大模型究竟為我們帶來了什么？

　　2022年11月30日，ChatGPT發(fā)布，全世界對這一全新AI技術充滿好奇的人，開始闖入ChatGPT世界。

　　不過，在使用ChatGPT時，*步要先交出數(shù)據(jù)使用權。

　　即允許ChatGPT將我們與它對話過程中產生的數(shù)據(jù)，用于它自己今后的模型優(yōu)化過程中。

　　或許你會覺得這沒什么所謂，畢竟在互聯(lián)網(wǎng)世界里，我們已經習慣了交出數(shù)據(jù)，換取服務。

　　然而，相較于之前基于關鍵詞匹配的互聯(lián)網(wǎng)搜索技術，基于語料庫生成式的大模型技術天然擁有更高的“智慧”，這當然也包括在構建用戶畫像上。

　　何積豐院士最近就用這樣一個例子解釋了大模型可能出現(xiàn)的隱私安全問題：

　　在大模型收集到一個人足夠多的個人數(shù)據(jù)后，當一位黑客提示大模型為這個人作出用戶畫像時，它甚至可以寫出一本小說，詳細地描繪出這個人所有的靜態(tài)和動態(tài)信息。

　　基于大模型的黑客技術，細思極恐。

　　實際上，這并不是玩笑，在一些西方投資機構中，不少人已經開始通過這類技術，分析初創(chuàng)公司的創(chuàng)始團隊，以評估相應的項目是否值得投資。

　　正是有了以上種種神乎其神的超能力，我們更應該關注由之帶來的兩個問題：

　　1、大模型究竟為我們帶來了什么?

　　2、大模型對產業(yè)有怎樣的意義?

　　01AI的致命缺陷

　　2023年9月7日，美國《時代》周刊首次發(fā)布了全球百大AI人物(TIME100 AI)，這將人工智能和大模型在全球關注度再次推向高潮。

　　而早在今年1月，美國另一本頗具影響力的商業(yè)雜志《財富》，更是旗幟鮮明地指出，大模型是人工智能的iPhone時刻。

　　毫無疑問，大模型的出現(xiàn)，讓人工智能技術在2023年迎來拐點。

　　那么，大模型究竟為AI帶來了哪些關鍵改變?

　　這里我們需要引入一個作為比較對象的參照物，知識圖譜。

　　知識圖譜是過去十幾年構建人工智能推理能力、認知能力的基礎，也是傳統(tǒng)人工智能技術的重要范式。

　　在國內，復旦大學肖仰華教授是最早從事知識圖譜研究的人工智能專家之一，他指出：

　　知識圖譜是一種符號化的專業(yè)知識表達，大模型則是一種參數(shù)化的通用知識容器。

　　二者差別在哪里?

　　差別在于，后者可以提供對于「常識」的理解能力。

　　「常識」能力是人類定義的，也是人類擅長的一種經驗知識，以往的人工智能并不擅長處理「常識」問題，他們遇到「常識」問題，往往會變“笨”。

　　例如，當你問出如下問題：

　　如果你在爐子里放入木頭，然后再把引火物扔到爐子里，一般來說，你是在做什么?

　　答案顯然是你要在爐子里點火，現(xiàn)在的ChatGPT已經能夠很好地給出答案，甚至給出詳細的解釋。

　　然而，就在三年前，紐約大學心理學教授Gary Marcus(曾是Uber人工智能實驗室負責人)也曾向當時還很不成熟的GPT-2問過同樣的問題，GPT-2給出的答案是：嘔吐。

　　所以，在大模型出現(xiàn)之前，人工智能領域普遍流傳著這樣一個似玩笑又非玩笑的尷尬自嘲：

　　再聰明的AI，遇到「常識」問題，都會變得愚蠢不堪。

　　正如機器人的*形態(tài)是擁有雙手、雙腳，可以在人類定義的世界里執(zhí)行任務的人形機器人一樣，需要在人類世界里運轉的人工智能系統(tǒng)，同樣需要有仿人的大腦。

