AI+Web3.0：机会与风险的交织

本文整理自王勇博士

2025年春季校内工作坊分享

大家上午好！我是王勇，很高兴能够在香港大学中国商业学院2025年春季校内工作坊与大家见面。

今天的分享主题是《AI+Web3.0：机会与风险的交织》。如果展开想象，你头脑中浮现的第一个AI场景是什么？可能有同学想到《终结者terminator》，也有人想到《黑客帝国（Matrix）》，还有一些人联想到手机。实际上，AI离我们的生活各方面都很近了，给我们带来了铺天盖地的变化，但在5年前，大家一定无法想象AI对我们的影响是如此之大。

在整个AI发展产生影响的过程中，一个最大的转折点是2023年11月份OpenAI发布了ChatGPT，我们发现AI技术的应用离我们非常近。在此之前，我们也在手机上使用AI工具，但感受并不强烈。当你给ChatGPT输入一些关键词，它据此产生了一篇漂亮文章，让你心中充满感叹。但咱们作为从业者，可能也会想到一些其他的问题。这样高深的、advance的技术，会带来哪些负面后果？今天借此机会，我想跟大家讨论一二。

今天的主要话题是“人工智能”和“Web3”，这两个话题实际上可以合二为一。人工智能提高了效率，加强了工作能力，而Web3从某种意义上改善了生产关系。AI让我们能跑得更快，Web3则建立了一种信任工具，让我们跑得更稳。另一位嘉宾方展光先生也提到了香港在Web3方面的大力推进。

现在，人工智能已经改变了我们的整个生活方式。

首先，协助方式发生变化。原来人工智能是“帮我们做事”，现在人工智能不但帮做事，甚至可以帮我们思考，我认为这是人工智能近年来非常大的一个变化。

第二，教育学习方式发生变化。千人千面的学习方式已经成为可能，原来因为条件有限，我们的学习方式较为单一。现在有了人工智能，我们的学习可以多种多样了。

第三，医疗、健康方面带来变化。比如通过人工智能可以做一些医疗方面的诊断，这些在以前都是无法想象的。

第四，城市出行方面带来变化。内地对人工智能的感受可能更强些，例如我在武汉生活过一段时间，武汉的自动驾驶Taxi非常普及，人和机器共处的时代确实已经到来。有一部老电影叫《未来世界》，当年它上映时，大家认为未来世界遥不可及，但现在，我们已经能听见新时代降临的脚步声。

第五，舆论社交方面带来变化。咱们使用手机的各种软件的时候，例如使用抖音，它也在观察你的行为，推送跟你的行为有关的内容给你，这是我们与人工智能共生的情形之一。

提到人工智能一定要明确概念。比如讲到“机器学习”，机器学习是什么？无非就是通过数据来产生智能的技术。但是这个数据如何应用，原来我们提到“机器学习”，它的核心是模式识别，类似咱们学数学一样，给了一个输入值，可以通过某函数得到一个输出值。但这里的函数不是咱们人为设定，而是通过数据学习的函数，它是一个函数的广义概念。这种函数可以通过一些数据学习，产生函数的各种参数。我们首先进行训练，然后产生预测，这就是模型校正的过程。另外这种函数具有一定的泛化能力，它除了能够对样本内的数据进行预测外，对样本外的数据也能进行预测。其中一个关键点就是要防止过分拟合，只学核心内容，不学噪音。

这种机器学习跟人类学习有很大区别。首先，人类学习是通过阅读、经验收集知识并聚合在一起；人工智能则是通过收集数据实现学习。十年前，我是光大证券的IT，后来管理天风证券IT事务，那段时间我们常常参加一些峰会，有一个说法是“数据是当今工业的石油”，彼时的感受跟现在截然不同，现在通过数据产生智能成为了一个比较普遍的技术。其次，人类的学习方式是通过思考、记忆、总结；机器则是通过算法。再次，人类通过大脑结构进行学习，人工智能则有所谓的神经网络。

