认知ChatGPT的过程，就是消除偏见的过程

近期花了一些时间继续学习 ChatGPT，体会到了认知 ChatGPT 的整个过程，就是在消除我自己偏见的过程。其中存在大量信息不对称的地方。哪怕关于 ChatGPT 的讨论这么多了，噪音里面有价值的信息也并不总是好找。

接下来就分享一些观点：

一、重点并不是“聊天机器人”

首先，对于 ChatGPT 来说，它带来的大家提到的 AI 的革命性进展，压根不是做出了好用的 chatbox，或者说聊天机器人。

换句话说，它并不意味着，我们的生活和工作里并不会有太大变化，主要的变化就是多了一个聊天机器人。如果按照这个前提条件去聊，它看起来就不是革命性的。

要真如此的话，凭什么说它是 iPhone 时刻？

真实情况是，聊天只是 OpenAI 做的一个演示，用它来做 demo，让大家很好地看到了 GPT 这个模型的威力。在这个威力之外，大家还是只觉得它是聊天机器人，这就是一个啼笑皆非的事了。

当然，我们都知道，这个聊天机器人是 OpenAI 团队用来获取真实世界对话的方法，用它来继续迭代训练模型，来强化学习的 RLHF 的一个方法。选择开放给用户的这条路线，看起来好像常见，或者说之前也见过，但实际上在科研领域这是一个非常歪门邪道、一个非常不主流的方式。

之前不管是企业还是高校，以前大家做这方面的研究，不管是大模型还是 AI 方面的研究，都是用做题家的思路，就是用各种学术界的评测，如 20 个专家标注的确定性的 QA 问答题来完成，都是命题作文。

但现在 OpenAI 说，我不参加这些考试，我不参加这做题，我也不去跟你比论文数，就是把模型扔到人民群众的汪洋大海里去。

现实就是，很会写高考作文，和很会跟人聊天，确实是两码事。所以使用 ChatGPT 的时候有很多方式就不对，比如我自己作为一个可能稍微了解 NLP 的，或者了解产品、技术实现逻辑的，我就会去想：这个是不是难为他了？这个他肯定不会吧？我就不问了。

当知道他是个机器，就容易担心给的前提条件不够。它胡说八道，给一些错误的答案，我是有奇怪的愧疚感的。所以就潜意识里特别照顾它，把问题表述得格外完整才问出来。

这样结果就是不够真实。包括我做 NLP 的一些老同学，他们也会带着很多假设和前提条件去问，他们问的都不是正常人聊天会问的。而现在用 ChatGPT 的大部分的人不是产品或者技术背景，并不知道背后的原理，所以问出来的就更真实。OpenAI 最初也是用格外真实的语料去做训练，所以能训练出来 ChatGPT 的效果。

二、很多当下的问题，都是技术性问题

认知的另一个偏差是，它就是一个终态了。于是会认为它的很多问题，代表它不智能。

比如说 ChatGPT 搜的信息不准确，以及胡说八道。很多朋友都会这么觉得，问了几个问题，发现不对，就认为 ChatGPT 没有什么大家说得那么有价值。

对于信息准确性的问题其实是好解决的，而且必然会解决。因为现在使用的模型，并不是在一句一句地学，不是像某些人想象的一样，在跟每个人沟通的时候来现学现卖。背后所用的大模型，实际是一个用 2021 年的语料训练的固定的模型，这个底层的模型是没有实时进化能力的。

那为什么信息准确这个问题好解决？这个后面一起说。

另外一种常见说法是，ChatGPT 既然是一个生成式的工具，所以应该是能帮助甚至替代内容创作者的。目前看起来，这方面的水平有限。有可能帮忙写个周报，帮忙润色一下文字，帮忙写个小红书笔记等等，哪怕这种简单的工作，大家也发觉了，写出来的 AI 感非常强、并不是很擅长用人的语气表达，能明显感觉到他整个表述的方式是有一种奇奇怪怪的感觉，这种感觉就让人心怀疑虑：这个所谓的 AI，不也模仿不了人的语气吗？你看，人类还是有一些所谓“灵魂”的部分存在的，AI 写内容，就是没有灵魂。

而很残酷的是，我也认为，内容创作的风格和语气也不是大问题，依然是个技术性问题，因为 AI 最擅长的就是模仿，对于文本的模仿反而是相对来说容易的。只不过一方面，因为 ChatGPT 是基于英文语料主要训练的，所以在中文的表达上会有比较大的问题，翻译体很明显。

