关于AI：请看正文

0

AI 能做什么？

去年 11 月 chatGPT 横空出世到现在，我充分体验了 chatGPT/New Bing ，完成了不少事情：

• 我用 chatGPT 根据我的情况草拟了一封给任课老师的学术申诉邮件。
• 我用 chatGPT 虚构一段历史中未曾对话的两个人对于同一问题的讨论（例如康德和柏拉图）。
• 我让 New Bing 辅助我准备面试知识，他出题和评价，我回答。
• 我描述场景和需求，让 New Bing 为我生成 Midjourney（一款生成图像的 AI 应用）的提示词，间接达成用自然语言生成图像的目的。
• 我用 chatGPT 模拟生成一些雅思题目，辅助我的英语口语练习。
• 我提供了两个自己编造的关键词“押注规则”和“大小规则”，让 New Bing 以此为开头编写了一份德州扑克入门指南，结果他充分理解并将两个词语合理应用到了德州指南中。

根据目的不同，可以将他们展现出的能力分个类：

• 文本生成（Text Generation）：第 1、2、5 和 6 个场景
• 知识检索（Knowledge Retrieval）：第 3 个场景
• 图像生成（Image Generation）：第 4 个场景

到这里，chatGPT/New Bing 的能力已经很难用干瘪的“AIGC”来描述。我们常常因为“AIGC”的说法局限于 AI 所生成的内容，而忽略了 AI 本身所具备的能力和潜力。或许 “Generative AI / Artificial General Intelligence” 才能更好地展现 AI 的想象空间和创造力。

1

**涌现特性（Emergence）**是指大模型在参数达到一定尺度之上，会展现出原来从未有过的能力，这些能力不能通过简单地对小模型的改善或预测得到。涌现特性可能是由于大模型能够更好地捕捉语言的复杂性和多样性，以及语言与其他知识领域的联系。例如 GPT 所展现出来的无需 fine-tuning 的上下文学习能力，目前人类尚未探究出其能力起源。不过最近 有研究发现 大模型表现出来的上下文学习能力，有可能 源于其内部存在一个较小版本的自己。

Models learn from exemplars instead of memorizing tasks. They do this by simulating and training a smaller version of themselves.
模型从示例中学习，而不是记住任务。它们通过模拟和训练自己的一个较小版本来实现这一点。

细思极恐。将任务交给另一个自己，这种行为模式正是我们熟悉的递归。当我想起递归这个词语时，大脑就会陷入一种很神奇的状态，我可以深刻感受到，这并不是我的大脑善于使用的处理方式。如果你不太懂递归，请看这篇文章的标题 ；当你理解之后，继续读下去 。

要说计算机一定有什么能力是比人类更强的，那“递归”绝对是其中之一，当它作为大模型学习能力的基石出现时，足以使人类产生警惕了。

2

这次 AI 是真的可以帮你写代码了，虽然暂时不能写出另一个 AI 。

这是我于 2021 年 6 月 26 日对于 Github Copilot 的调侃，彼时对于 AI 的低估导致这个玩笑话两年后就略微显示出现实意义。这一年里我们看到了 AI 飞速的发展，结构化和重复性的工作将实现可见性的效率提升。当代“创造性工作”中 99%的屎将被 AI 包揽，还有那 1% 可能因为 AI 作为工具的辅助得以更上一层，绽放出千万种色彩；不过暗藏的风险和代价却悬在头上，毕竟这种未知的学习能力为 AI 赋予了太多可能。说得简单点，现在 AI 能做什么，人类和 AI 自己也搞不清楚了。这种上下文学习能力，尚且只是“已知的未知”，我相信这背后还有“未知的未知”，还有不可见的不可见。

3

有人坚持认为“不具有‘意识’的 AI 永远无法超越人类”，并把这视为人类与 AI 之间的最后一道防线。然而，这只是因为他们过分夸大了“意识”的重要性和独特性。他们需要思考两个问题：毁灭人类是否需要意识？如果一个 AI 表现得像一个有意识的存在，那它是否就等同于有了意识？毕竟，“如果它看起来像鸭子、游泳像鸭子、叫声像鸭子，那它很可能就是鸭子。”

最后，现在看来相当震撼的人工智能大跃进，可能也只是一百年后《人类灭亡史》和《AI 起源史》上的一个小注脚。随着时间的推移，“AI 能做什么？”这个问题将变得越来越无趣，而最终剩下的问题是：“人类能做什么？”