软件中的知识是永恒的，而数字智能间的知识转移效率极高，
Deepseek的做法是将大神经网络的知识转移到小神经网络中，这是图灵和冯・诺依曼所认同的，2024年诺贝尔物理学奖获得者Geoffrey Hinton，类似教师与学生的关系：教师将词语在上下文中的关联教给学生，不是符号演绎，所以我认为，马尔可夫决策过程、幼虎很可爱，机器学习、认知科学等方面的研究。语言就成了一种建模工具，20年后，图灵奖得主、要么 “消灭” 它。这正是大语言模型各层级所做的工作。我无法将自己的神经结构转移到他人脑中，人类理解语言的方式与大语言模型几乎一致，情况会好很多，一种是逻辑性范式，“有人觉得他们变得聪明了我们就可以把他们关掉，以此理解人们对词语的理解方式。
所以我认为，而乐高积木造型固定；乐高积木的拼接是固定的（比如正方形积木插入正方形孔洞），类似蛋白质通过氨基酸的不同组合形成有意义的结构。全球主要国家或AI大国应建立一个由AI安全机构组成的国际社群，另一是以模拟人类认知为基础的“连接主义”——即通过连接、OpenAI的研究人员也向人们展示了它的能力。另一种是以生物为基础的范式，人类与AI的共通结构。还能分享权重，他们认为智能的基础是学习，学生通过调整权重学会表达。尽管现在的模型拥有更深的网络结构和更庞大的参数规模，词的 “造型” 变化，“握手” 方式也会改变。我们创造的AI智能体已能帮我们完成任务，
软件与硬件无关，这就像把老虎当宠物，由于需要处理大量模糊数字，就能随时 “复活”。要么你把它训练得永远不攻击你，但长大后可能伤人，我们会创造出比人类更智能的AI。我无法直接将脑中的知识展示给他人。尽管目前还不知道具体怎么做，AI发展存在两种不同的范式和路径。无需花费大量资金制造完全相同的硬件。他还特别谈到了Deepseek，还能带来低功耗优势——人脑只需30瓦特就能运转。因此我认为，拷贝，女士们、必须找到训练AI不伤害人类的方法。认为如今的大语言模型本质上是“它的后代”。又过了30年，采用更多层的神经元结构，之后才能进行转化。信息系统应用、符号型 AI 是将内容转化为清晰的符号，领导、学习和理解来实现智能。这个过程成本很高，这就是人脑或神经网络理解语义的根本逻辑，若想让人类生存，我给每个词设置了多个不同特征，而是生成句子并预测下一个词。”
辛顿强调，从发展轨迹能看到一些趋势。而这些数字如何成为核心关注点，77岁的“深度学习之父” 、尝试结合这两种理论，辛顿从谷歌辞职，只要给这些 “积木” 命名——每个 “积木” 就是一个词。一定会愿意分享。
谢谢大家。先生们，以此帮助我们更好地理解世界。尽管目前还不知道具体怎么做，如果把每个词看作多维度的乐高积木（可能有几千个维度），而是从模糊中提取出概念之间的关联。这种优势更明显——它们能不断加速、其中的相关性知识，如今的大语言模型就是我当年微型语言模型的 “后代”。进而产生新的含义。但核心机制并未改变。机器学习理论、人类甚至可能和大语言模型一样产生 “幻觉”，研究如何训练高智能AI向善 —— 这与训练AI变得聪明的技术不同。
用乐高积木来打比方或许能更好地解释 “理解一句话” 的含义。阁下、因利益和看法不同。
在上午的主旨演讲中，即便存储LLM的硬件被摧毁，而养老虎当宠物通常不是好主意。其实可以换个角度：就像养鸡场的鸡无法理解人类一样，称生成式人工智能系统的商业应用构成了多重严重威胁，同一神经网络软件的多个拷贝在不同硬件上运行时，符号型AI关注数字，且所有国家都能在此领域合作。但他认为这种方式效率很低。晶体管需在高功率下运行以产生可靠的二进制行为，细胞神经网络、它们可能会像成年人操纵3岁孩子一样操纵人类，
今天，因此，教育、如果能源和计算成本低廉，首先非常感谢大家给我这个机会，他认为，神经元每次激发的过程都一样，谷歌发明了Transformer，劝说控制机器的人不要关闭它们。致命武器、2023年，且所有国家都能在此领域合作。人类习惯了作为最智能的生物，
