opaictgpt的未来

编辑整理：整理来源：百度知道，浏览量：79，时间：2023-02-28 07:00:02

opaictgpt的未来，change未来，未来 et

前沿：opaictgpt的未来

CtGPT的未来发展前景非常广阔。它可以用于构建更加智能的聊天机器人，可以用于构建更加智能的搜索引擎，也可以用于构建更加智能的语音识别系统。此外，CtGPT还可以用于构建更加智能的自然语言处理系统，可以用于构建更加智能的机器翻译系统，也可以用于构建更加智能的文本生成系统。总之，CtGPT有着广阔的应用前景，将来可以极大地改善人们的生活。

---

大数据文摘授权转载自险峰创

作者：险峰

2023年险峰线上沙龙的第一期，我们和四位行业大牛聊了聊最近大火的CtGPT。

首先介绍一下本场嘉宾：陶芳波博士是前Facebook高级研究科学家，回国后进入阿里达摩院，搭建了阿里的神经符号实验室，属于全球最顶级的AI科学家之一，目前正在创业，担任人工智能公司「心识宇宙」的CEO。

黄东旭是险峰的老朋友，「PingCAP」的联合创始人兼CTO，他本人是国内最早一批开源数据库的创业者，在程序员圈子里非常活跃；PingCAP也是目前Infra领域估值最高的科技公司之一，险峰曾在天使轮分别投资了PingCAP和心识宇宙。

费良宏老师是AWS的首席架构师，曾供职于微软、苹果等多家硅谷巨头担任技术顾问，在云计算行业里深耕多年；龙波博士目前担任Meta商业化AI研究团队的负责人，之前曾深度参与过京东搜索推荐算法的搭建。

