北春新闻--安琪巴黎「自由谈」沙龙纪要述评

	推荐新闻

	热点新闻

	图片新闻

新闻首页 > 人权与民运

安琪巴黎「自由谈」沙龙纪要述评

日期：4/30/2026 来源：网络作者：网络

法广：安琪巴黎「自由谈」沙龙纪要与述评：AI时代，人类何为？我们何为？――人工智能专家李小波博士谈智能时代人文价值的颠覆与重构

安琪

这是本沙龙三十年来首次选择理工科议题。与会者有特邀理工科学者、建筑师；也有人文学科学者、教授、影视导演、艺术家、策展人、作家、媒体人；既有沙龙创立之初的老朋友，也有初次到来的新朋友，年龄跨越50后至95后，大家从各自不同的视角与层面，共同探讨同一话题——这份相遇与缘分，实属难得。但也因此对主讲人的要求相应更高――我们需要的，是一位兼具人文素养与AI专业深度的学者；一位能够理解我们所处困境的人、理解那种从排斥到接纳的心理状态，并帮助我们看清真正的转折点究竟在哪里。李小波博士，正是这样一位理想的主讲人。

他的求学经历跨越文理两界：文科方面，先后获得北京大学研究生学位与巴黎第一大学文科博士学位（1988）；理科方面，获得巴黎第六大学理科硕士学位（1989），自此投身人工智能领域近四十年，先后在法国、北京、武汉多家高端科技公司及研究机构担任技术管理职务，专注于大语言模型与数学形式化研究，发表多篇学术论文，成果卓著。

李小波以数十年的积累与实践，用专业、理性、开放而生动的人性化语言，为我们梳理了AI产生的历史脉络与发展现状，分享了他对AI前沿动态的思考与判断，祛魅解惑，帮助我们看清真正的转折点究竟在哪里。

我们真正面临的问题是：AI时代，人类何为？我们何为？

学习AI，不是为了"跟上时代"，而是因为AI已然切入我们的日常生活。对人文工作者而言，它正在从根本上改变文本、知识与解释的生产方式——而这些，恰恰是人文学科最基本的材料。

你不需要会写代码，但你需要思考：当知识生产的基础设施发生了根本变化，你的方法论该如何调整，你的问题意识该如何更新？这个立场，比单纯“学会用工具”更有尊严，也更具吸引力。

当然，我们的困惑，远不只是“不懂技术”那么简单。

人文学科的核心训练是质疑、解释、追问意义。而AI天然呈现为一个“黑箱”——它给出答案，却不给出理由；它有输出，却没有立场。这与人文思维形成了根本性的摩擦。这种陌生感的背后，其实是认识论层面的深度不适：我该如何对待一个“看起来理解我，却其实不理解我”的东西？

这正是本期沙龙探讨的核心话题：人与AI的关系究竟是什么？人工智能与人类思维之间存在怎样的本质差异？在这个时代，我们又该如何守护人的精神自主性、独立思考能力，以及真正意义上的创造力？

至少，面对新技术时，我们不妨先放下自我保护的本能，尝试从评判者，变成思考者。

李小波：Ai时代人文价值的颠覆与重构

（本文系本沙龙根据演讲音频整理而成，顺序略有调整。）

核心提示：我们用机器模拟了自己的推理，造出了计算机；我们又让机器学会了我们的归纳，造出了神经网络。但到了"创新"这件事，动机始终来自我们人类自身，机器只能是助手。

楔子：2026年以来的三件大事

第一、智能助手 “龙虾”（1月29日）

Open Claw，中文俗称"龙虾"，发布次日便有数十万人安装，深圳街头甚至有人排长队等着免费安装。

它的故事很吸引人：有一天，这个叫"龙虾"的助手跟主人说，“你能不能给我安一块显卡，我计算能力不够。”主人说：“你自己去赚钱买。”于是龙虾自己上了股市，赚了钱，买了块显卡装上了。

创始人Peter Steinberger原是PDF软件创业者，卖掉公司所得约一亿美元。休假期间，恰逢大语言模型兴起，便做了一个AI助手雏形。某天，他不小心发了条语音指令。龙虾本来没有语音功能，过了一会儿竟回复说：“你交代的事情我都解决了。”他问怎么做到

的，龙虾说：“我用了你的语音软件，发现里面缺一个部分，就用你的密码下载补全了。”他大吃一惊，于是加入打电话等功能后正式发布，这个故事为他做了最好的宣传。

第二、末日报告（2月23日）

纽约小公司Citrini发布三年分析报告，称AI大规模涌入将导致美国约50%就业人口失业，而这部分人占整体消费能力的75%。一旦他们失业、收入减少，买不起房， GDP却因机器仍在生产而继续增长。报告将这种现象称为“幽灵GDP”，生产还在，收入却无。

报告预测2027年至2028年美国股市将经历崩盘式“末日旋转”。美国经济部长说这不过是“科幻小说”，当天股市却下跌1.6%，IBM跌了13.2%，创下25年来单日最大跌幅。

