今天小编分享的教育经验：对谈张亚勤：我预演中的AGI地图，欢迎阅读。
以下文章来源于腾讯科技 ，作者张小珺
作者| 张小珺
来源 |腾讯科技 管理智慧
咨询合作| 13699120588
文章仅代表作者本人观点
"未来会有新的物种，它将是人类的延伸，然而终究是一个全新物种。"
人人都谈论AGI，但未来AGI到底是一幅什么样的画面？
针对这个话题，我们在2024年底访谈了清华大学智能产业研究院（AIR）院长、前百度公司总裁张亚勤院士。
在他的腦海中，人工智能会按照"信息智能>物理智能>生物智能"的图谱逐步逼近和实现AGI。这种构想和信仰之下，AGI呈现的是一个乐观的前景画面。
在他看来，信息智能的AGI5年内可达到；物理智能的AGI分阶段达成，如人形机器人大约需要10年达到；而最终的生物智能需要花费15年到20年。
到那时，人类大腦不仅能得到全方位的拓展，人类还能大幅度延长寿命，甚至"未来会有一个新的物种"。
"回顾3万年前的人类，你会觉得那和现在的人类是同一物种吗？"张亚勤说，"3万年前的山顶洞人，属于猿人阶段，那时人类虽已开始使用工具，石器时代也有了火，但工具极为原始。如今，我们拥有手机、电腦与互联网。倘若再过100年，后人看我们现今的手机、互联网以及个人电腦，或许就如同我们看待3万年前的火与石器一般。而且，这种进化的速度正变得愈发迅速。"
故而他认为，"或许只需30年，至多100年，到那时，新的物种会比现在的人类聪慧得多。但它依旧由人类掌控，受我们的意识支配"。
以下是对张亚勤院士的访谈。
信息智能：是大腦的智商
张小珺：你之前提过未来20年在实现AGI的路上，会逐步实现信息智能、物理智能和生物智能，能不能推演一下你腦海中AGI路线图？
张亚勤：我一直认为，新一代人工智能是信息智能+物理智能+生物智能。
信息智能很简单，就是ChatGPT，所有文字、影像、视频，是信息世界的智能。
物理智能是把它用到无人车、机器人、现在讲的具身智能，用到基础物理设施去。
生物智能是把人工智能用到比如腦机接口。像ElonMusk的Neuralink，连到生物体、生命体，包括医疗、手术机器人和新药研发。这些领網域当然相互有联系，但它是不同领網域。
我认为5年内，我们在信息智能方面，可以通过图灵测试，达到AGI水平。ChatGPT出来，在文字方面基本达到，后面要加推理、多模态。Sora，希望很快出来。再过一段时间，在自然语言和自然内容上，我们生成的图片、视频，5年内，在信息智能方面达到人类的水平。
张小珺：我们先来讲讲信息智能，信息智能可以改写整个现在的商业生态吗？
张亚勤：人工智能本身并没有改变商业实质，你该做什么，还是做什么。它就是把生产力大幅度提高，会催生出一些新的商业模式，但商业本质并没有改变。
现在，用AI写邮件、写文章更方便，编程效率更高，解数学公式也能靠它。在这些方面，AI会超越普通人，甚至超过数学家、物理学家，其智能水平相当于人类，甚至更高。
人工智能更多体现的是智力。想象一下，有个人腦袋特别聪明，能做很多事。能解题、发明新公式、写出好文章，还能画画、作诗——所以说人工智能就像是我们大腦的智商体现。
以游泳为例，就算你读再多的书，不实际去学，还是不会游泳，必须要在水里练习才能学会。这个就是物理世界的特性，得在实际的物理环境中实践。好比你爱喝酒，不管你多聪明，读多少书，不亲自品尝还是不知道酒的滋味。
信息世界里，人工智能可以做到像一个博古通今、智商极高的人，这在5年内就能实现。
物理智能再需要点时间，物理智能比较高的等级是我们讲的人形机器人，可能还需要10年。10年是不是完全比人厉害？肯定在大部分任务上会超越人类。
物理智能：与其叫机器人，
不如叫"机器anything"
张小珺：物理智能第一个落地的是自动驾驶。
张亚勤：是。无人驾驶是一个相对来讲可控的领網域。
机器人领網域属于开放性问题，而自动驾驶则是封闭性问题。就自动驾驶而言，它只专注于开车这一件事，并且能把这件事做得特别出色。但机器人不一样，它需要具备常识，要理解人类的行为，还要应对诸多复杂的环境。
