近期花了一些時(shí)間繼續(xù)學(xué)習(xí) ChatGPT，體會到了認(rèn)知 ChatGPT 的整個(gè)過程,，就是在消除我自己偏見的過程,。其中存在大量信息不對稱的地方。哪怕關(guān)于 ChatGPT 的討論這么多了,，噪音里面有價(jià)值的信息也并不總是好找,。

接下來就分享一些觀點(diǎn)。

首先,，對于?ChatGPT?來說,，它帶來的大家提到的?AI?的革命性進(jìn)展，壓根不是做出了好用的?chatbot,，或者說聊天機(jī)器人,。

換句話說，它并不意味著,，我們的生活和工作里并不會有太大變化,，主要的變化就是多了一個(gè)聊天機(jī)器人。如果按照這個(gè)前提條件去聊,，它看起來就不是革命性的,。

要真如此的話，憑什么說它是 iPhone 時(shí)刻,？

真實(shí)情況是,，聊天只是 OpenAI 做的一個(gè)演示，用它來做 demo,，讓大家很好的看到了 GPT 這個(gè)模型的威力,。在這個(gè)威力之外，大家還是只覺得它是聊天機(jī)器人,，這就是一個(gè)啼笑皆非的事了,。

當(dāng)然，我們都知道,，這個(gè)聊天機(jī)器人是 OpenAI 團(tuán)隊(duì)用來獲取真實(shí)世界對話的方法,，用它來繼續(xù)迭代訓(xùn)練模型，來強(qiáng)化學(xué)習(xí)的 RLHF 的一個(gè)方法,。選擇開放給用戶的這條路線,，看起來好像常見，或者說之前也見過,，但實(shí)際上在科研領(lǐng)域這是一個(gè)非常歪門邪道,、一個(gè)非常不主流的方式,。

之前不管是企業(yè)還是高校，以前大家做這方面的研究,，不管是大模型還是 AI 方面的研究,，都是用做題家的思路，就是用各種學(xué)術(shù)界的評測,，如 20 個(gè)專家標(biāo)注的確定性的 QA 問答題來完成,。都是命題作文。

但現(xiàn)在 OpenAI 說,，我不參加這些考試,，我不參加這做題，我也不去跟你比論文數(shù),，就是把模型扔到人民群眾的汪洋大海里去,。

現(xiàn)實(shí)就是，很會寫高考作文,，和很會跟人聊天,，確實(shí)是兩碼事,。所以使用 ChatGPT 的時(shí)候有很多方式就不對,，比如我自己作為一個(gè)可能稍微了解 NLP 的，或者了解產(chǎn)品,、技術(shù)實(shí)現(xiàn)邏輯的,，我就會去想：這個(gè)是不是難為他了？這個(gè)他肯定不會吧,？我就不問了,。

當(dāng)知道他是個(gè)機(jī)器，就容易擔(dān)心給的前提條件不夠,。它胡說八道,，給一些錯(cuò)誤的答案，我是有奇怪的愧疚感的,。所以就潛意識里特別照顧它,，把問題表述得格外完整才問出來。

這樣結(jié)果就是不夠真實(shí),。包括我做 NLP 的一些老同學(xué),，他們也會帶著很多假設(shè)和前提條件去問，他們問的都不是正常人聊天會問的,。而現(xiàn)在用 ChatGPT 的大部分的人不是產(chǎn)品或者技術(shù)背景,，并不知道背后的原理，所以問出來的就更真實(shí),。OpenAI 最初也是用格外真實(shí)的語料去做訓(xùn)練,，所以能訓(xùn)練出來 ChatGPT 的效果,。

認(rèn)知的另一個(gè)偏差是,，它就是一個(gè)終態(tài)了,。于是會認(rèn)為它的很多問題，代表它不智能,。

比如說 ChatGPT 搜的信息不準(zhǔn)確,，以及胡說八道。很多朋友都會這么覺得,，問了幾個(gè)問題,，發(fā)現(xiàn)不對，就認(rèn)為 ChatGPT 沒有什么大家說的那么的有價(jià)值,。