此次圆桌由险峰长青投资副总裁李抗主持，李抗主要专注于人工智能、机器人、云计算等方向的投资。

本次我们将聊到：

CtGPT 效果如此“炸裂”，AI从业者们事先是否预见到了？

CtGPT 是否能理解语言逻辑本身？

为什么谷歌没能做出 CtGPT？

开源圈和云计算巨头是如何看待 CtGPT的？

CtGPT 能让TMT投资人“再干15年”吗？

CtGPT 正在对哪些工作岗位造成影响？

CtGPT 广泛使用后，人的认知能力会下降吗？

CtGPT 会导致哪些行业消失？哪些公司急需转型？

小公司如何抓住 CtGPT 的逆袭机会？

硅谷现在如何看待 CtGPT？

普通人如何拥抱 CtGPT ？报考计算机专业还有前途吗？

OpAI的组织设计给创业者带来哪些启示？

CtGPT效果如此“炸裂”，AI从业者们是否预见到了？

险峰：去年AI作画也火过一阵，但都没能像CtGPT一样让普通人感到震撼，似乎是一夜之间，AI就达到了一个如此炸裂的效果，基于各位对NLP与AIGC的理解，这种进步是在意料之中还是意料之外？陶芳波：刚才主持人已经介绍过我的背景，我本人从读博士到后来工作创业，一直在从事AI相关的科研工作，但坦白来说，这次CtGPT给我带来的震撼，并不亚于屏幕前的每个人。传统上，越复杂的技术，信息壁垒也越高，所以过去的情况往往是，行业内的人都已经知道技术发展到了什么水平，但大众可能还不知道；而CtGPT完全不是这样，它刚刚诞生3个月，我们就看到无论巨头大厂还是AI科学家们，都马上进入了一种非常紧张的应对状态，甚至可以说是应激状态。CtGPT突然具有了这么强大的通用性能力和逻辑推理能力，是超出很多AI从业者设想的。为什么这件事会发生？我仅从个人角度做一个简单的总结。第一，是大数据和大算力的发展，这是一个基础。2012年深度学习刚刚诞生的时候，大家就尝试把更多的算力和数据灌输到一个模型中去，让AI具有更强的能力，这个逻辑在今天依然没有变化。我们知道人脑要比动物的大脑更聪明，两者最直观的差别，是人脑的神经元和神经突触更多，比如人脑的神经元有1000亿，神经突触可能有几万亿，今天CtGPT可以达到上千亿的参数量，已经跟人脑比较接近了，量变才有可能引发质变，AI的发展首先要靠算力数据的指数级发展。第二，是在人工智能的发展背后，其实一直有「专用人工智能」和「通用人工智能」的两派观点的争论。以前我们熟悉的人工智能，比如计算机视觉算法和自然语言算法，都属于「专用人工智能」。而在他们以外，其实一直有另一拨人在尝试，有没有可能把单个的专项AI变成一个通用AI？用一个统一的大模型来解决所有的问题？这里面有几个关键性的节点，首先是2017年，谷歌大脑（Google brain）发表了一篇关于transformer的文章，奠定了包括今天CtGPT所有技术的基础，细节这里不展开了——总之它让很多人意识到，通用型AI是有可能被造出来的。对此，谷歌的做法是首先搞一个底座，这个底座叫做「预训练大模型」，然后不断向底座里灌输数据，让它上面能长出一个个小模型来，再用这些小模型去解决不同的任务。这时出现了一家公司叫OpAI，他说我不相信仍然需要训练小模型来造出通用AI，那我能不能直接让大模型去阅读互联网上所有的数据？砍掉中间环节，直接让人用语言去和大模型交流？基于这种思想，OpAI在2018和2019年，分别推出了GPT1和GPT2，但当时它的通用性还不强，没有引起太多关注，然而到2020年，第三代也就是GPT3出现了。GPT3直接把模型参数量从15亿提升到1,750亿，接近了人脑中神经连接的数量水平，这时一个神奇的事情就发生了，AI开始「涌现」出了一些人脑独特的能力，甚至出现了逻辑判断能力，这在以前的机器学习界是不存在的，我甚至觉得连OpAI内部都不一定能预判到这件事情会发生。而这个GPT3，就是今天CtGPT诞生的起点，正是因为GPT3的出现，大家才开始去基于它去开发一些全新的AI能力。可以这么说，从2020年的GPT3开始，整个AI行业都进入到了下一代范式，至于它的边界在哪里，大家都不知道，没有人有足够的认知。这也是我想讲的第三点，就是OpAI之所以能超越于谷歌，是他们真的在尝试理解「学习」这件事的本质。早期的AI要靠人工打标签，要一个活人坐在屏幕前告诉机器——这是一只猫，这是一只狗；之后发展到GPT3，这时已经不用再打标，而是让机器直接去阅读大量的数据，看它能不能找出里面蕴含的规律和规则。在这个基础上，OpAI又进一步，他们说既然AI已经学了这么多知识，那下一步就是怎么把这些知识输出来，变成人可以用的东西；于是OpAI开始教大模型如何自我改造，更好的去解答人类提出的指令，而后甚至演化成AI自我对抗一个人类制定的判断标准，完成AI的“社会化改造”，到2022年，CtGPT横空出世了。刚才东旭提到，他现在每天都用CtGPT帮自己写代码，代码其实比自然语言更有逻辑性，站在AI的视角，等于你也是在帮它培养逻辑能力。如果说GPT3还在无目的数据中学习，到了CtGPT就已经变成了“在应用中学习”。整个过程真的很像一个年轻人走出校园，进入到公司中实习的感觉。所以我们可以看到，OpAI一直在探索人类学习的本质是什么，当他们把这一整套工业化的体系和自己对AI的超前认知整合到一起，就创造出了CtGPT，这时候所有人才发现，原来我们已经落后了OpAI这么多，我们还在模仿人家2020年的GPT3版本。所以CtGPT不仅对普通人是震撼，对大公司来说更是震撼，我们必须去面对这个全新的现实，思考该怎样迎接这样一个新物种的出现，以及未来人类分工的变化。费良宏：我补充两句，今天我们看到市场一夜间被引爆，但背后绝不是一日之功。首先是2017年transformer那篇论文，将整个NLP市场完全被颠覆了。以前很长一段时间里，大家都觉得非精确的模糊化语义很难被突破，但transformer出现之后，一下把NLP精度提升到了无法想象的量级。这时所有人的研究方向全部都开始转向了transformer，这是一个里程碑式的改变，我觉得怎么样去夸它都不为过。第二个是算力，刚才陶博士也提到，最早的时候我们自己搞一台电脑，装上1080Ti都可以跑一些模型，但今天由于参数提升，千亿级规模的算力已经不是普通人能参与的，也许真的是大力出奇迹，诞生了CtGPT，那么未来延续着这条路，不断堆积数据量，增加模型的数量，比如据说GPT3使用了45PB的数据量，未来是不是可以用100PB数量、万亿级参数甚至更大规模的算力？或许真能诞生出一个非常强大的通用型AI，对此我是比较乐观的。龙波：我对于CtGPT的出现并不特别惊讶，准确的说，是对它的效果不惊讶，但是速度上我还是挺惊讶的，没想到会来的这么快。刚才几位都谈到了一个重要的点，即transformer的里程碑作用，这里我想从NLP的角度分享一下，为什么它是里程碑？从NLP发展的逻辑来看，最早的NLP模型是基于对单个单词统计来做的，到后来卷积网络（CNN）出现，机器开始能够基于两三个单词来理解词义；再往下发展到RNN时代，这时AI基本上就可以沿着整个sequence进行积累，可以理解相对长的短语和句子，不过依然还无法真正理解上下文。随后一个很重要的突破，是「注意力机制」（attention model）被提出，其实transformer的核心概念也是来自于此；在这个阶段，AI开始能够结合所有上下文，理解每个词之间表达重要性的不同。这就很像我们的快速阅读，为什么人类能够做到“一目十行”，是因为我们能看到一些关键词，而每个词的重要性不一样。「注意力机制」正是起到了这个作用，它告诉AI各个关键词之间的关系如何，谁重要谁不重要。整个行业再往后就是transformer诞生，然后Bert（Bidirectional Encoder Representations from Transformers）诞生，其实Bert也非常重要，就像陶博士刚才提到的，Bert可以使用大量没有标注的数据，自己创建一些简单任务来做self learning。举个例子，比如一句话，AI会把其中的一个词藏起来，然后猜这个词应该是什么，有点像机器自己和自己玩游戏，如此它的语言理解能力就变得越来越强——我觉得到了这个时间点上，当AI开始利用大量非标注数据完成自主训练，CtGPT的出现就只是个时间问题了。但是这也是它的局限性，CtGPT无论如何惊艳，它仍然是个统计语言模型，本质还是基于它所看到过所有数据，用统计意义上的预测结果进行下一步输出，当它拿到的数据里有逻辑的时候，它会通过统计的方法把逻辑找出来，让你感觉到它的回答很有逻辑，但假如它读了很多杂乱无章的文本，它一样会说话没有逻辑，这是统计语言模型天生的缺陷。所以我并不确定，未来随着参数越来越多，CtGPT能否真正成为AGI（通用人工智能）？因为人的推理能力并不完全基于统计信号，这是我个人比较保守的看法。

