2024年诺贝尔物理学奖颁奖典礼上，杰弗里·辛顿的自嘲耐人寻味：“我和特里本以为会因解释大脑获奖，结果错了，但这对物理学奖而言足够了。” 他口中的“特里”，便是83岁仍坚守在神经科学实验室的特伦斯·谢诺夫斯基。
四十年前，正是这两位科学家在AI第二个寒冬的僵局中，用一个疯狂的想法劈开了黑暗：把神经网络想象成一团气体。这个源自统计物理学的直觉，最终凝结成玻尔兹曼机——现代深度学习的理论基石之一。彼时没人知道，这个为破解“大脑如何工作”而生的模型，会开启一个由ChatGPT主导的AI时代，更会让两人走向两条互补却同样深刻的探索之路。
辛顿以反向传播算法带领深度学习走出寒冬，成为工程领域的拓荒者；谢诺夫斯基则回归神经科学本源，用数十年时间解剖大脑回路，追问那个最初的命题。如今，当AI狂飙突进，这位见证了神经网络从“异端”到“改变世界”的先驱，或许是最懂当下AI缺失什么的人。他既通晓物理学的简洁优雅，又深谙生物学的复杂混沌，更清楚这扇由他和辛顿共同推开的AI大门后，究竟少了哪些关键碎片。
在与《Hao好聊》的对话中，谢诺夫斯基从历史、当下聊到未来，剖析了AI与人类大脑的本质差距，也给出了关于智能本质的另一种答案：Transformer或许并非通往AGI的唯一路径。以下是经腾讯科技精编的对话内容。
|本节目也有音频| 你可以通过小宇宙平台收听，欢迎关注我们。

一、AI的起点：一团气体点亮的学习革命

郝博阳：计算神经科学是现代AI的基石。在那个年代，您和辛顿是如何用物理学思维突破传统AI局限，找到解释大脑核心逻辑的钥匙的？
谢诺夫斯基：我和杰弗里开启职业生涯时，神经网络还是个小众领域，只有斯里尼·甘姆里、杰克·科万等少数先驱，我们都对理解大脑有着相似的直觉。大脑的复杂度近乎无限——海量神经元通过突触互连，这与冯·诺依曼架构的数字计算机截然不同：后者内存与处理单元分离，靠顺序指令运行，而大脑是大规模并行的系统。
当时传统AI最大的缺口，是大脑最核心的学习能力。人类生来就要学习语言、文化和世界的运行法则，这种贯穿一生的学习能力，正是AI所欠缺的。那时我们已经有了单层感知器的学习算法，但多层网络的训练难题始终无解，这就是当时的僵局。
玻尔兹曼机的诞生，恰恰源于一个物理学灵感：如果把神经网络想象成一团气体呢？在物理学中，气体分子通过随机运动最终会达到能量最低的热平衡状态。我们大胆设想：能否将“学习”定义为“寻找能量最低状态”的过程？
循着这个思路，我们找到了一个简单的局部学习规则：让网络在“看到数据”和“自由运行（未看数据）”时分别达到平衡，通过对比两个状态下神经元活动的差异，就能算出突触权重的调整方向。这就是玻尔兹曼学习算法。尽管当时的网络规模按今天的标准来看微不足道，但这正是核心突破。霍普菲尔德网络、玻尔兹曼机在那时陆续兴起，那是一个充满激动与可能的年代。

二、分歧与共鸣：两条路，一种初心

郝博阳：您和辛顿共同开发了玻尔兹曼机，但后来他偏向工程化的反向传播算法，您则坚守生物学领域。这种分歧背后的原因是什么？
谢诺夫斯基：这其实是我们合作的核心——互补的背景让我们能碰撞出不同的火花。杰弗里深耕计算机科学与心理学，我则专注于物理学与神经科学，玻尔兹曼机正是这种融合的产物。我们最初都坚信，玻尔兹曼机的局部学习规则就是大脑的工作方式：因为大脑中，一个神经元或突触只能感知直接连接的邻居，根本没有计算机那样的全局视角，学习必须是局部的。
但现在大型语言模型依赖的反向传播算法并非如此——它需要将最终的误差信号精确传回前面每一层，而大脑中根本没有这种专门传递误差的反向线路，显然这不是大脑的学习方式。辛顿沿着工程路径继续前行，与戴夫·鲁梅尔哈特共同开发的反向传播算法，在学习效率和网络规模扩展上更具优势，彻底改变了AI的发展轨迹。
我选择专注神经科学，是想搞清楚大脑的真实运作机制。但这些年来我们始终保持联系，是很好的朋友。更有趣的是，我们发现工程与生物学常常殊途同归：比如辛顿在工程上提出的dropout（随机丢弃）技术，能防止网络死记硬背、提升学习效率，后来我们发现，大脑皮层的突触本身就是概率性的——有时有输入却没有输出，这看似是生物“故障”，实则是大自然的dropout。这种稀疏激活模式不仅学习效果更好，还能降低能耗。
2024年诺贝尔奖授予了我的导师约翰·霍普菲尔德和杰弗里，这是对我们早期工作的认可。杰弗里在演讲中说我们“错了”，是因为玻尔兹曼机没能成为解释大脑的完美模型，但不可否认的是，我们当年将“物理学”与“计算”结合的道路，彻底走通了——看看现在NeurIPS会议的火爆程度，就足以证明这一点。