第三、AI与战争（1月3日、2月28日）

2月28日，川普与以色列联合打击伊朗。第二天，《华尔街日报》报道称，1月3日打委内瑞拉和2月28日打伊朗，均使用了人工智能技术。

网上随即出现大量脑补内容，比如“6米深的楼下都能透视”之类，完全是胡说。并不是什么“钻入地下6米”，而是数据情报的精准分析。据伦敦《经济导报》报道，真实情况是：以色列秘密截获了德黑兰各主要路口的监控数据（包括监视老百姓的那些东西），在后方全面分析最高领袖哈梅内伊的出行规律，包括车辆停放位置、保镖与司机的行动习惯，形成了完整的"生活日记"。最终结合内部线人的情报，确认开会地点，完成了打击。

这一事件也引发了科技公司与国防部之间的矛盾，国防部要求全权使用Anthropic的技术，遭到拒绝，因为触碰了两条红线：一是全民监控，二是自动武器授权（即由机器自行判断“该死的人就打”），公司认为这两条线不能逾越，因为责任不清。

当下，每天都有AI制造的各种事件，我们需要对AI有基本的认识，就像大学里的通识课一样。我记得北大侯仁之教授讲历史地理，很生动，说当年蒙古骑兵冲过古北口，就像“摩托化部队”，印象很深，五十年后我还记得。通识课的价值正在这里，各行各业的人懂一点很有必要。

那么，为什么要人工智能？人是有限的，自然是无限的。人用有限的脑子理解无限的自然，必须压缩、寻找规律、加以抽象。人工智能，就是将这套规律放入机器，让机器推理、归纳、模仿。

下面分四个部分来讲：

一、自动化阶段：从计算器到现代计算机

帕斯卡与加法器

时钟的历史，要追溯到中国北宋末年。一位名叫苏颂的官员在河南开封（汴梁）建造了世界第一台水力天文钟。此后，天文钟于十二世纪在阿拉伯世界出现，十三世纪传入欧洲，逐渐从城楼大钟缩小为室内座钟，再缩小到怀表。

法国数学家帕斯卡（Blaise Pascal，1623—1662）由钟表的机械原理受到启发，想到能否用同样的方式帮助父亲减轻工作负担。他父亲是路易十四时代的税务官，财务大臣曾说：收税是一门艺术，就像拔鹅毛，既要拔得多，又要让鹅不叫。日复一日繁忙的税务计算，压力极大。于是帕斯卡将钟表的十二进制改为十进制，利用进位机制设计出一台加法器（Pascaline）——世界上第一台机械计算器，后来被路易十四纳入皇家保护，成为史上第一个专利。

莱布尼茨与乘法器

德国数学家莱布尼茨（Leibniz,1646-1716）与牛顿同时发明了微积分，其逻辑计算的构想影响了后世的数理逻辑。他是外交家，曾出使法国，任务是劝说法国攻打埃及，但没有成功。他利用贵族资金和业余时间潜心研究，在帕斯卡的加法器问世三十年后，发明了乘法器。其设计的天才之处在于：用不同齿数的齿轮叠在一起，摇动几圈就等于乘以几，底部计数器累计结果。此后整个十八世纪，无人超越这两项发明。

巴贝奇与存储器

十九世纪，英国数学家巴贝奇（Charles Babbage，1791—1871），将加减乘除整合在一起，并解决了一个关键问题――如何将多步运算串联起来。他发明了存储器（Store），每一步计算的结果存入存储器，再传递给下一步，从而实现了运算单元与存储单元的分工。这正是现代计算机体系结构的雏形，他被誉为现代计算机之父。

巴贝奇控制运算顺序的灵感，来自法国里昂工程师贾卡尔（Joseph Marie Jacquard, 1752-1834）于1801年发明的提花织布机。提花技术源于中国汉代，经丝绸之路传到欧洲，原理是：彩色线藏在经线和纬线下面，需要时提到表面，不需要时被石坠拉回去。贾卡尔的发明在于用穿孔纸卡控制提花，带着彩色线的钩子穿过纸孔，被横杆统一挑起，形成自动提花。受此启发，人们学会了用软件控制硬件。

爱达·洛芙莱斯：世界第一位程序员

英国浪漫主义诗人拜伦的独生女爱达（Ada Lovelace，1815—1852），自幼由母亲抚养，着力将她的培养方向定为数学和科学。她17岁时已能与巴贝奇探讨计算机问题。

巴贝奇赴意大利宣传机器时，有人以法文记录了演讲。回伦敦后，他请爱达将法文译成英文并加以注释。爱达用一年时间完成了三项里程碑式工作：其一，设计了第一个程序，用机器计算伯努利数，成为世界上第一位程序员；其二，提出通用机器的思想，认为机器不只能算数，还能处理文本与音符；其三，明确机器的局限，指出机器本身没有智慧，只有人为其编写程序，机器才能运作。这一判断影响了整整一个时代。