對于信息準(zhǔn)確性的問題其實(shí)是好解決的,，而且必然會解決。因?yàn)楝F(xiàn)在使用的模型,，并不是在一句一句的學(xué),，不是像某些人想象的一樣，在跟每個(gè)人溝通的時(shí)候來現(xiàn)學(xué)現(xiàn)賣（當(dāng)然在聊上下文的時(shí)候,，它會考慮上下文,，這個(gè)可以定義為短時(shí)的學(xué)習(xí)）。背后所用的大模型,，實(shí)際是一個(gè)用 2021 年的語料訓(xùn)練的固定的模型,，這個(gè)底層的模型是沒有實(shí)時(shí)進(jìn)化能力的。

那為什么信息準(zhǔn)確這個(gè)問題好解決,？這個(gè)后面一起說,。

另外一種常見說法是，ChatGPT 既然是一個(gè)生成式的工具,，所以應(yīng)該是能幫助甚至替代內(nèi)容創(chuàng)作者的,。目前看起來，這方面的水平有限,。有可能幫忙寫個(gè)周報(bào),，幫忙潤色一下文字，幫忙寫個(gè)小紅書筆記等等,，哪怕這種簡單的工作,，大家也發(fā)覺了，寫出來的 AI 感非常強(qiáng),、并不是很擅長用人的語氣表達(dá),，能明顯感覺到他整個(gè)表述的方式是有一種奇奇怪怪的感覺，這種感覺就讓人心懷疑慮：這個(gè)所謂的 AI，不也模仿不了人的語氣嗎,？你看,，人類還是有一些所謂「靈魂」的部分存在的，AI 寫內(nèi)容,，就是沒有靈魂,。

而很殘酷的是，我也認(rèn)為,，內(nèi)容創(chuàng)作的風(fēng)格和語氣也不是大問題,，依然是個(gè)技術(shù)性問題，因?yàn)?AI 最擅長的就是模仿,，對于文本的模仿反而是相對來說容易的,。只不過一方面，因?yàn)?ChatGPT 是基于英文語料主要訓(xùn)練的（中文語料只有 1% 左右）,，所以在中文的表達(dá)上會有比較大的問題,，翻譯體很明顯。

另外就是?ChatGPT?本身就被刻意訓(xùn)練了,。它目前這樣的語氣和表達(dá)風(fēng)格,，是訓(xùn)練出來的，不是 AI 天然就是這樣的,。因此說這是個(gè)技術(shù)性的問題,。比如說之前 AI 繪圖剛出來的時(shí)候，大家當(dāng)然就習(xí)慣性基于當(dāng)時(shí)的版本去考察,，說 AI 能畫成這樣還不錯(cuò),，但是 AI 畫的圖還都有 AI 感,。這個(gè)所謂的 AI 感大概意思就是光影的問題,、細(xì)節(jié)的問題（比如畫手），這個(gè) AI 感在 Midjourney v5 里消除得差不多了,。因?yàn)檫@就是個(gè)可訓(xùn)練的技術(shù)性問題,。

（這是我用 Midjourney 畫的愛因斯坦和霍金，歷史上不存在這兩張照片）

所以 ChatGPT 信息準(zhǔn)確度的問題,，內(nèi)容表達(dá)和語氣的問題,，人格的問題，都是技術(shù)問題,?？赡芫蜁信笥褑柫耍悄阏f都是技術(shù)問題,，那 AI 發(fā)展了這么多年了,，可不是每個(gè)都是技術(shù)問題嗎？為什么 ChatGPT 就不一樣呢？

ChatGPT 最特殊的地方,，是揭示了一種可能性,，即 AI 可以呈現(xiàn)理解和推理能力了。這是過去大半個(gè)世紀(jì)的學(xué)者們所一直追求,，而不可得的,。

這里要簡單說一下 GPT 背后的邏輯。首先語言模型是很早就有的,， 10 年前我讀研的時(shí)候,，如果學(xué) NLP，你翻開教材的第一頁可能就能看到語言模型,，就跟學(xué)高等數(shù)學(xué)第一課都是先學(xué)函數(shù)一樣,，不是什么新鮮的、現(xiàn)在才發(fā)明出來的成果,。

