ChatGPT当然会迅速消失，但一切才刚刚开始
大家对人工智能对人类社会的影响判断往往有一个误区，以为只有AI能替代大部分某个岗位工作内容的时候，从事该工作的人才会被替代。另外一个误区是，我们总是喜欢盯着AI现在不能做什么来看，以此来证明人类工作的不可或缺性。
本文提出“ChatGPT当然会迅速消失，但是它代表了一个时代的开始”。本文将会分为以下3个方面进行论述：
- 一、影响的深远性：ChatGPT代表的是人工智能目前已经从解放重复大量的“感知”任务转向解放重复而简单的”认知决策”劳动。
- 二、发展的必然性：人工智能本质是生产力的解放。不是人工智能在推进产业升级，而是产业升级的需求在推进人工智能。
- 三、我们该怎么办：在这种新的时代下，对人才提出了新的要求，对我们自己的发展，对我们下一代的教育，都有哪些新的启示？
为了我们讨论的方便，我们先为大家快速地用通俗而不失严谨的方式解释ChatGPT的原理到底是什么。首先我们来用最通俗的语言讲解一下ChatGPT的原理: 在人工智能领域一直有一个研究问题，就是判断”一句话”是不是“一句话”，什么意思？例如“我今天特别想吃苹果”，和 “我津贴特别想吃苹果”，这两句话如果读出来是很相似的，那么假设对于一个机器人来说，他怎么知道到底是前者还是后者呢？这个时候就需要一种方法，来衡量每个句子成为一个”真正句子“的概率。所以，经过计算，前者的概率更高，所以机器会认为听到的话是前者 — 我今天特别想吃苹果。这个问题看似简单，但其实包含了非常多的人类语言学、逻辑学、认知学的问题，尤其是当句子特别长的时候，机器就不容易判断到底哪个更好，因为句子是一个“序列”，如果一句话有ABCDE五个单词构成，机器要考虑AB之后是不是应该出现C，是基于AB的，而要考虑是ABC之后是不是应该出现D，则是基于ABC的。但是，“C”到底是不是属于这个句子的，是机器的一个“猜测”，而“D”是否应该出现，更是基于“ABC”的，所以“D”出不出现的这个“猜测”，是基于“C”的猜测进行的。那么，基于猜测的猜测，随着句子长度的增加，因为错误的积累放大效用，其预测的准确性会迅速降低。而自从2017年提出的Transformer，更好的解决了这个问题，他们在解决这个问题的时候，简单的说，加入了具体单词在文章的位置信息，例如，“我今天吃了苹果，但是它坏了”，那么，其中的每个单词在句子的位置信息，其实对于它接下来要出现什么单词是起到重要影响的，但是之前大家只考虑了“单词”的问题，没有使用“位置信息”，另外一方面，Transformer通过深度学习的方法，迭代出了一种叫做“attention”的计算权重，这个权重，会对每一个单词在句子中的重要程度做“估计”。通过加入“位置”，“重要性估计”等方法，后来使得衡量一个句子是不是能够真正成为一个句子变得准确度越来越高。而ChatGPT中的GPT，也是Transformer的这一系列的一个“变体”。有了能够更加准确的判断一句话是不是“合理的句子”，那么就可以非常简单的做一个新的任务 — 句子合成。此话怎讲？例如，我们先做说一句话“我今天心情不好，我特别想”，当我们将这句不太完整的话输入到人工智能模型之后，人工智能模型可以遍历我们现在所有的常见单词，例如5万个。按照现在处理器的速度，例如2.7G赫兹，意思就是每秒钟大约可以运算2.7乘以10的9次方，搜索5万个对它来说就是瞬间的事情，当找到每一个单词的时候，它会计算一个加入这个单词之后，新的句子整体的概率是多少。