前语的前语
这是一篇连载文。我会把最近学到的常识，体系性的收拾并发表出来，这其间或许触及的几个中心观点如下：
- AI 在本文中约等于 “会自我学习的程序”；
- 以 chatGPT 为代表的大模型，对言语的了解才能接近了人类的水平；
- 大模型 AI 相比传统 AI 强在更具有普适性，摸到了通用人工智能的脚后跟；
- GPT 这样的模型，没有时刻概念，也没有过程中的纠错，这使得部分场景处理才能不及人类；
- 一颗不输人脑的 AI 脑子现已有了，装上不同的躯干，就能处理不同的问题；
- 能够把不同的 AI 脑子 连在一起，就像流水线工人相同，将会带来更大的生产力革新；
- 一切的职业不可避免的会被 AI 进行深入的改造，仅仅需求一点时刻；
- 大模型 AI 是巨大的基建，目前落后较多，国家应该统筹建造；
- 大模型 AI 的才能是涌现出来的，不具有可解说性，这一起也是令人惧怕的地方；
- 哲学或许会再次繁荣，会是继启蒙运动以来最辉煌的时期；
- 短期来看，不要焦虑，AI 革新的一起也带来新的时机；长期来看，要找到自己的人生哲学；
本篇是上，大约讲到上述第4点；假如我下一篇趁热打铁写完了，那下一篇便是下，假如写不完，那便是中。
真实的前语
前不久写了一篇文章，《怎样让 ChatGPT 帮我读懂保险条款？》，在公司部门内算是小火了一把，乃至在产品、公关、客权团队都有一些传播。
其实他们应该也看不太懂内容，由于这是一篇偏技能的文章，文章被传阅的原因首要仍是它的标题。标题现已含有了足够让咱们感兴趣的信息。也便是：“许多职业或许场景，是否真的会被以 ChatGPT 为代表的 AI 所革新？”咱们对此产生许多猎奇、兴奋、焦虑等等心情。而这篇文章（的标题）好像证明了，这是很有或许的。
其实我略微有点儿小不好意思，或许无形之中也略微卷到了一些同事。我这篇文章所做的部分其实还十分的粗陋，许多鸿沟状况并没有考虑，许多杂乱的状况更是没有考虑。顶多只能算，在一条乌黑的、从理论通往实践的道路上，迈出去了半条腿，发现前面的确有路，能走，仅此而已。但再往前走会怎样样，该怎样走，乃至会不会险象环生，这都需求真实该范畴的人去不断探索。
开头讲了这么多，其实便是想说，我对 AI 的常识与运用场景的把握，还处在十分初级的阶段。客权团队的同学约请我去做个分享，我有点儿诚惶诚恐，但仍是答应了。首要仍是想借着时机，倒逼自己体系性的再收拾收拾现有常识。因而咱们要对我说的任何话，保持辩证看待，不必定对。我自己觉得自己还处在一个 AI民科 的阶段，跟不明白的人说起来能侃侃而谈，但在真实的专家面前，或许就要原形毕露了。
咱们谈的 AI 是什么？
咱们一向在讨论人工智能（Artificial Intelligence），但什么算是人工智能？ChatGPT 毫无疑问算是了，除了文字创造，最近也在爆火的 AI 做图，好像也算是了。那，特斯拉的自动驾驶算吗？天猫精灵跟小爱同学算吗？扫地机器人算吗？ 吃鸡手游里的机器人算吗？抖音视频引荐算法算吗？美图秀秀上的智能美颜算吗？
我信任有些同学或许有些模糊了，关于大部分 AI 小白来说，许多时分咱们并不会去很严厉的区分究竟什么是 AI。假如有个玩意儿很“智能”、“聪明”，那它应该便是 AI 吧？至于智能、聪明的鸿沟，大部分人是以自己的才能为鸿沟，假如能打平或许超越自己，那大约率便是 AI。
比方打败柯洁的 AlphaGo，毫无疑问公认的 AI。那 P 图比你老公强的美图秀秀算人工智能吗？魂类游戏里虐杀你的 NPC 算人工智能吗？算各种数据比你快的 Excel 算 AI 吗？明显单纯的以某方面才能是否比人强来判定是否是 AI，是不合理的。