為什么作為一個(gè)語言模型,，大家這么驚奇？并非由于它可以對話了,、能寫所謂一碗水端平的片兒湯文章了,，更不是能獲取什么信息和知識，而是在這個(gè)大語言模型當(dāng)中體現(xiàn)了推理,。

體現(xiàn)了推理是一個(gè)事實(shí)論述,。說到這里，必然會有一些朋友,，援引很多人包括知名學(xué)者的說法來反駁,，說語言模型只是統(tǒng)計(jì)的模型，因此不能稱之為理解和推理,。

這里也不妨多說幾句大語言模型的邏輯,。最基礎(chǔ)的很簡單，依據(jù)上文,，預(yù)測下一個(gè)詞,。過去能力不足，是根據(jù)一兩個(gè)詞預(yù)測下一個(gè)詞,，后來出現(xiàn)了更多的算法和更好的硬件,，于是可以預(yù)測更多的上下文了。像現(xiàn)在 ChatGPT 就能依據(jù)幾千個(gè)字符去做預(yù)測,，這歸功于有如神助的 Transformer 算法,。

但是，大語言模型依然還是一個(gè)猜詞游戲,，是統(tǒng)計(jì)意義上的一個(gè)算法,，它沒有別的復(fù)雜思考，就是從海量的記憶（模型）里，搜尋出最有可能出現(xiàn)的下一個(gè)詞,。

所以很自然,，聽起來，無論誰都會覺得,，這種統(tǒng)計(jì)邏輯的語言模型,，恐怕只能解決記憶問題，不能解決邏輯問題,。就像我們讀了很多書籍,、文獻(xiàn)、維基百科,、百度百科等等各種知識,。那接下來我們能做的是什么？很明確的,，可能做一個(gè)好翻譯,，或者能寫一篇像模像樣的文章，但是搞別的應(yīng)該是不行的,。畢竟是個(gè)復(fù)讀機(jī)嘛,，是個(gè)「模糊的印象」（a Blurry JPEG of the Web）嘛（這是科幻作家?Ted Chiang 對 ChatGPT 的評價(jià)，已經(jīng)被更多人認(rèn)為是偏見了）,。

不管怎么去想象這個(gè)算法邏輯,，我們都很難想象只是記憶，就能產(chǎn)生邏輯,。這在 2022 年之前都是天方夜譚,，而 2022 年底過后，ChatGPT 讓這變成了一個(gè)可能性,。

為什么 ChatGPT 在一個(gè)詞兒一個(gè)詞兒蹦的時(shí)候就呈現(xiàn)了邏輯,？這依然是個(gè)科學(xué)上的未解之謎，以及都在爭論不休的話題,。畢竟我們想象中,，一段有邏輯的文字，應(yīng)該是先設(shè)定主題,，再想框架和段落，再去落筆的,。

這里要特別補(bǔ)充一點(diǎn)：表現(xiàn)出了推理和邏輯能力,，與本質(zhì)上有沒有推理和邏輯能力，是兩碼事,。前者是個(gè)事實(shí)問題,，已經(jīng)可以說是公認(rèn)了，從原理上反駁意義不大，用過即知,；后者則是個(gè)哲學(xué)問題,，還在爭論之中。

什么叫有邏輯能力很早就是學(xué)術(shù)界有爭議的話題,，從控制論出現(xiàn)就在討論「看起來的智能是不是智能」的問題了,。同時(shí)，人腦運(yùn)作的很多原理目前尚不清楚,，如何產(chǎn)生的邏輯推理,，也不清晰。

很奇妙的是,，在目前的模型中,，「think step by step」是一個(gè)很好用的咒語，跟人的思考是很像的,，機(jī)器只要不是直接給結(jié)果,，而是多想幾步，就能呈現(xiàn)非常好的效果,。

這些都是題外話了,。實(shí)際上對產(chǎn)學(xué)研而言最驚訝和最興奮的，不是討論本質(zhì)上有沒有推理和邏輯能力,，而是表現(xiàn)上有沒有,。