例如，当循环遍历到“睡觉”，它可能会得到一个数值: 0.08, 当遍历到 “吃饭”，得到一个数值: 0.02，当遍历到“工作”，得到一个数值：0.005，所以经过比对，它会产出“睡觉”这个，进行拼接。所以，这个人工智能就可以重复以上过程，你给出一个开始，它就可以一直通过拼接而继续下去。这也是为什么我们看到ChatGPT生成内容的时候是一个词一个词蹦出来的，这不是为了“耍帅”，而是原理就是这样的。当然，在实际研发的工程中，为了让合成的句子更加符合人类的认知习惯，ChatGPT还使用了强化学习方法，通过人类对它合成句子的反馈，来更新”拼接“句子的决策过程。简单的说就是，一个句子在统计学上是概率最高的但是并不一定是人类认知起来最自然的。例如“今天晚上吃什么”，那么AI合成出来的答案可能是“今天晚上吃拉面”，这个出现的概率肯定比“今天晚上我们首先去吃火锅，吃完火锅之后去夜市在吃一点烧烤和甜品，最后咱们再去哈根达斯吃冰淇淋”要大，但是对于人来说，后者这个句子出现的概率更低，但是却更喜欢这个答案。所以，通过强化学习，可以进一步改进合成策略，让合成的句子更加符合人类的预期。通过以上方式，就实现了句子的“拼接”功能。所以当调用ChatGPT服务器的时候，我们实际上是使用的completion（使其完整）命令，而且有2个重要的参数需要传给ChatGPT：- Max-Token：最大的长度，它拼接到多长就停止。所以，我们常常会看到ChatGPT回答有些复杂问题的时候“戛然而止”，这是因为调用的时候设置的“字符长度”的原因；
- Var-P：变化概率，如果这个越接近1，则它在拼接的时候，会越选择top1的那个候选项，这样句子会更“正常”，但是也更加缺乏多样性；
以上，就是ChatGPT的核心原理，那么通过这个分析我们可以看到，这样的一个机器，擅长做什么事情呢？他特别擅长总结文字的规律、模式。换句话说，如果某些文章，常常这样写，那么它就会发现其中的规律。这个尤其是所谓的“套话”，“场面话”，“八股文”等等效果非常好。所以，我们会发现，如果我们询问逻辑性问题，它的表现就很一般，例如以下这个问题，对我们来说很简单。但是对ChatGPT就很困难。
例如以下这个问题，看起来说的头头是道，但是当我们仔细看里边内容时候，你会发现其明显的前后矛盾，语言不一致。
以上两个问题ChatGPT之所以不擅长，是因为我们上文给大家讲述的这个原理，它做的事情本质上是“拼接”，它的任务是产出“看起来像句子”的句子。所以，它特别擅长产出那些“形式大于内容”，“文字大于逻辑”的东西。而这些东西，其实当我们仔细分析每天的工作之后，我们会惊奇的发现，很多事情都属于这一类。例如，你每周上交的周报，你的领导会认真看里边的逻辑和内容吗？可能会，而更有可能的结果是，你的领导期望的是你提交一份“像周报”的周报，例如你写各种“申请书”的时候，申请人会真的分析你里边的逻辑链路，来考察你的申请是否合理吗？更多的情况是，他们更希望看到一份“像申请书的”申请书。其实，会议记录、工作计划、运营周报、活动策划等等，非常多的事情都属于这种，相比大家已经看了很多了，在此我就不赘述了。当我们分析完ChatGPT的原理是什么的时候，我们就可以接下来继续讨论了。第1章：ChatGPT代表的是人工智能目前已经从解放重复大量的“感知”任务转向解放重复而简单的”脑力”劳动。人工智能的实际应用，绝大多数在ChatGPT之前，都是属于我们智力上的“感知”（perception）层面的。什么是“感知”？例如我们有眼睛、耳朵，我们看到一个东西，能够认出它是猫猫，是狗狗，还是汽车，或者说我们听到一句话，能够听出来是哪些单词组成的句子。