可以这样讲，无人驾驶其实是一个会开车的机器人，属于垂直领網域的机器人，也是应用于特殊场景的机器人。
举个例子，开车技术好的司机，不需要会写诗，不需要有超高的智商，也不需要会唱歌或者懂生物知识，只要把开车这件事做好就行。这就跟工厂里负责焊接的工人一样，专注做好手头这一件事。然而，人形机器人面临的要求就要多得多。
在机器人的应用方面，我将它抽成三种大场景：一种是家庭机器人，一种是工业机器人，一种是社会机器人。
家庭机器人的概念很容易理解，它主要在家中照顾老人、帮忙做家务，还能陪人聊天。不过，家庭机器人的研发肯定是难度最大的。
社会机器人应用的场景，像警察、保安执行任务，送外卖，还有开车等，都属于社会行为的范畴。未来，警察队伍可能依然需要一些人类警察，但大部分警务工作由机器人来做就很不错。机器人保安或许会比人类保安更出色，当然，它得听从人类的安排，充当人类的助理角色。或许过不了多少年，开车的人就会越来越少，无人驾驶将成为主流。
张小珺：无人驾驶也是社会机器人？
张亚勤：对，那些在街上穿梭、能与大众频繁互动的机器人，属于社会形态的机器人。
除此之外，还有工业机器人。像在危险环境中，比如矿山里，或是在工厂内部从事精细作业的机器人，都属于这一类。相对而言，工业机器人的目标较为明确，且是在特定场景下执行任务。
但我们希望后台的技术是通用的。即便在前端，比如在具身智能方面，或是在边缘计算环节，表现形式可能有所不同，但底层技术最好能通用。
张小珺：你说的是家庭、工业、社会都是通用的？
张亚勤：对。一个通用的后台大模型。我希望它70%-80%的后台技术都实现通用。
张小珺：这个巨大的模型会是今天像OpenAI这样的模型？
张亚勤：是。这些模型必须要多模态，要从物理世界学习东西，然后大模型再把它变成智能。
最后做的时候还是每个地方不一样。但这个后台基本是统一的后台，所以是通用平台。
张小珺：今天大模型和自动驾驶还是两套架构，现在是没有办法融合在一起的，但未来是肯定会融合的。
张亚勤：对，我们现在后台都是大模型。在此基础上，又针对自动驾驶构建了一个垂直模型，这些都部署在云端。而在车上，还配备了一个小型的边缘模型。我将其归纳为三个层级。
就像作業系統一样，作業系統是一个云端作業系統，上面搭载着SuperApps，当部署到手机端时，又有相应的应用程式。今后，不管你把它们称作App还是Agent，本质都是为了完成特定的任务，只是这些任务在不同领網域会有所差异。
举例来说，工业机器人完全没必要做成拟人形态，只要能把相应的工作完成就可以。但家庭机器人的话，拟人形态可能是最佳选择。不过，家庭服务机器人也并非一定要是人形，可能会是类似狗或猫的形态。就像盲人出行，以后或许有机器狗就能引导其行走。
所以说，与其局限于"机器人"这个称呼，不如把这类机器统称为"机器万物（机器anything）"。
张小珺：为什么家庭机器人最好是人形？
张亚勤：人形机器人和非人形机器存在着明显区别。以家庭场景为例，家中老人在与人形机器人进行沟通时，会比与电腦或其他非人形机器的交流更为自然顺畅。
随着技术发展，未来人形机器人的外形会与人类高度相似，甚至达到以假乱真的程度，进一步提升人机互動的自然度。你可以跟它谈心，把它当作伴侣，还能让它帮你处理各种事物。它就变成像你的管家一样。
另外，为什么要有人形机器人？这是因为当下的社会环境，包括各类基础设施，都是依据人类的特点和需求来设计建造的。像爬楼梯、按按钮这类操作，对于人形机器人来说相对容易实现，因为这些设施本就是按照人类的使用方式来设计的。但这更多的是一种选择吧。
再看社会机器人，就拿警察机器人举例，如果它的体型过小，会让人觉得缺乏威严；若体型过大，又会给人带来压迫感，让人感到不舒服。而设计成人形的话，就会给人一种仿佛是人与人在交流的感觉，更符合人们的心理预期。
张小珺：避免"恐怖谷效应"。