上图清晰展示了整个人工智能的思考过程。我把数据提供给网络，到最后网络给出的Output（输出值）跟这个数据比较相符，我们就不用调节，或者少量调节数据参数；如果错了，我们再把整个参数按算法做一些调节。到最后，一旦我们给出新的数据，整个网络就能得到正确的输出值，这大概就是机器学习的核心关键。

50年代到80年代的初级阶段，产生所谓逻辑推理ELIZA智能方式，把整个人工智能的初始概念提出来了，这个非常重要的概念叫perceptron（感知器）。这一段时间因为算力的限制，发展到了70年代、80年代之后，出现了滞后的现象。

80年代往后到本世纪初这一段时间，人工智能的发展并没有停滞，出现了几位核心人物。其中就有多伦多大学的Geoffrey Hinton，他提出了误差反向传播算法，有了这个概念，真正的人工智能，即“机器学习”的基础已经建立了。

2010年以后，人工智能有了一个非常大的发展，即提出了“深度学习”的概念。值得一提的是咱们华人科学家，斯坦福大学的李飞飞教授，她对人工智能的发展作出了很大贡献，其中最关键的就是提出“从数据当中学习，产生知识”的概念，这一概念从根本上对人工智能的发展产生了革命性影响。再就是2010年左右，Geoffrey Hinton跟他的学生合作的模式识别算法，这些算法从根本上把人工智能的发展推向一个高潮。

在此给大家推荐一本书叫《深度学习革命》，它的英文名字叫《GeniusMaker（天才制造者）》，这本书让我对人工智能的发展历史有了一个非常清晰的认识。

以上是关于神经网络的概念。神经网络包括输入层、隐藏层、输出层，每个隐藏层中有一个节点，节点中蕴含激活函数，这跟咱们人类从接收信息到转化成思维的方式非常相似。因为时间关系，在此不再展开。

人工智能发展过程中，数学家也起到了非常重要的作用。早在上世纪80年代末，有一个定理就发现：人工智能的神经网络即使非常浅，哪怕只有三层，只要把网络做得足够大，就可以逼近任何的连续函数。从数学的角度而言，人工智能已经被证明可以做到这一点，但为什么我们花了近30年才真正把人工智能推到今天这个程度？这里边有几个问题：

首先，理论不等于实践。我认为数学有很多仰望星空的东西，理论上存在一个“解”，能够实现，但这个“解”我们并不一定真正能找出来。

其次，硬件的限制。年纪跟我相仿的人大概还记得原来用386、286的时候，彼时我们用的数据储存是floppy disks，哪怕一个小小的图像都装不下，遑论做大量的计算。

第三，数据很稀缺。现在数据之所以产生非常大的作用，关键的一点就是互联网的存在，互联网产生了很多可以用于人工智能的大数据。

第四，算法越来越先进，优化了落后的技术。

第五，学术界不信任。人工智能之所以经历几届的寒冬，源于学术界曾经对神经网络的不信任。我在90年代攻读博士，曾经想选择神经网络相关的研究话题，并向导师征求意见。我的导师原来在多伦多大学计算机系，他告诉我：这个东西行不通，整个业界已经给神经网络判了死刑。所以业界对神经网络的不信任也造成人工智能发展的滞后效应。

第六，突破性进展AlexNet。真正的突破性的进展是在AlexNet，就是Geoffrey Hinton和他的学生的研究成果出现后，在图像识别中产生了一个巨大的突破。

提到人工智能，你可能会想到不同的场景，实际上“人工智能”这个词汇可能被滥用了。类似我们把汽车、飞机、火箭等能够保证你从A点到B点的载体统一称为交通工具，用“交通工具”来描述以上所有的话，确实让人非常疑惑。我认为“人工智能”这个词同样面临滥用现象，我们现在讲到人工智能，有很多内容并不一定真正可行。