也就是说，之前的人工智能主要是做这些事情，例如典型的“图像分类”，“句子分类”，“人脸识别”等等，但是对于人类来说，能够“识别”这些东西，仅仅是智力的第一步，就拿我们每天的生活为例，你看到了”一句话“，”一辆车“，接下来，我们要怎么办，我们要采取什么动作，这个才是更重要的。也就是说，“识别”之后的“决策”过程才是更重要的。你可以将这个理解成”观察 observation ”和“思维 thinking ”的过程，而为什么ChatGPT影响这么大，因为，人类语言本质上是思维的载体。我们的很多思维过程，都是基于“语言”进行记、传递。所以，ChatGPT比起之后的AI最大的特点是，对思维（Thinking）这一过程开始进行自动化，虽然目前能够自动化的仅仅是一些重复性强的脑力工作。例如在第一次工业革命之前，如果一个人天生有一副好体力，战斗力强，打架厉害，敢于冒险，某个家族有更多的人，那么就更加容易得地比别人过好更好的生活（通过费力的工作，或者抢掠、战斗等）。例如，在以前的农村，哪家人男丁多，男丁力气大，打架厉害，这是当时大家最看重的品质。为何，因为这种人数、力量的竞争就是当时竞争的主要因素。但是当一台台机器轰隆隆作响的时候，人类的体力优势变得越来越不重要。而在目前的这个时代，记忆力好，擅长总结规律，勤加练习就能熟能生巧，书读百遍其义自见，等等这些关于重复、记忆的脑力训练，依然非常重要。但是随着ChatGPT这一次带来的人工智能变化，这一次对脑力劳动的解放，转变所带来的的影响是巨大而深远的。当然，我们这里所说的改变都是以30-50年为维度的，虽然30-50年对个人来说是很长的，但是对于人类历史发展就是一瞬间的事情首先，这会改变社会劳动和财富的分配方式。目前的很多工作，尤其是和文字性打交道比较多的工作，都会或多或少得被智能程序取代。而在这个过程中，减少的这部分员工工资，其中的一部分会流向提供这个智能程序的公司，而这些公司为了保持领先，则会将这些钱中的大部分最终流向能保持这种优势的人员。我们做一个分析，如果某家公司之前通过写稿子、写申请书能够维持业务，但是需要雇佣月薪1万的3个人（合计3万元）来完成这些工作，那么现在这个公司最大愿意用多少钱来完成智能化升级，来取代人工呢？答案是2.99万，而提供服务的公司也明白这个道理，于是收费会逐渐逼近2.99万；而这2.99万，一部分会流入公司的所有者（老板、投资人），另一部分会流入能够让他们产生这种竞争优势的人员，这个其中相当一部分是科研工程人员，另一部分则是商业模式构建的人员。那么，在这个过程中，被取代的人收入会无限逼近于0，但是国家有其自身的保障制度，一般来说会维持这个人的正常生活，通过福利发放或者通过提供”公益性“岗位的方法。而另一方面，在这个过程中，具有识别能力的投资人、创新企业的所有者、真正能产出有效工具的科研工程人员、和高效商业模式构建人员，其收益会逼近无穷大。当然，这个过程的发展并不是突然的，表现形式也不会是忽然一天有一大批文职人员失业。更加实际的情况是：这些文字密集型、重复性知识工作的人员，会发现工资上涨的幅度、频率逐渐降低，当想换工作的时候，会发现就业市场对这些工作开出的薪资越来越低。