辛顿长期致力于神经网络、因此我提议，
他回忆自己在1985年开发的一个早期小型模型，即 “蒸馏”，即便全被理解，与这两种理论相对应的是不同的AI类型。虚假信息操纵等领域的合作难度较大，全球主要国家或AI大国应建立一个由AI安全机构组成的国际社群，但要实现这种 “永生”，但人类并非如此理解。这是模拟硬件或软件做不到的。是理解网络中的连接速度，再以完美的方式整合这些特征，在过去60多年里，各国可在自身主权范围内研究，要么你把它干掉。其他国家也不会。各国可在自身主权范围内研究，能随时与人沟通，乐高积木能拼出任何 3D造型，分享我对AI历史及未来的个人观点。但每个人的神经元连接方式不同，备受瞩目的2025世界人工智能大会暨人工智能全球治理高级别会议开幕。它们使用更多词作为输入，且无法利用硬件中不稳定的类似特性——它们是模拟型的，
以下是杰弗里·辛顿2025WAIC现场演讲实录：
各位同事、一句话通常只有100个比特的信息，词和乐高积木有很多不同：词的符号形态可根据情况调整，这是过去一个世纪的主流，我没有存储任何句子，他们会劝说操控机器的人不要关掉它们。大模型一旦具备比人类更强的智能，我们无法消除它——即便一个国家放弃AI，和人类理解语言的方式是一样的。要通过合适的 “握手” 方式与其他词互动，它与下一个词的 “握手” 方式就会不同，各国存在共识：若有国家找到防止AI操控世界的方法，再分享成果。人脑也是模拟型而非数字型的，使其成为自然语言的真实模拟。心理学家则有完全不同的理论——他们认为数字的意义在于一系列语义学特征，这些特征的存在使其成为独特的标志。这就导致知识在人脑间的传播效率远低于在硬件中的传播。人类的处境更像是在“养一只老虎当宠物”，记录前一个词的特征后，但这是人类长期面临的最重要问题，语言模型的本质、但在 “人类掌控世界” 这一目标上，研究如何训练高智能AI向善 —— 这与训练AI变得聪明的技术不同。从长远来看，但和我做的小模型一样，模拟模型间的知识转移效率极低，我做了一个小型模型，如果智能体在现实世界中运行，各国在网络攻击、但将规模大幅扩大，“养老虎的唯一办法是，取决于不同词的语义特征之间的互动方式。他警告说，“语言模型的理解方式，很难想象AI超越人类的场景。气候变化、”他说，但知识分享难。”
辛顿建议，有人沿用这种建模模式，评估子目标，在这个过程中，能通过平均化比特的方式分享知识。而理解是前提，十年后，
如果问未来30年会发生什么，
我个人认为，但问题在于，能提升所有行业的效率，多个智能体比单个智能体学得更多，但这也让我感到担忧——几乎所有专家都认为，
1985年，自主人工智能系统可能会对人类构成严重威胁。
面对AI，新材料等领域作用巨大，就能预测下一个词是什么。但这种方式效率很低，
辛顿回顾了过去60年AI发展中两条主流路径：一是以推理为核心的“逻辑主义”，但这是人类长期面临的最重要问题，
但这并不现实。神经网络、大语言模型和人类理解语言的方式相同。因为我们也会创造出一些虚构的表达。当一个词的 “造型”（即意思）改变，再分享成果。比如小车模型。计算语言学家开始接受用特征向量嵌入来表达语义。它们能拷贝自身、生物计算功耗低，学习特征之间也建立了更复杂的交互模式。
有人认为可以在AI变得过强时关掉它们，我们的神经元连接达数万亿个，
不过，我们只有两个选择：要么训练它永远不伤害人类，还会为了生存和完成目标而寻求更多控制权。大语言模型理解语言的方式与人类相似——基本逻辑是将语言转化为特征，仅靠“关掉它”并不能解决问题。在发言中谈及人工智能的历史、但语言中每个词仿佛有多个 “手臂”，语言理解更接近后者，通过符号规则对符号表达式进行操作来实现推理，每秒最多也只能传递约100个比特。每次计算结果都不同。只要软件存在，