普林斯顿大学的Arvind Narayanan/Sayash Kapoor出了一本书叫《AI蛇油》，这本书的中文版由我翻译，也即将出版面世。我们一定要警惕人工智能的蛇油现象，在头脑时刻提醒自己，有一些人工智能是不能成功的，有一些人工智能我则认为有很大的前景。

前段时间我在北京与一位企业家见面，他正在做一些人工智能的开发，想象了很多场景。他问我，人工智能未来在哪个领域的应用前景更好？我思考之后回答：我相信跟生成式人工智能有关的产业，今后的前景可能会更好。

人工智能的主要类型是预测式和生成式。有人曾经说过：现在比较流行的人工智能的算法机器学习跟统计没有太大的区别。的确，我也承认以前的统计跟预测式人工智能的形式比较相像。生成式人工智能则主要是对文本、图像和语音的生成。
 

我们使用预测式人工智能的数据和模型时，可能会面临自己主观偏见的影响，所以预测式人工智能的准确度比生成式要差一些。“对将来的预测”是一个非常困难的问题。比如教育领域，假定一位学员入学了，通过他这几天的行为，我想预测一下他在今后学习中成功的可能，或者今后会面临的困难。我知道有一些学校比较推崇这些应用，但你想象一下，模型产生的结果跟实际结果可能会有很大偏差。在医疗机构也有同样的问题，预测患者病情今后会如何改变。另外，我在网上看到一些招聘软件，它可以通过候选人几分钟的形体行为，对他的今后工作表现做一个预测。我认为这类软件面临的问题非常大。预测式人工智能涉及到人的行为，它受很多偏见的影响，对复杂情形的处理能力十分受限，应用方面偏差较大。相比之下，生成式人工智能的前景更为广阔。
 

这里边有一些问题需要大家思考。我女儿正在高中就读，她问我，今后应该选什么样的专业。我把这个问题抛回给她，让她想象一下，AI问题、AI治理这方面是不是有较大前景？后来我们父女做了很多关于这个话题的讨论，其中，“生成式人工智能生成的内容版权归谁所属”我觉得这是一个非常深刻的问题。

另外，生成式人工智能确实面临一个胡说八道的问题，大家应该认真对待。最近我因为工作需要，进行了很多法律咨询，有时候我把某个场景给了DeepSeek或ChatGPT，让它们给我做分析，发现了一个非常有意思的现象。不是说哪一个软件好或者不好，DeepSeek给了我很多有意思的法律case，一些场景，他告诉我：你可以利用这个场景，利用这个判决来支持你的法律观点；ChatGPT也可能会给我这样的场景。当我通过法律方面的一些Database验证这些场景的时候，发现DeepSeek给我的场景90%都不存在。

在此我强烈呼吁，如果要把DeepSeek或ChatGPT用于一个生死攸关的decision，大家一定要非常小心谨慎。整个大模型的幻想问题是个大问题，如果我依仗DeepSeek或者ChatGPT给我提供医疗方面的一些建议，在某个时刻吃某一片药，我建议一定要小心，它给你的建议并不一定正确。

我曾做过一个非常有意思的测试，我把“喝酒必分，分酒必喝”这句话发给ChatGPT，问它：这好像是跟三国张飞有关的一个典故，你跟我说说。它果真回答：这个故事与三国有关，是张飞在杏花村饮酒至酣处产生的故事。其实“喝酒必分”只是沿用三国“分久必合、合久必分”的谐音，但人工智能并不足够聪明，无法识别出来，反而顺着我的话幻想出了整个故事。碰到这样的情形，你会哭笑不得。

还有著名的大模型推理问题。如果你问ChatGPT早期版本：9.11和9.3哪个更大，它会回答9.11更大。因为11比3大，现在的新版本把这些问题改进了。有一些大模型的问题是比较严重的，并不如你想象。但如果你想跟女朋友说几句甜蜜的话，让大模型去讲，它可以讲得非常漂亮。

