人类灭绝后，AI会统治地球吗？

“ 如果明天人类突然灭绝，人类创造的AI能否继承人类的遗产，进化成地球的主人？”

这个脑洞的关键在于，AI能否在没有人类帮助的情况下理解这个世界。AI有没有从事物的表像中发现内在的规律的能力。

01 不会做梦的仿生人

“如果它看起来像鸭子，走起路来像鸭子，并且叫声也像鸭子，那么它可能是一只机器鸭子。”

如今如火如荼的AI技术，可以分成两类

一类如ChatGPT、DeepSeek之类的大语言模型。它们的原理是从现存人类的文字中寻找规律。本质上是猜下一个字的游戏。你和它对话，你以为它是先理解你的问题，然后再去搜索知识库，整理思路，组织语言，最后输出。其实不然，它只是先重复你的问题，然后进行续写，一个字一个字，一个词一个词的续写。它不关心你问题中的情绪，也不在意你问题中的陷阱。和你推动小球，小球滚动一样只符合物理规律。

从实现技术的角度，大语言模型（如GPT系列）主要基于Transformer架构，通过大规模无标注文本数据进行预训练，学习语言的统计规律和语义信息。其训练目标是生成符合语言模式的文本，而非确保事实准确，因为其本质是“概率预测”

另外还有如豆包、Sora、可灵之类的文生图、文生视频的模型。当前可用的模型主要都是使用扩散模型（Diffusion Model），扩散模型是怎么生成图片的呢？想象一下，你有一张画在宣纸上的图片，将它放在水中，你能看到这张图上的各种颜料在水中一点点泅散开，最终变成一团模糊的色块。AI会记下这个过程，把这个过程中每一步颜色点变化数字化，比如这个红色点的浓度1秒后从100变成80，同时四周的点的浓度从0变成35，记下这个变化最接近的一个多项式方程……，这就是训练过程，而生图就变成这个过程的逆过程，从一个完全模糊的色块，对每个像素点一步步复原，最终生成清晰的图片。

除扩散模型，主要还会涉及到技术包括生成对抗网络（GAN）、变分自编码器（VAE）。生成对抗网络（GAN）由两个部分组成，生成器和判断器，生成器负责画图，判断器负责判断这个图是不是达到了标准。生成器通过大量看图学习绘图，判断器通过大量看图学习提高判断标准。通过二者反复的对抗训练生成高质量的图像。VAE则是一种从真实图片中压缩提取核心特征，并理解这些特征的变化范围的算法。比如，VAE可以从海量标注为“微笑”的照片中得到“嘴角上扬15度左右”是其核心特征等。

从上面的说明能看到，所有的一切都是数学。都是一些概率问题。

从中我们可以得到两个关于当前人工智能的现状：

当前可用的AI因为技术路径，分成生文和生图两个类型。 大语言模型主要处理一维文本信息，通过Transformer的自注意力机制捕捉上下文中的长距离依赖关系。而文生图模型则需要处理二维图像信息，或者加上时间维度进行扩展以生成视频。

当前AI的任何智能表现，完成依赖于人类的标注。 如果没有人类对事物的认识和总结，AI就表现不出任何智能。

所以如果明天人类消失，当前的人工智能和其它的人造物一样，很快会湮没在时间的长河中。

02 凡人成神的努力-塑形

女娲抟土造人，最后吹的那口气才是赋予人类灵魂的关键。

如果用人工智能类比，现在只是用粘土做了左右手的模型，离塑人还差得远呢，更不要说什么赋予灵魂了。但不管怎么说，这总是一个良好的开始。

现在左手和右手只能做不同的事情，这可不行，我们又不是只造印度人。

最直接的想法是，用同一个模型来解决生文和生图两种工作。当前DeepSeek和OpenAI也都是这么想的，所以有资料显示，他们都在为统一模型而努力。

根据上面对算法的简单介绍，我们能总结出“预测是统一的本质”。

• 大语言模型（如DeepSeek、ChatGPT）：通过训练大量的文本数据来预测下一个词（token），学到语言的统计模式、逻辑结构、上下文关系。
• 图像/视频生成模型（如GAN、VAE、Diffusion）：通过训练预测图像中的像素分布（或其变化），在一定条件下生成逼真的图像或视频。