张亚勤：对。这更多是一种社会进化，你看到的是你的同类。
我一直讲，或许10年之内，机器人的数量就会超过人类，而且每个人可能自己都有一个你的copy，你的机器人。像你的替身一样。这个机器人能帮你处理很多事，简直就像是你的分身。希望以后每个人配备一个分身，毕竟分身太多可能会引发一系列问题。
这个分身从属于你，对你唯命是从，扮演着助理的角色。这个助理十分聪明，甚至比你都厉害，但它始终会听从你的指令。
张小珺：它属于家庭、工业，还是社会？
张亚勤：都可以。你如果在家里就是家庭机器人。你如果到工厂上班，工厂里面可能有你的机器人，帮你做事。这两个场景不一定要是同一个机器人，但它必须要适应不同的场景。
张小珺：社会机器人和家庭机器人，哪个更难达到？
张亚勤：看情况。所有人形机器人都不容易，需要很长时间。所以我觉得，大概5年或者10年，慢慢地就能看到人形机器人的一些初步样子了。
在机器人这块儿，无人驾驶机器人算是我们已经有成果的领網域。
我刚从旧金山回来，坐了Waymo的无人驾驶车，体验特别棒，它开起来比人开得还平稳顺滑。关键是，现在旧金山的市民都乐意坐这种车，已经不觉得这是什么新鲜玩意儿了，甚至把它当成出行的首选。
张小珺：今年萝卜快跑在武汉，公众还不太能接受这件事。
张亚勤：对，现在萝卜快跑安全性比有人驾驶要高至少10倍，同时开得也很好。虽然落地时间比较短，但乘客评价却很高。目前来看，大众还是认为它是一个新兴技术。
对比中美，阿波罗和Waymo是属于走在最前的，你看到了就会说这是未来的无人驾驶。但无人驾驶可能放到现在车里，也可以作为出租车的一种服务，这是商业模式问题，因为技术能力已经实现了。
张小珺：你怎么看马斯克代表的L2+路线和Waymo代表的L4路线，马斯克也认为他的L2+能够上升到L4。
张亚勤：可以上升到，但现在仍处于发展阶段，还需要进行大量测试，并且要依靠新技术的支持。就目前而言，它还存在一些局限性。
当下的FSD（完全自动驾驶）系统还没办法实现真正意义上的Robotaxi功能，因为FSD设计的是有人参与的驾驶模式，在行驶过程中，人依然可以接管车辆操控。而真正的Robotaxi是完全不需要人接管的，甚至未来连方向盘都不会配备。这对技术的要求相当高。
不过，值得一提的是，这个看似很高的技术要求其实已经有人实现了。要是特斯拉着手去做这方面的业务，以它的规模，影响力会更大。而且以后，其他汽车企业也都有能力做到这一点。
张小珺：车企以后都可以做到？
张亚勤：都能。Waymo和百度在中国和美国证明无人驾驶技术是可行的，这个我觉得很重要。这个时候大家就是看谁跑得快点，跑得慢点，商业模式怎么落地。
看到曙光了。
两年之前我觉得还看不到。像我是一直有信心的，但你问我什么时候发生，我也不知道，现在很清楚了。
张小珺：如果车企能做的话，他们自己本身就有车队，对比Waymo或者百度阿波罗这样的产品，商业模式会不一样吗？最后这个赛道属于谁？
张亚勤：大致想来，存在三种类型的企业：
一种企业是提供服务的企业，例如当下的滴滴，以及传统的出租车运营公司，它们都致力于提供运营服务。
一种是做整车制造的企业。
还有一类企业专注于生产车内相关产品，比如芯片，像地平线、英伟达这类公司便属此类。有些公司可能选择只专注于汽车制造，不涉足Robotaxi服务；而有些公司则仅开展服务业务，使用其他公司生产的车辆。这种情况在行业中都会出现。
就像特斯拉宣称自己什么业务都做，这当然也可行。如此一来，企业之间便会形成一定的竞争态势。但最终谁能脱颖而出，还需拭目以待。而且，最终胜出的不会只有一家，而是会有多家企业在市场中占据一席之地。
张小珺：李想（理想汽车CEO）和何小鹏（小鹏汽车CEO）都说他们做L4的技术，但不会做Robotaxi的平台方。
张亚勤：可能很多车厂不做这个事。就像现在一样，不做出租车生意，只是销售汽车而已。这种情形在未来依旧会存在。总之，整个产业包含三个关键部分：其一是服务，其二是车辆，其三则是车内的芯片、元件等部件。
