巨头扎堆ChatGPT“求自保”，大模型很快会免费丨亮见22期

丨划重点

1. OpenAI可能也没预料到ChatGPT出色的能力表现，人类则习惯为AI赋予科幻、浪漫主义色彩。

2. 各种大模型的能力都还没得到科学的实证，ChatGPT也不一定能完全复现自己的推断，这也是为什么没有一家公司能够复制ChatGPT成功的原因。

3. 已经有非常重的商业模式、产品的团队/公司，不会轻易像OpenAI一样去将技术成果公之于众，大模型作为基础模型很快会走向“免费”。

4. 不用担心“AI取代人工”人类发展进程足够说明新技术的诞生，基本没有引发过于严重的问题。

5. 对于国内公司来讲，产品整合大模型，挑战行业‘大鳄’，是非常好的‘武器’。

丨概述

过去两个月，ChatGPT热潮席卷中文互联网，让整个行业彻底领略了人工智能技术产品应用的潜力。

在火热的同时，也引发了很多人的思考，「ChatGPT能否成为互联网的下一个系统性的机会？」这个问题可以拆解为两层含义，一方面是对ChatGPT能力上限的疑问，另一方面则是对互联网未来发展的疑问。面对如今ChatGPT火爆全球而引发‘人工智能替代人类’的话题，小冰公司CEO李笛认为：数十万年的人类发展，佐证了科技进步带来的效率提升不会产生过于严重的问题，应当对人类社会的自我调节机制有信心，岗位的消失与诞生也代表着人类的迭代与进步。面对如今大量巨头扎堆ChatGPT，李笛认为大模型在当前的时间点是‘挑战者的武器’。对于人工智好与坏的判断，应当是多维度的，而不是单纯地定义。

以下为直播文字精华版：

01

大公司不会轻易推出大模型，更多的是战略防御

刘兴亮：如果用最简单的一句话来介绍ChatGPT，可能是什么？另外，为什么ChatGPT突然就「火了」，有什么偶然和必然因素？核心技术是什么？

李笛：从行业和大众的视角，我的观点是不同的。

大模型技术被证明有效之前，整个行业曾遇到困扰多年的瓶颈，特别是在自然语言处理方面，基于知识图谱、意图识别，大量方案都未能有效解决问题，怎样能够真正通过知识图谱，高效的将知识结构化组织起来，大模型的诞生提供了新的思路。

对于大众来讲所感受到的是它涌现出的新能力。在GPT-1、GPT-2这个阶段还没有展现出这样的能力，但由于OpenAI持续训练、优化大模型，到GPT-3.5时具备了诞生思维链的新能力。

简单来讲，具备思维链能力，能够更好的解决模型在与人交互时的回应，相比早期版本更有逻辑思维，它会将问题逻辑进行拆分，并从训练数据进行关键信息调用、组合，以至于比人的逻辑更加缜密。由于这种方式远远超出大众预期，因而产生非常惊人的效果。

过去几年，整个行业在人工智能的技术范式上的全新突破，也就是大模型。

它的发展过程中也出现过许多创新，最初还被用于演示产品，但仅限于产业内，ChatGPT是首次将大模型新的技术范式带入大众视野，所以大模型才是最关键的技术创新。

刘兴亮：ChatGPT会给人类带来什么？

李笛：人类面对人工智能类型产品时，或多或少会为它赋予科幻电影的色彩，这非常具有浪漫主义色彩。但以从业者的角度来讲，这次大模型的能力表现为什么会让很多人为之惊讶，OpenAI内部可能也没有预料到。

从科研工作者的角度，即便是创造大模型的人，也还没有完全掌握它的规律和它背后的原因。

时至今日，各种大模型涌现，像文本生成涌现逻辑思维推理，其能力出现的具体原因，都还没有得到非常科学的实证。如果ChatGPT自身重新推导一些问题，也不一定能够完全复现，这也是为什么没有一家公司能够复制ChatGPT的成功的原因。