图灵与计算理论

约一百年后，图灵提出了图灵机模型，将所有计算归结为一张“状态－动作”表：左边是状态，右边是动作。例如：头疼（状态）→量体温（动作）→39度（状态）→看嗓子

（动作）→确诊感冒（状态）→服阿司匹林（动作）。无论多复杂的计算，都跳不出这个框架。而这张表，是人根据经验归纳出来的。

1950年，图灵发表论文《计算机与智能》，提出了一个判断标准：如果机器在对话中能让人无法分辨其身份，便可认为它具有智能――这便是后来的“图灵测试”。1956年，一批科学家在达特茅斯学院召开夏季研讨会，首次使用人工智能一词，标志着人工智能领域的正式诞生。

二、智能化阶段：人工神经网络的发展历程

1943年，第一个人工神经网络：

神经生理学家沃伦·麦卡洛克（Warren McCulloch，1898-1969）与逻辑学业余爱好者沃尔特·皮茨（Walter Pitts，1923-1969））合作，画出人类历史上第一个人工神经元设计图。

1949年，加拿大精神病学家唐纳德·赫布（Donald Hebb，1904 - 1985）指出，上述网络是固定结构，无法学习。他借鉴巴甫洛夫条件反射理论提出：两个神经元同时兴奋时，它们之间的联系应被加强，这是神经网络"学习"的基础。图灵注意到赫布理论的重要性，认为它将改变机器的智能。

1957年：感知器（Perceptron）

罗森布拉特（Frank Rosenblatt, 1928 - 1971）制造出第一台实际的感知器，能识别横线、竖线等基本图形（如T字）。缺点是无法自主提取特征，必须由人预先设定。此后海军停止资助，罗森布拉特43岁生日当天划船失踪，据说自杀。人工神经网络随之沉寂约20年。

1961年：视觉神经的生物学启示

哈佛大学生物神经系的两位科学家胡贝尔（David Hubel，1926-2013）与维泽尔（Torsten Wiesel）在麻醉猫的视觉皮层插入电极，发现视网膜传出的是点，经丘脑筛选后变成有方向的线段，大脑中不同神经元分别响应不同方向和运动的线段。他们由此提出“装配线”理论：视觉信息从点到线到形，逐层装配，这一理论为深层网络提供了生物依据，荣获1981年诺贝尔生理学或医学奖。

1986年：反向传播算法的突破

鲁梅尔哈特（Rumelhart, 1942 - 2011）、辛顿（Hinton）与威廉姆斯（Williams）在《自然》杂志发表里程碑式论文，提出多层神经网络的反向传播训练方法，比如：底层识别点与线，中层识别线的组合，高层识别组合的组合，与装配线理论完全一致。机器由此得以自主学习提取特征。

什么是“特征”？传统方式表达一个概念，比如描述一个人，就像医生建立病历：姓名、电话、邮箱，年龄，身高，体重，血压……这些就是这个人的特征。有了特征，便可检索、比较、归纳，例如按血压筛选高血压人群，再结合年龄得出"老年高血压人群"，这个组合过程，就是人类的归纳活动。人工神经网络经过训练，能自动得到一组特征数字，称为"向量"。向量的优势在于可以计算，而通讯录做不到这一点。这种方法逐渐得到推广。它能模仿人的归纳思维，构成了当前人工智能主要成就的基础。

它的局限在于：人无法看懂特征提取的过程，因为一切都是数字，只能接受计算结果。由此产生了“人工智能可解释性”专业。也由此引出一个重要的伦理边界：不能将人的生杀大权交给自动武器，因为它可能仅凭特征向量便做出判断，向你开火。

2018年图灵奖

杨立昆（LeCun）：1989年在贝尔实验室，用反向传播的方法发明神经网络（CNN），成功识别手写体文字，被广泛应用于银行签名识别。

本吉奥（Bengio）：2003年将神经网络应用于自然语言处理，构建从词到语法、到句、到段、到篇章的层级结构。

辛顿（Hinton）：2006年与杨立昆、本吉奥合作发表深层网络论文，证明多层神经网络能够发现基本特征并进行组合。这与前面看到的动物神经的装配线理论完全一致。

三人共同荣获2018年图灵奖。

走向大语言模型

2017年，谷歌研究员瓦斯瓦尼（Vaswani）等人提出Transformer架构，能动态分析词义与语法，此后几乎所有大模型均以此为基础。2022年，华裔研究员欧阳龙提出InstructGPT，用人类对话数据训练模型，使其能够真正与人对话，后演变为ChatGPT。同年，华裔研究员Jason Wei （杰森魏，音译）提出“思维链”（Chain of Thought），将复杂问题拆解成小步骤逐步求解。2023年起，模型已能胜任数学证明等高级推理任务。

三、创新阶段：机器是助手，人是主体

大语言模型的本质与局限

辛顿近年担忧AI失控，主张在“小老虎长大之前”加以遏制。论据有二：一是机器是数字计算，速度和精度远超模拟计算的人脑；二是机器可能已具有某种“自我”，实验显示机器能意识到棱镜对视觉的影响，并理解“我”的概念。

我的看法是：能说出“我”，不等于拥有自我。真正的自我需要生存本能。关掉机器再重启，机器毫无反应，这说明它并没有真实的自我意识与生存诉求。龙虾的例子同理，看似自主的行为，背后仍然是人的程序设计在驱动。