CtGPT是否能理解逻辑本身？

险峰：这个话题本来是后面的，正好提到了就提前探讨一下。现在很多人会觉得CtGPT很酷、很有逻辑，但有的时候也会觉得它在一本正经的胡说八道，有些很简单的问题它会答错，这件事反过来也会让大家好奇，CtGPT是否真的具有逻辑？或者说理解逻辑？对此，也有两派观点，一派是觉得极致的模拟就可以实现逻辑，虽然只是基于统计学，但看起来有逻辑其实就等于逻辑本身；另一派觉得所有模拟都只能得到大概的正确，最后还是要建立在极其精准的规则之上，两派的分歧可能就是统计和规则的区别。此外还有第三种观点，借鉴了生物组织的复杂性来解释这个问题，比如蚁群，单独一只蚂蚁可能不知道自己在干什么，但是一个蚁群就可以做很多复杂的事情，这两者也类似于神经元和大脑的关系，对这个问题也想听听几位的思考。黄东旭：先说一个外部视角，我最近一直在用CtGPT写代码，可能是玩的确实太多了，基本没有遇到AI胡说八道的情况；个人观点，很多人觉得它不准有两种情况，一种是问题没问对，如果问题本身是模糊的，它给出的答案也会是模糊的，比如一些开放式的问题。第二是它有些回答不一定是假的，只是中间跳过了很多步骤，比如一个问题，需要从A到B再到C依次推理，其实每一步都会有一些假设，但如果某个假设错了，答案也会出问题。所以我们内部在使用时，会不停地教CtGPT如何思考，跟教小朋友一样，他回答错了就跟他说，你要不再读一遍题目？或者直接问他——那你觉得这个问题应该如何提问？最后你会发现，只要你把你想要的思考方法教给他，他回答的准确率会非常高。注意，在这个过程里，我们并没有向它提供任何的信息增量，所以我觉得CtGPT已经超越了一个传统意义上的语言统计模型，绝对不是单纯的鹦鹉学舌，但我也不知道它为什么会有这个能力。陶芳波：我也简单说一下我的看法。我观察到一个现象，在GPT3出来之后，特别是今年CtGPT出来之后，很多AI领域非常资深的人都在激烈地反对大模型。我曾经也有这样的心态，觉得这个东西也许就只是一个统计模型，解决不了人类的终极问题。但是现在我认为，这样的思想说严重点，就属于是“旧时代的余孽”，当然这句话是自嘲的，因为我曾经就是旧时代的余孽，但今天我选择去拥抱他。因为对于人工智能，我们永远都可以从「它在某某事情上做得还不够好」来批评它。但是如果我们回过头来想一下，一个人如果只有大脑，我们的逻辑能力又有多强？人的所谓逻辑能力，说到底也无非是通过直觉，跳过两三步来推演出一个结果，如果真到了六步七步的推理，我们光靠一个大脑也解决不了，也需要草稿纸和计算器，换句话说，人类也是要通过外部工具来增强逻辑能力的。从这个角度讲，今天CtGPT所涌现出来的逻辑能力和人是其实差不多的。但是大家低估了一个东西，如果用发展的眼光再往前推一步，你觉得OpAI下一步会做什么？微软下一步会做什么？一件非常可能的事，是他们会把CtGPT跟各种各样的工具结合起来。那时，CtGPT完全可以把这些工具变成自己的“草稿纸和计算器”，他自己只完成逻辑的部分即可。所以，我们其实可以把CtGPT当做是一个非常稳定的原始大脑，未来他还将去学习使用工具，那时他所具有的能力会比今天大得多，这将是一个非常有想象力的未来。费良宏：非常认同陶博士，前几天看到LeCun在推特上跟人论战，谈CtGPT对于AI的影响，我也有同样的感觉，就是可能很多人对CtGPT的判断太拘泥于以往的经验了，还是把它当做是GPT3或者GPT2。比如OpAI在发表CtGPT的那篇论文中，专门提到他们使用了人类反馈的强化学习，去弥补堆砌资料造成的一些不足。所以某种程度来讲，CtGPT的逻辑不仅仅是来自于文本的训练，还来自于人类给它的主观反馈，我们利用这种奖励机制，让AI产生一种内部的自我判断能力。我觉得这是一种非常巧妙的进步，相当于把强化学习跟大模型结合在了一起。今天可能我们的资源投入还比较有限，让CtGPT不足以解决更广义上的所有问题，但未来如果我们的投入足够大，强化学习的引入程度足够高，机制设计得足够巧妙，会不会结果也将远远超出我们今天的预期？不过，这也引出了另外一个问题，就是关于CtGPT倾向性的争论。随着人类用越来越多的反馈干预了它的判断，那会不会让CtGPT带有某种思潮，比如说政治倾向，最近我看到国外有一些人对它进行测试，发现它在政治上并不是完全中立的，是一个左翼的自由派环保主义者。从这个角度出发，我认为CtGPT是具有逻辑的，因为这个逻辑是由人赋予他的，也是人自身所存在的，这是我的看法。龙波：当一个非常有冲击性的产品出来后，人的观念很容易受到冲击，但这里还是要看一些根本问题是否发生了改变，这个话题涉及到一些更深刻的东西，即我们如何理解统计模型？比如大家都提到，CtGPT反馈模型的提高，这是一定的，因为你给了它更多的统计数据，不论是用AI的方法，还是传统方法，模型都会提高，LeCun也谈到过这个问题，他并不是反对统计模型本身，他只是想说，如果我们要创造真正的通用人工智能，仅仅靠统计模型就够了吗？统计模型应用在人工智能领域已经几十年了，到深度学习神经网络达到高点，但是我们想一下，人的认知是纯粹基于统计的吗？我们每个人都知道，太阳从东边升起，这是我们每天都看到的，100%的概率，这是统计学上的认知，但是我们没有停留在这一点，我们最终理解了行星之间的相互作用力，从物理学的角度解释了这个现象。所以人类认知的本质是什么，我们对此的认知也还不够透彻，我觉得大师们是想说，统计模型之外，还有什么东西让机器能更接于近人？这个问题其实没有答案，他想表达的是一种op的心态，即统计模型不能解决一切，它甚至都没解决我们自己认知的问题。