时至今日，很多技术依旧需要实践观察才能实现，过去谷歌验证发现，拥有620亿条的参数规模或以上的模型，才有逻辑思维编程能力，现在研究发现，其实在更小的规模，20个Billion参数，17个Billion，13个Billion，也能不同程度将大模型的逻辑能力复现出来，亚马逊甚至希望在1个Billion或者6个Billion参数规模上，尝试复现这种能力。所以，现在众多“玩家”都在不停的通过更多的实践，摸清楚大模型真正的规律，当然这也意味着我们还不能清楚的了解这类技术的边界是什么。

那些已经有非常重的商业模式、产品的团队/公司，不会像OpenAI一样去将技术成果公之于众。

所以，我非常理解谷歌为什么不抢先将拥有的技术贡献给大众，对于严肃产品，不能依靠经验指数来判断它的好坏，而要通过它的不准确指数进行判断，这也是为什么“Bard”（谷歌基于大模型推出的聊天机器人 ）只是回答错两个问题，谷歌的市值就蒸发上千亿美元的原因。

用户层面，不管是ChatGPT还是其它大模型，都将会深刻的影响每个人的生活，这种影响如果应用得好将是有益的，反之则会造成无法预料的后果。

比如，当这类产品能够提供400字以上结论时，如果学生将生成的内容作为作业提交，基础教育就无法深入，因为基础教育理念是需要“独立思维”。如果不动脑思考，直接提交AI生成的内容，这就失去了“基础教育”的意义。

当然，这不会成为阻碍技术进步的原因，但技术落地时，需要有扬长避短的意识，规避它所存在的“另一面”。

02

ChatGPT为何“一本正经的胡说八道”？

刘兴亮：您怎么看待正在热议的ChatGPT会取代很多人类的工作？

李笛：最近，微软小冰日本分部与奈飞推出的AI生成的动画短片《犬与少年》，引发很大争议，许多动画片制作者认为这取代了他们的工作。

首先，对于“AI取代人工”的议论不能坐视不管，但也要认可社会科学和自然科学的进步持续伴随人力历史发展。

随着技术、社会结构的变化，人类不停面临同样的问题，某些岗位会消失，也会有其他岗位出现。特定岗位的消失，短时间之内产生巨大的影响，但人类会重新寻找到新的社会结构和岗位结构的配置。所以我们应该相信人类社会的自我调节机制，这才是人类的迭代和进步。

其次，为什么在这个过程中大众会不适应？因为原本由人完成的工作，机器可以做得更有效率，所掌握的信息量更大。

对于“AI取代人工”这个话题，我认为完全不用担心，人类发展进程佐证了，新技术的诞生基本没有引发过于严重的问题，改变岗位、改变每个人的社会分工，这从来都不是问题。

刘兴亮：我们经常看到ChatGPT“一本正经的胡说八道”令人啼笑皆非，AI大模型有海量数据为什么会错误率会这么高？

李笛：第一由大模型本身的设计限制决定。第二，此类问题也在逐步优化解决。

对比ChatGPT和New Bing，举个例子，比如问及ChatGPT“我想知道日本最长的河的长度的五次方根”，ChatGPT首先需要理解你的问题，它和以前的“意图识别”相比，理解能力更突出，但也有明显的不足。

对于这个问题，第一“与日本最长的河有关”、第二“与河的长度有关”、第三“和长度的五次方根有关”，分步骤进行解决。

正确的求解过程——ChatGPT应该先搜索“日本最长的河”并了解“河的长度”，最后计算“五次方根”，现状是不会这么做，而是在训练数据中寻找答案，很可能就找到错误的答案，因为它是语言模型不是运算模型。

所以你可能会看到ChatGPT输出错误答案，但依靠大模型生成文本描述出来的内容，又显得非常的合乎逻辑，所以给人“一本正经的胡说八道”的感觉。

New Bing又是怎么处理的？它同样对问题进行拆解，并且进行搜索，从互联网信息或者某可信的知识库中找到“日本最长的河是哪条河？”找到“河的长度”，在计算环节会临时生成一段代码并运行，计算出“五次方根”，这个过程就较为复杂，但它会给你正确的答案。