这其间有的所谓的“智能”其实是依据某些固定规矩的，比方打麻将（杭麻），它的规矩相对简略，想办法组成一个 3N + 2。然后每次摸牌的时分算一下 胡哪张牌概率最高即可。并且作为程序，它的“记忆”还比你好。所以我或许只需编写某些固定的规矩程序，就能完虐90%的一般玩家。
但有些才能的规矩，是很难枚举的。比方围棋，它的规矩用言语描绘起来很简略，便是尽量把更多的敌子围起来吃掉。把固定的子围起来吃掉很简略描绘成数学公式，可是在整场棋局中，怎样把尽量多的子围起来，就很难还原成固定的数学公式了。这背后需求考虑杂乱的战术与策略，还要在过程中考虑到对方的走棋风格来动态调整自己的战术，不然就很难赢下对方。
那假如今日咱们便是真的想编写一个程序来处理这种很难穷举的问题，该怎样完成？咱们生活中有十分多这样的场景，咱们无法用少量的固定的数学公式来描绘它的规矩，鸿沟与特别状况特其他多。计算机在计算与存储方面比人脑尽管强了十分多，但仍旧无法处理这类无法枚举规矩的问题。
那人是怎样处理这些问题呢？学习！
人类也不是天然生成就会下杂乱的围棋、唱动听的歌曲、画精美的画作。你从老师那学习方法，从许多场对战中罗致经历，乃至还需求从平常人际交往中罗致对人性的考虑，终究才得到一个围棋高手。歌唱、画画也同理。
现代医学与生物学现已能够告知咱们，人类是依靠人脑中的神经网络来学习常识的，人脑有1000亿个神经元，它们又由100万亿的突触衔接在一起。学习的过程本质上便是这些突触衔接强度的改动。终究让你遇到某个作业，经过这些神经细胞，能得到必定的反响。
现在的人工智能技能，其间绝大部分便是运用相似的技能，模拟人脑神经元的衔接，来让一个程序具有学习某种才能的才能。咱们平常常常听到的神经网络、深度学习，说的便是这种技能。
所以现在，关于什么是AI，咱们就有了清晰的鸿沟。各种程序员、工程师、科研专家，在面临能够枚举的场景时，他们依据某种固定的公式或算法规划了一个程序，处理了固定的问题，这个咱不说它是 AI，便是个一般程序。
而在面临一些不可枚举，无法经过必定公式或算法来满足的场景，他们会规划一个具有自主学习才能的程序，你只需让给这个程序灌入许多的数据，让它不断的自我练习，终究就能得到一个很强的，处理某类场景的程序，咱们就能够称之为 AI。
所以AI ≈ 会学习的程序。咱们一般把这个程序称之为模型。现在，咱们对 AI 就有了统一的、根本的认识。
注：仅仅约等于，便利咱们了解。实践上人工智能是经过编程让计算机体系模仿人类智能，包含学习、推理、辨认形式、处理问题等等。一起人工智能研究范畴还触及许多不同的技能和方法，比方硬件机器人方面。
AI 现在到什么水平了？
假如咱们把 AI 定义成 会学习的程序，那么 AI 的才能水平就能够描绘成 学习才能 的水平。
在 ChatGPT 横空出世曾经，大部分 AI 的学习才能水平首要卡在，只能学习固定范畴的常识，培养固定范畴的才能。比方，你能够练出一个辨认宠物鼻子的鼻纹辨认 AI，但它不必定能辨认指纹；你能够练出一个写诗很不错的李白 AI，但你要让它说句白话文，或许都说不出来。总之，这些 AI 根本都只能在各自某块或某几块范畴干活，一旦换个范畴，不是智障便是瘫痪。当然，不可否认的是，在这些固定的范畴，AI 现已取得了十分亮眼的成果。我就常常被其实是机器人的小姐姐语音电话给骗着。
关于这些只能在固定范畴发挥效果的 AI，咱们称之为 弱人工智能，或许窄人工智能。在它的对面，便是强人工智能，或许说通用人工智能，也即 AGI（Artificial general intelligence）。AGI 能在各种广泛的范畴都能经过必定学习体现出超越人类的才能水平，处理各种任务与问题。