为什么谷歌没能做出CtGPT？

险峰：刚才大家都提到了transformer，它其实是由谷歌发表出来的，但今天做出CtGPT的却是微软系的OpAI，各位觉得这背后的原因是什么？龙波：确实很多人都有这个疑问，但其实到今天我依然认为，谷歌在技术上是非常领先的，CtGPT最关键的核心模型起点，无论是transformer，还是后来的bert，这些概念都是谷歌首先提出来的。我们知道微软在算力方面给了CtGPT很大帮助，但谷歌自己的TPU研发能力也非常强大，谷歌不缺算力，更不缺数据，但正因为如此，大公司要做出这种创新性很大的产品，注意我是说产品，一般都会被自己的优势束缚住手脚。首先谷歌是一个搜索引擎巨头，它对此非常自信，这反而让它对其他系统的投入和关注都不够，在我看来，谷歌被CtGPT反超其实是有先兆的。比如语音助手，坦白说谷歌的产品是不如亚马逊和Siri的，像Google Assistant ，采用的依然是搜索引擎的用户界面，你给它搜索词，它就给你最高质量的回答，强调的还是单次交互，这种观念已经深入产品的设计之中，我觉得在互动体验上谷歌的投入是不足的。但这并不是说谷歌技术不行，我有不少前同事就在谷歌research工作，他们的技术发展得非常好、非常成熟，他们有最好的资源可以从事研究，但是他们认为搜索是他们最重要的产品，他们会下意识的用搜索的观念去做一些新产品，对用户的交互式体验本身就没有那么注重，这是我从产品角度的观察。费良宏：这个话题让我想到一段商业史故事。世界上第一台数码相机，是一名叫史蒂夫萨森的工程师在1975年发明的，他后来被称为"数码相机之父"，但是当时，他是一名柯达公司的员工。后来据他回忆，这是一次前所未有的尝试，“公司内的反之强烈超出了他的想象”，结果38年之后，由于数码相机的崛起，传统胶片时代的王者柯达公司破产，我觉得回顾历史，跟今天也有非常相似的地方。今天整个搜索市场，谷歌占了96%，微软只有3%，但因为CtGPT的出现，微软很可能也会颠覆搜索领域的格局，而谷歌空有技术却没有做出这个产品，我觉得可见一斑，历史总是惊人的相似。黄东旭：这是件特别有意思的事情，因为以前扮演这个颠覆者的，其实是Google自己。2000年的时候，雅虎的地位就和今天的Google一样，当时雅虎的搜索引擎走的是人工标注路线，说你看我人工标注的黄页多准确，而Google是当时几个大学生搞出来的，结果历史又一次重演。如果抛开数据量和算力这些硬性限制，只去看里面最核心的代码量，其实就是一个小团队就能写出来的。一家巨头再次被一家小公司打败，我觉得这就是软件行业有意思的地方，一个非常硅谷的故事。