“一本正经的胡说八道”是可以改变的，也会引发新问题，比如完成任务反复的调用数据，结果可能更加准确，但成本反而更贵。无论是OpenAI还是行业中的其他“玩家”，其实都在认真迭代和更新，包括大量采用新的方法进行训练。大模型随着训练的加深以及新的任务训练，水平必然会越来越好。

刘兴亮：从投入产出看，ChatGPT类产品在不同阶段，重点投入分别会在哪些环节，如何赚钱？

李笛：我个人认为大模型作为基础模型很快会走向“免费”。

首先，大模型随着发展会走向趋同，除非不断涌现更多新的能力并不断的进化，所以ChatGPT从最开始1000个token收费2美分，到如今主动下调到1000个token收费0.2美分。

从API调用的角度来讲，整个定价体系是为了让更多的人使用它，实现薄利多销，但如果2美分就可以很好的普及，为什么还要降价到0.2美分？降价意味着它有主动应对潜在竞争的策略。

另一方面，如果将大模型当做商品，模型本身是不附带任何商业模式的，价值的大小在于生成的内容，也许生产内容如同莫言的小说那么高价值，也有可能就像咱们写的检查那样不值钱。

对模型来讲，一样的文本生成流程，输出的内容价值会截然不同，而大模型提供方的收费模式是完全相同的，都是根据字数多少进行计算，所以大模型并不在内容产业的游戏规则中，也就制约其商业模式——只能依赖调用次数多少这一种商业模式。

所以，我个人认为大模型的公司或早或晚都需要向“下”走，深入到某垂直领域做产品。

大模型提供团队和做应用的公司，不可能是完全的合作伙伴关系，他们之间也存在潜在的竞争和吞并的可能，另后者的优势在于，会面临更多的大模型的选项，只要将应用做的足够扎实，从任何维度去建立自己的竞争优势，大模型就不再是它的唯一依赖。

所以，我认为目前为止整个行业的生态远远没有建立起来，在这个过程中还会出现更多复杂的问题。

03

大模型是挑战巨头的“武器”

刘兴亮：巨头们先后扎堆ChatGPT，各种概念股都出现，你觉得有泡沫吗，会改写互联网格局吗？

李笛：现阶段，大模型是“挑战者的武器”。

以微软为例，当微软将它整合在Bing中，以实现去挑战谷歌的目的，而谷歌要想应战，就必须要付出许多倍的成本才能守住自己原来的“疆土”。

对于国内公司来讲，在自己未实现绝对领先位置的产品中使用大模型，挑战行业‘大鳄’，是非常好的‘武器’。对于大鳄来讲，如果在这时不储备相关“武器”，显然只能面临“他杀”的局面，至少从二级市场、用户、合作伙伴等视角来看，都会带来非常大的负面影响，所以很多大公司研究大模型是防御性行为。

另一方面，大模型研究存在很强的“或然性”，业内现在对大模型的研究，还普遍是经验积累，而不是科学的结论，经验需要实际操作。

从战略的角度，有财力的大公司也会去尝试，但是否能够研发出来（成型产品）是两回事，以及成功的研发后是否要把它用在自己的主营业务上又是另一回事，这中间会有很多其他因素考虑。

刘兴亮：过去人工智能有强弱之分，强弱由哪些因素来决定，临界点在哪？

李笛：我个人认为是深度学习。包括强人工智能，弱人工智能，这些定义本身都带有很强的偏见。这并不意味着某个强时另外一个就是弱，因为所有的技术它都有不同的维度，需要多维度考量。特定情况下，强人工智能可能能力非常强，但情感上又是最弱的。