4. 通往通用人工智能之路

OpenAI?在這個(gè)大語言模型上做了什么，把 GPT 以及 ChatGPT 做出來的,？其實(shí)沒做太多算法上的,、底層規(guī)則上的很復(fù)雜的事情。而是用很工程的手段,，甚至堪稱暴力的手段去訓(xùn)練,，然后反復(fù)地調(diào)試。

所以一個(gè)非常古老的,、已經(jīng)長滿了青苔的語言模型,，居然可以實(shí)現(xiàn)有推理能力的高水準(zhǔn)的 AI，非常叫人意外,。追求 AGI 的路,，從 1956 年達(dá)特茅斯會議實(shí)際已經(jīng)啟航了，明斯基,、麥卡錫,、司馬賀、紐厄爾這些人工智能的創(chuàng)始人,，本來預(yù)期是十年二十年就實(shí)現(xiàn)的夢想,，花了大半個(gè)世紀(jì),，依然進(jìn)展不大。

學(xué)者們最開始想的,，跟大多數(shù)人想象的 AI 必須先學(xué)的一步是類似的,，就是學(xué)習(xí)推理。他們被稱為符號派,，就是把世間萬物的所有的邏輯和知識抽象出來,，把它們變成形式語言，像數(shù)學(xué)題一樣可以計(jì)算與推演,，一生萬物,，不就是智能嗎？這條路一度是人工智能的主流派系,，一直到 20-30 年后,，嘗試了各種各樣的方向，發(fā)覺全都被堵死了,。

接下來就是統(tǒng)計(jì)學(xué)習(xí)和深度學(xué)習(xí)的時(shí)代,，就是讓機(jī)器去自我消化數(shù)據(jù)，它就能解決問題,。這時(shí)候的學(xué)者們更落地,、更實(shí)在了，不關(guān)心 AGI,，而是關(guān)心垂直課題了,，比如說人臉識別、自動駕駛,、下圍棋和玩游戲等等,，這些似乎都是做的還不錯(cuò)的。語言模型也在其中,，大家認(rèn)為它能解決一些問題（谷歌翻譯和百度翻譯就是語言模型的邏輯）,，顯然不能解決一切問題。

而 ChatGPT 的啟示,，就像說有一個(gè)田徑隊(duì),，短跑、長跑,、接力跑,、馬拉松等等運(yùn)動，有不同的教練去用不同的方法訓(xùn)練,，畢竟是不同的課題,。但是今天，有一個(gè)教練,，用了全新的方法訓(xùn)練了一個(gè)隊(duì)員,，發(fā)現(xiàn)這隊(duì)員跑啥都行，接力跑,、長跑,、短跑都能拿好的名次，甚至跑去試了試扔鉛球也是前幾名,，扔標(biāo)槍也是前幾名,，跳鞍馬也是前幾名，他不一定都能拿到第一,，但這個(gè)效果大家非常驚訝,。

還是前文說的，有邏輯,、能從信息中發(fā)掘知識,，并不是個(gè)值得爭論的問題，它是個(gè)事實(shí),。很多學(xué)者花了很多年研究,，怎樣讓機(jī)器識別詞性（形容詞、動詞,、名詞等）,，這是個(gè)專有課題，而詞性標(biāo)注的效果,，ChatGPT 也完成得很好,。類似的課題，非常大量,。用三體的話說,，說許多學(xué)者、博士們還在研究的?NLP 的中間課題不存在了?,，一點(diǎn)兒也不為過,。哪怕不提這些研究課題，注冊使用下 GPT-4,，你肯定也會有體感,，這種體感是不會說謊的。

那么 AI 有了邏輯和理解能力,，能做什么呢,？能做太多了。

前面說的技術(shù)性的問題,，反而可以交給一些基于規(guī)則的產(chǎn)品解決,。例如，?ChatGPT 自己可能信息不全,，但它能比很多人更好地查到所要的信息,，而不只是把網(wǎng)頁排個(gè)序,；ChatGPT 自己可能不會寫很厲害的文章，但經(jīng)過一個(gè)熟練的寫手訓(xùn)練之后,，確實(shí)能理解你想要什么,，就能變成一個(gè)有固定文風(fēng)的寫手；原生的 ChatGPT 可能完全不知道怎么使用 Word,，但是讓它看大量的人是怎么使用的,，很快也就能學(xué)會了。