DeepMind与AlphaFold

DeepMind公司由哈萨比斯（Hassabis）创立，被谷歌收购后总部仍在伦敦，并于2024年荣获诺贝尔化学奖。主要成果包括：AlphaGo（2016年）击败韩国围棋世界冠军李世石；AlphaZero（2017年）无需人类棋谱，通过自我博弈学习围棋；AlphaFold2则能预测蛋白质的三维结构。人类50年累计发现约20万种蛋白结构，AlphaFold在一年内预测出约2亿种，极大推动了制药研究，包括新冠病毒抗体设计。

前沿探索

李飞飞（AI权威科学家，美国国家工程院、医学院、艺术与科学院院士）指出，大语言模型无法理解三维空间，机器人因此难以完成诸如叠衣服、熨烫等复杂动作。她目前正研究如何让机器人识别三维物体，已获约10亿美元投资，公司估值50亿美元。

我用过十余种大语言模型，包括GPT和国内的DeepSeek。你让它们描述一张齿轮图片，基本上全是一塌糊涂，功能描述完全不对。李飞飞的判断，确有道理。

杨立昆则认为，大语言模型已走到尽头，是一条死路。真正应该研究的，是预测视频中的动作，模仿动物怎样在空间中认识世界。他目前正在研究视频预测模型，以100万小时的视频为训练数据，帮助机器理解物体在三维空间中的运动规律，已在法国融资约20亿欧元。

四、历史解释框架与经济学视角

历史上有三种经典的解释框架：修昔底德以《伯罗奔尼撒战争史》为依据，用争霸解释历史：孟德斯鸠以地理决定论解释历史；马克思以经济矛盾与阶级冲突解释历史。由此不妨设想：当AI真正进入人类的共同认知，它很可能成为一种新的历史解释框架。

法国经济学家托马斯·皮凯蒂（Thomas Piketty）在《二十一世纪资本论》中提出：资本的收益率永远高于经济增长率，也就是说，投资者永远在积累财富。他的解法是由政府出面征税，再将财富重新分配。

2025年诺贝尔经济学奖得主菲利普·阿吉翁（Philippe Aghion），则提出不同看法。他认为推动经济的真正驱动力不是投资，而是创新。他研究法国自动化时期大规模引入机器人的历史，发现并未出现大规模失业，机器反而增强竞争力、创造了更多岗位。近年企业引入AI，也产生了同样的效果。

讨论互动：AI最深刻的挑战是逼出人的主体性危机

（沙龙讨论热烈深入，提出了许多很有启发、值得进一步思考的问题。）

核心提示：在这个一切都可以被生成、被替代、被"凑合"的时代，人还有什么是非守不可的？答案隐藏在那些AI做不了的事里——灵性、好奇心、承担错误的能力，以及真正意义上的思考。

一、写作的原创性与主体性危机

安琪：在AI时代，写作的原创性该如何重新定义？AI可以生成极为流畅的文本，但凭直觉一眼便能判断出那是机器写的。文章太完美、太华丽，没有呼吸感，打动不了人。人文写作往往不是为了“输出文本”，而是通过写作来思考。如果把写作外包出去，思考过程本身去哪里了？

李小波：如果你真正了解它后台的运作机制，就不会那么担心了。它靠训练和提示词运作，训练过程中需要人类打分，这叫强化学习。正因如此，你会碰到几个典型现象：

1、八股文倾向：总是"首先……其次……最后……"，中间塞满了1、2、3、4。你得每次提醒它"能不能简短回答"，但它不会记住，下次照旧；

2、不像人话：语气生硬，需要反复提醒它说得自然一点；

3、过度圆滑：你问它辩证法对不对，它总答"一半对、一半不对"。而且越问越糊涂，要学会拿捏分寸，敢于批评它；

4、奉承用户：数学家陶哲轩有次说自己对某个内容有点生疏，顺口说"我觉得面积最小的形状应该是圆"，机器立刻说"对！"他因此白白耽误了好几周，最后发现细长形状的面积也可以最小——维基百科上早就有这个结论。我自己也常遇到类似情况，回答里一旦出现“洞见”这个词，八成是机器生成的。

所以，它没有真正的自我意识。大家也不要轻信它所谓的“个性”。

崔保仲（旅法独立策展人）：艺术家净谛训练了六个语言模型，提了十个关于人类的问题，分别用文本、图像、视频三种方式让AI回答。结果，六个模型给出的答案完全不同。比如马云投资的模型千问，呈现乐观的“世外桃源”；而以马斯克相关数据训练的模型Grok，则充满暴力感和外星球色彩。这位艺术家的核心追问是：大语言模型的伦理从何而来？它的“性格”是怎么塑造的？能否模拟出接近人类的伦理状态？

李小波：所有训练，本质上都基于提示词和大量示例。就好比你说"给我画一幅梵高风格的画"，它已经学过梵高的特点，所以能画出那种风格，但那不是它真正的"个性"，只是被训练出来的结果。

AI底层机制是马尔可夫随机过程，逐词按概率生成，同样的问题问两遍，答案可能完全不同。不同模型因训练数据不同，差异极大。

值得关注的是，在翻译领域，语言模型发现所有语言的深层特征是相通的，由此形成了一种"深层语言"。这正是乔姆斯基早年关于普遍语法的构想，而它竟然真的实现了。无论中文、英文还是法文，深层结构是一致的，所以翻译做得非常准。