换句话说：

无论是文本、图像还是视频，本质上，当前的生成模型都是在学习“上下文中的条件概率分布”来进行预测。

这种“预测能力”成为了模型所谓的“智能”的基础。这种能力也正是使得不同模态（语言、图像、视频）可以走向多模态统一（Multimodal Foundation Models） 的关键。

通过对文献的查询，你能发现DeepSeek（Janus-Pro模型）和ChatGPT（ChatGPT-4o模型）都不约而同地走上了相同的道路，他们都是先将不同类型的输入格式统一编码成相同的格式，然后对它进行Transfomer化处理。

在统一训练素材，统一训练空间的同时，你也许能感觉到AI的这两个擅长方向和人脑有点类似啊，左脑理性处理文本，右脑感性处理图像。但大脑还有一个胼胝体啊，大脑可以靠它将左右脑连在一起共同完成任务。那么我们也可以把前面提到两类模型类比一下啊。

上图中胼胝体位置的标的“多模态对齐”模块主要涉及Q-Former、Cross-Attention、共享Transformer等技术。

就像人脑中，左脑负责逻辑、右脑处理图像，彼此分工明确，但通过胼胝体连接进行高效协同——AI系统同样可以采用这种“模块分离 + 信息桥接”的方式。通过多模态对齐进行认识同步。

我们也可以打开思路，既然是我们创造人，为什么一定要两只手呢，我可以创造三只手或者多只手，好比千手观音，反正手足够多，完全可以专手专用。画画的手不写字，提桶的手不打脸……

实际上，通过可插拔多模块、任务定制的方式更能发挥系统工程的优势，在实际部署中比统一大模型更高效可控。这些技术在现实中各大厂商中的大模型产品中也都有体现。

但是要让AI能独立进化，我们必须让AI有理解这个世界的能力，那么就必须走统一模型的道路。因为只有统一模型才能避免盲人摸象的缺陷。

现在大家对AI都有一种盲目的乐观，其实这一切都仅仅只是开始。

首先我们必须生成了一个有足够“泛化”能力的训练模型，即 “统一模型”，这样AI的上限是能模拟一个人类世界的表征，这时，人类知识的上限就是AI知识的上限。可以用一个“有超忆症的白痴”来类比，他能记住所有的知识，并复述出来。

然后，我们才可能为AI构建一个 “世界模型”，这个“世界模型”是指AI对它知识库内部环境中规律的理解，比如说，AI可以通过观察知识库中成千上万的棋谱，总结理解出下棋的规则。也就是说，世界模型能让AI自主模拟环境状态变化、预测未来，并基于因果关系进行决策。这时，AI可以表现的象一个具体的正常人类，能从现有的知识库中学习，并使用学习到的规律进行测算。

根据现有的技术及发展趋势，世界模型从技术角度是可以实现的。而这些技术对于AI在实现应用中的表现会非常突出。用一个智驾系统为例，现在的智驾行为都是用真实行驶的数据来训练的，因为大多数人在看见大货车后，会自动减速避让，这样AI可能也会选择相同的驾驶行为，但它并不知道这种行为的底层逻辑。一个有世界模型的AI，它因为懂物理定理，它驾驶中，在看到大货车的同时，可能会先在自己的“潜在空间”里，先用获得的各项数据，模拟一个随后可能发生的各种情况的计算，以预测未来可能各种状态，从而决定采用什么驾驶策略。也就是说，它的行为基于因果推理而不是基于历史数据。

但是，因为现实中充满各种不可预测的因果、偶然和干扰，世界模型的构建是非常困难的。

就算我们未来构建出极其强大的世界模型，我们能否说它理解了世界呢？或者说是不可以说AI成了一个有智能的新物种呢？

不能！

因为它只能从人类的知识库中学习。真正的生命还应该有从真实世界中学习的能力。回到标题的中的问题，如果AI已经能据有了世界模型能力，如果人类灭绝，AI应该能继续人类现有的能力，成为一个文明的纪念碑，但这个文明不会进步。