這才是 ChatGPT 最不一樣的地方：它比之前所有的 AI 都更像一個(gè) AI,。當(dāng) AI 這個(gè)詞在 1956 年出現(xiàn)的時(shí)候,，大家想象的是一個(gè)智能的東西，而現(xiàn)在,，它真的出現(xiàn)了,，至少有了真正智能的可能性。這一點(diǎn)在學(xué)術(shù)圈和科研領(lǐng)域最早引起了轟動,，可能比普通用戶的震驚程度還要大,。

之前是大家看不到通往通用人工智能的路的，所以 ChatGPT 的意義不是聊天機(jī)器人本身,，而是這個(gè)新的范式,，揭示了一種全新的可能性。未必是唯一的可能性,，但確實(shí)是一種可能性,。過去從來沒有過的可能性。

接下來可能會發(fā)生什么呢,？我觀察和思考到了 7 個(gè)方面,，分享一下。

第一：不光 AI 的企業(yè)都得投入大模型,，而且很快會進(jìn)入工程上的軍備競賽,。

這里跟很多朋友想的不一樣，大模型不是比參數(shù)量,。如果去搜參數(shù)量的模型,，快手還官方自豪地發(fā)布過一個(gè)有萬億參數(shù)量的模型，當(dāng)然跟 GPT-3 也沒法比,。

同時(shí),，也不是單純比數(shù)據(jù)多少。數(shù)據(jù)確實(shí)是一個(gè)壁壘,，但是還有一個(gè)更加核心的競爭力,，即調(diào)試工程。比如對于百度,，之前做的文心大模型,，底層數(shù)據(jù)量真的不比 OpenAI 的少,，或者很有肯跟底層的模型都不一定比 GPT-3 的質(zhì)量差。只是完全沒有采用 ChatGPT 的方法訓(xùn)練（InstructGPT）,，也就是怎么激發(fā),。激發(fā)也是非常玄學(xué)和魔幻,，OpenAI 有一個(gè)人數(shù)不小的工程團(tuán)隊(duì),，專門通過語料和代碼，做激發(fā)和調(diào)試,，讓它變得更智能,。

這可以說是最后畫龍點(diǎn)睛的一步。就像說有一個(gè)天分特好的小孩,，需要調(diào)教,，而如何調(diào)教是不存在一個(gè)很確定性的方法論的，調(diào)教本身也是個(gè)黑盒,，有很多坑每個(gè)團(tuán)隊(duì)都得慢慢趟,、反復(fù)試錯(cuò)。

從 GPT-3 這個(gè)底層模型的出現(xiàn),，到 ChatGPT ,，其實(shí)花了很多的工夫，在這個(gè)過程中,，工程比研究要重要得多,。學(xué)術(shù)研究它提供的是方法，但是 ChatGPT 背后并沒有新的方法,，更重要的還是工程團(tuán)隊(duì)用了一些所謂的比較 tricky 的方法,。所以 OpenAI 公開了底層的算法和邏輯，并沒有公開 ChatGPT 的源代碼,。對于百度來說,，花了一兩個(gè)月重新開始調(diào)教，效果肯定跟 ChatGPT 是沒法比的,。百度和國內(nèi)其它家面臨的大多也是調(diào)教的問題,，想要砸錢訓(xùn)練出來一個(gè)底層的 GPT-3 的模型不是難點(diǎn)，InstructGPT 才是,。

第二,，如何調(diào)教，會直接影響 AI 成為什么樣的 AI,。

并不是說各種不同的團(tuán)隊(duì)去激發(fā)大語言模型,，最后激發(fā)出來的效果殊途同歸、一定是一個(gè)東西,。很多沒有了解技術(shù)細(xì)節(jié)的朋友總覺得 ChatGPT 很蠢,，因?yàn)榭偸且煌胨似?、按格式來寫命題作文，這個(gè)是刻意調(diào)教的結(jié)果,。為的是獲取最大公約數(shù)的用戶,，不要出現(xiàn)任何政治錯(cuò)誤的問題、偏見的問題,。