　　在過往十幾年，甚至幾十年里，人工智能科學家都在思考如何模仿人類的神經系統(tǒng)，雖然因此在CNN、RNN等神經網(wǎng)絡上取得了不少突破，但卻長期困于「常識」的漩渦。

　　現(xiàn)在的大模型其實做了另外一件事兒，另外一件模仿人類成長過程知識體系形成過程的事兒：

　　通過大量數(shù)據(jù)和參數(shù)，花大力氣讓人工智能擁有「基礎認知」，而非「專業(yè)知識」。

　　這有點像是讓人工智能去經歷一個九年義務教育的折磨。

　　02突破認知瓶頸

　　人類對自己創(chuàng)造的社會文明的學習，是從痛苦的數(shù)理化公式開始。

　　雖然大部分人類最終沒有成為科學家，也沒有從事基礎科學研究，但這些基礎知識讓我們在之后的生活中擁有了「常識」，這為我們從事更具象化的工作打下了基礎。

　　所以，九年義務教育或許沒有肉眼可見的實際價值，但它為我們建立了對世界運轉規(guī)律的基本認知。

　　肖仰華教授在行業(yè)調研過程中曾遇到過另一個更具體的案例：

　　醫(yī)院里，醫(yī)生在為病人診斷病情時，80%的時間是在排除健康因素，只有20%的情況是需要醫(yī)生干預并給出診斷方案的。

　　也就是說，一位醫(yī)生要想做好自己的工作，首先要知道人類身體在健康情況下是一個怎樣的運轉狀態(tài)，而不僅僅要知道生病時是什么樣。

　　要理解疾病，首先要理解什么是健康。

　　這反映出來的其實是，「常識」是認知的前提，是人類世界的底層邏輯。

　　在大模型出現(xiàn)之前，人工智能專家要想為某個行業(yè)研發(fā)智能化解決方案，首先要把這個行業(yè)中所有數(shù)據(jù)收集起來，從而構建一個行業(yè)數(shù)據(jù)驅動的智能化解決方案。

　　此前只會下圍棋，但卻轟動了全世界的AlphaGo，就是通過這種模式訓練而來。

　　不過，那時，有人在嘗試走另一條路。

　　2015年年底，OpenAI創(chuàng)始人奧特曼帶著一群人工智能領域最聰明的人，用大量資源和萬億級參數(shù)，開始訓練人工智能看起來不怎么厲害的「常識」理解能力。

　　他們花了7年時間，耗費巨資、巨量時間，為人工智能補了一個九年義務教育。

　　這時，AI有了理解傳統(tǒng)人工智能模型學習的“大學課程”背后的“為什么”的基礎。

　　奧特曼和他的團隊——世界上最聰明的一群人，花了大量的時間和精力做了很多不討巧、其他人不愿意做的事兒。

　　這才有了大模型，有了2022年年底發(fā)布的ChatGPT，有了人工智能突破認知瓶頸的2023。

　　如非大模型，人工智能很可能會在2023年在資本的失望情緒下，再次進入低潮。

　　03補修“專業(yè)課”

　　大模型來了，通用人工智能來了，AI和人一樣有了認知世界的基礎知識了，是不是就能*解決所有行業(yè)問題了?

　　其實，不然。

　　大模型讓人工智能擁有了「常識」的同時，也帶來了一個與生俱來的嚴重問題是：“幻覺”現(xiàn)象，也就是我們在使用ChatGPT這類大模型過程中，它總是會“胡說八道”。

　　大模型之所以被稱為生成式AI，是因為它基于訓練數(shù)據(jù)，有了一定的創(chuàng)造性，這樣的創(chuàng)造性，在具體某一個垂直行業(yè)中，表現(xiàn)為對先驗知識缺乏足夠的“忠誠度”。

　　如果在醫(yī)療、工業(yè)等行業(yè)領域中，大模型遇到了一個它沒有學習到的知識，或者是一個開放性的問題，它發(fā)揮了自己的創(chuàng)造力，由此帶來的后果將難以想象。