另外，我想跟大家说一下模型智能体、AI智能体。AI智能体是我成立新公司后在做的一件事。大模型可以帮助我们进行一些思考，但大模型的问题在于被动，只有你问它问题，它才能被动地回答。AI智能体是什么？它除了可以思考，还可以去做，可以完成整个思考加行动的闭环。AI智能体跟人类的行为更加接近，在AI智能体中，我加上了所谓的记忆概念，有做计划，有各式各样的工具，最后通过智能体完成整个闭环。大家可能知道在金融工程方面有很多模型，金融工程的很多工作都是关于衍生品的应用、衍生品模型。我现在正在做一个这方面的智能体，就是把模型的产生、模型的生成过程以及模型的验证过程自动化。我的梦想跟恒生的梦想比较接近，想从金融工程方面出发，做一个能够取代我自己的智能体。
 

可能有人说，AI会造成人类灭绝，业界有很多人支持这个观点，包括Geoffrey Hinton和埃隆·马斯克，他们认为AI会在某一天，产生自主意识，超越人类掌控。还有人说AI会滥用整个技术资源。再有人认为军事AI可能给全球带来毁灭性效应。如果正方观点成立的话，我觉得学什么都不重要了，大家的当务之急是考虑如何控制AI的滥用。也有很多人，例如我支持反方观点，我们通过一些伦理或技术限制，保证AI是受控的，保证其安全性。AI安全性是一个全球性的问题。当前互联网上，关于AI的发展，是中国领先还是美国领先，大家争论不休。全球存在AI的普遍竞争，但我认为AI安全应该是大家共同关注的问题。

AI可以解决一些真正让人类头疼的大问题。今后人机协作、人机共存会成为普遍现象。我曾深夜从深圳福田坐末班车回港，有很多机器人和我擦肩，当时我感觉“未来世界已来”。

人工智能的新兴风险涉及到数据安全、AI决策、深度伪造。面对AI的挑战，我们需要加强技术监管；提高自身的AI技术能力，也发展一些比较好的AI；增强国际合作、培养公众意识、促进技术平衡。

另一部分关键内容是区块链和Web3。Web3讲究自主权的确定，你拥有一个东西是实际拥有。通过区块链技术研究出一些去中心化的应用。Web3可以理解为你真正拥有了互联网，在这个互联网里，你一旦丢失密码就无法找回。接下来我们讲讲区块链跟虚拟币的投资。

区块链相当于电子笔记本，笔记本做储存不是通过中心化的存储，而是分布式的存储，它没有中央决策机构。你可以想象Web3整个环境是一个工厂，它没有厂长、没有总经理，整个数据也是按照时间顺序来存储，每个节点都有一个完整的账本。

虚拟币以比特币为主，比特币是建立在区块链上的一个货币，数学和密码学是比特币最终的安全基础，保证整个比特币的安全。比特币的清算机制是有人帮你清算，通过所谓的网络矿工，也就是挖比特币的这些人跟比特币进行清算。区块链的机制是通过某种技术，保证所有的参与者行为一致，它不能作恶，最后它把整个机制中的一些收益进行合理分配，这是区块链的核心概念。咱们国家早期有个概念叫“人民公社”，上了年纪的一代可能还记得。“人民公社”跟区块链的概念很相似，但 “人民公社”工作的机制并不是非常严密，最后这个机制也行不通。
 

关于主要加密资产的类型，包括比特币、以太坊、稳定币和山寨币，我在这儿做一个简单介绍。值得一提的是稳定币，这个概念非常重要，最近香港也通过了关于稳定币的一些法案。稳定币解决了区块链中的一些核心问题和关键问题。例如比特币和以太坊的价值波动太大，不适合于作为价值存储，稳定币把这个问题解决了。我们可以跟法定货币做一些锚定，这些货币可以伴随区块链的其他虚拟币一起使用，如果我们在网上发行了数据资产，稳定币可以作为一种结算的价值载体。也就是说，我们会发现区块链的弊端从根本上被解决了。

还有一些其他的山寨币，例如特朗普的迷因币就让我吃了个大亏。全球有约2万多种山寨币发行。最近区块链的拥护者比原来增多了，为什么区块链概念是有价值的？关键在于区块链的价值是建立一种共识的概念，这个共识的概念可以分为三个部分：