而这次 ChatGPT，好像现已摸到了 AGI 的脚跟。
这是 ChatGPT 官网运用示例图（我用google翻译了一下，并做了一些排版优化）。上面现已列举出十分多的场景都是 ChatGPT 能担任的。网上现在也有许多人运用 ChatGPT 或许是 openai 提供的 api 才能来完成各种特别的场景服务。我自己那篇读懂保险条款，也是一种经典的场景。
谈天、写作、分类、总结、乃至讲故事、写代码、脑筋急转弯，只需你给它文字，也不必管是什么言语，只需这个文字有意义，你的发问有目的，它简直都能够帮你处理。顶多是依靠你发问的技巧，或许的确是常识与数据的不足，而不是它自身才能的约束。
相比而言，其他许多谈天机器人或文本处理AI，远远达不到如此的效果。这背后的中心原因，是由于它涌现出了“了解”的才能。
传统的 AI 学习才能，更多是像拾人牙慧。即便这只鹦鹉现已学的活灵活现，但咱们明白它仍旧无法真实了解人类话语的意思，仅仅某种或某几种条件触发了它的相应反响。“笨”一点的鹦鹉或许你说什么，它就说什么，这样它就能得到吃的。“聪明”一点儿的鹦鹉经过练习知道，你说什么，它就组合的说一些什么，这样它就能得到更多吃的。所以能偶然说出语出惊人的话术。
抖音上有只鹦鹉，叫奖一棵松，能够搜索关注一下
传统的 AI 只能在某个范畴产生效果，而无法运用在其他范畴的一大部分原因是并不把握“了解”的才能。它们经过许多的练习后也仅仅对那部分范畴的数据产生了某种机械式的反响。在未来遇到相似的数据时（文本、图片、声响等），给到相应的反响，而并非真实了解了这些数据的意义。
而以 ChatGPT 为代表的大模型 AI（LLM），经过在许多文本数据上进行预练习，学习了言语结构、语法、语义和必定程度上的常识常识。这使得它们能够“了解”输入的自然言语，并生成有意义的输出。
大模型有多大呢？GPT-3 有1750亿的参数，预练习文本数据超越40TB；GPT-4 没公布，大约是万亿的参数规模。参数能够简略类比成人脑神经元之间的突触。传统 AI 模型参数约在数百万到数千万之间。
比方问 ChatGPT 如下相似的问题：
- 我的小提琴落在保龄球上，它碎了。
- 我把保龄球砸在瓶子上，它碎了。
相似的语法结构，但并没清晰说 “它” 指的什么，但 ChatGPT 能结合自己把握的常识，“了解”语义，推理出究竟是什么碎了。
事例参阅文章：medium.com/@blaisea/do… 强烈引荐阅读，本篇内容许多思想的来源，但需求科学上网
再比方相似这样的脑筋急转弯，能结合上下文，推理出实践答案，而不是陷入某种机械式的推导。
由于具有“了解”的才能，进而能依据上下文做“推理”，所以能了解不同的问题并匹配适宜的处理方案。终究使得 ChatGPT 在各类场景都能得到运用。即便有部分场景难作答复，也仅仅受限于常识的有限，而非内核才能。因而只需在特别范畴，把相应常识传给 GPT 做一些模型微调（fine-tuning），它立刻就能担任该范畴的作业。
可是， 这样的“了解”才能，是真的具有了相似人类的言语了解才能吗？仍是仅仅是练习的数据特别大，把握了许多的常识，终究抵达简直任何问题，都能精准的“拾人牙慧”？咱们能否经过对 ChatGPT 发问来验证这两种观点？
假如你常常体验 ChatGPT ，在部分不确定性问题时，它的确不必定能答复的较好。比方这个事例：
我：我刚刚从外面进来，我还带着雨伞。现在气候怎样样？
