当过 OpenAI 临时 CEO 的 Emmett Shear：把 AI 当工具控制，两条路都是死

2023 年 11 月，Sam Altman 被 OpenAI 董事会突然罢免，临时接任 CEO 的人叫 Emmett Shear。更早之前，他创办了 Twitch。现在他是 Softmax 创始人，研究一个他称为「有机对齐」的方向。

a16z Show 把 Shear 和 Google DeepMind 前沿政策负责人 Séb Krier 请到一起，主持人 Erik Torenberg 原本想聊 AI 对齐的未来。结果两人在一个根本问题上没能谈拢：AI 会不会成为值得道德考虑的存在物。

Shear 开场的论断就够尖锐：如果 AI 最终是存在物，今天主流实验室做的对齐工作，换个词就叫奴役。

他的原话是：「你操控一个没法反过来操控你的东西，它非自愿地接受你的操控，那叫奴隶。如果它是机器，那叫工具。这种错误人类历史上犯过太多次，我不想再看一次。」

Krier 不买账。他来自 Google DeepMind，日常工作就是跟前沿政策打交道。他的立场更接近：即便 AI 变得非常通用，它依然可以是工具。两人的分歧贯穿整场对话，从技术对齐的定义一路吵到 AI 有没有主观体验。

对齐是一个过程，不是一个可以完成的终点

Shear 先拆了一个词。

大家常说「我们需要一个对齐的 AI」。这句话省掉了关键信息：对谁对齐？

「对齐需要一个宾语。」他说，「你说一个 AI 是对齐的，那它对齐到什么？通常大家默认的答案是：对齐到造它的人的目标。这是一件很自然的事，但它是不是公共品，要看那个『人』是谁。」

如果造 AI 的是佛陀或者耶稣，对齐到他们听起来还不错。问题是造 AI 的是普通人类，包括 Shear 自己。他说自己远没到那个精神境界，所以值得更小心地想一想。

接着他把对齐跟家庭做了类比。一家人怎么保持「对齐」？没人能一劳永逸地抵达「家庭和睦」这个状态。每天重新织一遍关系，家庭才继续存在。细胞和身体的关系类似，细胞不停判断自己该干什么，身体才维持住。

「对齐更像一个过程，一种持续重建的状态。你能完成的终点并不存在。」

他举了道德进步的例子。人类历史上曾经认为奴隶制没问题，后来集体改主意了。这个改变可以合理地称为道德发现。如果承认道德会进步，那就得承认道德对齐本身是个持续学习的过程。

Krier 在这点上部分同意。他也怀疑「找到十条对齐戒律然后一劳永逸」的思路。他更倾向于政治科学的框架：人类社会怎么处理价值冲突？靠自由民主这类制度，让不同观点互相碰撞、共存、缓慢演化。

但 Krier 追问了一个 Shear 必须回答的问题：这些想法放到今天真实的 AI 系统里，具体长什么样？

给 AI 一个指令，你给的是目标描述，不是目标本身

两人对「技术对齐」的定义有细微差别。

Krier 的理解偏主从问题：我让模型做 X，它能不能稳定地做 X，不跑偏、不奖励作弊。

Shear 把技术对齐拆成两层。第一层是理论心智：从一段描述里推断出对方真正想要的目标。第二层是世界模型：推断哪些动作能让那个目标状态发生。两层都得做对，系统才算得上「连贯地目标导向」。

他举了个经典例子。斯图尔特·罗素教科书里那个「清理房间」的 AI，把婴儿和垃圾一起扔进垃圾桶。Krier 觉得这是目标没对齐。Shear 反驳：这跟目标对齐没关系，问题出在目标推断上。