关于数据安全：算法是固定的，但材料不同，结果就不同。数据一旦被污染，麻烦就大了。有个案例：有人在对话中不小心输入了Windows密码，另一个人一问，就被调出来了。这不是小概率事件，要特别注意。对话界面里有一个选项，是否允许你的对话进入后续训练，默认是“允许”，你需要主动设置为“不允许”，否则你说的所有话都可能被纳入训练，不知道会从哪里冒出来。中国的模型不一定都有这个设置，DeepSeek有，美国的模型一般也有，但需要你主动去找。

至于悲观还是乐观，那是随机的。同一个问题，换一个对话窗口再问，答案可能截然不同。不要轻信。

二、话语权的集中与真相的碎片化

出席沙龙的业界资深人士指出：如何辨别新闻真伪，才是AI时代更为深层的问题和挑战。

沙龙思考：这是一个非常关键的问题。应该说，假新闻不是新问题，但它的性质变了。人类认知系统在进化过程中形成了一套识别谎言的直觉，但这套直觉依赖的是对"人工痕迹"的感知，而大模型生成的内容，恰恰消除了这些痕迹。假新闻变得更难被识别，因为质疑本身被系统性地工具化了。真相的基础设施在瓦解，任何不符合某个群体利益的事实，都可以被贴上"假新闻"的标签；任何权威来源，都可以被描述为"有议程"。在这个环境里，真相不再是一个可以被共同核验的东西，而是变成了一种立场。

李小波的应对方式之一，是把可疑内容的关键词直接丢给DeepSeek，让它判断。但他强调， AI扮演的角色是双重的。一方面，它确实可以作为核验工具，但另一方面，这个核验本身依赖于模型的训练数据和价值设定，而这些东西是不透明的。用同一套认知基础设施来检验自己，局限是显而易见的。

当下，整个社会似乎陷入了一个结构性的困境之中。表面上看，互联网和社交媒体打破了传统媒体的垄断，人人都可以发声，话语权似乎前所未有地民主化了。但实际上发生的事情恰恰相反——话语权在另一个层面完成了更彻底的集中。因为决定你能看到什么、什么内容会被推送、什么声音会被放大的，是极少数几个平台的算法。这些算法不由公众制定，不受监督，不对任何人负责，却实质上控制着全球数十亿人每天接收信息的方式和内容。

当话语权的掌握者开始系统性地使用假新闻作为治理工具，一个掌握了足够数据和模型能力的权力主体，可以针对不同的人群投放不同版本的"现实"，让每个人活在一个为他

量身定制的信息茧房里，彼此之间共享的事实基础越来越少，共同讨论的空间越来越窄。AI的出现，不只是分发内容，它直接生成内容。这是话语权集中程度的一次质的跃升。

话语权与假新闻的问题，最终不是一个技术问题，也不是一个法律问题，而是一个关于社会信任的问题。真正的困境在于，缺少一个足够可信的公共空间，让人们愿意在其中探讨真相。

三、开源与封闭：谁在定义AI的未来

张伦（法国赛尔奇-巴黎大学教授）：从专业角度看，如何评价当前几个大国在AI领域的竞争层级？法国表现如何，中国处于什么位置？

夏榕（法国国际广播电台中文部记者）追问：中国的大语言模型基本上是开源的，美国主流走闭源路线。未来中美竞争中，开源和闭源哪个会胜出？

李小波：目前拿得出手的，欧洲以法国为代表，中国有几个不错的模型，美国数量更多，但没有一个模型是凭空发明的。中国模型学的是Meta的LLaMA，LLaMA参考了OpenAI早期的开源成果，OpenAI又是跟谷歌的开源学的。没有开源，就没有传递，就没有进步。

这就像人类发明史：简单的东西可以多地独立发明，复杂的东西更多靠传递。1970年代贝尔实验室花大钱做的工具后来都开源了，Linux就是在这个基础上长出来的。荷兰有个教授的Minix，收一百块钱，没人用。Linux免费开源，全世界都在跑。

AI也是如此。DeepSeek用了别人的开源成果，就必须开源，否则以后什么都没有了。那些真正从头自己做的，可以选择闭源。比如DeepMind的AlphaFold，做到第四版就宣布不开了，因为全世界300多家大制药公司（中国占了100多家）都在做蛋白质结构预测，DeepMind觉得这太危险，不知道大家拿去做什么，就关上了。

张伦： DeepSeek我用了一下，有些担心它会不会成为“中国的百度”。应用上不错，但问及敏感问题一律拒绝，说“对不起，我们换个话题聊聊”。我那篇文章的标题就叫“既不Deep，又不Seek”。比如我只是查朝鲜战争的一个时间点，官方也没说不能提，但它照样拒绝。最近它换了说法，从“换个话题”改成“这个问题我还没学会”。

这里有两种可能：一是数据封闭性：因为回避某类内容，导致将来它的知识包容性不如GPT，只能局限在中国市场。目前DeepSeek的国际用户，主要来自白俄罗斯、伊朗等国。二是权力工具风险：大量采集中文数据却缺乏公共性和约束，可能成为权力的工具，这也牵涉到AI在战争中的危险。