另外就是ChatGPT 本身就被刻意训练了。它目前这样的语气和表达风格，是训练出来的，不是 AI 天然就是这样的。因此说这是个技术性的问题。比如说之前 AI 绘图刚出来的时候，大家当然就习惯性基于当时的版本去考察，说 AI 能画成这样还不错，但是 AI 画的图还都有 AI 感。这个所谓的 AI 感大概意思就是光影的问题、细节的问题，这个 AI 感在 Midjourney v5 里消除得差不多了。因为这就是个可训练的技术性问题。

（这是我用 Midjourney 画的爱因斯坦和霍金，历史上不存在这两张照片）

所以ChatGPT 信息准确度的问题，内容表达和语气的问题，人格的问题，都是技术问题。可能就会有朋友问了，那你说都是技术问题，那 AI 发展了这么多年了，可不是每个都是技术问题吗？为什么 ChatGPT 就不一样呢？

三、重要的是“理解和推理”

ChatGPT 最特殊的地方，是揭示了一种可能性，即 AI 可以呈现理解和推理能力了。这是过去大半个世纪的学者们所一直追求，而不可得的。

这里要简单说一下 GPT 背后的逻辑。首先语言模型是很早就有的，10 年前我读研的时候，如果学 NLP，你翻开教材的第一页可能就能看到语言模型，就跟学高等数学第一课都是先学函数一样，不是什么新鲜的、现在才发明出来的成果。

为什么作为一个语言模型，大家这么惊奇？并非由于它可以对话了、能写所谓一碗水端平的片儿汤文章了，更不是能获取什么信息和知识，而是在这个大语言模型当中体现了推理。

体现了推理是一个事实论述。说到这里，必然会有一些朋友，援引很多人包括知名学者的说法来反驳，说语言模型只是统计的模型，因此不能称之为理解和推理。

这里也不妨多说几句大语言模型的逻辑。最基础的很简单，依据上文，预测下一个词。过去能力不足，是根据一两个词预测下一个词，后来出现了更多的算法和更好的硬件，于是可以预测更多的上下文了。像现在 ChatGPT 就能依据几千个字符去做预测，这归功于有如神助的 Transformer 算法。

但是，大语言模型依然还是一个猜词游戏，是统计意义上的一个算法，它没有别的复杂思考，就是从海量的记忆里，搜寻出最有可能出现的下一个词。

所以很自然，听起来，无论谁都会觉得，这种统计逻辑的语言模型，恐怕只能解决记忆问题，不能解决逻辑问题。就像我们读了很多书籍、文献、维基百科、百度百科等等各种知识。那接下来我们能做的是什么？很明确的，可能做一个好翻译，或者能写一篇像模像样的文章，但是搞别的应该是不行的。毕竟是个复读机嘛，是个“模糊的印象” 嘛。

不管怎么去想象这个算法逻辑，我们都很难想象只是记忆，就能产生逻辑。这在 2022 年之前都是天方夜谭，而 2022 年底过后，ChatGPT 让这变成了一个可能性。

为什么 ChatGPT 在一个词儿一个词儿蹦的时候就呈现了逻辑？这依然是个科学上的未解之谜，以及都在争论不休的话题。毕竟我们想象中，一段有逻辑的文字，应该是先设定主题，再想框架和段落，再去落笔的。

这里要特别补充一点：表现出了推理和逻辑能力，与本质上有没有推理和逻辑能力，是两码事。前者是个事实问题，已经可以说是公认了，从原理上反驳意义不大，用过即知；后者则是个哲学问题，还在争论之中。

什么叫有逻辑能力很早就是学术界有争议的话题，从控制论出现就在讨论“看起来的智能是不是智能”的问题了。同时，人脑运作的很多原理目前尚不清楚，如何产生的逻辑推理，也不清晰。

很奇妙的是，在目前的模型中，“think step by step”是一个很好用的咒语，跟人的思考是很像的，机器只要不是直接给结果，而是多想几步，就能呈现非常好的效果。

这些都是题外话了。实际上对产学研而言最惊讶和最兴奋的，不是讨论本质上有没有推理和逻辑能力，而是表现上有没有。

四、通往通用人工智能之路

OpenAI 在这个大语言模型上做了什么，把 GPT 以及 ChatGPT 做出来的？其实没做太多算法上的、底层规则上的很复杂的事情。而是用很工程的手段，甚至堪称暴力的手段去训练，然后反复地调试。