三、为何生物启发的研究，能得物理学奖？

郝博阳：这很有意思，辛顿因玻尔兹曼机获物理学奖，但在我看来，它更像是试图解释大脑的生物学机制。
谢诺夫斯基：玻尔兹曼机虽受生物学启发，但其核心分析和洞察都来自物理学——尤其是统计力学。我们将神经网络的状态视为物理系统的能量状态，把学习定义为寻找能量最小化的过程，这完全符合物理学的核心逻辑。很多人曾质疑这与物理学的关联，事实却证明，物理学正是现代AI的重要灵感来源。
上世纪的AI完全由逻辑和规则主导，也就是符号主义AI，试图把所有知识都写成代码规则。而现在，物理学家纷纷进入这个领域，除了约翰·霍普菲尔德，还有海因茨·泽波林斯基、拉里·阿博特等。几年前我们三人获得神经科学领域的最高荣誉——大脑奖，正是因为我们共同建立了计算神经科学这个领域，它让神经科学家开始理解大脑的整合方式。
上个世纪，神经科学的焦点是单个神经元；而现在，借助大脑计划等技术突破，我们已经能同时记录一百万个神经元的活动，在数十个大脑区域记录数千个神经元的动态。这种全局视角让我们实现了认知升级：智能并非源于某个“超级神经元”，而是涌现于成千上万个神经元的集体协作。这正是我们早期工作中提炼出的核心原理，也是计算神经科学带给我们的最重要启示。

四、ChatGPT的本质：可解剖的“智能碎片”

郝博阳：与您当年构建玻尔兹曼机的时代相比，现在的大型语言模型（LLM）与人脑有什么本质不同？目前研究似乎认为，Transformer架构的工作方式可能并不像人脑。
谢诺夫斯基：现在唯一可以确定的是，LLM不是人类。它可能是大脑某种功能的简化版本，但底层机制完全不同——它基于硅基芯片和反向传播，而非生物神经元和化学递质。但这恰恰是它最有价值的地方：我们拥有对它的完全访问权。
大脑的复杂性决定了我们永远无法无损获取每一个神经元的细节，但LLM本质上就是一个巨大却确定的数学方程，我们能掌握它的每一个输入数据、每一个神经元的激活模式，以及动态变化过程——这就是所谓的“机械可解释性”。现在的挑战，就是动用数学、物理学和工程学的全部武器，搞清楚这个大方程为何能以看似智能的方式回应我们。
如今，世界顶尖的数学家都开始投身这个领域，我相信对它的深刻数学理解只是时间问题。更重要的是，一个全新的“神经AI”领域已经诞生：一边是杰弗里这样致力于创造更好AI的工程师，一边是我这样专注于理解大脑的科学家。这是历史上第一次，两个群体能真正对话——因为我们终于使用了相同的数学语言和底层原理，比如神经网络、优化函数。
未来必然是双向启发的过程：通过研究LLM，我们能反过来帮助理解大脑。就像量子力学诞生于20世纪初，却花了数十年才转化为激光等实用技术，基础研究的沉淀需要耐心。我们最终会实现两件事：一是从数学上彻底理解LLM的工作原理并优化它，二是借助这些“通用智能原理”，解释人类自身的思考与行为方式。

五、AI缺失的三块大脑拼图

拼图一：基底神经节——被后置的强化学习系统

郝博阳：强化学习是实现通用机器学习的最佳路径吗？
谢诺夫斯基：要回答这个问题，先看看人类大脑的学习方式。人类学习阅读需要几十年，掌握深奥知识甚至要更久；但视觉这种本能能力，却无需刻意学习——这是进化赋予的。大脑之所以能学会阅读、数学等“非本能任务”，靠的是一个专门的区域：基底神经节。
基底神经节位于大脑皮层下方，核心作用是通过“试错”学习一连串动作以获得奖励——比如学骑自行车时，从摔倒到熟练的过程，就是它在发挥作用。它与大脑皮层构成互补系统：皮层负责有意识的认知与推理，基底神经节负责基于奖励的强化学习与行为自动化。人类的成长，正是这两个系统同步发育、相互交织的过程。
但现在的LLM恰恰缺失了这种深度整合的强化学习系统。虽然AI也会用到强化学习（比如RLHF人类反馈强化学习），但通常只在预训练后的微调阶段使用，目的是实现“对齐”——让AI价值观符合人类利益。这种“最后一步才对齐”的模式太晚了，就像人类如果成年后才学习社交规则，必然难以融入社会。
人类的“对齐”从童年就开始了，这是文化协作的基础。语言的进化正是为了小群体社交协作——比如共同捕猎猛犸象，而协作需要认知传递信息，也需要强化筛选生存价值。如果想让LLM更接近人类思维，认知与强化的深度融合，必然是必经之路。

