Chris Manning 播客：语言才是解锁智能的关键

https://www.youtube.com/watch?v=ZAcL5x-DhlE Chris Manning播客——语言才是解锁智能的关键 这是斯坦福NLP大牛Chris Manning的播客访谈，聊大模型、语言学、AI怎么学习、不同AI架构之争，我用大白话把核心内容讲明白。 1、开篇：做AI大模型，语言学到底有没有用？ 现在做大模型的人，很多是搞物理、数学出身，感觉好像不需要懂语言学也能把大模型做出来。 但Manning说：不是这样。 像组合理解、举一反三泛化能力这些现在AI圈天天念叨的能力，源头其实是语言学、语言哲学，不是搞数学推导出来的。 简单说：语言学很多想法藏在大模型背后，只是很多做AI的人没意识到。 2、行业现状：NLP正在慢慢丢掉“语言本身” 早些年研究自然语言处理的人，既要懂编程，也要懂各种人类语言。 现在很多人是学机器学习，转头就拿大模型处理语言问题，本身不懂语言学。 学界开会已经有人警告：NLP别最后变成纯粹调机器学习模型，把研究“语言”这件事给丢了。 但真正语言学研究没有消失，只是跑到小众专题研讨会上，比如研究少数民族语言、古老语言。 主持人感慨：我原本以为，计算语言学家会拿来破解那些没人能读懂的古代文字，结果行业里几乎没人干这个。 3、大模型时代，搞NLP的学生遇到困境 以前读博士做机器翻译，要求你自己从零写代码，搭建翻译系统。 现在你个人写的程序，怎么都打不过现成大模型。 博士生能干的活只剩下：拿数据微调大模型、测试大模型好坏。很难再自己造一套核心系统。 而且有意思：语言学家本身，几乎不受大模型影响。语言学家还在研究句子结构、词义，仿佛大模型跟他们没关系，Manning觉得这其实不太好。 ✅ 未来语言学+AI该研究什么？ 过去AI主攻简单底层任务：分词、识别人名、解析句子语法。现在大模型这些基础活干得很不错。 以后重点要往上走： 语用、对话、上下文理解：就是听懂言外之意。 现在大模型聊天有个大毛病：不懂“谦虚”。明明自己不知道，说得斩钉截铁。人类说话没把握的时候会说“可能、大概”，大模型不会，这块是很大的空白。 4、能不能造一套专门给AI用的人工语言？ 世界语就是人造语言，简单好学。 现在AI互相聊天，会发展出一套人类看不懂的“AI黑话”，人看不懂AI心里的思考过程。 主持人提问：我们设计人造语言，用来让AI沟通，方便人类审查行不行？ Manning观点： 人造语言很难大规模用。AI极度依赖海量数据，中文、英文数据最多，永远是主角。 但是！AI自己冒出来的奇怪沟通方式，恰恰是语言学家该去研究的对象。就像人类研究不同方言黑话一样，拿语言学工具分析AI之间到底在传递什么信息。 5、重点实验：大模型学语言，是先记例子，还是先总结类别？ 心理学界吵了很多年：小孩子学说话怎么学动词？ 观点A（先抽象分类）：孩子先脑子里建立分类，比如“给东西的动词”“移动的动词”，之后遇到新动词直接放进分类。 观点B（先死记例子）：小孩先死记“give给、go走”一个个单词的用法，看多了例子，才慢慢总结出类别。 Manning拿小版GPT‑2做实验： 结果发现：AI刚学出一点规律的时候，就已经自动分出类别了。 哪怕某个类别里面大部分词很少见，AI也能形成大类。不是先死记单个高频词。 👉为什么会这样？ 大模型每个词都变成一串数字向量，相似的词数字很接近。学一点点东西，会直接影响所有其他词语。训练早期所有词向量挤在一起，学到一个词的特点会传染给别的词。训练久了各个词向量拉开距离，才慢慢分开。 提醒：这个实验只用了小模型。超大模型是不是一模一样还不好说，但理论推测大概率类似。 6、和Yann LeCun（杨立昆）的观点碰撞 杨立昆（LeCun）的看法： 人真正的思考不靠语言，靠脑子里图像想象；语言只是人与人传话工具。纯文本大模型有天生缺陷，必须要让AI看懂物理世界、看懂图像，要用JEPA新架构，不能靠自回归大语言模型。 Manning不同意这个看法： 人和猩猩大脑硬件差别不大，但人类远远更聪明，语言才是人类智力的关键钥匙 个人角度：我们很多思考，就是脑子里内心独白，用语言思考；语言是人类第一个强大思考工具，后来才有数学、编程。 集体角度：人类厉害是因为集体智慧。造一台iPhone没有任何一个人懂全部技术，靠千百人语言沟通分工。现在多个AI智能体互相交流合作，也出现这种集体智慧。 不是说JEPA完全不行，Manning认为杨立昆太低估语言本身对思考的作用。 7、老论战：只看文字，AI能不能真正理解含义？ 以前有个著名论文观点：只看文字的AI永远不会懂真正意思。就好比章鱼没有见过外面世界，光看书理解不了世界。必须要“文字+现实画面配对学习”。 Manning的立场： 只看文字，AI*是可以学懂一部分现实世界规律*。 证据：只用看游戏操作记录，AI内部自己会生成游戏棋盘的虚拟模型，用来预测下一步。同理，只读文字大模型内部会冒出对物理世界的认知。 但是！只靠文本效率很低。 所以现在做多模态（文字+图片视频）非常有价值，可以学得更快更好，但不是“没有图像就绝对不可能懂世界”。 8、扩散模型能不能干掉Transformer大语言模型？ 图像生成用的扩散模型效果很好，生成图片花样更多。大家就想：能不能用扩散模型做文字，替代现在大模型？ Manning：现在还不好下定论。 Transformer优势：做逻辑推理、关系理解很强。扩散模型能不能做到同等推理还不确定。 两边技术在互相靠近：扩散一次生成一大段文字；现在Transformer也在搞推测解码，一次性输出一大段。 希望看到更多不一样架构出来竞争。 9、RAFT：改AI的“临时想法”，而不是修改AI本身权重（对比LoRA） 现在常用LoRA微调：给大模型增加一点点新参数，来改变模型行为。 RAFT思路不一样：大模型本体完全不动，不去改模型权重参数，只修改中间瞬间输出的激活状态（临时表征）。 效果可以接近LoRA。 AI知识存在哪里？ 绝大部分事实知识，牢牢存在模型权重（AI本体）里面； 但知识怎么调用、输出什么回答，由中间表征（临时状态）决定。 类比： 权重=一本装满全部知识的百科全书； 表征=你这一瞬间翻到哪一页，怎么解读这本书。 工程好处：大模型本体冻结不变，不同用户只改临时状态，服务器可以高效服务成千上万客户。 还有一个学界热点猜想：一个概念对应向量空间一条直线。 Manning说：大家喜欢这个假设，只是因为好做实验。真实AI里面编码很复杂，存在很多非线性叠加，不全是简单直线。 10、访谈结束 总结最核心一句话： 语言不只是用来沟通，语言本身就是实现高级智能的核心钥匙。不能简单认为光看文字就一定产生不了理解，但是结合图像视频会做得更好；语言学的思想，依旧对AI未来非常重要。 如果你需要，我还可以把其中某一个话题再压缩讲的更短。