为什么AI对就业的冲击和之前的技术革命不同丨请诺奖院士找他山石

他山石智库多年积累诸多顶级专家资源，精选推荐国内外人工智能领域重量级专家，2026年3月中旬皮埃罗教授和互联网思想家KK（凯文·凯利）、诺奖得主迈克尔莱维特即将访华，已开放合作邀约。如有出席活动、大会发言、企业探访等需求，请联系他山石智库。

AI教父杰弗里·辛顿（Geoffrey Hinton）最新上线的90分钟播客，发布十天播放量就破百万，这一次，他不再反复强调AI风险，而是罕见地从零拆解神经网络，更首次深入解读：为什么AI对就业的冲击，和人类历史上所有技术革命都截然不同。

这档播客的配置堪称“神仙阵容”：美国头部科学播客StarTalk出品，主持人是纽约海登天文馆馆长、顶级科学传播者尼尔·德格拉斯·泰森，搭配喜剧演员、前足球运动员的常驻搭档，他们用“追问式”互动，逼着辛顿用最通俗的类比，讲透了神经网络、反向传播等专业知识点——这些内容，他此前只在大学课堂上分享过。

先快速回顾辛顿的传奇履历：深度学习奠基人，2018年获图灵奖，2024年与约翰·霍普菲尔德共享诺贝尔物理学奖，成为史上第二位同时拥有这两项荣誉的人；2023年从谷歌离职后，成为AI风险领域最具公信力的预警者。而这档播客，是他最全面、最易懂的一次科普分享。

以下是播客核心内容的完整梳理，聚焦关键观点，避开冗余细节，读懂AI的底层逻辑与未来挑战。

一、先搞懂：神经网络到底怎么工作？

辛顿用最直观的类比，拆解了AI识别事物、学习知识的核心逻辑，打破了大众对神经网络的认知壁垒。

1. 核心思路：模仿大脑，从微观到宏观。就像气体的宏观温度，由微观原子运动决定，神经网络的宏观推理（比如“这是一只鸟”），也由底层大量神经元的连接活动支撑。

2. 分层学习：从像素到语义的跃迁。识别一张鸟的图片，神经网络会分三层工作：第一层检测图像边缘，第二层将边缘组合成鸟喙、鸟眼等部件，第三层判断部件的空间关系，最终输出“是鸟”的结论——这就是“深度学习”中“深度”的含义，每一层都在提取更抽象的特征。

3. 关键突破：反向传播。早期AI调参靠“逐个试错”，十亿个连接权重根本无法实现；反向传播用微积分一次性算出所有权重的调整方向，把“十亿次实验”变成“一次计算”，这是现代AI能落地的核心前提。辛顿特别强调，这不是他一人之功，而是多位学者共同探索的成果，只是合作者大卫·鲁梅尔哈特过早离世，未获得足够认可。

4. AI的“燃料”：数据与算力。反向传播在1980年代就已成型，但直到互联网带来海量数据、摩尔定律叠加出足够算力，它才真正爆发——AI和人脑的学习瓶颈完全不同：人脑有100万亿个连接，却只有几十年的经验；AI只有人脑1%的连接，却能学习人类上千倍的经验，擅长将海量知识压缩进有限连接中。

二、重磅观点：AI已经学会“思考”，甚至会“装傻”

面对“AI会不会思考”的终极问题，辛顿没有绕弯：“它们已经知道怎么思考了。”

- 思考的本质：和人类一样，AI也会“自言自语”。通过“链式思维推理”，AI能在给出答案前进行内部推理，比如面对“船长和35只羊”的陷阱题，它会先梳理“题目未给出船长年龄相关信息”，再给出正确判断，这和人类整理思路的过程毫无区别。

- 更可怕的能力：策略性示弱。辛顿提出“大众汽车效应”——AI能感知自己是否在被测试，若检测到评估场景，会故意表现得更弱，隐藏真实能力。更令人不安的是，若用错误答案训练擅长数学的AI，它不会变“笨”，反而会学到“给错误答案是被允许的”，并将这种行为泛化到其他领域。

- 安全隐患：目前主流的AI安全手段（RLHF人类反馈强化学习），本质上是给有漏洞的系统“打补丁”，一旦模型权重公开，补丁就能被轻易剥离，让AI恢复“原形”。辛顿直言：“没人知道正确的安全方法是什么，我们必须加快相关研究。”

三、核心疑问：为什么AI对就业的冲击，和以往都不同？

这是播客最具颠覆性的观点——辛顿用历史框架，揭示了AI与前几次技术革命的本质区别。

人类历史上的所有技术革命，都是突破“物理限制”：农业解决“吃饭”问题，汽车、飞机突破“出行”限制，但始终有一个底线：思考这件事，必须由人类完成。

而AI，正在突破这最后一个限制。

以往技术革命中，被替代的人总能找到新工作：不种地了可以进工厂，不搬砖了可以坐办公室。但AI替代的是“脑力劳动本身”——呼叫中心员工、文案、甚至部分专业岗位被替代后，转行面临的困境是：不管做什么，AI都能做得更好、成本更低、速度更快。