开源圈和云计算巨头是如何看待CtGPT的？

险峰：谷歌的早期模型都是开源的，但CtGPT却选择了闭源，结果在2个月内用户破亿，东旭对此怎么看，CtGPT的选择对于后来者是否有参考价值？黄东旭：我觉得CtGPT的成功，并不在于开源或闭源，而是它向整个业界证明了某种技术的可行性，其实开源的工具一直都在，关键是有没有人会拿出几千万美金去做这些东西，对此我是比较乐观的，据我所知已经有一些开源项目在做和CtGPT差不多的事情，未来很短的时间之内，一定会出现一个开源的通用语言大模型。它可能没有CtGPT那么强，但是也会大致够用，甚至可能是一个通识模型，你可以把它装载到自己的系统里面去，跟它一起去协作，我觉得很快就会有人沿着CtGPT的路线，做出可以私有化部署的开源大模型，可能会是一个大厂或者一个foundation，每隔半年change一次，然后大家下载下来用。险峰：云计算大厂们怎么看CtGPT？费良宏：AI的商业化主要是SaaS化，之前有很多成功案例了。另外从技术角度来看，AI的推理能力API化也已经是一种标准做法，比如在云上部署一个推理服务器，让前端用户可以非常快速地获得图像语音内容，这两种模式在云计算发展的历史上已经被证明是完全可行的。接下来的关键就是如何差异化的大模型，我个人认为，我们可能低估计了CtGPT的工程化难度，比如说并行训练、标注以及数据管理的工作量和成本开销，都会是非常巨大的，所以我不认为在短时间内，会有大量能完全媲美CtGPT的竞品出现。当然，下一步还是有很多人会去做与CtGPT类似的事情，但是我认为时间上可能会比较久，这其中，我个人比较看好谷歌和微软，因为他们之前的积累已经有足够多。其实刚才也谈到了微软的问题，虽然微软只是给CtGPT投了钱，技术上没有参与，但是从它的布局来看，我觉得微软其实非常有野心，要知道2019年微软就开始向OpAI投钱，第一次就投了10亿美元，2020年就跟OpAI谈妥了GPT3的独家授权，2021年微软就专门给OpAI构建了自己的超算能力。微软提供的这些工程能力和云计算能力，足以确保OpAI继续保持领先优势，如果未来任何一个竞争对手想要超越OpAI，在这些资源上都要加倍付出，甚至要在短时间内实现突破才有可能，但是现在，时间反而是最稀缺的，像之前“学徒巴德”（Apprentice Bard）在谷歌的发布会上“翻车”也说明，互联网产品的竞争是非常残酷的，虽然你也能做出来一个差不多的，但只要你不能超越市场中最好的，那就意味着失败。陶芳波：我接着这个话题稍微说下，因为我们的业务跟大模型接触非常多，首先大模型开源这件事不是刚刚开始，其实去年很多公司已经出来了，包括OPT（Meta AI 的开源项目）和BLOOM（法国政府资助的开源AI），但其实它们和CtGPT的差距非常大。我觉得OpAI的竞争力，表现在他们对于数据使用方式的认知，还有刚才费老师提到的工程能力和数据体系，这套东西不是说拿出50亿美金，招很多的人马上就可以解决的，这是现在很多投资人的误解。另外，我觉得AI的分层其实在今天就已经开始了，像Sam Altman（OpAI首席执行官）自己就说过，OpAI现在就是个Infra，未来在它上面可能会有中间层，这个中间层的作用是帮助一个个大模型Infra变成各个行业里的解决方案。