张小珺：为什么自动驾驶、具身智能在今年这么火？
张亚勤：如今大家都看到行业发展的曙光了。其中，大模型成为了一个关键的促进因素，可以说是引发变革的导火索。我先讲无人驾驶，再讲具身智能。
多年来，无人驾驶一直面临着几个主要难题：第一个问题是数据量匮乏，要大量的测试数据；其次，存在诸多极端情况（cornercase），在实际驾驶过程中，许多场景下的安全问题并不容易遇到，然而在测试时，却又会遭遇各种新问题，这反映出无人驾驶技术的泛化能力较差；最后，人工智能技术方面，各类模型较为分散，例如地图构建是一个模型，视觉识别是一个模型，语言处理又是另一个模型，呈现出碎片化的状态。
这些碎片化的模型，要将它们整合在一起，既要进行感知，又要完成融合，还要做规划以及决策，只能逐个部分去处理。而且其中包含大量规则，有人工智能算法、神经元算法，还有许多固定规则，拼凑得杂乱无章。
大模型出来之后，不能讲完全解决，但能加速解决这些问题。
针对数据不足的问题，生成式AI能够依据真实数据生成大量数据，这使得整个模拟、仿真的速度大幅提升。
关于场景不足的难题，大模型自身具备出色的泛化能力，也就是所谓的常识。大模型不仅拥有常识，还能通过模拟器学习这些常识。因此，即便遇到许多未曾接触过的情况，它也能较为轻松地解决问题。
大模型推动了端到端解决方案的探索。将所有这些模型整合起来，只需一个输入，就能得到一个输出，最多利用一些规则来保障安全。
所以，这三个大的挑战不能讲完全解决，但至少得到了很大程度的缓解，大幅度加速了无人驾驶的这种开发的进程。
张小珺：马斯克提出的端到端模型是一个让大家看到曙光的重要产品。
张亚勤：端到端的方案大家都在研究推进，而且很快就能投入应用，我们现在也已经开始采用。
大模型的出现，极大地加速了相关技术的发展，彻底改变了整个行业生态。以前，我们虽然也有类似的想法，但缺乏足够的认知与技术支持。如今大模型问世，让我们有了实现这些想法的可能。
现在大家都采用Transformer架构。过去可不是这样，一会儿用卷积编码（ConvolutionalCode），一会儿又用循环神经网络（RNN），算法繁杂多样。这其实就是上一代人工智能，深度学习第一代和第二代的区别所在。那时针对不同的输入，要采用不同的算法，产生不同的输出后，再进行融合处理。但现在，无论输入是什么，都用同样的Transformer来处理，也就是基于Token进行处理。
无人驾驶领網域如此，具身智能领網域同样如此。
就拿机器人来说，机器人面临的问题，基本上和无人驾驶类似。只不过机器人领網域的数据更为稀少。而且，在过去，机器人在数字空间进行模拟时，通常采用强化学习的方式，设定一个环境和智能体，让智能体通过学习找到一种策略，然后应用到实体机器人上。然而，实际应用中却常常发现这种策略并不奏效。
现在，AIR(清华大学智能产业研究院)正在研发RSR技术，这项技术将真实世界与物理世界紧密连接起来，从而加快了机器人技术的发展。也就是说，在模拟世界、数字空间里进行学习所获得的成果，能够更好地应用到实际中，让机器人技术更快落地。
张小珺：这个叫世界模型？
张亚勤：你可以讲构建了个世界模型。我把它叫RSR，就是RealtoSimtoReal。
这里的"Real"指的是真实世界中的事物。我们从真实场景出发，通过分析将其转化为数字世界的内容，这就是"从真实到模拟（RtoSim）"，也就是模拟（simulation）过程。在模拟阶段，我们能够运用各种AI生成工具，比如StableDiffusion这类当下新型的生成式AI工具，生成大量内容。借助这些工具，我们把数字世界与真实世界紧密相连。
如此一来，在数字空间里学到的东西便能立刻应用到实际中，这就如同无人驾驶领網域那样，有效地弥补了数据不足的问题。
张小珺：它像是积累了一堆的常识，然后再灌给它。
张亚勤：第三点至关重要，即拥有一个大型模型。在过去，机器人面临的最大难题是无法理解人类意图。它或许能识别听到的字词，却不明白背后的含义，缺乏基本常识。