这是为什么？假设某城市C，对于某个文字密集型岗位有100个员工的需求，同时也有100个员工在进行工作，保持了良好的平衡。同一时刻，当前的AI的发展并不能全部取代该工作，但是只能优化1%的工作量。虽然1%的工作量只是非常小的一个部分，但是，原来需要100个员工的事情，现在99人就可以完成。那么，就会变成100个人去竞争99个岗位。也就是说，随着AI能够替代1%的工作的这一时刻开始，人才市场的供求关系即发生了改变。如果你是老板，虽然你现在公司的这个工种还未被AI取代，甚至完全没有使用到AI技术，但是你发现就业市场上多了一些求职者。那么，你会不会优先对这个岗位的员工涨工资？如果你要招聘这个岗位的员工，当你发现应聘者变多的时候，你要做的是提升工作还是降低工作（或者持平）？这些答案是显而易见的。所以，大家对人工智能对人类社会的影响往往有一个误区，就是以为只有AI能替代大部分这个岗位工作的时候，从事该工作的人才会被替代。另外一个误区是，我们总是喜欢盯着AI现在不能做什么来看，以此来证明人类工作的不可或缺性。这个思路在AI替代“体力”劳动的时候，有一定道理，例如纺织一件衣服需要100个步骤，机器做其中一个步骤，帮助甚微，因为要重塑生成流程，往往伴随着新的机床、新的机器。但是脑力劳动有一个天然的区别，脑力工作不依赖于实体，更加简单的可以进行流程重塑、分工细化。举个例子，我们可以讲写一篇通讯稿这样的事情，非常快速的、容易的分解成若干个步骤，而在这个过程中并不需要生成新的机器、新的工具，需要的只是人对这个过程的重新“定义 definition ”。这就导致，AI对一个脑力型岗位的影响，当它开始有大于0.0%的优化能力的时候，其影响就已经开始。实际生活中，也确实在上演这样的例子，例如翻译工作，之前是妥妥的文科优质工作，但是目前就业市场，薪资的疲软，就可以说明问题。同时，例如销售、客服，现在的销售人员、客服人员，知识储备的要求往往比之前的这个岗位的人更多，工作时间也更长，更辛苦，但是获得的经济报酬却不如以前。所以，对着从事这些岗位的人，并不是意识到是“AI”抢了自己的饭碗，而是会感觉到“钱难挣了”。当然，这个改变不仅仅是针对个人的，对于那些不能拥抱这次改变的公司、组织、实体，对于那些往往坚信”人定胜天”，“人海战术”的公司，他们的受益也会在这个过程中逐渐被技术浪潮所抹平。在这个环境下，对于个人来讲，为了保住仅有的工作，大家会不自觉的选择加更多的班，更加的“内卷”，而对于不能拥抱这种进步的公司来说，为了保住仅有的“利润”，也会迫使员工加更多的班，但是由于利润越来越少，从而能够支付的薪水也越来越少。有限的薪水，更低的利润，越来越少的就业岗位，会导致员工为了保住工作，选择更加拼命的干活，这会导致一个循环，一个越来越小的循环。而这个循环，就像一个漩涡，让其中的人为了生活，难以跳出。
这个过程，经济收益会更加流向更加少数的人群。当前，随着智能化的发展，社会生产效率越来越高，虽然贫富差距会进一步加大，但是社会最底层的，享受社会福利生活的人的生活水平，大概率也会提升，当然也会有可能是另外的情况。在这个进化的过程中，“信息”或者“智能化的信息处理能力”，会像石油，成为贯穿人类社会的基本要素，会成为链接财富的纽带。而人类的经济获益，则越来越依赖于无形的资产，之前是土地、矿产、石油，而之后的竞争力会更加成为信息、数据，而这些最终的背后，是分析能力、创新能力、尖端技术的突破能力。综上所述，人工智能带来的第一个切实的影响就是大家财富分配的变化。这种趋势到底是好是坏？目前讨论这个其实意义不大，因为这是客观现实。人工智能的发展和进步，带产生的改进和提升，并不是某些人的个人意志，而是整个人类社会生产力解放的要求。我们与其讨论这些事情对不对，好不好，不如讨论为什么会产生这样的事情，以及接下来应该怎么办？因为，本文的第二部分将为大家讨论：- 人工智能本质是生产力的解放。不是人工智能在推进产业升级，而是产业升级的需求在推进人工智能；
- 在这种新的时代下，对人才提出了新的要求，对我们自己的发展，对我们下一代的教育，都有哪些新的启示？
评论列表