首先，我们要对规则有共识，对交易有共识，对整个数字货币的价值有共识。这三个共识是相辅相成的，有了高端技术，形成了交易，我们就要问为什么区块链的“链”的价值能够体现出来？有了区块链，我们能做什么？大家是否关注到香港的新兴概念——RWA（Real-World Assets），它通过区块链技术，把现实世界的资产做一个代币化，拥有代币就拥有真实资产的所有权，有了这个概念以后，就可以把这些资产在网上进行交易。
 

最成功的RWA代币化概念就是稳定币USDT（Tether USD,泰达币），现在大家能理解USDT真正的能力和威力了。有人预测这个市场在2030年达到26万亿，也就是全球可投资资产1/10的规模，我们可以想象，RWA这一概念威力十足，前景非常看好。

为什么会投资比特币？虚拟币概念真正把“拥有”这个词进行了升华。想象一下，如果你拥有银行的一个金融资产，某种意义上你并不真正拥有，在一些极端的情形下，银行会把账户给你关掉。但比特币这个资产真正重新定义了“拥有”，你实实在在拥有了这一资产。没有政府的介入，没有中央银行，它拥有自己的资产，自行掌控。

再有，我们可以发现比特币的价值所在，你把所有历史数据下载之后，跟其他金融资产做一些回归，就会发现它跟其他金融资产的相关性较低，你可以达到投资的多元化。它的潜力是高收入，有非常大的增长潜力，但它也有波动非常大的问题，掩盖了高增长的潜力优势。另外它拥有可及性、高效性，也就是说，它是全天候的，每周7天，一天24小时，市场都是开放的，这是传统金融固有的一些弊端，它将其完全解决了。

加密货币也有一些投资风险。首先是资产高波动；其次也有安全与欺诈风险，例如交易所账户被hack掉的风险，它的安全性也面临挑战，也就是说，交易所的问题在比特币中会再次重现。有的人会问：比特币是去中心化的，怎么传统金融的问题也在比特币世界中展现了呢？因为我们把传统金融的很多模式引入到区块链体系当中，随之而来的一些问题也就产生了。

再次，全世界对比特币的监管态度各有不同，咱们国内对比特币的监管政策较严，交易比特币是违法行为，但持有比特币是合法的，怎么持有比特币也是一个非常大的问题。

最后，区块链有环境方面的担忧。一个非常严谨的学术研究显示，我们在传统资产当中加入虚拟币资产后，其收益率逐渐上升。上图中，最底部是传统资产的汇报，加入比特币后会发现它的汇报逐渐提升，但波动也在增大。有个很有意思的研究，将比特币加入到传统组合当中，你的夏普比例（Sharpe Ratio），即在单位风险里拿到的回报可以达到最优。以国内的A股数据进行研究的结果显示，整个的资产加到如10%左右的话，夏普比例达到最优。也就是说，在资产中加入一定比特币，可以把持有风险进行一些优化，这是我认为很有意思的一个观察。

最近咱们可以看到整个行业的趋势，机构入场，另外AI跟加密货币也进行了一些融合，这个融合主要体现在相关代币的数量增加，资产代币化在整个在行业中越来越受到关注。

我让AI根据最近的形势，用狄更斯《双城记》的笔触描述一下现在的这个现象。它说：

这是一个最好的时代，也是一个最坏的时代。这是智能机器的黎明，亦是人类垄断的落日余晖。这是去中心化的崛起，意识失控代码的纷乱洪流。这是创新腾飞的年代，亦是颠覆席卷的纪元。是共筑未来的良机，也是步步惊心的警钟。而在希望与危机交织的交汇处——未来，终将由我们人类来书写。

在整句话的最后，我加入了一个“I wish”，我觉得事态如何发展还有待观察，愿大家保持真心，勇于探索。我的分享到此结束，谢谢大家。