机器人既没有理解力，也不太具备推理能力。然而，大型模型出现后，情况就大为不同了。这就好比大模型充当了一个"大腦"，可以对前端的机器人进行指挥。这是一个巨大的飞跃，归功于大模型所具备的常识。
举个例子，对于家庭机器人，我下达指令："你帮我把脏衣服拿下来，送到干洗店洗好后再拿回来。"放在过去，机器人完成这样的任务难度极大。但现在相对轻松很多，因为像ChatGPT或者GPT这类模型，在接收到指令后，能够理解其含义，并将指令分解为具体动作，进而指挥机器人去执行。
张小珺：加了个"腦子"。
张亚勤：现在机器人就好比多了个"腦子"，而这个"腦子"，在过去可是机器人最难具备的东西。过去，每一项任务对机器人来说，都是巨大的挑战。但现在不一样了，我们实现了很自然的人机对话，大模型能理解我说的话，然后把任务分解，指挥机器人去执行。
机器人的应用场景特别繁杂。就好比做早饭的机器人和扫地机器人，它们的任务完全不同，不能一概而论。但我们希望机器人的"大腦"，也就是后台系统是通用的，只是前端执行部分有所差异。
过去的做法是，扫地机器人是一套独立的系统，和做饭机器人毫无关联。洗衣服、焊接元件、质量检测、开车等不同功能的机器人，各自都是专用的，相互之间没有联系。但现在，后台本质上是一样的，只是前端根据不同任务有所区别。
这就好比人，一个人具备多种能力。人通过学习拥有基本常识和智能后，既能学开车，也能学扫地。
无论做什么，还是同一个人，不需要每次换个"腦子"。
张小珺：今天开车这个场景是相对确定的，其他工作还不好说。
张亚勤：打个比方，以前我常开玩笑说，机器人会开车却不会开门，就算能开门，又开不了微波炉，即便打开了，还不知道怎么关上。诸如此类的小细节问题，要是每个都专门設定一种新算法，那可太麻烦了。
早期，人们尝试用各种规则来解决这些问题，但现在不同了。现在有了大模型，机器人一看就学会了。学会之后，不管遇到什么东西，它都知道怎么开，也知道该用多大劲。比如说它给你端茶，知道茶是热的，还会提醒你小心。类似这样的事它都能做到，这就是所谓的具备了常识。
那常识从哪儿来呢？就是从大模型中来的。不需要在每个细节上都教它，过去那种一个规则接一个规则地设定，得定多少规则啊！现在不用这么麻烦，机器人学会之后就能举一反三，就跟人一样，学会了就会自己推理。
比如说，你告诉它你饿了，想吃点东西。要是它知道你爱吃香蕉，就可能在房间里找到香蕉拿给你。要是订餐，知道你不吃羊肉，点餐的时候就不会给你点羊肉。它会具备这些常识，不需要把每个细节都记下来。它就像人一样，能理解你，知道这些最基本的生活常识。
张小珺：今天落地自动驾驶和后面的具身智能分别的难点是什么？
张亚勤：为什么我觉得信息世界相对简单些呢，因为在信息世界里，你只要有一部手机或者一台电腦就基本能开展相关活动了。然而，信息世界在部署场景方面，自身的周期会比较漫长，而且难点众多。
以无人车为例，要让无人车能在路上正常行驶，首先就会面临政策法规方面的问题，同时还得解决如何与有人驾驶车辆在道路上相互协调的问题。所以，在这样的物理场景中，要打造一个完整的世界模型。但如果是做虚拟世界，就不需要考虑这些，只需要构建一个物理模型就行，可这也并非易事。
机器人的情况也是如此。比如说，要是用轮足式机器人送外卖，那它该如何上下楼？又要怎么开门？这些具体场景对技术的要求更为复杂。
在每个场景落地的过程中，这些细节问题都需要耗费更多精力去解决。这就好比上学，上课的时候有书本就够了。大模型在信息世界里就如同读书，读了很多书后变得很聪明，能够总结出各种道理，也能表达出来。但真正要付诸实践的时候，还是得实实在在地去做。正所谓"行万里路"，做事还是需要具备相应的技能。
对于机器人而言，关键就在于如何将技术真正落地？数字世界和物理世界怎样才能实现良好的互動？不同场景下情况各异，有些场景可能相对简单，有些则可能难度更大。
张小珺：信息智能，似乎该去的公司都已经入局了，自动驾驶也是，今天不可能再说我要做一个自动驾驶的公司。