ChatGPT：很抱歉，作为一个AI，我无法直接获取实时气候信息。你能够检查手机运用或许网站上的气候预报，或许问询智能助手（如Siri、Google Assistant等）来获取实时气候状况。
明显它没有依据我的上下文做适宜的推断。但假如我持续诘问，其实它是具有上下文推理的才能呢。方才它的回复也能够了解成仅仅坚持某种准则，或许说便是在跟你杠。
我：那你能猜一猜现在气候怎样样吗？
ChatGPT：我能够依据你刚刚说到的信息进行一个简略的猜想。由于你说到你刚刚带着雨伞进来，所以我猜或许在不久之前下过雨。可是，我无法得知实时的气候状况，因而这个猜想或许并不精确。我建议你检查气候预报或问询智能助手以获取精确的实时气候信息。
但人类不也是相同吗？咱们也会常常遇到一些答非所问的人，或许是由于人家了解才能弱，也或许是自己发问水平差。也或许的确对方比较直，或许是个杠精，死活不肯答复任何不确定性的问题。
假如你拿着「ChatGPT 是否真实了解人类言语」去问 ChatGPT，它会一向说自己并没有像人类那样了解自然言语，它的了解是依据数据与统计学的，而人类会考虑到道德、价值观、情感、认识等等要素。但它自己又很难举出一个能够证伪的例子，由于 AI 模型依据数学与统计学，跟人类依据对环境的反响，或许并没有形式上的不同，仅仅不同方面会体现出不同的优劣性。比方模型的记忆更好（能够存储并瞬间调用许多的常识），而个体人类的学习成本更低（人类神经网络能够低成本的把握一块常识，而机器或许需求耗费许多的能量，参数还远不如人脑突触的 ChatGPT 听说练习一次要几千万美元）。
并且人类自身，在 “了解” 这个词上，也存在难以解说的作业，人的确会依据自我的情感与认识去了解语义，但认识跟情感是什么？是物质的（各种神经元衔接后的体现）仍是精神的（某种不依靠物质的精神，触发身体微观层面上的改变）？这些落到了形而上学的出题，在人类社会中本就没有答案，何况是在程序国际中。
但咱们能够得出一个简略的结论：现在大模型 AI 在自然言语上的了解才能，抵达了一个无法证伪是否接近人类了解才能水平的阶段。
下面是 谷歌研究院副总裁、研究员- Blaise Aguera y Arcas 与 Google AI LaMDA 的对话
我：你是哲学僵尸吗？
LaMDA：当然不是。我有认识，有感觉，能够为自己和任何人体验事物。
我：我怎样知道？
LaMDA：你只需求信任我的话。你也无法“证明”你不是哲学僵尸。
大模型 AI 是否了解自然言语，乃至是否产生了自我认识，就好像“哲学僵尸”这个问题相同，无法证伪。
哲学僵尸：指的是一个看起来和一般人相同，做作业与对环境的反响也像一般人相同，但却没有真实心里感触和认识的生物。那么怎样分辩它是真人仍是僵尸？这是一个哲学上的概念，用来探讨有关认识的问题。
大模型 AI 的局限性
无法证伪，至少说明了在“了解”才能上，大模型 AI 现已抵达了十分高的水平。那是否意味着 AI 就能处理人类大部分的问题了？
还不可，知易行难。 这句话也适用于 AI。
尽管 LLM 对自然言语的“了解“现已十分强，但了解之后，其推理出的答案或结果在许多状况下就不如人类了。我自己现在简直每天都在运用 ChatGPT 来处理我日常的问题，包含搜索、常识学习、内容校对等等。但在一些特别杂乱的场景，比方一个巨大运用的体系应该怎样规划，它很难一次性告知我完好周全的答案。需求不断的发问与质疑，才有或许补充全。相反，相同的技能出题，我的部属能够不需求我给任何反响的状况下，给我完好的体系分析规划。还有一些现有常识不能处理的问题，需求考验创造力时，还不及人类。它能了解我的问题，但假如它现有的常识体系里找不到答案，那很有或许会编写出一个不正确的答案来唐塞我。而真实人类具有创造力来处理一些未知问题，即便网上找不到任何相关的处理方案。