所以一个非常古老的、已经长满了青苔的语言模型，居然可以实现有推理能力的高水准的 AI，非常叫人意外。追求 AGI 的路，从 1956 年达特茅斯会议实际已经启航了，明斯基、麦卡锡、司马贺、纽厄尔这些人工智能的创始人，本来预期是十年二十年就实现的梦想，花了大半个世纪，依然进展不大。

学者们最开始想的，跟大多数人想象的 AI 必须先学的一步是类似的，就是学习推理。他们被称为符号派，就是把世间万物的所有的逻辑和知识抽象出来，把它们变成形式语言，像数学题一样可以计算与推演，一生万物，不就是智能吗？这条路一度是人工智能的主流派系，一直到 20-30 年后，尝试了各种各样的方向，发觉全都被堵死了。

接下来就是统计学习和深度学习的时代，就是让机器去自我消化数据，它就能解决问题。这时候的学者们更落地、更实在了，不关心 AGI，而是关心垂直课题了，比如说人脸识别、自动驾驶、下围棋和玩游戏等等，这些似乎都是做得还不错的。语言模型也在其中，大家认为它能解决一些问题，显然不能解决一切问题。

而 ChatGPT 的启示，就像说有一个田径队，短跑、长跑、接力跑、马拉松等等运动，有不同的教练去用不同的方法训练，毕竟是不同的课题。但是今天，有一个教练，用了全新的方法训练了一个队员，发现这队员跑啥都行，接力跑、长跑、短跑都能拿好的名次，甚至跑去试了试扔铅球也是前几名，扔标枪也是前几名，跳鞍马也是前几名，他不一定都能拿到第一，但这个效果大家非常惊讶。

还是前文说的，有逻辑、能从信息中发掘知识，并不是个值得争论的问题，它是个事实。很多学者花了很多年研究，怎样让机器识别词性，这是个专有课题，而词性标注的效果，ChatGPT 也完成得很好。类似的课题，非常大量。用三体的话说，许多学者、博士们还在研究的 NLP 的中间课题不存在了，一点儿也不为过。哪怕不提这些研究课题，注册使用下 GPT-4，你肯定也会有体感，这种体感是不会说谎的。

那么 AI 有了逻辑和理解能力，能做什么呢？能做太多了。

前面说的技术性的问题，反而可以交给一些基于规则的产品解决。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，而不只是把网页排个序；ChatGPT 自己可能不会写很厉害的文章，但经过一个熟练的写手训练之后，确实能理解你想要什么，就能变成一个有固定文风的写手；原生的 ChatGPT 可能完全不知道怎么使用 Word，但是让它看大量的人是怎么使用的，很快也就能学会了。

这才是 ChatGPT 最不一样的地方：它比之前所有的 AI 都更像一个 AI。当 AI 这个词在 1956 年出现的时候，大家想象的是一个智能的东西，而现在，它真的出现了，至少有了真正智能的可能性。这一点在学术圈和科研领域最早引起了轰动，可能比普通用户的震惊程度还要大。

之前是大家看不到通往通用人工智能的路的，所以 ChatGPT 的意义不是聊天机器人本身，而是这个新的范式，揭示了一种全新的可能性。未必是唯一的可能性，但确实是一种可能性。过去从来没有过的可能性。

五、继续推演未来

接下来可能会发生什么呢？我观察和思考到了 7 个方面，分享一下。

第一：不光 AI 的企业都得投入大模型，而且很快会进入工程上的军备竞赛。

这里跟很多朋友想的不一样，大模型不是比参数量。如果去搜参数量的模型，快手还官方自豪地发布过一个有万亿参数量的模型，当然跟 GPT-3 也没法比。

同时，也不是单纯比数据多少。数据确实是一个壁垒，但是还有一个更加核心的竞争力，即调试工程。比如对于百度，之前做的文心大模型，底层数据量真的不比 OpenAI 的少，或者很有底层的模型都不一定比 GPT-3 的质量差。只是完全没有采用 ChatGPT 的方法训练，也就是怎么激发。激发也是非常玄学和魔幻，OpenAI 有一个人数不小的工程团队，专门通过语料和代码，做激发和调试，让它变得更智能。

这可以说是最后画龙点睛的一步。就像说有一个天分特好的小孩，需要调教，而如何调教是不存在一个很确定性的方法论的，调教本身也是个黑盒，有很多坑每个团队都得慢慢趟、反复试错。