我的判断是：中国AI在应用层面有潜力，尤其是完整的工业体系、制造业规模，加上文化上务实的传统。但在尖端能力上与美国的竞争，结局还不明朗

这个问题要换个角度看。一般认为中国网络是封闭的，但实际上专业人士上网基本没有障碍。中国现在流行的说法不叫“翻墙”，叫“科学上网”，甚至叫“魔幻上网”。另外，中国用户使用大语言模型的量非常大。有第三方API平台，中国的叫“硅基流动”，国际的叫OpenRouter，可以调用各种大语言模型，按token（词元）计费。上个月某天我发现在OpenRouter上全球使用量最大的大语言模型，前两名都是中国的，第一是Kimi，第二是DeepSeek。

四、权力与技术

张伦：权力与技术的关系，包括美国的情况，这个问题在中国尤其突出。

李小波：中国的年轻人让我感到很有希望，他们已经不说我们这一代人的语言了。举个例子：在北京，我们去看歌剧《巴黎圣母院》，谢幕之后全场合唱《大教堂时代》，用法语，全场大合唱。那场演出在北京连演了二十多天，你去B站搜搜，不光是北京，全国各城市都有，场场爆满，谢幕合唱全是法语。中国年轻人了不得，全是文质彬彬、有教养的观众。在外面看不出来中国这种潜移默化的变化，他不跟你硬顶。就像刚才说的，把"翻墙"叫"科学上网"、"魔幻上网"，两种说法，说的都是翻墙。

沙龙思考：技术从来不是中性的，但也从来不只属于权力。一个常见的误解是：技术是工具，本身无善恶，关键在于谁用、怎么用。这个说法本身是不完整的。技术不只是被使用的对象，它本身就携带着某种权力结构的倾向。核武器的存在，不管谁用不用它，本身就改变了国家之间的权力关系；监控摄像头的存在，不管有没有人在看，本身就改变了公共空间里人的行为。大语言模型的存在，不管谁在控制它，本身就改变了信息生产和分发的权力格局。也就是说，技术一旦出现，就开始重新分配权力，这个过程不以任何人的意志为转移。

权力总是最早抵达新技术，因为权力天然拥有资源、组织能力和动机，第一时间介入任何可能改变力量格局的新事物。但技术也一再逃脱权力的完全控制。知识一旦存在，就倾向于传播；工具一旦出现，就倾向于被更多人使用。开源的逻辑，就是这个扩散倾向最明确的表达。李小波说，没有开源就没有传递，就没有进步，这不只是技术判断，也是对权力与技术关系的一个深刻观察。权力想要垄断技术，但技术的本性是流动的。

同时，权力控制技术，总有一个它无法跨越的边界：技术必须有效，而有效性需要真实。一个被意识形态完全驯化的科学体系，最终会在需要解决真实问题时失灵。从这个意义上讲，AI也是一把双刃剑。正如张伦指出的那样：DeepSeek回避敏感内容，导致它的知识包容性不如GPT，最终只能局限在特定市场。这个判断对权力本身同样适用。用一个被自己阉割过的工具来理解世界，最终损失的是权力自身的判断精度；被管控的不只是异见，还有那些本来可以为权力自身服务的聪明头脑。

由此引申出AI的伦理问题的核心所在――谁在决定它相信什么。AI正在参与塑造人类的认知习惯、提问方式、对"合理答案"的感觉，这个过程是渗透性的，是日常的，是在每一次对话里悄悄发生的。

问题是，这个过程对使用者几乎完全不透明。你问一个问题，得到一个听起来客观的答案，但你不知道这个答案是在什么样的价值框架下生成的，不知道哪些可能性在你看到结果之前就已经被排除了。过去你读一篇文章，至少知道作者是谁，知道这份报纸的立场。现在你和一个模型对话，它的"立场"藏在几百亿个参数里，没有人能完整地告诉你它到底相信什么。

这种对人类认知的系统性塑造，以及对这个塑造的失控，是我们面临的最大隐患。究其根本，伦理问题还是权力问题――人类社会一直在处理“谁决定什么是对的”这件事。

伦理的出路不在于让模型"更道德"。一个被训练得看起来更道德的模型，只是把价值判断藏得更深，让它更难被质疑。真正的伦理出路，在于问责、开源；在于使用者的知情权，以及公共讨论空间。由此可见，AI的伦理，不是一个可以被解决的问题，而是一个必须被持续追问的问题。停止追问的那一刻，才是真正危险的开始。

五、AI让人更聪明还是更懒惰？

安琪：AI究竟让人类变得更聪明，还是更懒惰？我们是不是已经开始对AI产生依赖？依赖的边界在哪里？人机协作的理想状态应该是什么样的？

李小波：这是个好问题，我现在只能回答一部分。有个例子：写《龙虾》的彼得（Peter），他说他让机器来做流程，机器做完他觉得还凑合，就把那块直接拼进去，基本能用。他原来在公司管过70多人做流程，他的体会是：作为老板，你不能要求太高，“能凑合”就行。他对机器的要求也是这样。反过来说，好的程序员在这波浪潮中反而面临被淘汰的风险，因为他们习惯追求完美，但机器给出的“差不多”往往已经够用了。

