诺奖得主的3个提醒：AI会办事了，世界就变了

进入 2026 年前夕，柏林一场公开对谈中，AI 教父、诺贝尔物理学奖得主 Geoffrey Hinton 谈到 AI 正在发生的核心转变：

AI 不再只是给答案，而是开始自己思考、生成数据、执行任务。

这句话背后，是三层正在发生的变化：

会推理，幻觉在减少。

会自学，不靠喂数据。

会执行，主动交付结果。

落到现实中：医疗诊断的主导权在转移，不是医生失业，而是谁来下诊断结论这件事在变。教育加速分化，一对一 AI 导师、数学探索、科学发现都在加速。

当 AI 从被动响应变成主动执行，人和机器合作关系就得重新设计。

提醒一：AI 会推理了，幻觉在减少

过去两三年，聊天机器人最大的问题是什么？

“一本正经地说错话。”

但 Hinton 说：这种情况很快会少很多。不是因为它背了更多资料，而是它开始学会推理了。

那推理从哪里来？

他给了一个比喻：每个词就像一块形状复杂的乐高，放进一句话里会随着上下文微微变形，这些词块彼此扣住，形成含义。AI 不是把话翻译成逻辑符号再运算，而是在这些词块之间寻找最自然的连接方式。

一旦 AI 能更好地组合这些词块，推理能力就自然出现了。

多年来，符号 AI 主导了这个领域。他们认为推理的本质是把英语句子转换成逻辑形式，然后应用符号规则推导。他们对此深信不疑，以至于不认为这是假设，而认为这就是事实。

Hinton 明确表示：这完全是胡说八道。

那些主张神经-符号混合系统的人，本质上是想保留旧框架，只是让神经网络来做辅助。这就像有人承认智能手机更好，但还要用智能手机去控制算盘，完全没抓住重点。

推理全都在语言中完成，不需要转换成逻辑形式。

理解不是把句子变成逻辑符号，而是把词变成可以相互作用的高维向量。这更像蛋白质折叠，而不是逻辑运算。

未来的 AI 在说出一句话之后，会多做一步：回头看看刚才说了什么，对照事实或已有线索，如果发现不靠谱就修正。这不是简单的准确率提升，而是 AI 开始具备一种新能力：自我验证。

以前它只能输出，现在它能检查自己的输出是否合理

以前它只负责回答，现在它会质疑自己的回答

这种从输出到验证的闭环，让 AI 第一次有了类似人类的自我纠错机制。对使用者来说，直接效果就是准确率更高、逻辑更连贯、胡编乱造大幅减少。

但更深层的变化是：AI 不再是一个被动响应的工具，而是一个能主动检查、修正、优化自己输出的系统。它开始有了某种程度的自主性。

这是能力层面的根本性突破。

提醒二：不等人喂数据了，AI 开始自己学

一直以来，训练 AI 模型都离不开：堆料。

堆算力，堆数据，把全网文章、小说、百科、论坛统统抓取一遍。

可现在问题来了：全网的公开数据已经用得差不多了。这就是 Scaling Law 遇到的第一个极限。你想再提升模型表现，就得多好几倍的投入，但进步却越来越小。

Hinton 认为，下一代 AI 不再靠人类喂，而是自己动手造。

他提到 AlphaZero 这个例子。

这个 AI 不是靠人类棋谱学会围棋的，而是自己和自己下棋，边下边学，越下越强，最后比人类冠军还准、还稳。

它通过自我对弈生成了无限的训练数据，不需要等人类提供更多棋谱。

Hinton 预测，数学将是 AI 自我训练最容易突破的领域。因为数学是封闭系统，AI 可以自己提出猜想、自己尝试证明。就像 AlphaGo 自己和自己下棋一样，AI 会自己“玩数学”：

我能证明这个吗？

我能证明那个吗？

在 10 年左右，AI 数学家可能会比人类强得多。它自己可以持续推演，生成无限的训练数据。

不只是在数学。Hinton 同意 DeepMind 领导者 Demis Hassabis 的观点：AI 会在科学发现中发挥越来越大的作用。物理、化学、生物的各个领域，都会出现突破性进展。