从 GPT-3 这个底层模型的出现，到 ChatGPT，其实花了很多的工夫，在这个过程中，工程比研究要重要得多。学术研究它提供的是方法，但是 ChatGPT 背后并没有新的方法，更重要的还是工程团队用了一些所谓的比较 tricky 的方法。所以 OpenAI 公开了底层的算法和逻辑，并没有公开 ChatGPT 的源代码。对于百度来说，花了一两个月重新开始调教，效果肯定跟 ChatGPT 是没法比的。百度和国内其它家面临的大多也是调教的问题，想要砸钱训练出来一个底层的 GPT-3 的模型不是难点，InstructGPT 才是。

第二，如何调教，会直接影响 AI 成为什么样的 AI。

并不是说各种不同的团队去激发大语言模型，最后激发出来的效果殊途同归、一定是一个东西。很多没有了解技术细节的朋友总觉得 ChatGPT 很蠢，因为总是一碗水端平、按格式来写命题作文，这个是刻意调教的结果。为的是获取最大公约数的用户，不要出现任何政治错误的问题、偏见的问题。

想要真的调教一个极端分子、调教一个特别温柔心理咨询师，甚至调教一个诗人，原则上都是可以的，就看怎么调。

一种说法是，目前的 OpenAI 用了 6 万多条语料就调出来了 ChatGPT。那用别的语料、用更多的语料，会发生什么？可以预见的是，未来各种各样的人格都会调出来，不同团队做的 AI 风格各异，跟人与人的区别一样。

因此，ChatGPT 并不是，有一个团队花了很多年种出来了一个品种的苹果，这个品种的苹果叫 ChatGPT，你吃了一口这个苹果说太酸了，扔了。就认为这件事没有价值。

这个叫 ChatGPT 的苹果是重要的，但更重要的是，发现了一片叫大语言模型的土地，可以种各种 AI 的水果，不光有苹果，还有梨子、菠萝、葡萄等等，有大量的可能性。这是一定会发生的。现在很多团队去追逐的，并不是要做同一个品种的、酸甜度一模一样的叫 ChatGPT 度苹果出来，而是都看到了这里面做其它水果的价值。

第三，ChatGPT 的这个范式是可靠的，那很多技术性的问题解决就只是时间问题。

这是在回应前面说的问题。只要这个范式是可靠的，很多技术性的问题无非就是加算力、加数据以及有耐心地调教。

早在 1956 年塞谬尔就做过一个跳棋程序，在当年已经能下赢很多专业选手了，那时很多科学家就意识到，未来机器能在棋类游戏中下赢人类，只是个时间问题。到了 1997 年，深蓝下赢了国际象棋大师，到了 2016 年 AlphaGo 下赢了围棋世界冠军，如今的很多游戏 AI，DOTA2、星际争霸 2 的 AI 也都可以下赢很多顶级的选手。在范式不变且可靠的前提下，学会下棋就是个技术性问题，也就意味着是个时间问题。

对有逻辑能力的大模型来说，前文说过的信息准确度的问题，都未必在内部解决。ChatGPT 也可以跟训练有素的有数学知识的产品合作。就像一个聪明小孩，不懂数学但是足够聪明，那可以配个小伙伴，这个小伙伴不是很聪明，但上过奥数班，俩人一搭配，问题就解决了。这不是假想。

知名的计算智能引擎产品 Wolframe 就跟 ChatGPT 合作了，可以在补充了更准确的知识和规则的前提下，解决大量的问题，比如化学、数学、物理、地理、几何、历史、材料、工程等等。

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

第四，解决各种问题的速度，或者说满足各种需求的速度，可能是指数级的。

这个是很感性的判断，确实没有很有说服力的论据。现在大家也都不知道多长时间会发生什么事情。不过大概率它的发展速度不会是线性的，因为人脑的学习是缓慢的，毕竟神经元信号传递存在速度限制、神经元的数量和规模有整体的限制的。但计算机不一样，就像一个人脑不行，那可以连接 10 个人脑。10 个爱因斯坦的脑袋连起来，它是不是乘以 10 不一定，但的进化速度肯定比生物进化要快得多。

ChatGPT 的成功会让已经在过去领域里卷到疲倦的大厂，纷纷进入军备竞赛，这也会加速这个进程。另外，对于很多场景来说，让产品对接大模型，是不复杂的，ChatGPT 作为中间层很合适，主要负责解释和推理，并不用每个场景都再训练一遍。从 Office 和 Adobe 这么快的跟进也可见一斑。