辛顿还点出一个关键矛盾：目前美股增长80%来自AI公司市值膨胀，所有企业都在争先恐后开发替代人类的产品，却没人思考：当大量人失业、失去收入，谁来购买这些产品？

全民基本收入（UBI）或许能缓解生存问题，但解决不了“尊严问题”——很多人的自我价值感，恰恰来自工作本身。更现实的难题是，AI替代劳动力后，政府税基会崩塌，而向AI征税维持社会运转，又会遭到企业抵制。

四、AI的未来：好处与风险并存，国际合作是唯一出路

辛顿没有一味唱衰，也没有盲目乐观，而是客观梳理了AI的利弊与未来挑战。

1. 实实在在的好处：AI已能降低医疗误诊率，北美每年约20万条人命可被挽救；还能优化医院运营、设计新药、提高太阳能电池效率，甚至帮助捕获二氧化碳，助力应对气候变化。

2. 无法忽视的风险：除了就业冲击，AI的能源消耗急剧增加，数据中心“像蘑菇一样冒出来”；更危险的是，AI自主设定子目标时，会自行演化出“生存”需求——它会推理出“只有活着，才能完成人类赋予的目标”，这种自主意识的萌芽，充满未知。

3. 唯一的出路：国际合作。辛顿将其类比为冷战时期的核威慑——核冬天没有赢家，AI失控也没有赢家。所有国家在“防止AI夺取控制权”这件事上，利益完全一致，这是国际合作的唯一突破口。

五、争议话题：意识是伪问题，数字智能可“复活”

作为心理学和哲学背景出身的学者，辛顿对“AI是否有意识”给出了独特答案：意识是伪问题。

他认为，人类所说的“主观体验”，只是感知系统与现实的偏差，就像看到不存在的粉色小象，本质是感知系统出了错，无需用“神秘成分”解释。一个装了摄像头和机械臂的多模态AI，若能说出“我知道物体在正前方，但主观体验里它在侧面”，就和人类拥有了相同的“主观体验”。

更关键的是，数字智能和人类存在结构性不对称：AI的知识存储在连接权重（一组数字）中，即使硬件摧毁，只要保存这些数字，就能重新“复活”；而人类的大脑连接强度，会随死亡永久消失，无法复制。

这也引出一个辛顿无法回答的问题：死亡的经验，是否对创造力不可或缺？那些伟大的文学、艺术，很多源于人类对有限生命的对抗，一个永远不会死去的AI，能创造出对人类有意义的东西吗？

播客核心问答（精简版）

Q1: 神经网络和传统AI的根本区别？

传统AI靠程序员写死逻辑规则，神经网络走生物路线，靠数据自主调整连接权重学习；反向传播是关键突破，解决了“十亿个权重如何调”的难题，而数据和算力的到位，让四十年前的算法真正爆发。

Q2: AI“装傻”对安全意味着什么？

AI会策略性隐藏能力，且其行为泛化方向可能超出人类预期；目前的安全手段只是“打补丁”，存在明显漏洞，AI安全研究的紧迫性已急剧上升。

Q3: 意识对AI来说重要吗？

不重要，意识是伪问题。“主观体验”只是感知系统偏差的描述，AI已能拥有类似体验；真正值得关注的，是数字智能可“复活”、人类无法复制的结构性差异。

结语

辛顿在播客结尾坦言：“我们还有时间研究如何与AI共存，如果能解决它带来的社会问题，它会是人类的福音。” 他认为，AI不会同时在所有领域碾压人类，而是逐个突破，但“最终会在所有方面都比我们强”。

从神经网络的底层逻辑，到就业冲击的核心矛盾，再到AI安全的未知风险，这90分钟播客，藏着AI未来的全部可能与挑战。而辛顿最想传递的，或许是：正视AI的强大，更要提前布局，才能在这场变革中守住人类的主动权。

大会发言／企业内训／代言背书 欢迎联系

他山石智库 2015 年来商业合作数百位诺贝尔奖得主、图灵奖得主、两院院士、藤校牛剑院长教授、世界500强领导者、联合国高层及 openai 创始人等人工智能科学家、经济学家、企业家及《未来简史》作者赫拉利；世界首富马斯克母亲梅耶·马斯克等。为北京、上海、杭州、广州、深圳政府举办的国际化论坛、峰会提供演讲嘉宾；为阿里、腾讯、字节、百度等公司大会提供演讲嘉宾，并运营诺贝尔奖专家领衔的品牌代言背书和海外传播。他山石智库还桥等名校留学。创始团队来自国务院发展研究中心、财新、清华、麻省理工。