与潜在风险的宏大图景，并提及算力瓶颈及潜力方向。那么，正处于AI产业化浪潮中心的中国科技力量，特别是一线致力于降低算力成本、推动技术落地的实干家，将如何回应？

在辛顿演讲后，硅谷科学家吴军、中国AI芯片企业云天励飞董事长陈宁与他从最底层的类脑计算探索，到现实的产业区域竞争，再到未来市场规模预测，展开了务实而前瞻的探讨。

吴军（左）、陈宁（中）和辛顿（右屏幕）

1、从前沿类脑计算到NPU：智能体推理成本将降百倍

吴军：辛顿教授刚提到模拟计算，并与数字计算对比。您认为，是否可能将数字芯片和模拟芯片集成到芯片级或计算机级系统中，从而制造更接近人类的系统，更好模拟人类思维？我们是否可能借此创造物理世界中的数字人？

杰弗里·辛顿：这确实有明显优势。模拟芯片在功耗、计算能力及传输效率上表现更佳。目前许多研究者在培育“类器官”，例如在圣克鲁斯等地，“类器官”培育已取得一些成功。

吴军：我们是否真能利用这类技术实现细胞组合与生成，并进行计算？这样的“类器官”是否能模拟人脑计算，从而大幅节能？

陈宁：在我们为“类器官”找到合适算法前，很难创造真正价值。类器官必须结合高效学习算法，才能真正实现能效提升，达成计算目标。

杰弗里·辛顿：目前尚未实现基于脑细胞“类器官”的计算，这类模拟计算还未发挥巨大价值。谷歌的芯片在语音识别后，可能会进一步突破，打造新硬件芯片。若真想实现生物计算，还有很长的路。无论是研究方向还是具体项目，都需更多探索。

吴军：当前人工智能已取得许多进展，但训练类似ChatGPT的模型，仍可能花费数十亿美元。您刚提到可通过模拟设施解决，正好现场有专家可谈此问题。陈宁博士，你们是否通过研究将AI成本从数十亿美元降至几千美元？

陈宁：我们约从11年前开始这项工作，公司名“云天励飞”。我们的使命是设计更高效AI芯片。辛顿教授提到AI非常强大，需更好训练AI——我完全同意。我们需要更好、更高效率、更低成本的AI，这些都至关重要。AI向善意味着AI本身具备强大能力，并真正为人类服务，让全人类广泛受益。

我们现在需建立更经济的AI训练模式，NPU（神经网络处理器）是实现高效AI的关键。谷歌在TPU（一种NPU）方面做得非常出色，与同性能GPU相比能降低约30%成本甚至更多。2025年我们将进入AI推理时代，大家现都在讨论智能体，我们的目标是将智能体推理成本降低100倍，原本需花1美元（消耗几百万token）处理的任务，不久后可能只需1美分。再过两年，人们将能从AI中获得更多益处。从此角度看，AI将能覆盖更广泛人群，例如在农业农村发展、医疗健康、教育等领域，AI都能发挥巨大价值。

如今，许多国家和地区都在训练自己的AI模型。中国在AI方面发展非常快，也在不断探索更多AI应用场景。预计到2027年，即两年后，AI应用和智能体普及率将超70%；再往后推三十年，这比例预计超90%。现在每家公司都在使用AI，每个普通用户也在用。

AI能提供被采纳后的反馈，而来自真实世界的反馈对AI也非常重要。这可从两方面看：一方面，我们为AI提供输入，这本身是一种反馈；另一方面，AI给出反馈后，我们再对它反馈，这样AI就会变得更聪明。这也是我们公司的目标和产品方向——我们已设计5代NPU和GPU，希望能为整个行业提供更具成本效益的AI芯片。

2、辛顿称忽视实际应用或底层技术，都是重大失误

吴军：今年7月您曾去上海，看到许多研究机构做大语言模型；您也常来香港，香港和深圳正成为全球硬件中心并诞生大量原生AI硬件。在AI时代，您认为两地（长三角和粤港澳大湾区）哪个有更明显优势？

杰弗里·辛顿：长三角和大湾区优势不同。我们需思考如何通过AI应用与研究创造更多价值，针对不同应用场景提出新思路，这些都非常关键。我们努力让AI变得更智能，但如果忽视实际应用，将是重大失误；而如果只考虑应用，却不思考如何改进技术、推动底层理念发展，那同样大错特错。中国拥有上海周边的长三角地区，那里聚集大量AI技术开发力量；而大湾区或许更侧重于AI应用层面。基础研发和应用两者都非常重要。