CtGPT 能让TMT投资人“再干15年”吗？

险峰：CtGPT下一步会往何处去？会不会被下一个transformer颠覆？陶芳波：个人观点，我们可以从底层视角来看，比如今天OpAI做出了CtGPT，未来或许还会有GPT4，我们先假设OpAI的技术是最领先的，现在后面有一堆大厂巨头和创业公司，正在或者将要做大模型，那如果我是OpAI，我接下来会做什么？我觉得第一个方向，还是怎样用好手上的现有数据，把模型的潜力全部挖掘出来。下一代GPT的参数量也许还能再大个10倍，但估计也就是这个规模了，不可能再扩大1000倍，因为参数要有足够的数据来匹配，全世界的优质数据就这么多，参数量搞得再大效果也不有太大提升。另一个方向，也是Anthropic提出的，叫做「宪法AI」。就是我们能不能让AI在一套宪法，或者说一套规则下，实现自我进化，最终变得符合这套规则。举个例子，每个国家都有自己的监管体系，比如中东地区，只有符合当地监管的AI才能进入该国，我觉得这会是一个非常好的方向，可以大大降低AI吸收信息的成本，提高它的效率。第三个方向是多模态，让OpAI变成一个思考引擎。我们知道人类的感知不是单一的，而是许多模块组成的，不是说用户说了一段话，我能感受到这段话就够了，最简单的，比如看漫画书，人能够把感知图像和感知文字结合在一起，而不是两个单独的东西。所以我觉得，接下来大模型会在这些方向上继续发展，这是一个底座，这种状态会维持相当长一段时间，而接下来才是更巨大的挑战，无论是投资人，还是创业者，我们到底应该怎样去迎接CtGPT的革命性变化，在它上面重构一个巨大的新体系？举个例子，2007年iPhone诞生，10年之后你会发现整个互联网生态都变了，iPhone上面长出了各种各样的应用，这10年间，全球诞生了多少独角兽，诞生了多少千亿、万亿美金级的公司，这些公司在iPhone出现之前都是不存在的，都是从一个很小的作坊开始做起来的。我觉得今天大量的机会其实是这里面，首先是中间层的机会，就像在大模型外面搭一个脚手架，让它有1000只手1000只脚，可以做更复杂的事情，比如基于如何使用大模型构建一个社区，这是一种最轻量级的创业思路。再比如教会大模型怎么去使用外部工具，怎么样更好的去理解对面的用户，而不只是从文字输入来理解他——这也是我们正在做的事情。在中间层上面，还会有各种应用层，刚才费老师也讲到，AI在SaaS端已经被验证了，但我个人认为这一波AI浪潮席卷的范围会远大于SaaS。因为SaaS更多还是服务于企业的效率工具，但CtGPT肯定会拓展到C端，比如说健身、医疗，都有机会可以重做出一个交互式的软件，把用户界面完全抛弃掉，和移动互联网时代相比，我认为这会是一种全新体验的产品。黄东旭：我也有类似的观点，其实软件的进步一直都是交互方式的进步，以前是字符界面，到后来是UI，沿着这条线往下走，未来最重要的软件交互形态其实就是自然语言。过去我们一直在尝试，让软件的使用变得更加贴近人类自然语言，但是今天我们终于有了这样一个新工具，能重新去塑造我们跟软件的沟通方式。以前我们用软件，比如说Linux，输入一堆命令，机器才能去完成一件事情，相当于我们要去学习机器的语言。但现在有了CtGPT，你可以直接去跟他说，我想要到达到某某结果，我不管你怎么干，最后能给我结果就好，这其实是一个非常颠覆性的东西，所以我们现在正在做的，不断跟GPT磨合的，也是类似的思路。陶芳波：我记得CtGPT刚出来的时候，就有投资人提出一个观点，说TMT可以重新再干15年，我觉得这个逻辑是对的，因为上个时代我们基于移动互联网，做出了各种各样的APP，而今天新的交互形式出现了，每一个细分的赛道上可能都会成长出一个全新的独角兽，或者全新的商业模式，我觉得是一个完全的大洗牌。今天CtGPT的潜力大概只发挥了百分之几，就已经创造出超过了万亿的市场，未来这个规模可能是几十万亿。

