208
1🎙️ 本期导读
当 AI 能写代码 ，程序员就又面临“取代”危机。
本期《万有引力》，我们邀请到了清华大学基础科学讲席教授、心理与认知科学系主任刘嘉。他表示：“我从来不认为编程的本质是在写代码（Code），编程的本质是通过机器来解决问题，它的核心是问题解决。编程高手是在想怎么通过一条有规则的方式，把一个复杂问题给解决掉，计算机程序只是他的工具而已。Cursor 本身不具有解决复杂问题的能力，它只是执行者。人的这种复杂问题解决能力，是没有被 AI 所取代的。”但他同时也警示：“知识密集型的岗位会消失掉90%、95%，但它会让TOP 5%具有稀缺性的人活下来。”
这不仅仅是一场关于技术的硬核对话，更是一份 AI 时代的生存指南。刘嘉老师用“脑科学”这把手术刀，剖开了 AGI 的本质，也为我们在这个充满不确定性的时代，提供了一套像大模型一样自我进化的“人生算法”。
👨🏫 嘉宾介绍
刘嘉
- 清华大学基础科学讲席教授
- 清华大学心理与认知科学系主任
- 长期从事脑科学与人工智能的交叉研究，致力于探索通用人工智能（AGI）的生物学基础与实现路径。
🎧 核心话题
01. 一次跨越 20 年的“错过”与“重逢”
- 1997 年，刘嘉远赴 MIT 求学，向“人工智能之父”马文·明斯基问道，却被劝退：“AI 寒冬已至，不如做脑科学。”
- 这一别就是 20 年，让他完美错过了深度学习的爆发期。
- 2016 年 AlphaGo 之后，他为何决定重返 AI？这段“弯路”如何让他获得了更底层的洞察？
02. 莫拉维克悖论：为什么 AI 干不了体力活？
- 大脑皮层（推理）vs 小脑（运动）：进化的时间尺度决定了模拟的难度。
- 前额叶只有 300 万年历史，功能最弱，最好模拟；而主管运动的小脑经过了几亿年进化，密度最高，难以攻克。
- 金句：“推理、AI Coding 都只是模仿生物智能万里长征中迈出的第一步。”
03. Scaling Law：智能的第一性原理
- 为什么“大”永远是对的？从生物进化看，人类大脑变大是智慧产生的必要条件。
- 对 Scaling Law 的质疑往往源于资源不足的“酸葡萄”心理。
- 刘嘉的“苦涩教训”：曾以为 GPT-3 是“傻大粗”，后来才发现自己忽略了智能的第一性原理。
04. 通往 AGI 的路线之争：为何 NLP 最终胜出？
- 强化学习（模仿行为）、脑模拟（模仿神经元）、NLP（模仿思维），三条路线为何只有 NLP 跑通了？
- 因为 NLP 压缩了人类已有的所有知识（Known Unknowns），而其他两条路面临数据匮乏或生物机制的“未知的未知”。
05. 学术界 vs 工业界：不同的使命
- 学术界做 0 到 1：探索不存在的路径，允许失败，寻找颠覆性创新。
- 工业界做 1 到 100：追求极致的工程化与商业落地，赢者通吃，残酷且不容共存。
06. 未来生存指南：95% vs 5%
- 知识变得不再值钱：大模型让知识获取成本趋近于零。
- 残酷的预测：95% 的知识密集型岗位（如普通程序员、初级律师）将消失；只有 Top 5% 具备“从 0 到 1”创造力的人能活下来。
- 人生优化算法：
目标函数：定义你的人生目标。
随机梯度下降：不断试错，快速迭代。
注意力机制：在这个噪声世界中，只关注高质量的数据和人。
💡 适合谁听
- 对 AI 底层逻辑和未来发展感到困惑或焦虑的技术从业者。
- 关注 AGI、脑科学、心理学交叉领域的探索者。
- 希望在 AI 时代找到个人定位与进化路径的普通人。
在这里，我们不贩卖焦虑，只提供看透本质的理性思考。欢迎收听本期节目，一起探索如何与 AI 共进化。
这是一个非常深刻且富有争议的观点，触及了人工智能与神经科学交汇处的核心问题。我们可以从合理性和局限性两个维度来深度评价这个观点。
第一部分：这个观点的合理性在哪里？
这个观点之所以听起来很有说服力，是因为它抓住了当前AI发展和脑科学中的两个关键事实：