这也是为什么，有些人被认为是学习的天才，也是生活的傻瓜。那么他是强还是弱？所以，这种单一维度的定义强弱，本身存在一定偏见。

抛开这些，我们可以看到人工智能技术它有不同维度的追求。比如，它追求信息的绝对准确性或者追求逻辑和篇幅，追求对用户的启发。

从人工智能角度来讲，不同团队都在不停的探索各种方向，前百度首席科学家、Landing AI创始人吴恩达发过一封信，告诉从业者不要认为不做大模型就不行，强调人工智能是百花齐放的时代，我们现在还处在蛮荒时代，要去不停地去寻找不同规则定义的强弱，或者不同定义的好和坏，而不是只有一种规则。

04

人工智能的三类风险：并发、错误授权、过渡依赖

刘兴亮：人工智能会成为一切产品的标配吗，可能会在什么时候，普通人会有剧烈变化的感知吗，未来可能还会有什么风险？

李笛：我看到的结果是，当它真正深远的影响到人类时，人类是没有感知的。

今天人工智能技术深刻的改变着所有人的日常生活，每个人手机上的计算设计，拍照过程中镜头所捕捉到的画面，人工智能都带来了大量的改变，消费者（对这种变化感知不多）往往只会对超出想象的东西感到兴奋。

所以，人工智能带来真正深远的变化，会深远到你都已经忽略它的存在。

关于风险，在实践中人工智能最大的风险有三类。

第一类风险叫并发。什么叫并发？就是“胡说八道”。人工智能胡说八道一天可以影响到上亿人，并发意味着如果产生问题，它的故障率、错误率即使只有小数点后两位，但乘以它的并发数，将会是无比庞大的数字。所以，并发问题是绝大部分的人工智能需要考虑的风险，尤其是大规模商用、落地的时候。

第二类风险来自于授权。即什么情况下授权人工智能系统做怎样的决策，并且实施怎样的行为。比如今天行业还只允许人工智能去‘思考’，但不允许做具体的决策和执行，比如AI是没有被授权启动汽车的，如果它产生错误，想去发动汽车，在物理上是实现不了的。如果授权系统未明确的指令，那么就会产生相应的风险，即使错误率再低，仍然会存在错误的可能，如果再进一步让它行驶上路，后果就更严重。

第三类风险是依赖。如果过于依赖人工智能，人体自身基本能力就会退化。基本能力退化换来的高效率，是可以接受的。比如通过工具使冶金属冶炼的效率、开采矿藏的效率变得非常高，但如果它使得人的思维停滞，就不一定是好事。所以，在中学、小学，一度对于计算器的使用非常严格，因为这会造成学生心算能力变差。当然，到大学以后，心算能力得到很好的培养，反倒需要用计算器来帮助你去算的更快，所以任何时候都不能过分的依赖工具。

如何规避这三类风险？最主要是人工智能企业本身。

企业往往是最早能够知道技术的边界在哪里的主题，有机会提前预判，规避它的风险并限制它的使用频次。其次，大众对于人工智能的认知不必过于谨慎或者过于乐观，我们应该给创新足够的机会，减少片面化的认知。

刘兴亮：移动互联网有个适老化的概念，聚焦老年人使用体验，人工智能在这方面的做得如何？

李笛：人工智能在这方面有先天性的优点，普遍存在的特点就是让产品体验变得更自然。

当你用搜索引擎时，需要去学会使用关键词搜索技巧，人工智能就不需要，它是自然语言交互，文本之外，语音、视觉都更自然。所以，某种意义上讲，正因为先天具有如此优点，老年人在使用人工智能技术的时候，会让原本不适老化的产品，变得更适应老人。

另外，作为工具，人工智能确实也存在着适配的问题，所以现在才涌现出一类新的职业叫Prompt Engineering(提示工程)，试图通过给出提示，让人工智能帮助用户更好的完成工作。

我认为，我们应该看到它具有引发暴风骤雨的潜能，但它离暴风骤雨，离真正改变周围还有很远距离，当前，人们无论是使用ChatGPT，还是其他产品，存在明显的幸存者偏差。