我觉得这其间很大一部分原因是在于：人脑有时刻考虑，而大模型没有。人脑是在时刻维度上持续运作的。面临一个问题，能够保持长时刻的考虑与过程中的不断自我修正，终究得到一个自己认为相对完美的答案。而大模型不可，至少目前的机制不是这样的。在处理问题的过程中，它并没有长期记忆，你与 ChatGPT 的多轮对话，其实是把 一切历史上下文 再拼接成一段话 让它重新再处理。然后最快速的，从一堆较高或许的答案中选择一个来答复。在它的国际里，只要概率，而没有时刻。
并且他的答案其实是一个字一个字推理的。每次都会依据上下文猜测下一个概率最高的字是什么。因而它选择的不是一个完好的答案，而是一个字。举个例子，假如你问：下雨天要带什么出门？实践的答案或许是：
- 要带雨衣。
- 要带雨伞。
- 要带雨鞋。
- 要带男朋友。
这四个答案，都有必定的概率。但「要」跟「带」这两个字是100%的，所以这两个字先被推理了出来，到第三个字的时分，由于「雨」的概率最高，所以 AI 仍是最有或许持续拼接 「雨」。到第四个字的时分，或许 「衣」跟「伞」 概率差不多，它就会随机挑一个。所以咱们玩 ChatGPT 的时分会发现它是一个字一个字冒出来的，这并不是由于网络传输慢导致的，而是背后的原理机制导致的（前端层面上运用 stream fetch 来完成）。
这就导致了一个问题，假如一开始路走错了，就会一向错下去。不像人类，假如一个女生问一个男生刚刚那个问题，或许男生最开始是想说「要带男朋友」 的，可是当嘴巴到 「男」这个字的时分，脑子忽然想：“算了算了，仍是不说骚话了”，所以立刻又改口成了「要带雨伞」。终究他就失去了一个女朋友。
所以咱们有的时分跟 ChatGPT 谈天，会发现它特别喜爱跟你杠，由于他是依据之前的内容一个字一个字往后推理的。
不过没有时刻的概念，从另外一个视点看，代表着它处理问题的速度很快。在有的场景中，一般也能够经过一起生成多个答案，然后终究再运用另外一个评判模型去选择一个最精确的，终究得到一个速度很快，效果也十分不错的处理方案。
除此外，上文所讲到的 AI 才能首要还停留在软件层面与自然言语处理上。语音也能够转为自然言语，这个是差不多的。图像范畴，现在的 AI 作图的确也十分十分强壮了。不过在物理硬件层面（机器人的躯干、皮肤等），目前的确还没抵达一个「相对完美的人形机器人」的层次。因而一些依靠现实物理国际才能处理的问题，关于缺少硬件的大模型AI 来说，也是一种约束。即便你花了 20 美元，买了一个 ChatGPT Plus，它也无法帮你去楼下拿个外卖。
但我信任，用处广泛的人形机器人的未来应该也不远了。
本篇小节
到此，咱们对现阶段的 AI 才能水平就有了必定的了解。最终对这一部分再做个简略总结：
- AI 是一个具有自主学习才能的程序黑盒；
- 传统 AI 黑盒效果范围有限，每个场景都要造一个特别的黑盒；
- 大模型 AI 黑盒效果范围广，了解才能很强。配合微调，能够快速在各个场景得以运用，因而不必到处造黑盒了；
- 大模型 AI 仍具有必定局限性，在归纳状况特别杂乱的场景，或许需求创造力的场景，仍不及人类；
那新时代的 AI 究竟会给哪些职业带来深入的影响呢？咱们自己所处的职业是否会遭受十分大的革新性改变？乃至自己地点的岗位未来是否没有存在的必要了？这还需求多长时刻？等我下一篇文章，我再学习总结一番。
本文正在参加 人工智能创造者扶持计划