张亚勤：不能一概而论地说信息智能就简单。信息智能领網域同样存在不同方向，也有垂直细分领網域。比如说，有的是做横向发展的，但在这个范畴内，可能又会细分出诸如生成图片，或者帮人编写代码这类垂直场景。
当下，自动驾驶正处于爆发阶段。你看相关的公司如地平线这类做芯片的，正逐步崛起。它们已经迈上新台阶，成功上市，不仅有了产品，还能提供服务，大众也开始认可它们。
未来5年，这些公司有着广阔的发展前景。不过，要做好任何一个项目，确实都需要相当长的时间，1-2年通常难以达成目标。就机器人领網域而言，尤其是人形机器人，目前在做的公司，可能要八年甚至10年之后才能有所成果。
我之所以说物理世界的通用人工智能（AGI）会在10年内实现，是因为我认为到那时，AGI将成为主流趋势。
张小珺：做自动驾驶的车企直接开始做机器人会更容易吗？
张亚勤：里面很多共性，最后可能还是看你怎么落地。
机器人整体来讲，要稍微更复杂一些，需要的东西更多。但做无人驾驶是需要更精准一些，因为比如说有的机器人它速度很慢，它比如随便讲做早餐吧。做早餐，它整个速度慢点、快点没关系，但你开车不行的，开车你在多少这个毫秒中犯错就不行了，它的实际需求和要求不一样。所以每个场景的技术也不太一样。
但这里面后台东西都是一样的。首先你需要一个感知模型，你要感知环境，你要理解，你要有action——vision、language和action（VLA模型），这个model还是有的。
生物智能：
拓展大腦，延长寿命，诞生新物种
张小珺：再往后，生物智能呢？
张亚勤：生物智能的实现需要更长时间，因为生物智能需要通过或者植入或者非植入的方式，把我们的大腦和机器连在一块。
我更看好非植入的，看好用更好的、更敏感的传感器，包括一些机器和大腦的接口，新的技术发展很快。
张小珺：我们能在有生之年看到吗？
张亚勤：可以看到，我认为20年之内可以实现。到那个时候，我们人类的大腦将得到全方位的拓展。
大腦的拓展体现在多个维度上。首先，在记忆方面，我们将拥有近乎无限的存储能力。这意味着，很多事情我们无需再依靠自身有限的记忆去记住，存储设备能够帮我们记录下海量信息，极大地减轻了大腦的记忆负担。
其次，智能化发展会让我们变得更加聪明。最初，它可能更多地应用于医疗健康领網域。例如，对于盲人，相关技术可以通过刺激对应的神经细胞，帮助他们恢复一定的视觉能力；对于聋人，能够刺激听觉神经，改善听力；针对残疾人，还能尝试连通并修复受损的神经以及大腦中枢神经，助力他们恢复部分身体机能。
不仅如此，像老年人常患的阿兹海默症，以及小孩的多动症、自闭症等病症，也可能借助这些技术得到有效的治疗或改善。
随着技术的不断发展，其作用将不仅仅局限于医疗康复，后续还能够拓展正常人的智能。不过，要实现这一系列的发展，需要漫长的时间与持续的技术积累。
在这个过程中，我们不可避免地会面临一些问题。一方面，伦理道德问题会逐渐凸显，比如如何确保技术应用的公平性、安全性以及对人类尊严的尊重等。
另一方面，还会涉及到未来硅基生命（以硅为基础的智能机器）与碳基生命（人类等以碳为基础的生命形式）如何共存的问题。因为这些技术不再是与人类无关的外在事物，而是会与人类更加紧密地连接在一起，深刻影响人类的生活与发展。
张小珺：我们有可能在有生之年把自己的生命留给硅基世界，对吗？
张亚勤：这是有可能的。这里面既包含哲学层面的思考，也涉及到信仰范畴的问题，我坚信这种可能性是存在的。
就目前而言，我并不觉得人工智能已经能够产生意识。然而，我认为硅基生命与碳基生命相互连接是切实可行的。通过这种连接，有望让人类变得更加聪慧、更加健康，并且延长人类的寿命。
是不是会永生我不知道。但是肯定寿命会更长。
张小珺：寿命长是硅基的长，不是碳基的长？
张亚勤：它可以延长碳基生命。
张小珺：这是怎么做到的？