拼图二：神经调质与自主活动——缺失的内在生命力

郝博阳：理查德·萨顿（强化学习之父）提到，现代AI缺乏“元学习”（学会如何学习）和“持续学习”（终身学习而不遗忘）的能力。我们该如何将这些特性融入现有模型？
谢诺夫斯基：这不是简单打补丁就能解决的，需要对AI架构进行根本性重组。目前有两个关键的大脑机制尚未被AI借鉴，首当其冲的是神经调质系统。
LLM中神经元的突触连接是静态的，仅通过加权求和处理输入；但生物大脑的神经调质能动态“调制”输入信号——比如多巴胺负责传递“奖励预测误差”信号，只有当实际奖励与预期不符时，学习才会发生，这就是时间差分学习的生物学基础。此外，催产素等神经调质还负责社会整合，比如母亲与孩子的情感纽带建立。辛顿也提到过，这种情感纽带或许是防止AI产生恶意的关键。
更重要的是，AI缺失“自主生成的活动”——这是一种内在的生命力。现在的LLM能高分通过哈佛医学院考试、完成律师资格测试，但只要停止输入，它就会彻底沉默，不再“思考”。可人类即便坐在漆黑的屋子里，没有任何感官输入和运动输出，依然会思考：计划明天的事、回想昨天的经历、反思自己的念头——这是一场持续不断的内在电影，而LLM完全不具备这种无状态下的自主思考能力。
我们需要先从神经科学层面破解这种“自主活动”的机制。虽然目前还不清楚“思考”对应的具体神经回路，但一旦取得突破，就能帮助我们制造出真正“思考”的LLM，而非仅仅做概率预测的工具。

拼图三：海马体——破解失忆的核心钥匙

郝博阳：Yoshua Bengio（图灵奖得主）提出的AGI新定义中，“记忆”维度LLM的得分基本为0。您如何看待AI的“失忆”状态，又该如何赋予它长期记忆能力？
谢诺夫斯基：你说得完全正确，长期记忆是目前LLM的绝对硬伤。今天和它进行深刻对话，明天再聊时必须从头开始——除非把前一天的对话记录全部作为输入，而这又受限于上下文窗口长度。更关键的是，LLM训练结束后参数权重就会锁定，只能进行“推理”，无法通过新经验修改权重，这与人类大脑每时每刻都在通过突触连接变化学习截然不同。
长期记忆的核心不是“存储”，而是“筛选与整合”。大脑容量有限，只会选择最重要的信息存储，注意力是第一道过滤器；而真正的整合，发生在睡眠期间——这就需要另一个关键大脑区域：海马体，而LLM中完全缺失这个组件。
海马体的作用是与大脑皮层“对话”：它帮助皮层确定新经验的存储位置，确保新知识不会覆盖旧知识——这就是人类不会出现“灾难性记忆遗忘”的原因。人类需要8小时睡眠来完成这种微调，从年轻时的突触疯狂生成，到成年后的持续优化，正是这种机制支撑着我们的终身学习能力。LLM之所以做不到，不是因为参数不够多，而是因为它只模拟了大脑皮层的一小部分功能，对于生物生存所需的核心机制，它还一片空白。

六、AGI的终极追问：复刻人脑，还是拥抱多样智能？

郝博阳：您觉得Bengio的AGI定义合理吗？很多人认为“模拟人脑”是通往AGI的唯一路径，您认同吗？
谢诺夫斯基：Bengio的尝试值得肯定，但“定义AGI”本身就是个棘手的问题，就像“定义意识”一样。“意识”没有公认的科学定义，包含感知、自我反思等多个维度，很容易陷入循环论证；AGI也是如此，每个人心中都有自己的标准。
这让我想到20世纪DNA发现前的生物学：当时人们争论“什么是生命”，提出“生命力”的概念，认为活着的生物体内有特殊物质，死亡后就会消失。但当我们理解了DNA复制、蛋白质合成等生化机制后，就再也不需要“生命力”这个神秘词汇了。我相信AGI和意识也会如此——当我们彻底搞懂智能的底层机制，这些模糊的概念就会被具体的原理取代。
自然界的智能本就多种多样：蝙蝠的回声定位、蚂蚁的蚁群智慧，都与人类智能不同，却完美适配它们的生态位。人类总认为自己是进化的顶峰，这其实是一种傲慢。我们进化出的语言虽然强大，却是一种“钝拙的工具”——既能行善，也能作恶、欺骗。LLM有自己的“数字生态位”，未来它的“意识”必然与人类截然不同。
复刻人脑确实是AI的工程目标之一，但更有趣的科学目标，是理解不同智能的多样性基础。所有动物的大脑都有底层相似性，却又演化出适配各自生存需求的复杂结构。目前的LLM，充其量只是大脑皮层的一个模型，缺失了本能、运动、记忆整合等数百个生存相关的大脑区域。
对工程师而言，“模拟人脑”是个清晰的目标；但对科学家而言，向自然界的多样智能学习，建立能解释所有智能形式的统一理论，才是更有价值的追求。技术的进步可以很快，但对智能的真正理解，可能需要几代人的耐心——这是这个AI狂飙时代，我们最该铭记的清醒。


本文来自微信公众号： 腾讯科技 ，编辑：徐青阳，作者：博阳