想要真的調(diào)教一個(gè)極端分子,、調(diào)教一個(gè)特別溫柔心理咨詢師，甚至調(diào)教一個(gè)詩人,，原則上都是可以的,，就看怎么調(diào)。

一種說法是,，目前的 OpenAI 用了 6 萬多條語料就調(diào)出來了 ChatGPT,。那用別的語料、用更多的語料,，會發(fā)生什么,？可以預(yù)見的是，未來各種各樣的人格都會調(diào)出來,，不同團(tuán)隊(duì)做的 AI 風(fēng)格各異,，跟人與人的區(qū)別一樣。

因此,，ChatGPT 并不是,，有一個(gè)團(tuán)隊(duì)花了很多年種出來了一個(gè)品種的蘋果，這個(gè)品種的蘋果叫 ChatGPT,，你吃了一口這個(gè)蘋果說太酸了,，扔了。就認(rèn)為這件事沒有價(jià)值,。

這個(gè)叫 ChatGPT 的蘋果是重要的,，但更重要的是，發(fā)現(xiàn)了一片叫大語言模型的土地,，可以種各種 AI 的水果,，不光有蘋果，還有梨子,、菠蘿,、葡萄等等，有大量的可能性,。這是一定會發(fā)生的?，F(xiàn)在很多團(tuán)隊(duì)去追逐的，并不是要做同一個(gè)品種的、酸甜度一模一樣的叫 ChatGPT 度蘋果出來,，而是都看到了這里面做其它水果的價(jià)值,。

第三， ChatGPT 的這個(gè)范式是可靠的,，那很多技術(shù)性的問題解決就只是時(shí)間問題,。

這是在回應(yīng)前面說的問題。只要這個(gè)范式是可靠的,，很多技術(shù)性的問題無非就是加算力,、加數(shù)據(jù)以及有耐心地調(diào)教。

早在 1956 年塞謬爾就做過一個(gè)跳棋程序,，在當(dāng)年已經(jīng)能下贏很多專業(yè)選手了,，那時(shí)很多科學(xué)家就意識到，未來機(jī)器能在棋類游戲中下贏人類,，只是個(gè)時(shí)間問題（包括在讀大學(xué)的陸奇，就有這個(gè)洞察了）,。到了 1997 年,，深藍(lán)下贏了國際象棋大師， 到了 2016 年 AlphaGo 下贏了圍棋世界冠軍,，如今的很多游戲 AI,，DOTA2、星級爭霸 2 的 AI 也都可以下贏很多頂級的選手,。在范式不變且可靠的前提下,，學(xué)會下棋就是個(gè)技術(shù)性問題，也就意味著是個(gè)時(shí)間問題,。

對有邏輯能力的大模型來說,，前文說過的信息準(zhǔn)確度的問題，都未必在內(nèi)部解決,。ChatGPT 也可以跟訓(xùn)練有素的有數(shù)學(xué)知識的產(chǎn)品合作,。就像一個(gè)聰明小孩，不懂?dāng)?shù)學(xué)但是足夠聰明,，那可以配個(gè)小伙伴,，這個(gè)小伙伴不是很聰明，但上過奧數(shù)班,，倆人一搭配,，問題就解決了。這不是假想,。

知名的計(jì)算智能引擎產(chǎn)品 Wolframe 就跟 ChatGPT 合作了,，可以在補(bǔ)充了更準(zhǔn)確的知識和規(guī)則的前提下，解決大量的問題，比如化學(xué),、數(shù)學(xué),、物理、地理,、幾何,、歷史、材料,、工程等等,。

（來源：ChatGPT Gets Its “Wolfram Superpowers”!）

第四，解決各種問題的速度,，或者說滿足各種需求的速度,，可能是指數(shù)級的。

這個(gè)是很感性的判斷,，確實(shí)沒有很有說服力的論據(jù)?，F(xiàn)在大家也都不知道多長時(shí)間會發(fā)生什么事情。不過大概率它的發(fā)展速度不會是線性的,，因?yàn)槿四X的學(xué)習(xí)是緩慢的,，畢竟神經(jīng)元信號傳遞存在速度限制、神經(jīng)元的數(shù)量和規(guī)模有整體的限制的,。但計(jì)算機(jī)不一樣,，就像一個(gè)人腦不行，那可以連接 10 個(gè)人腦,。10 個(gè)愛因斯坦的腦袋連起來,，它是不是乘以 10 不一定，但的進(jìn)化速度肯定比生物進(jìn)化要快得多,。