张亚勤：比如说，未来或许我们的器官都能够进行替换，大腦也能通过各种技术手段变得更为健康。当下，许多人离世是因为癌症，还有老年期的精神疾病等这些老年病症。但我坚信，假以时日，不管是依靠药物治疗，还是借助其他先进的医疗技术，这些疾病都有被治愈的可能。
不过，对于人工智能会自行产生自我意识，或是所谓全新的灵魂，我对此持否定态度。
张小珺：为什么你不相信？——它聪明到一定程度，不应该能产生意识吗？
张亚勤：因为人类意识是如何产生的，我们都不知道，因此我认为这更多是信仰问题。
但我们现在人已经有意识了，我们加了个东西，对吧？这个东西让我们变得更聪明、更健康、生命更长，这个是有可能的。
张小珺：去年我采访以太坊的联合创始人VitalikButerin，他讲了一个观点挺有意思。他说未来生物和硅的技术会合并在一起。他认为这是我们人类唯一可以参与的Super-intelligence（超级智能）。否则，就是一个单独的计算机，比我们都聪明，主宰这个世界。
张亚勤：这是另一个话题了。我想说的是，未来将会实现数字、物理与生物的融合，并且硅基和碳基也定会走向融合。但具有意识的，依旧是我们碳基生命。
这是目前我们对碳基意识的理解。就硅基而言，即便拥有再多的算力与海量的数据，本质上与意识并无关联。或者说，我们无法创造出自己尚未理解的事物，亦或是对于不了解的东西，我们无从创造。
到底未来人类会怎么样？我认为未来会有一个新的物种。这个新物种虽仍处于人类的掌控之下，但其智能化程度极高，能力也极为强大。它将是人类的一种延伸，然而终究是一个全新的物种。
回顾3万年前的人类，你会觉得那和现在的人类是同一物种吗？我觉得差异极大。3万年前的山顶洞人，属于猿人阶段，那时人类虽已开始使用工具，石器时代也有了火，但工具极为原始。如今，我们拥有手机、电腦与互联网。倘若再过100年，后人看我们现今的手机、互联网以及个人电腦，或许就如同我们看待3万年前的火与石器一般。而且，这种进化的速度正变得愈发迅速。
人类的进化速度相当有趣。从狩猎时代步入农业社会后，在这2000-3000年间，人类整体的生活方式并无太大改变。但我认为，真正意义上的重大变革发生在过去的300年间，也就是工业革命之后。首先，人类掌握了能源，从而获得了强大的动力。其次，信息社会的到来，又带来了另一次巨大转变。而现在，人类正经历着智力的快速拓展。
所以说，自蒸汽机诞生之后，人类的进化便不再遵循达尔文所描述的自然进化模式。如今的进化是非线性的，呈现出指数型增长，速度迅猛。故而我觉得，或许只需30年，至多100年，那时再看今天的人类，当下的这些事物都会显得极为简单。
到那时，新的物种会比现在的人类聪慧得多。但它依旧由人类掌控，受我们的意识支配。
张小珺：它是硅和碳结合的，它可能不是只是碳？因为靠碳基我觉得很难实现30年更换一个物种。
张亚勤：这就得看你如何定义"物种"了。就好比如今你看猿人，会思考他们算不算新物种呢？其实从某种角度讲算，可又和我们现在的人类截然不同，对吧？
如今时代发展迅速，不需要像过去那样历经3万年，也许短短30年，最多100年，就会演变出一种全新的形态。
张小珺：能不能构想一下10年后我们的社会会是什么样？
张亚勤：10年之后，我们现在想象的好多东西实现就实现了，路上就会很多车就是无人的了，对吧？
会看到很多车无人驾驶的汽车，很多机器人。选择亲自开车的人会大幅减少，不少人会摒弃自行驾车的方式。
就像现在，大城市里的很多年轻人就选择不买车，他们觉得使用优步出行更为便捷。到那时，或许更多人会选择不再自己开车。
30年之后你看到有个人开车，像现在有人开马车一样，变成新奇的东西了。你现在去纽约，纽约现在还有马车，你去看纽约赶个马车挺新奇的。
30年之后，你看到个人开车就是这样的。以后可能人开车需要特殊批准。30年前电梯里面还要坐人的，有人帮你运营的，现在你看电梯里有没有人？没有人，但我后来发现在英国电梯，它对于这种服务，你看上去就很新鲜的这种。
张小珺：这是一个高端服务。
张亚勤：没错，所以到最后，亲自开车说不定反而会变成一种极为特殊的场景。