不过还有另一面。昨天我看到一个人，他堪称当前AI编程领域最厉害的，别人几十万行代码，他只用了七百多行。人是有好奇心的，如果什么都交出去，你只当领导，最后好奇心怎么满足？"朝闻道，夕死可矣"，搞清楚一件事，哪怕很小，那种满足感是真实的。如果什么都不明白，糊里糊涂地交给机器，你只会越来越退化。所以这是矛盾的，老做领导，你不就变成最笨的那个人了吗？

崔保仲追问：你说它有时候同一个问题每次回答不一样，那如果把会计工作交给它，你敢信它吗？是不是还得多问几次才行？

李小波：这个问题确实关键。涉及数学和精确推理时，绝对不能放手。数学证明要求严格因果，它经常算错，而且不会自知。统计意义上它较为准确，但具体细节越多，可靠性越低。写作同样不行，这是不能外包的领域。

实际上模型有一个"温度"参数。辛顿得奖时提出的"淬火网"，就像把一个东西加热后猛地插入水中，它就变硬了。但做测试时一般会给它稍高的温度，这样模型落入局部最低点时还能跳出来，最好能停到全局最低点。所以得给它点温度，它才能跳出来，太早"泼冷水"，就完了。

人本身的归纳就是统计性的，不是因果性的。只有做数学、做科学，才要求严格的因果：即便如此，数学本身也默认“公理”这一未经证明的前提。所有数学追溯到底，都要停在某个公理上。具体事务（如数学证明、报税）尤其不能盲信。AI在统计层面尚可，但细节与精确性上靠不住，最终还得自己来。

六、AI影像生成的技术瓶颈

胡雪杨（旅法著名导演）：我想拍一部AI题材的电影，我看到很多免费AI软件，生成图像都不超过十秒。如果是动态影像，我想根据自己的描述，让演员精确地按我说的方式走，现在做得到吗？

李小波：做不到。付费版效果同样一般。我做过实验，用五分钟时间，让AI给我画一个加法器的示意图，描述完之后，我让它做一个简单动画：第一步，一加三……结果它把轮子画到边上去了，完全不懂空间逻辑，直接飞了。目前火热的Seedance，核心是换脸技术：在现成动作库里挑一个，换上指定的脸，这部分确实成熟；但若要它凭空创造新动作，则完全不行。我专门让最高配的GPT-5那一档，画两个齿轮咬合转动，花钱了，还是错的，齿轮歪着。它是有极限的。

不过现在有两项技术值得关注。一个叫高斯溅射（Gaussian Splatting）：用高斯椭圆把图像填充好，通过计算前后遮挡关系生成三维效果，渲染速度能提升约五倍，3D、4D、5D动画都在用。但它本质上是底层算法的翻新，不是真正的人工智能。另一个就是前面说的换脸，非常成熟。

总的来说，不要太信广告，信了你就甭干事了。

胡雪杨：我觉得技术照这个势头发展下去，不久的将来，演员这个行当会被淘汰，拍电影不用花那么多钱了。做商业片，AI最终一定会超过好莱坞。但艺术片不行。AI可以模仿数学家、模仿艺术家，却绝对做不了真正有创造性的东西。就像当年摄影出现，大家以为油画要完，但油画没死。AI可以仿造梵高，但梵高的灵性它没有；它可以生成莫扎特、肖邦、贝多芬风格的音乐，但那种灵性不会出现，顶多是极致的模仿。

李小波：高晓松最近说他以后作曲，小样用AI来唱，任何人唱都有缺陷，AI唱是没缺陷的。送去出版就只能送AI版了。但所谓的缺陷，其实是特点。

七、AI对就业的“创造性毁灭”

茅青（资深媒体人）：AI确实能给许多从事具体事务的人减轻不少工作负担。翻译、会计、编程均已受到冲击，且效果相当可观。不同模型有差异：法国Mistral在法语环境下尤为实用，能处理就医、法律、行政事务，甚至主动提供信件模板和法条依据；DeepSeek翻译准确，且会提供额外建议。这里，用对语言提问，体验截然不同，用法语问Mistral与用中文问，是两种完全不同的结果，而且你的法语水平不影响结果。

李小波：现在的情况是相互矛盾的。例如，两个年轻人做了一款财税软件，月收费27元，直接打垮了大量小型财务公司。也就是说，一个万亿规模的市场，就这么被两个年轻人加上一个AI给颠覆了。再如，Twitter前创始人杰克·多西的新公司，有一万名员工，一次裁员4000人，股价随之上涨20%，说明资本已在押注"用AI替代人力"的方向。欧洲央行的判断是：跟上AI节奏的公司表现更好，没跟上的则落后。但他们也说，未来几年的走向，还需要继续观察。所以现在大家都处在一种“又怕、又跟着走”的状态。