　　在垂直行業(yè)場景中，引入人工智能技術，首先需要它是一個可控、可編輯、可解釋、可防護的模型，這是基于知識圖譜的傳統(tǒng)人工智能模型的特性，也是為什么這類模型會先發(fā)展起來的一個主要原因。

　　但是如果不懂樂理，終究難成大師級音樂家。

　　當傳統(tǒng)人工智能模型最終遇到瓶頸，人們發(fā)現(xiàn)大模型才是正道時，如何讓“創(chuàng)造力有余，專業(yè)力不足”的大模型擁有進入產業(yè)時所必須的，這些它本不擅長的能力，就成了如今的關鍵。

　　肖仰華認為，通用大模型向行業(yè)大模型的適配、優(yōu)化，今天才剛剛開始，無論是從數(shù)據(jù)、知識、訓練，還是模型架構、評估體系、生態(tài)建設上，我們都還有很長的路要走。

　　例如，在長文本的理解能力、長短期記憶能力，甚至金融領域最基本的數(shù)學量綱、數(shù)量推理上，現(xiàn)在的大模型都還無法很好地做出正確的理解。

　　不過，我們能看到的是，在大模型發(fā)布還不到一年的時間里，各行各業(yè)都已經迫不及待地嘗試將大模型引入各自領域中。

　　具體在進入垂直領域時，大模型往往會將需要執(zhí)行的任務分解為三個子任務：提示、生成、評估，當下大模型最擅長的，仍然是生成子任務。

　　因而，學術界和產業(yè)界都在為大模型補課，希望可以通過與數(shù)據(jù)庫、知識圖譜這些相關技術的協(xié)同，提升大模型的專業(yè)能力。

　　例如，通過知識圖譜來做提示和評估，緩解大模型的“幻覺”問題。

　　大模型欠下的專業(yè)課，都需要再修一遍，這其中，與專業(yè)能力更強的知識圖譜這類技術進行協(xié)同應用，不失為一條不錯的捷徑。

　　04像云計算一樣顛覆產業(yè)

　　在ChatGPT問世之前，沒有多少人相信大模型，就像云計算在國內問世時，不少互聯(lián)網(wǎng)大佬都曾質疑過云計算一樣。

　　在ChatGPT問世后，大模型成了人工智能技術的拐點。

　　甚至在ChatGPT問世不到一年的時間里，各行各業(yè)都展開了對大模型在垂直行業(yè)里的應用探索，商業(yè)模式更清晰的行業(yè)大模型也成了一大競爭焦點。

　　來自全球知名咨詢機構麥肯錫的預測數(shù)據(jù)顯示，生成式AI將為全球帶來至少9萬億美元的經濟價值增量。

　　在這9萬億美元的經濟增量中，排在前三的產業(yè)分別是高科技、零售、金融，預計產生的經濟增量分別為2000億美元-4600億美元之間。

　　即便是在農業(yè)這樣被視為最傳統(tǒng)的產業(yè)中，也將帶來至少400億美元的經濟增量。

　　過去三十年里，全球GDP增長主引擎已經由就業(yè)人口轉向生產力，而在過去十年里，生產力增速不斷放緩導致了全球經濟減速。

　　誰來挽救全球經濟?

　　麥肯錫中國區(qū)主席倪以理認為，生成式AI是其中關鍵。

　　他指出，在過去很長一段時間里，自動化始終無法替代的諸如互動、決策類工作，生成式AI帶來了新的替代可能。

　　此外，作為擅長用數(shù)據(jù)表達趨勢的咨詢機構，麥肯錫還給出了生成式AI對自動化的加速量化效果——當前半數(shù)工作被自動化取代的時間，相較之前預測提前了10年。

　　這意味著，雖然大模型才剛開始從通用大模型轉向專用大模型，但大模型將會像云計算一樣顛覆產業(yè)。

　　這種顛覆，或許比人們想象的要來得更快。