大模型究竟為我們帶來了什么？

作者 | 山竹

出品 | 鋅產業（公眾號：xinchanye2021）

2022年11月30日，ChatGPT發布，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，第一步要先交出數據使用權。

即允許ChatGPT將我們與它對話過程中產生的數據，用于它自己今后的模型優化過程中。

或許你會覺得這沒什么所謂，畢竟在互聯網世界里，我們已經習慣了交出數據，換取服務。

然而，相較于之前基于關鍵詞匹配的互聯網搜索技術，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的隱私安全問題：

在大模型收集到一個人足夠多的個人數據后，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和動態信息。

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，分析初創公司的創始團隊，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，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知識表達，大模型則是一種參數化的通用知識容器。

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。

正如機器人的終極形態是擁有雙手、雙腳，可以在人類定義的世界里執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，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，雖然因此在CNN、RNN等神經網絡上取得了不少突破，但卻長期困于「常識」的漩渦。

現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：

通過大量數據和參數，花大力氣讓人工智能擁有「基礎認知」，而非「專業知識」。

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

人類對自己創造的社會文明的學習，是從痛苦的數理化公式開始。

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律的基本認知。

肖仰華教授在行業調研過程中曾遇到過另一個更具體的案例：

醫院里，醫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%的情況是需要醫生干預并給出診斷方案的。

也就是說，一位醫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，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。

在大模型出現之前，人工智能專家要想為某個行業研發智能化解決方案，首先要把這個行業中所有數據收集起來，從而構建一個行業數據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，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，是不是就能完美解決所有行業問題了？

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據，有了一定的創造性，這樣的創造性，在具體某一個垂直行業中，表現為對先驗知識缺乏足夠的“忠誠度”。

如果在醫療、工業等行業領域中，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，它發揮了自己的創造力，由此帶來的后果將難以想象。

在垂直行業場景中，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人工智能模型的特性，也是為什么這類模型會先發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。

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

肖仰華認為，通用大模型向行業大模型的適配、優化，今天才剛剛開始，無論是從數據、知識、訓練，還是模型架構、評估體系、生態建設上，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學量綱、數量推理上，現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，在大模型發布還不到一年的時間里，各行各業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，學術界和產業界都在為大模型補課，希望可以通過與數據庫、知識圖譜這些相關技術的協同，提升大模型的專業能力。

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。

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

04像云計算一樣顛覆產業

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，不少互聯網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，各行各業都展開了對大模型在垂直行業里的應用探索，商業模式更清晰的行業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據顯示，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。

即便是在農業這樣被視為最傳統的產業中，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，作為擅長用數據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。

這種顛覆，或許比人們想象的要來得更快。