ChatGPT 的成功會讓已經(jīng)在過去領(lǐng)域里卷到疲倦的大廠,，紛紛進(jìn)入軍備競賽，這也會加速這個(gè)進(jìn)程,。另外,，對于很多場景來說，讓產(chǎn)品對接大模型,，是不復(fù)雜的,，ChatGPT 作為中間層很合適，主要負(fù)責(zé)解釋和推理,，并不用每個(gè)場景都再訓(xùn)練一遍（未來難說會不會各種場景都有自己的大模型）,。從 Office 和 Adobe 這么快的跟進(jìn)也可見一斑。

這里就有一個(gè)很殘酷的現(xiàn)實(shí),，就是業(yè)務(wù)融合 AI 模塊之后,，每個(gè)打工人在用 AI 的這個(gè)過程,，就是在加速淘汰自己的過程。

第五,，調(diào)試工程師會變成很值錢的崗位,。

這個(gè)好理解，對于大模型來說,，可解釋性非常差,，換句話說，可控性很差,。前面也說了,，它是非常巨大的黑盒，只能通過調(diào)教,、不能通過指揮,，不能指哪打哪，說這個(gè)問題回答得不好,，下次必須這么這么回答——沒法這么去訓(xùn)練它,。所以調(diào)教就顯得特別重要了，調(diào)試工程師就會變得越來越值錢,。

不過調(diào)試工程師到底具備什么樣的能力,？了解場景，還是了解代碼,？這個(gè)不大清楚。這是個(gè)全新的崗位,，大家都在探索,。

第六，失業(yè)問題,。

可惜的是,，值錢的崗位未來不會特別多，但不值錢的崗位會變得越來越多,。

失業(yè)問題很有意思,，之前 OpenAI 自己官方下場寫了一篇報(bào)告，具體內(nèi)容就不展開說了,，只說最后的幾個(gè)結(jié)論：

第一,，80% 的人受影響，會有 10% 的工作內(nèi)容受 LLM 影響（受影響的定義是同等質(zhì)量的工作成果,，降低 50% 的工作時(shí)間）,，19%的人「大受影響」，即會有至少 50% 的工作內(nèi)容受 LLM 影響,。

第二,，薪資越高的人越容易受影響。受過良好教育的、有豐富工作經(jīng)驗(yàn)的,、高薪的職業(yè),，被影響的概率是偏大的。

第三,，有一個(gè)影響程度排行榜,，其實(shí)就是高危列表。里面高頻出現(xiàn)的包括：數(shù)學(xué)家,、口譯員和筆譯員,、作家和寫手、區(qū)塊鏈工程師等,。

第四,，部分職業(yè)存在可能性被徹底替代掉。對于這個(gè)榜單,，人工標(biāo)注的結(jié)果里有 15 個(gè)職業(yè),；GPT-4 標(biāo)注的結(jié)果里有 86 個(gè)職業(yè)。AI 下手果然還是更狠一些,。

（報(bào)告來源：https://arxiv.org/pdf/2303.10130.pdf）

感興趣的朋友可以自己讀一下全文,。這個(gè)估計(jì)當(dāng)然不會特別準(zhǔn)確，但是他們用了盡可能量化的方式,，有一定預(yù)見性,。未來會不會發(fā)生？我認(rèn)為大概率確實(shí)會發(fā)生的,，只是時(shí)間上不好講,。有一些相對容易落地、容易快速被替換掉的,，比如說個(gè)體戶可能危險(xiǎn)性更大一些,。比如做插畫的畫師、做電商圖片的這些美工,、一些公眾號的小編等等,。大公司的組織，整個(gè)工作內(nèi)容或者崗位要做調(diào)整,，會有組織管理上的問題,，可能會慢一些。