大语言模型也会一样。

正因为有了推理能力，AI 可以通过自我验证来生成训练数据。 就像一个员工白天干活，晚上复盘，发现问题，第二天自动提升。AI 不再是被动接收投喂，而是主动消化、验证、改进。

以前的训练逻辑是：数据越多，模型越强。所以大家拼命收集数据、清洗数据、标注数据。

现在的转变是：模型能自己生成高质量的训练数据，通过推理验证自己的输出，从错误中学习。

换句话说，真正强的 AI 不是靠数据涌入，而是靠反复演练，自己打通理解链条。这不是技术优化，而是训练范式的根本转变。从外部输入驱动，转向内部循环驱动。

过去的 AI 靠你教，接下来的 AI 自己会学。

提醒三：从工具到协作者，角色在转变

2025 年最常被提到的 AI 热词是：智能体。

它不是一个概念，而是一种新“生物”形态：一个能理解任务、能拆解流程、还能主动去执行的 AI。

Hinton 说：

“我们已经看到智能体在互联网上帮人下单、规划日程，接下来还会主动跟其他智能体协商。”

这不再是智能搜索，也不是高级助理，而是它开始接手你原本该亲自完成的那部分事情。

在对谈现场，Hinton 提到他 2016 年预测 AI 会在 5 年内取代放射科医生，低估了所需时间，但现在正在发生。FDA 已经批准了 250 多个 AI 医学扫描应用，AI 能从视网膜图像中看到医生未曾意识到的信息。在诊断准确率上，AI 是 50%，医生是 40%，结合起来是 60%。北美每年 20 万人死于误诊，这个数字会大幅下降。

教育也在转变。

一对一导师能让孩子学习速度快 2 倍，因为导师理解孩子哪里不懂。AI 导师会比导师做得更好，因为它拥有数百万儿童学习数据。不只是儿童教育，成人培训也在转变。Hinton 拿自己举例：在 Google 给员工做培训，讲神经网络这些事，枯燥得很。但 AI 导师可以做得更好，互动性强，也更有效。

不只是医疗、教育，AI 在日常工作中的转变更明显。

过去你怎么用 AI ？告诉它写文案、整理总结、排日程。可现在 AI 会反过来问你：你是想定酒店还是买机票？预算有限的话，我建议先订返程。 再往后，它甚至会不问你，直接定好。

一旦 AI 具备这种主动性，它就不只是工具，而像是一个会完成工作的“同事”。

这就是“智能体”。

它们的能力建立在前两节的基础上：

会推理，所以能判断下一步；

会自我学习，所以能在执行中优化。

很多人以为智能体越强，就意味着某些岗位要被替代。

Hinton 没这么说。他说的是人类会减少对执行过程的参与。不是你突然没工作了，而是你不再审核每一个环节、不再决定每一个动作，有些任务是智能体自己去协商完成后告诉你做完了。这意味着主导权在转移，你能影响结果的机会变少了。

所以，智能体能力需要设计边界。在 Hinton 看来，我们不是在开发一个听话的助理，而是引入一个愿意并有能力完成任务的参与者。这带来几个必须回答的问题：

• 智能体到底该完成哪部分？
• 哪些事必须人工审核？
• 如果智能体出了问题，谁来负责？

答案可能因公司而异，但方向是一致的：AI 智能体不再只是辅助你了，而是开始直接交付结果。

最后，你的工作不是做具体项目，而是变成选择方案和拍板决策。

结语｜能干事的AI，协作关系就变了

这次，在柏林现场，Hinton 没讲炒作，也没讲末日。

他给了三个提醒：

AI开始推理，不再一本正经地说错。

它会自己学，不靠人类灌输入。

它能动手干事，不等你发指令。

从工具到协作者，你的角色从执行者变成决策者。

📮 原文链接：

https://www.youtube.com/watch?v=M9ZNCkJJ0Sg&t=2s

https://www.businessinsider.com/ai-scaling-debate-geoffrey-hinton-ilya-sutskever-alexandr-wang-lecun-2025-12

本文来自微信公众号“AI 深度研究员”，作者：AI深度研究员，36氪经授权发布。