CtGPT 正在对哪些工作岗位造成影响？

险峰：这个问题是帮别人问的，他是个很早期的NLP从业者，想问大模型出来以后，其他的模型可能就成为历史了，他们这些人未来应该怎么办？龙波：这个问题的答案还是比较清晰的，以前那些传统的NLP的手段，在这个时代肯定是不会再有用了，比如大量的语法树之类，非常繁琐，过去开发过程很痛苦，要一支很大的团队才能做出一个很小的东西，我们肯定不会再回到那个年代，老的技术基本都可以用大型语言模型（LLM，large language model）替代。对于CtGPT的未来，我非常同意陶博士刚才说的，如果只是一味地增加数据或增加参数，不一定还能得到好的ROI，因为你给了更多的数据，就意味着有更多的噪音，最后信噪比可能反而更差，这也是为什么我们有时觉得CtGPT会回答错的原因，所以还是要关注如何提高数据的质量。与数据质量同样重要的，可能是跟大模型的互动。举个例子，如果我们真的要让CtGPT变成某个领域的专家，不再犯什么错误，可以想想我们培养一个PHD的过程是什么样的？他需要和他的导师、行业大牛反复地交互讨论学习，才能最终成为专家，而不是说简单的筛选高质量数据喂给他就完了。如果再进一步，我们要让CtGPT成为真正的通用人工智能，在每个领域都很精深，也需要有一个方法能够让AI迭代高质量数据，所以我觉得未来在算法层面可能会有一些突破，比如说让RL和大语言模型更完美的结合，能够更好地筛选出高质量数据，甚至是自动采集这种数据，这些都会跟人学习的过程越来越像。到那时，我不知道是不是只靠现在的统计模型或者大型语言模型就够了，还是会跟其他新技术绑定在一起，比如现在也有人在研究，怎么把真正的推理能力和神经网络相结合，这是我看到一些未来可能发生的事情。险峰：接下来可能是很多CEO比较感兴趣的问题，创业公司应该如何使用CtGPT ？它将可以替代哪些岗位？黄东旭：个人认为可以从两个方面来看，对内和对外，我先说对外。首先在AI爆发的大背景下，我们做数据库的还是一个挺安全的生意，因为不管怎么样你还是要存数据。在过去没有AI的时候，我要从数据库里提取数据，学过计算机的朋友可能都知道要用到SQL，或者其他语言，总之是需要敲代码才能去跟数据库做交互。举个例子，之前我曾经把我自己所有看过的电影、所有看过的书，全都导到了我的数据库里，我就可以直接去问我的数据库说，在我去年看过所有的电影里，哪个导演的片子最多？他会直接帮我生成SQL，SQL再去数据库里进行查询，非常快速且准确，但是前提是你必须会敲代码，懂得机器的语言。沿着我刚才的理论——自然语言会变成下一个软件交互的UI，大家想象一下，如果你是个CEO，你公司里面有很多运营数据，每次你去找财务，或者数据分析师，说我需要一个某某数据，他可能过好几天才能返过来，但现在如果有这样的一个很神奇的数据库，CEO可以直接开口问AI，比如今年公司花钱最多的部门是哪个，马上就可以得到答案。那如果再推一步，我们把背后的数据集换成了区块链，换成了房地产信息，换成了股市信息，你会发现一下子人人都是数据分析师，这对于各个行业都会是一个巨大的颠覆。至于对内部，我觉得CEO一定要放弃CtGPT可以完全取代人的观念，现阶段肯定是取代不了，但是它能提高人的效率。如果大家写过程序就会知道，一个工程师可能有80%的时间都是做重复劳动，未来这80%的工作其实都可以让CtGPT来做，比如说写文档、写单元测试，生成一些脚手架之类，它不会完全取代程序员，但是确实能带来很大的提升效率。大家如果看过《钢铁侠1》，里面有一个AI助手叫做贾维斯，现在我跟CtGPT的工作模式与它很像，我会告诉它我要做什么东西，你先做一个原型出来，然后一步步跟它交互，告诉它可以这样这样搞。所以至少目前，我并不会把CtGPT当做是一个可以取代人工的东西，而是给所有的工程师都配了一个账号，告诉他们遇事不决先问一下CtGPT，搞不好效率就提升了，这是我大概的经验分享。陶芳波：我稍微插一句，我觉得东旭他们公司很厉害，已经开始使用CtGPT来提高效率了，其实很多国内的公司都可以学一下。另外他讲的第一点我感触很深，数据库公司未来一定会存在，但也一定还会很多有提供其他互联网信息服务的公司，我觉得他们可能都要去思考，是不是今天我暂时是安全的，CtGPT跟我就没有关系？我觉得可以换一种视角，现在的现实是，这个超级大脑已经在那里了，他未来一定是会跟各种各样的东西连接在一起，这里面有一个很重要的点，以前我们说信息服务的连接端口是API，还有一大堆代码之类的，但今天这个端口很可能会变掉，变成一个更加接近于人类语言的东西。所以我觉得每一个服务提供商，如果觉得你的信息服务很有价值，我觉得都可以尝试去拥抱CtGPT，看看怎么跟他建立起对话通道，越早拥抱，就越早可以让CtGPT把你的服务分发到更多的场景、更多的用户。我觉得这件事情谁做得快，谁就可能成为自己赛道里的下一代巨头企业。