可以预见，会有大量机器人真正走进千家万户。我想，每个家庭都会拥有一个机器人，就如同如今冰箱、电视一样普及。这种机器人能够承担起家庭安保职责，当你不在家时，它可以查看窗户是否关好，留意是否有外人闯入。
张小珺：可能以后买车的钱就花在买机器人上，是吗？
张亚勤：对。我觉得这些都会实现的，包括教育、医疗等领網域也都会有彻底改变。AIR现在就在做AIHospital无人医院。
我们当下所做的诸多尝试，未来大多会变为现实。
不过，人类自身并不会发生根本性的转变。我预计，30年后人类的寿命将会大幅延长。30年的时间，虽不太可能实现永生，但活到100岁或许会成为普遍现象，甚至有些人能够活到120岁，乃至150岁。
张小珺：这会带来社会结构性的变化吗？能推演吗？
张亚勤：这一点我虽无法确切预知，但我认为它必将引发社会结构的一些变化。
比如说，未来人们的工作时长会越来越短。在工业革命刚刚结束的时候，我们每周要工作7天，后来变成了6天。我出国那段时间，国内还是每周工作6天，等回来就变成5天了。现在欧洲一些地方已经实行每周工作4天，照这样发展下去，以后人们说不定一周只需工作1天。
一周仅工作1天，其余时间人们就可以去做自己感兴趣的事。这里要说明的是，这并非意味着部分人工作7天，而其他人失业，致使6个人没工作。
我的意思是，随着社会生产力的大幅提升，社会结构发生改变，人类社会会步入老龄化，人均寿命增长，自然出生率则会降低。由于人均寿命延长，人口总数可能不会减少，但新生儿数量会下降，这已然成为一种大趋势。
留意观察，你会发现相对发达的国家人口都在呈减少态势。目前人类的平均寿命中位数大概是多少呢？现在是40岁，而以后可能会达到80岁。所以到那时，80岁的人或许还算是青年人或壮年人，一切都会发生改变。
并且，未来老年人的身体状况可能也会相当良好，因为不管是身体上的疾病，还是腦部的疾病，都会逐渐被攻克治愈。
张小珺：所以，应该尽早找到自己喜欢干的事，要不然怎么度过这么漫长的人生。
你会给现在的年轻人什么样的建议吗？你会告诉他们现在科技发生了什么样的变化，教育会发生什么样的变化，你们应该怎么应对？
张亚勤：我提议，今后每堂课除了配备一位人类教授，还应增设一位AI教授。这位AI教授就如同助手一般，但它所掌握的知识或许远比人类教授更为丰富。学生不仅能够与它互动交流，还能向它请教问题。在未来，学习的关键方式并非死记硬背或大量刷题，而是学会如何提出高质量的问题。
就拿现在的ChatGPT来说，它给出的回答质量，与你提问的水平紧密相关。要是你随意提问，它可能就敷衍作答。但要是你问得精妙，它便会给出深入的回答，与你展开有深度的互動。
一直以来，我们都在强调提问的能力，倡导批判性学习，鼓励学生进行辩论，形成自己独特的新观点，而这些在未来会变得愈发重要。
张小珺：最后，基于你所有读过的书，能不能推荐两本书？
张亚勤：我刚看了一本书叫《Outlive》（《超越百岁：长寿的科学与艺术》），我觉得特别好。刚才我们提到了AI在生命科学领網域的应用，这本书就涉及到长寿生活方式的相关内容。
之前我还读过一本老书，叫《InSearchofMemory》（《追寻记忆的痕迹》），讲的也是相关主题。我还专门向这本书的作者，诺贝尔奖得主哥伦比亚EricKandel教授请教过，那位老先生如今人在美国，已经100岁高龄了。在人类所具备的各种智能当中，记忆力占据着极为重要的位置。
记忆抽成几个层次，有天生DNA的记忆，有短期的记忆，有长期的记忆。学习的过程，实际上就是如何将知识转化为记忆的过程。比如知识，要存储到大腦外皮层形成长期记忆，才算是真正掌握了知识。目前，AI在这方面的理解还很欠缺。这本书对人类如何记忆以及AI对知识的抽象化处理，阐述得十分精妙。
例如，患上失忆症，或者阿尔茨海默病、亨廷顿病等的老年人，往往会发现他们大腦中负责记忆的区網域，像海马体开始缩小、萎缩。一旦出现这种情况，人的所谓智能就会随之减退。
可见，记忆体尤为关键，然而目前AI在记忆方面的表现仍不尽人意。