这里就有一个很残酷的现实，就是业务融合 AI 模块之后，每个打工人在用 AI 的这个过程，就是在加速淘汰自己的过程。

第五，调试工程师会变成很值钱的岗位。

这个好理解，对于大模型来说，可解释性非常差，换句话说，可控性很差。前面也说了，它是非常巨大的黑盒，只能通过调教、不能通过指挥，不能指哪打哪，说这个问题回答得不好，下次必须这么这么回答——没法这么去训练它。所以调教就显得特别重要了，调试工程师就会变得越来越值钱。

不过调试工程师到底具备什么样的能力？了解场景，还是了解代码？这个不大清楚。这是个全新的岗位，大家都在探索。

第六，失业问题。

可惜的是，值钱的岗位未来不会特别多，但不值钱的岗位会变得越来越多。

失业问题很有意思，之前 OpenAI 自己官方下场写了一篇报告，具体内容就不展开说了，只说最后的几个结论：

第一，80% 的人受影响，会有 10% 的工作内容受 LLM 影响，19%的人“大受影响”，即会有至少 50% 的工作内容受 LLM 影响。

第二，薪资越高的人越容易受影响。受过良好教育的、有丰富工作经验的、高薪的职业，被影响的概率是偏大的。

第三，有一个影响程度排行榜，其实就是高危列表。里面高频出现的包括：数学家、口译员和笔译员、作家和写手、区块链工程师等。

第四，部分职业存在可能性被彻底替代掉。对于这个榜单，人工标注的结果里有 15 个职业；GPT-4 标注的结果里有 86 个职业。AI 下手果然还是更狠一些。

感兴趣的朋友可以自己读一下全文。这个估计当然不会特别准确，但是他们用了尽可能量化的方式，有一定预见性。未来会不会发生？我认为大概率确实会发生的，只是时间上不好讲。有一些相对容易落地、容易快速被替换掉的，比如说个体户可能危险性更大一些。比如做插画的画师、做电商图片的这些美工、一些公众号的小编等等。大公司的组织，整个工作内容或者岗位要做调整，会有组织管理上的问题，可能会慢一些。

那这中间可能也有过渡期，比如 AI 绘图变成主流之后，画师们未必就全都失业。就像 Photoshop 出现之后大家更多是从用纸和笔去绘图，变成了用另外一个工具去做。未来 AI 绘图背后，也要有需求转化的这一步。不过比较悲观的是，AI 绘图和 Photoshop 不一样，还是存在效率差异的。用纸和笔的画师和用 Photoshop 的画师，生产力的变化可能没那么大；但是 AI 的生产力是剧烈的大幅提升，意味着不太需要那么多从业者了。这就必然有一个结构性的大的波动。那未来会怎么样？会不会出现大的社会问题？这个就不是我能讨论的了。

第七，大多数人机交互都不存在了。

冰箱发明之前，很多人研究的是怎么存储冰块、制造冰块，有了冰箱，就不再需要这种冷藏方式了。对于产品交互也是这样，用户过去为什么要点按钮？要做各种操作？包括用 Photoshop、 Word 里很多反人类的各种各样的、根本记不住的复杂的功能。

所以我们看起来更像是处于过渡期，真的技术能力达到以后，当下的大多数人机交互也没有必要存在了，只需要剩下自然语言交互，这就跟我写过的那篇猜想对应上了。

跟写之前的文章时不一样，我这段时间试用了 GPT-4 基础上的 ChatGPT，包括跟更多专家聊了一些技术上的问题。现在的我觉得这是很有确定性的。就像前面说的，现在的发展是指数级的速度。

写在最后

如今 ChatGPT 发布后，整个产学研都已经到了快车道上了，这个快车道上是没有人有能力去踩刹车的。我们作为个体，也是不可能回避这个 AI 的历史车轮的。

大家都知道阿里有一个经常被群嘲的价值观，叫拥抱变化。这个词现在看感觉还挺应景的。

所以不如反过来想问题：汽车时代来的时候，马车夫肯定非常焦虑，驯马师也很焦虑。不过汽车是工具，对大部分人来说它是非常有帮助的。它的出现并不是说要摧毁谁，摧毁哪些岗位，或者摧毁哪个行业。它还是为人类服务的。

我们可以用汽车做很多有价值的事。没有交通工具的效率提升，全球化也不可能发生。我们可以多想一下，有了 AI 我们能干什么。

最近跟身边几个比较要好的朋友聊 AI，大家达成的一致，都是先用起来。先用它做点什么，感受下它能做什么、不能做什么。未来有无限的可能性，不妨把目光放长远一点；不纠结当下的得失，看看 AI 未来的机会。保持这样的心态也许更容易接受变化。

就说到这里，希望对你有启发。