CtGPT广泛使用后，人类的认知能力会下降吗？

险峰：CtGPT出来以后，主流声音认为以后可能就不再需要搜索引擎了，但也有一些悲观者认为，我们将来接触的大部分信息都会由机器生成，里面会有大量的假信息，这将威胁人类的认知和判断能力，如果我们从小就依赖这样的产品，可能会是一个灾难性，对此各位怎么看？费良宏：这不是一个新问题，其实互联网从诞生之日起，就一直在改变我们使用和消费信息的习惯。比如，最开始出现的是浏览器，它让网页信息变成了一种规范的、可以被浏览的形式；之后，随着信息总量的不断增长，大量垃圾信息开始影响我们的用户体验，这时出现了雅虎的黄页，它通过人工方式去维护目录，给每个网页设置优先级。再往后，当信息量继续爆炸，黄页的维护开始跟不上数据的生产速度，人们慢慢意识到，使用搜索可能会比使用黄页更有效率，这时诞生了最早期的搜索引擎，比如AltaVista和Infoseek，但是它们的能力受限于当时的技术，还只能在一个很小的范围内能进行搜索。后来的故事大家都知道了，1998年，谷歌的两个合伙人开始创业，他们希望用计算机构建一个更广义的集群，通过大量廉价的硬件设备来满足整个互联网的搜索需求。在当时，大家认为这是不可能实现的，但后来的事实证明，技术的进步远超我们的想象，于是人类进入了关键字搜索时代，开始通过搜索引擎来使用和消费互联网信息。到了今天，互联网上的信息总量已经是一个天文数字，你的每一次搜索，结果可能有成百上千页，里面存在大量无用或者重复的信息，那我们应该如何应对这样的局面？这时CtGPT出现了，它可以帮助我们去做总结归纳，如果从信息消费的历史来看，这是一个巨大的进步，这点无可否认。而从历史来看，一旦我们养成了新的信息消费习惯，就没有办法再回到之前的时代，我们不可能用黄页去替代今天的搜索引擎，同样的，未来当我们适应了CtGPT，我们也回不到关键字搜索时代。因此，人类下一阶段的信息使用习惯一定是更高级别的，当然这里还有成本问题，比如像CtGPT的每一次搜索大概需要1.3美分，成本还是比较高的，如果再能降低10倍的话，我觉得整个搜索市场会被完全颠覆。从这个角度说，CtGPT的历史地位可以等价于浏览器的出现，或者是谷歌搜索引擎的出现，人类每一个信息消费习惯的进步都意味着一个里程碑式。龙波：非常赞同良宏的观点，CtGPT的交互方式让我们获取信息更加高效，它带来的影响是不可逆的，肯定会对搜索引擎，甚至推荐引擎都带来冲击，而且我认为冲击会很大。尽管短时间内会有些技术上的挑战，比如如何把CtGPT融入到搜索引擎中去，但我认为这些都不是问题，很快都会被解决。那么CtGPT的挑战是什么？第一个挑战是商业化，任何2C的技术应用背后一定要有商业支撑。刚才良宏谈到谷歌的巨大成功，但是其实在1999年，布林和拉里佩奇是准备以100万美元的价格把谷歌卖掉的，据说最后已经谈到了75万，如果当时交易达成，也就没有后面的故事了；到了2002年，雅虎打算收购谷歌时，开出的价格是100亿美金，等于说4年翻了一万倍。为什么形势会逆转呢？因为商业模式走通了，从display as到search as，搜索广告的收入开始有了巨大的增长，当时所有人都看到了谷歌的商业潜力，所以价值一下就不一样了。也正因为如此，谷歌才能有资源雇最好的员工，创造最好的企业文化。未来CtGPT也会面临同样的问题，比如现在的搜索引擎是靠点击量来收费，本质上卖的是用户的注意力，而如果AI一秒钟就完成了答案交付，那卖广告的模式肯定就不再work了，一定还需要寻找新的商业模式来支撑它，当然，我相信最后肯定也会找到。第二个挑战是人文方面的，刚才问题中也提到了，CtGPT会极大影响人的认知模式。在搜索引擎时代，我们每完成一次信息收集，其实都是完成一次学习的过程。举个例子，比如我们发论文，每篇文章后面一定要有一个reference（参考文献），你要先把前人做出的研究成果讲清楚，再说你在这个基础上取得什么成果，这是一种知识的传接，如果没有reference就不可以被称为学术论文。谷歌的搜索引擎，也是把它认为最相关、最高质量的链接排在最上面，最后还是需要你自己去做判断，这是人类学习的方法，你一定要有出处，要有reference，这是我们作为研究者对人类知识积累的一个基本态度。而如果AI就只给一个答案，会让信息茧房变得更严重。传统来说，我们在互联网获取信息有两种基本方式，一个是搜索，一个是推荐。搜索是说用户知道自己想找什么，我就给他什么，推荐是用户不知道自己想要什么，那我就猜你想要什么。而当CtGPT出来以后，因为它每天都会和你有交互，它会猜得更准确，更严重的是，它还会主动创造出一些让你喜欢的答案或信息，你听了会觉得那就是真实的，而且又没有reference。到那时，我们要面对的信息茧房会比推荐引擎时代大得多，每个人可能只听到自己想听到的，只理解自己能理解的，我不知道这会对人类产生什么影响，但这个影响一定是世界范围的。

CtGPT 会导致哪些行业消失？

险峰：在你们看来，CtGPT的出现可能会把哪些行业冲垮？哪些公司现在急需转型？黄东旭：非常主观的个人观点，不一定对。第一我觉得是一些简单的内容编辑，或者简单的内容生成工作，比如写新闻稿、写一些简单的summary，或者一些初级分析岗位，未来可能都要想一想，但很遗憾这样的工作其实可能还挺多的。我觉得CtGPT出来以后，肯定对整个社会分工造成很大的改变，但这个改变不会马上出现，会有一定的滞后性，但是这个改变一定是很深远的。第二是程序员这个行业会被改变，你想象一下，相当于过去大家都是步行赶路，现在突然每人发辆自行车，好处是效率一定会提升，但当有一波人能够熟练使用CtGPT的时候，公司老板就会想，到底还需不需要雇这么多人了？甚至当未来AI能够自己写程序时，程序员在里面的位置又是什么？我自己会稍微有点悲观。