吴军：下一个问题想问陈博士。您提到五年后token计算价格可能大幅降低，届时芯片市场或许占整个AI市场的20%。您预计未来3-5年芯片市场规模达多大？如果不考虑英伟达，未来3-5年整个市场规模又是多少？这将对整个行业产生怎样影响？

陈宁：五年后，芯片在整体市场中的份额确实会下降。到2030年，AI芯片产业规模可能达约5万亿美元（市场收入）。今年我们还没看到大变化，但到2035年，AI将实现从训练到推理的整体转型或过渡。AI模型会有更多应用，而智能体的应用也需做得非常出色。大约12个月后，我们或许会看到推理芯片市场规模超过训练芯片。

到2030年，训练芯片规模可能在1万亿美元左右，而推理芯片可能近4万亿美元。刚才提到芯片占整体市场比例会下降，这主要由于训练芯片占比降低，但推理芯片有望大幅增长。总体看，通过相应计算，推理芯片应会占AI芯片的80%，这数字经过比较准确测算。

未来五年，AI将重新定义所有数字应用、硬件和电子设备，AI智能体也可以帮助我们的生活变得更高效、更美好，届时AI推理芯片将无处不在。我也向国际电联提出建议，希望他们能启动一项全球推理芯片的标准制定，让世界各地都能在互联互通网络中获取更多收益和价值。相信AI芯片会像水电一样无处不在，发挥巨大作用，同时成本也会大幅降低。

3、辛顿：不后悔发布神经网络论文，但应更早警惕AI风险

吴军：我对您的经历很感兴趣，您本科没读计算机而选择心理学等其他专业，广泛涉猎如何帮助您成为最顶尖计算机科学家？或者说，对计算机科学家而言，是否有其他技能可帮助他们更好锤炼自己？

杰弗里·辛顿：我读的是心理学、生理学和哲学，一开始完全不懂计算机科学。如果说要我动手搭建一条管线，我可能毫无办法；但如果要提出一个解决方案，我可以给您一些相关建议。早在中学时期，我就对生理学特别感兴趣，我想弄明白大脑如何运作。我学习了心理学、生理学，后来又学了人工智能和神经科学。这些不同学科其实都是为了解决某些具体问题。所以当我们遇到真正棘手、特别困难的难题时，跨学科知识往往能提供更好解决办法。当我们想解决一个问题时，就会主动去学习那个领域的知识，以此推动问题解决。这也是为什么我后来会去学习统计物理学。

吴军：上世纪90年代初，神经科学还是非常热门领域，但十年后出现所谓的“神经科学的冬天”，很多这个领域人才离开研究岗位，转向其他领域。对您来说，是什么让您相信自己仍走在正确道路上？在人工智能遭遇寒冬时，您为什么会坚持走下去？

杰弗里·辛顿：对我来说，最关键的并不是我要做出怎样的技术，而是我想理解大脑如何学习。当我们最初发现神经网络时，在数据有限的情况下，它的表现甚至不如SVM（支持向量机）。但我依然继续研究神经网络，因为我对大脑的学习机制太感兴趣了。后来事实证明，支持向量机之所以一度表现优于神经网络，是因为当时使用的数据集比较小；一旦有了海量数据，神经网络的价值就真正展现出来了。

陈宁：如果您有一台时光机，可以回到2012年，甚至回到开始研究神经网络后的几十年，您还会发表那篇AlexNet论文吗？如果没有发表那篇论文，现在的技术发展会慢很多吗？

杰弗里·辛顿：这问题其实不太好回答。我认为该发生的终究会发生，我可能还是会发表那篇论文。但如果真能回到过去，我可能会从那时候起，就开始警惕人工智能可能带来的一系列风险——这是我现在能想到的、若回到过去会想做的事。

03.结语：务实发展推动AI普惠，全球协作治理推动AI向善

在这场跨越地域与视角的对话中，辛顿以其一以贯之的深刻与警醒，将超级智能的长期风险置于聚光灯下。而来自中国AI产业前沿的探索者，则展示了如何通过技术创新与产业协作，在当下解决成本、能效与普惠等迫切问题。

两者看似一远一近，实则构成了应对AI时代挑战不可或缺的一体两面。没有对终极风险的清醒认知，当下的狂奔可能迷失方向；而缺乏将宏大愿景转化为务实解决方案的能力，再深刻的警告也可能沦为无力的空谈。

可以看到，从降低百倍推理成本的具体目标，到构建全球芯片互联标准的倡议，中国力量正在尝试将安全、普惠与发展的多重目标，编织进技术演进的现实路径中。