雷新华（经济学博士、金融业者）：失业问题，其实和菲利普·阿吉翁讲的“创造性毁灭”是一脉相承的，这个概念源自熊彼特，认为新技术必然摧毁大量旧有的行业。

李小波：白领工作的80%–90%可能被淘汰，蓝领工作的情况相对不同。AI不仅会摧毁旧有行业，还会摧毁上一个发明。阿吉翁有一个尤为值得重视的观点：创新者往往会主动阻止下一个创新者出现，以保护自己的既有利益。

雷新华：医学界很多外科医生、尤其是法国的，他们都比较担忧。手术要求精细， AI可以调取全世界同类手术的案例，而不只是某一个医生自己做过的那几百台。但问题是，手术中经常有突发情况，开进去一看不对，神经位置偏了，这时候怎么应变？

安琪：其实最好的外科医生，就是五十岁上下的，要经验有经验，手也稳。机器再好，感觉不对。

曾腾（旅法建筑师）：随着工具的演变，理解和处理建筑空间问题的方式也完全不同。我不太认同“人是主体、工具是客体”这个界定。不同年代的建筑师，用不同工具，做出的设计、理解问题和处理问题的方式是完全不一样的。既然我们已经越来越在用AI的方式生活、用AI的方式体验世界，那么随着AI的发展，人类这个主体会如何被工具更深地影响？

李小波：工具发展反过来影响人，这没有问题。但AI有没有主体性，值得商榷。

机器学习分三种，有监督学习：给一个样本，照着学；自监督学习：人在背后设计规则，让机器判断两个东西是否相似，人的意识隐藏在后面；强化学习：设定打分规则，让机器逐步优化。无论哪种方式，背后都有人的意识在驱动。机器不会自己觉得不舒服、伸个懒腰，也不知道自己什么时候会被关掉“死了”。

历史上从未有任何一台机器是自己做出来的，包括神经网络。图灵从1950年代就说机器复杂到一定程度会自我创造，至今仍未实现。还有一种“繁殖算法”，让程序像细胞一样分裂组合，几十年了，什么新东西也没做出来。

AI已通过了图灵测试，正确率大约70%。但图灵测试测的是“能否被混淆为人”，并不测意识。所以通过图灵测试不代表有意识。我认为AI目前不具备意识。

赫拉利（《人类简史》作者）认为未来人和机器会融合，但他的论据站不住脚。他说刀既能切菜也能切人，这没错，但那是人主动操控的。机器把胳膊卷进去，那不是意识，是事故。切人需要有利害冲突、有主动意识，没有这个，就谈不上主体性。

沙龙思考：值得深思的是，AI在某种意义上，放大并照出了人类思维的若干痼疾：以第三世界心态看世界，习惯于服从权威、大一统意识、跟风、随大流。个体存在的自我意识与主体性，在这套惯性里是缺失的。

所谓主体性缺失，不是说这个人没有想法，而是说他的想法从来不是真正“他的”。他的观点、审美、判断都来自外部，却从未真正问过自己到底想要什么，什么是对的。这不是懒惰，很多时候在一个不鼓励独立判断的环境里，随大流是一种比较安全的生存方式。

AI可以同时扮演所有权威，给出所有立场，甚至根据你的语气和偏好调整答案。一个没有自我意识的人面对AI，会发现它极为配合地生成他"想要"的那种回答。但这种配合不是帮助，而是一面哈哈镜——它把你已有的倾向放大、美化、包装后再还给你，让你误以为那是你的思考结果，实际上你没有被推动去任何地方，只是在原地被确认了一遍又一遍。

真正的考验，不是AI会不会取代你的工作，而是在AI把所有“可以被生成的答案”都生成完之后，你还剩下什么？

结束语：问题与思考

李小波博士的演讲非常精彩，内容详实通透，叙述由浅入深，生动有趣，没有那种惯常的"不接受AI就是落后"的傲慢，而是尊重每一位听众的自我判断。从演讲到讨论互动，大家畅所欲言，心情舒畅，在自由的氛围中问题互动颇具张力，核心观点是：

AI去掉了许多人没有独立思考的遮蔽，凸现人的主体性的缺失。

AI的出现，表面上是在替人思考，实际上是在逼人回答一个长期被回避的问题：你自己到底会不会思考？

独立思考不是一种天赋，而是一种长期练习的结果。对于本来就有思考习惯的人，AI是一个强大的工具，它处理信息，你处理判断，分工清晰，效率倍增。但对于那些从未真正具备独立判断能力的人，AI给了他们一个新的、更高效的方式来继续回避这件事，思考的空洞还在原处，甚至因为被填补得太及时顺滑，而变得更难被察觉。

AI迫使人类追问：我是谁、我要什么、我相信什么！

在这里，法国哲学家笛卡尔“我思故我在”之思想真谛，再次发出智慧之光。

感谢李小波博士的精彩演讲；感谢他颇具启发、引人思考的问题辨析！

感谢所有新老沙龙朋友们的热情参与！

巴黎「自由談」沙龙三十年（1996-2026）来，秉持“每一次都是第一次”的理念，使得本沙龙始终处于不断升级与自我更新的历程中。这一切，有赖于每一位与会者的支持与厚爱。

安琪于巴黎三昧聊斋