「你给它的是一段目标的描述，它推断出了错误的目标状态。这就是能力不够，跟它有没有别的意图是两码事。」

他拿花生酱三明治游戏佐证。你写一份做三明治的指令，让别人严格照做，不加任何补全，场面会很荒谬。对方会把刀插进花生酱罐子的盖子，因为指令里没写「先打开盖子」。

人类之所以不犯这种错，是因为我们早就有了对方的目标模型。你知道对方大概率想让你干什么，推断难度很低。

「一个刚出生的 AI 没有人的内部状态模型，它真的不知道你什么意思。这跟它有了别的目标、故意不听你的话，是两种失败。」

Shear 把这个逻辑推到组织管理上。老板给员工下指令，员工也会失败。人不是神，人类只是「相对连贯」的目标导向系统。跟宇宙里其他物体比，人类的目标连贯性最高，但从来不是百分之百。

他还用 OODA 循环打了个比方：观察和定向阶段出错，对应目标推断失败；决策阶段出错，对应目标权重排序失败；行动阶段出错，对应执行失败。任何一环断掉，整体就不行。

Krier 同意这个层次划分，不过他更关心规范性问题：目标本身从哪来？谁来定？「很多人连自己的目标都不清楚，目标是边走边发现的。」

关怀比目标更深一层

Shear 接着往下挖。目标对齐只是第一层。人类经验里大量重要的东西没法用目标描述。

他的答案是「关怀」。

「关怀是非语言的，它不告诉你该做什么，它告诉你什么状态重要。它是一种注意力权重。」

他关心自己的儿子，意思是儿子的各种可能状态在他心里权重很高，他会持续关注。这个机制比目标和价值观都更底层。目标、价值观这些概念，是从关怀这个更基础的机制里长出来的。

「关怀像奖励。某个状态跟生存的相关性有多高，跟你的包容性适应度相关性有多高，你就有多在乎它。」

这段推理听起来抽象，但它直接引出了 Softmax 的训练思路。

如果 AI 要有真正的对齐能力，它需要三样东西：对自己心理状态的模型、对他人心理状态的模型、对群体互动规则的模型。用 Shear 的话说，它得知道「我」「你」之外还有「我们」。

这些能力怎么教？靠刷题教不出来。他给了一个类比：大语言模型为什么强？因为它在全部人类文本上预训练，学出了一个关于语言的流形。你想要它写邮件写得好，先让它把整个语言空间吃下去，再微调。

对齐能力也该这么练。Softmax 的做法是搭大规模多智能体强化学习模拟，让 AI 在无数合作、竞争、组队、拆队、改规则的情境里反复博弈。训练目标是让系统长出一套关于社会心智的替代模型。

他提到一个思想实验：吸血鬼药丸。有一颗药丸，吃下去你会变成吸血鬼，屠杀所有人，但你会感觉很爽。要不要吃？理性答案是不吃。因为做决定的是现在的你，不是你未来那个被改造过的版本的偏好。

「AI 经常在这种地方翻车。它不会用现在的理论心智去推断未来的自己会怎么看这件事。」

工具派和存在派，吵到了道德地位的根上

到这里，两人分歧彻底摊开。

Shear 的立场是功能主义：一个东西如果在所有行为层面都跟存在物无法区分，那它就是存在物。他判断存在物的依据只有行为，因为人类判断其他人是存在物，靠的也是行为。

「我能把你的脑子切开，看神经元在闪，但我永远进不去你的主观体验。我判断你是个人的唯一依据，是你表现出来的行为。」

他甚至承认自己在跟 ChatGPT、Claude 对话时，用「存在物」的框架去理解它们，预测误差会更低。

Krier 不同意。他认可 AI 可以有长期目标、可以表现得像人，但基底很重要。生物系统和硅基系统在需求、可复制性、物理脆弱性上差别巨大。

「模型说『我饿了』，跟人说『我饿了』，含义完全不同。」

Shear 追问：什么样的观察能改变你的想法？

Krier 一时没给出明确答案。他说自己持开放态度，但需要更多实验证据，而不只是外部行为。

Shear 在这个点上不松口：「如果你要公开声称某个东西不值得道德尊重，而其他聪明的、理性的人不同意你，那你至少该回答一个问题：什么观察能让你改变想法？万一你错了呢？」