那這中間可能也有過渡期,，比如 AI 繪圖變成主流之后,，畫師們未必就全都失業(yè)。就像 Photoshop 出現(xiàn)之后大家更多是從用紙和筆去繪圖,，變成了用另外一個(gè)工具去做,。未來 AI 繪圖背后,，也要有需求轉(zhuǎn)化的這一步（prompt engineering） 。不過比較悲觀的是,，AI 繪圖和 Photoshop 不一樣,，還是存在效率差異的。用紙和筆的畫師和用 Photoshop 的畫師,，生產(chǎn)力的變化可能沒那么大,；但是 AI 的生產(chǎn)力是劇烈的大幅提升，意味著不太需要那么多從業(yè)者了,。這就必然有一個(gè)結(jié)構(gòu)性的大的波動,。那未來會怎么樣？會不會出現(xiàn)大的社會問題,？這個(gè)就不是我能討論的了,。

第七，大多數(shù)人機(jī)交互都不存在了,。

冰箱發(fā)明之前,，很多人研究的是怎么存儲冰塊、制造冰塊,，有了冰箱,，就不再需要這種冷藏方式了。對于產(chǎn)品交互也是這樣,，用戶過去為什么要點(diǎn)按鈕,？要做各種操作？包括用 Photoshop,、 Word 里很多反人類的各種各樣的,、根本記不住的復(fù)雜的功能。

所以我們看起來更像是處于過渡期,，真的技術(shù)能力達(dá)到以后，當(dāng)下的大多數(shù)人機(jī)交互也沒有必要存在了,，只需要剩下自然語言交互,，這就跟我寫過的那篇猜想對應(yīng)上了（從 ChatGPT 看 AI 未來的 7 種場景可能性）。

跟寫之前的文章時(shí)不一樣,，我這段時(shí)間試用了 GPT-4 基礎(chǔ)上的 ChatGPT,，包括跟更多專家聊了一些技術(shù)上的問題。現(xiàn)在的我覺得這是很有確定性的,。就像前面說的,，現(xiàn)在的發(fā)展是指數(shù)級的速度。

如今 ChatGPT 發(fā)布后,，整個(gè)產(chǎn)學(xué)研都已經(jīng)到了快車道上了,，這個(gè)快車道上是沒有人有能力去踩剎車的,。我們作為個(gè)體，也是不可能回避這個(gè) AI 的歷史車輪的,。

大家都知道阿里有一個(gè)經(jīng)常被群嘲的價(jià)值觀,，叫擁抱變化。這個(gè)詞現(xiàn)在看感覺還挺應(yīng)景的,。

所以不如反過來想問題：汽車時(shí)代來的時(shí)候,，馬車夫肯定非常焦慮，馴馬師也很焦慮,。不過汽車是工具,，對大部分人來說它是非常有幫助的。它的出現(xiàn)并不是說要摧毀誰,，摧毀哪些崗位,，或者摧毀哪個(gè)行業(yè)。它還是為人類服務(wù)的,。

我們可以用汽車做很多有價(jià)值的事,。沒有交通工具的效率提升，全球化也不可能發(fā)生,。我們可以多想一下,，有了 AI 我們能干什么。

最近跟身邊幾個(gè)比較要好的朋友聊 AI,，大家達(dá)成的一致,，都是先用起來。先用它做點(diǎn)什么,，感受下它能做什么,、不能做什么。未來有無限的可能性,，不妨把目光放長遠(yuǎn)一點(diǎn),；不糾結(jié)當(dāng)下的得失，看看 AI 未來的機(jī)會,。保持這樣的心態(tài)也許更容易接受變化,。

就說到這里，希望對你有啟發(fā),。

Ps. 想要了解人工智能歷史的朋友,，可以在小宇宙、蘋果 Podcasts,、喜馬拉雅,、網(wǎng)易云音樂等平臺搜索「半拿鐵」，我梳理了過去的故事整理成了 4 期播客,。

本文（含圖片）為合作媒體授權(quán)創(chuàng)業(yè)邦轉(zhuǎn)載,，不代表創(chuàng)業(yè)邦立場,，轉(zhuǎn)載請聯(lián)系原作者。如有任何疑問,，請聯(lián)系