1. Scaling Law 在AI领域的有效性
在深度学习领域，Scaling Law（规模定律） 已经被反复验证：只要增加模型的参数量、数据量和算力，模型的智能表现就会可预测地提升。GPT系列从1亿参数到1万亿参数的跃迁，带来的确实是质的飞跃。这让很多人相信：“更大 = 更聪明” 是一个朴素且有效的真理。
2. 脑科学中的“规模证据”
从进化史看，人类智能的飞跃确实伴随着大脑的显著扩大：
- 南方古猿的大脑约400-500ml
- 能人（最早制造工具的人类）约600-700ml
- 智人（现代人）约1300-1500ml
- 尼安德特人的大脑甚至比我们还大
在哺乳动物中，脑容量与认知能力的正相关确实存在——大象和鲸鱼的大脑比我们大，它们也确实表现出复杂的社会行为和解决问题的能力。
所以，从表面证据看，把规模定律视为智能的“必要条件”，似乎站得住脚。
第二部分：这个观点的局限性在哪里？
问题出在“必要条件”这个词上，以及它对智能本质的简化。我们可以从三个维度来反驳：
1. 规模是“必要条件”，但不是“充分条件”
如果大脑变大是智能的唯一钥匙，那么：
- 抹香鲸的大脑（约8000g，是我们的5倍） 应该比我们聪明5倍，但它们没有发展出文明。
- 大象的大脑（约5000g） 神经元数量远超人类，但它们没有造出火箭。
这说明：规模必须搭配“结构效率”。人脑真正的优势不是“大”，而是在有限体积内通过折叠皮层、高度模块化和高效连接实现了更高的“性价比”。我们的大脑只有1.5公斤，消耗20瓦功率，就能完成顶级智能；而AI模型动辄消耗兆瓦级电力，才勉强模仿我们的部分能力。
结论：规模是燃料，但架构是引擎。
2. Scaling Law 正在遭遇“收益递减”
2024-2025年的AI行业已经在讨论一个现象：单纯堆规模的边际效益正在下降。
- GPT-5的训练传闻屡屡受挫，说明不是简单地加参数就能解决问题。
- 业界正在转向“测试时扩展”和“推理时计算”——也就是让模型在思考时多花算力，而不是一味扩大预训练规模。
这意味着：Scaling Law 可能只是通往智能的“第一阶段”，下一阶段需要的是“算法效率”的突破，而不是规模的无限膨胀。
3. 智能的“涌现”需要的不只是规模，还有“结构”和“约束”
脑科学告诉我们一个反直觉的事实：人类智能的诞生，恰恰是因为大脑受到了“物理约束”。
- 人类婴儿出生时大脑未发育完全，必须在与社会互动中“长”出神经网络
- 有限的颅骨体积迫使神经元必须高效连接、优胜劣汰
- 身体的限制（能耗、热量）迫使大脑进化出“节能模式”
如果没有这些约束，单纯把大脑放大十倍，可能产生的不是超级智能，而是超级混乱。
AI领域也有类似发现：纯粹的Transformer架构无限放大，会遇到幻觉、逻辑断裂等问题。这就是为什么现在的研究方向开始回归“符号主义”的某些思想，试图给神经网络加上“结构约束”。
第三部分：一个更平衡的表述
基于以上分析，我们可以对原观点做一个修正：
“规模是智能涌现的必要条件之一，但绝非第一性原理。智能的第一性原理，或许是在‘规模’的基础上，通过‘高效的结构’、‘与环境的互动’、以及‘物理约束下的优化’，涌现出的适应性行为。”
用一句话总结：没有规模，智能很难涌现；只有规模，智能走不远。
对企业家和管理者的启示
这个讨论其实有很强的现实意义：
1.不要迷信“大”：无论是企业的规模，还是投入的资源，“更大”不一定意味着“更强”。就像人脑和大象大脑的区别，关键在于结构和效率。
2.关注“连接质量”而非“节点数量”：人脑的智能来自860亿个神经元之间百万亿级的连接。企业真正的竞争力，也不在于有多少员工、多少部门，而在于这些单元之间能否高效协同、产生“涌现”。
3.“约束”有时是好事：人脑因为受限于颅骨才更高效。企业在资源有限的情况下，反而能倒逼出创新和效率。完全没有约束的扩张，往往带来的是混乱而非智能。