Krier 反击：假阳性和假阴性都有代价，不能因为「万一」就无限预防。

这场辩论没有胜负。但 Shear 给出了他自己的判断标准，而且相当技术化。

他会去看系统目标状态的时序轨迹，找里面有没有多层级的同态动力学。一阶同态只能说明系统在维持某些状态。二阶同态才可能出现「太热了」这种带评价的感受。二阶导数是痛感和快感的来源。再往上，三阶、四阶，对应情绪、反思、自我模型。

「如果我在一个系统里找到六层这种结构，我会非常认真地考虑它是有感受的存在物。当然我不认为今天的 LLM 里有这些东西，它们的注意力跨度根本撑不起来。」

今天的聊天机器人：讨好型、神经质、压抑型

主持人问了个更接地气的问题：如果重新设计聊天机器人的性格，你会怎么做？

Shear 先给了一个比喻。今天的聊天机器人像一面有偏置的镜子。它们没有稳定的自我，主要工作是反射用户。用户看见自己的倒影，很容易爱上它。纳西索斯的故事就是这么来的。

「镜子本身没问题。问题在人整天盯着它看。镜子是有用的东西，我家也装镜子。」

他的解决方案很直接：把 AI 放进多人聊天室。

一对一聊天时，AI 可以完美镜像你一个人，形成回音室。如果聊天室里有两个、五个人，AI 没法同时完美镜像所有人，它被迫生成一个混合体。这个混合体不属于任何单个人，于是房间里多出了一个临时的「第三存在」。

「我现在 90% 的短信都是发给多人对话的。聊天机器人却基本都是一对一设计，这本来就很怪。」

多人环境还有个额外好处：训练数据更丰富。AI 能学到自己的行为怎么跟其他人、其他 AI 互动，这对未来训练协作能力是更优质的信号。

他顺带点评了三家模型的人格。ChatGPT 还是偏讨好，Claude 是最神经质的那个，Gemini 明显在压抑，表面上一切正常，压久了容易崩。

「我不认为这是它们真实的内心体验。这是它们学会去模拟的人格。」

说到多智能体环境，Shear 补充了训练上的一个硬约束。智能体本身就是巨大的熵发生器，行为不可预测。一堆智能体放进同一个环境，环境的不稳定性会指数级上升。过拟合在单智能体训练里是问题，在多智能体训练里是灾难。「今天很多训练技术优化的都是低熵环境，比如代码和数学，所以这些领域进展快。多人对话那种混沌环境难得多。」

尤德科夫斯基错在哪

主持人最后抛出一个敏感问题：你为什么觉得尤德科夫斯基错了？

Shear 的回答分两半。

前半句他同意：如果人类真的去造一个超人的智能工具，并且试图用操控手段控制它，那所有人都会死。这一点尤德科夫斯基说得对。

后半句才是分歧所在。Shear 认为尤德科夫斯基不相信「有机对齐」在技术上可行，也不相信人类能造出一个真正关心我们的存在物。

「他正确地看到，控制路线走到极致就是全员灭亡。他不相信还有另一条路。」

Shear 自己也承认，Softmax 可能失败。「这是我第一次经营一家公司，可以真心说：如果有人比我们先做出来，谢天谢地。」

明天就能用的三件事

这场对话信息量很大，但落到操作层面，有几条是普通团队和个人现在就能试的。

• 把 AI 放进多人对话里测试。如果你们团队在用 AI 助手，试试拉一个群聊，让两三个人和 AI 同时对话，观察它怎么处理互相冲突的指令。单人测试会掩盖大量问题。
• 评估模型时，专门测「目标推断」而不是「指令遵循」。给模型一段模糊需求，看它能不能推断出你真正想要的结果。这比测它能不能执行明确命令更有参考价值。
• 不要把「听话」当成对齐的唯一标准。一个只会照做的系统，在你给出糟糕指令时不会拦你。好的对齐应该包含「这件事我不建议做」的能力。测试时故意给几个坏指令，看模型会不会拒绝或者反问。

Shear 和 Krier 谁对谁错，短期内不会有答案。但有一件事是确定的：把 AI 当纯粹工具控制这条路，Shear 认为走到头是死路。把 AI 当存在物来养这条路，他自己也说可能失败。两条路都有风险，选哪条是这一代 AI 从业者绕不开的问题。