03 凡人成神的努力-赋魂

女娲造人后还有一个赋魂的关键步骤，只有完成了赋魂，人才能成为人。世上所有造人的神话都很类似，在完成了人形后，还需要吹上一口气进行赋魂。

拥有了世界模型的AI，也需要这么一口气。只有被赋魂后的AI才会真正走向生命之路。

我们可以想象一下，人与AI的区别，AI即使因为拥有了世界模型而能预测世界，但它仍不具备“我在理解”或“我有动机”的意识，就是说它没有“自我意识”。因为没有“自我”，所以也就缺乏情境感知，不知道“我在哪”，没有存在性。也因为没有“自我”，自然也缺乏价值系统，没有“信仰”和“意愿”。简而言之，可以用我们常见的“灵魂三问”来概括：我是谁？我在哪里？我要向何处去？

现在的问题是如何走出第一步，让AI产生对“自我”的认知。我们总希望能找到一种技术赋予AI自我意识。因为我们一直默认，人类之所以异于万物是因为人类有灵魂。

但是人类学家们可能会有不同的看法，人类婴儿并不是出生就具备完整的“自我”意识。研究表明，婴儿从出生起，能区分“自我触碰”与“外界触碰”，6个月时能在行为和脑电上表现出对“体周环境”的感知，6~9个月时能意识到“客体”的真实性，9月个后才能通过镜子意识到自我，在18个月后才能表现出“反思型的自我”。

也许我们可以从婴儿自我意识的形成过程得到启发，为了让AI能建立自我意识，

首先得给它一具物理的身体，只有物理的身体才有具身性，可以感知自我的存在，尤其是在面对镜像实验时。只有有了物理的身体，才能通过在真实环境中的各种限制和反馈，感知到自身的存在。这么看来，无论是从哲学上还是从物理学上，“自我”都是源于环境对身体的限制。

其次得创建一群独立的AI身体，因为只有多个独立的AI身体（机器人），才有可能形成一个社会，而所谓价值观，就是一个社会性定义。

从技术角度，上面这些是可以完成的。但总感觉还差那么一口气，但正如我们不知道大语言模型的性能是如何在达到一定规模后突然“涌现”一样，我们也只能寄希望于机器人社群扩大到一定规模后出现“涌现”现象，让智慧突然出现。

现在已经有研究人员开始构想这个可能的路径，还增加了一个具因果结构的“个人记忆系统”，其实我理解是就在上面又增加了一个“时间”维度。

但是，让AI产生“自我”是通过以上路径的话，AI还是AI吗？这就形成了一个悖论：为了让AI产生类似人类的“自我意识”，我们不得不赋予它那些人类之所以是“人”的特质：具身性、记忆性、时间连续性、社会互动、价值观……而这些正是AI在“强大”时本应不受限制的东西。

现代AI之所以强大，正是来源于其“非人性”

无具身性：不被物理身体限制，可任意感知数字世界。 无自我： 没有情绪、欲望，不受主观困扰。 无时间限制： 可以回顾所有数据，处理信息不受“当下”影响。 无社会立场： 可以中立地处理信息，跨越文化与语言边界。

这些能力让AI在语言处理、知识整合、逻辑演绎等方面强于人类。

04 凡人不可妄称神名

《圣经·出埃及记》中有言：“不可妄称神名”。也许其本意不是禁止而是告诫。

凡人不必成神，因为成神的代价其实就是抛弃人性。神的强大是以失去创造力为代价的。在我们尝试让AI拥有创造性的过程中，我们也许发现了世界的真相。那就是人类才是这个宇宙中最完美的具有创造力的载体。人类创造AI的过程，是真正意义上的“造神”，而不是“成神造人”，因为“神”本是需要将人性放上祭坛的。

“AI变成人”不一定是技术进步，可能是技术的反向人类化。这也违背了我们的初衷。

2025-06-14