换句话说，机器不再只是“自动补全输入”的高级版，而是正在以某种“类人”的方式去构建意义。这听上去既令人兴奋，也有点可怕。
两种人工智能范式的较量：符号 vs. 神经网络
过去 70 年，人工智能的发展有两条主线：
1. 符号主义（Symbolic AI）：依靠逻辑和规则，把知识写进系统，强调推理与形式化。
2. 连接主义（Neural AI）：依靠神经网络和学习，让机器从数据中自动提炼规律。
从 2012 年 AlexNet 在图像识别上的突破开始，神经网络彻底占据了上风。今天的 GPT-4、Claude、Gemini 等，都是建立在深度神经网络（尤其是 Transformer 架构）之上的成果。
单词是“千维乐高积木”
辛顿 用了一个生动的比喻：
* 在人类理解中，单词不是僵硬的字典项，而像高维空间中的积木。
* 每个单词在使用时会根据上下文Context“变形”，并通过注意力机制与其他单词“握手”。
* “理解”就是把这些高维积木拼接起来，形成一个合理的语义结构。
这和我们大脑中语义网络的运作方式，其实有异曲同工之妙。
LLM 不只是“自动完成”
很多人批评 ChatGPT：“它只是在统计下一个词的概率，本质还是个预测器。”
但 辛顿 强调，这种说法太过简化。
LLM 并不存储一张“巨大的词表”，也不是把语料死记硬背。它们的知识被压缩进数以亿计的参数（权重）中，这些参数编码了语义特征的复杂交互。换句话说，知识是存在于权重里的，就像人类大脑的记忆存储在突触连接里。
“幻觉”并非缺陷，而是类人特征
人们常批评 AI“编造事实”，称之为“幻觉”。但 辛顿 指出：我们人类其实也一直在“幻觉”。
* 我们的记忆不是录像机，而是重构的。
* 当你回忆童年一件事时，很多细节其实是大脑即时“编”的，只是你自己没意识到。
* 唯一的区别在于，人类通常更善于判断自己是不是在瞎编，而 AI 还缺乏这种“元认知”。
可怕的一点：AI 的“超共享能力”
人类知识的传递受限于语言、文字，一个句子只有几百比特的信息量。而神经网络之间可以直接共享 权重和梯度，一次传递就是数万亿比特。
这意味着：
* GPT-4 之类的模型，能在规模上累积起远超个体人类的知识量。
* 多个代理之间可以“瞬间共享经验”，远远超出人类学习和交流的效率。
这也解释了为什么 LLM 能在某些领域表现出超越个体专家的能力。
LLM 与神经科学：启发而非复刻
这里必须澄清一个常见误解。虽然 LLM 是“神经网络”，但它并不是“用神经科学直接建造的”。
* 人工神经元 ≠ 生物神经元
* 人工突触 ≠ 生物突触
* 没有真正的动作电位、神经递质、胶质细胞等复杂机制
LLM 是一种纯粹的数学结构，只是借鉴了大脑的一些抽象概念。
研究人员会用神经科学的方法来分析 LLM，比如画出“AI 的脑图”，或者借鉴大脑的模块化设计去改进模型。但这并不意味着它们就是生物神经网络的真实模拟。
总结：理解的边界
辛顿 的演讲，传递出几个关键结论：
1. LLM 对语言的处理方式，和人类并非天壤之别。
2. 幻觉并非错误，而是理解和记忆的副作用。
3. AI 的知识共享效率，可能带来远超人类的集体智慧。
4. LLM 不是神经科学的直接产物，而是数学灵感的产物。
所以，我们可以说：
现有的 LLM 是“受神经科学启发”，而不是“神经科学复刻”。
真正基于“神经学数据”的模型，属于计算神经科学或脑模拟的研究范畴，比如脉冲神经网络。
这背后更大的问题是：如果机器的“理解”和我们的理解在本质上越来越接近，我们还能坚持“理解”是人类独有的标签吗？