chatGPT生成的程序小狗。
近日，一款名为ChatGPT的聊天机器人火遍全球，该机器人的研发公司OpenAI表示，ChatGPT上线短短5天用户数量已突破100万。在网友们晒出的截图中，ChatGPT不仅能流畅地与人对话，还能写代码、找Bug、做海报、写年报……甚至还以鲁迅的文风进行天马行空的创作，几乎无所不能。
ChatGPT并非市面上唯一一款对话型人工智能系统。早在去年的I/O开发者大会上，谷歌就演示了专门为对话而建立的LaMDA系统。今年春天，一名谷歌工程师甚至表示LaMDA有自己的“意识”。虽然这一说法遭到了许多人的强烈批评，但却实实在在地抓住了公众的想象力。
对话型AI有何玄机？
ChatGPT是人工智能研究实验室OpenAI在11月30日发布的全新聊天机器人。在OpenAI的官网上，ChatGPT被描述为优化对话的语言模型，是InstructGPT的姐妹模型。这个模型以对话的形式进行互动，使得ChatGPT能够回答后续问题、承认错误、发出质疑并拒绝不适当的请求。
据澎湃新闻此前报道，ChatGPT采用了和InstructGPT一样的人类反馈中强化学习（RLHF，Reinforcement Learning from Human Feedback）技术，通过将抹去个人信息的人工注释添加到训练集之前，利用这些数据来进行模型的微调，达到了提高帮助性和真实性，同时减轻语言模型的危害和偏见的效果。
LaMDA则是谷歌公司在去年5月推出的一款突破性对话应用语言模型技术（The Language Model of Dialogue Applications），谷歌称其可以参与流动性的自由对话。据《纽约时报》12月12日报道，LaMDA即人工智能研究人员所称的神经网络，是一个松散地、仿照大脑中神经元网络的数学系统。这一技术在谷歌翻译、自动驾驶等服务中也有使用。
这样一个神经网络会通过分析数据来学习技能，例如，通过在数以千计的猫咪照片中找出固定模式，从而学会识别一只猫。
5年前，谷歌和OpenAI等实验室的研究人员开始设计神经网络，分析海量的数字文本，包括书籍、维基百科、新闻报道和在线聊天记录，科学家们将它们称为“大型语言模型”。该技术可以自动生成文本，并结合不同的概念、模仿人们写的东西。
通过ChatGPT，OpenAI已经努力完善了这项技术。ChatGPT不像LaMDA那样能够进行自由对话，它被设计得更像是Siri、Alexa这类的数字助手。不过与LaMDA一样，ChatGPT是在从互联网上摘取的数字文本的海洋中训练而成的。
聊天机器人并不总说实话
经过海量信息的训练，ChatGPT这类的聊天机器人能够很轻易地提供想法、回答问题，但是它们并不总是说实话。它们提供的答案有时真假参半，这导致人们开始担忧，随着技术的成熟，这类机器人可能会被利用来传播假消息和谣言。
一位来自美国弗吉尼亚州的数据科学家亚伦·马格利斯（Aaron Margolis）告诉《纽约时报》，虽然他时常惊异于LaMDA的开放式对话天赋，但它有时候会“胡编乱造”，因为这是一个被互联网信息训练出来的系统。
当马格利斯要求LaMDA像马克·吐温那样与自己聊天时，LaMDA很快描述了吐温与李维斯·施特劳斯（Levis Strauss）之间的会面，并说马克·吐温在19世纪中期居住在旧金山时曾为李维斯这位牛仔裤大亨工作。这看起来像是真的，但事实是，尽管马克·吐温和李维斯同时居住在旧金山，但他们从未一起工作过。
科学家将这种现象称为“幻觉”——聊天机器人就像一个很会讲故事的人，它们有办法把它们学到的东西重塑成新的东西，但不考虑这些是否真实。
据澎湃新闻此前报道，ChatGPT在释出不久后就遭到了Stack Overflow（一个程序设计领域的问答网站）的抵制。Stack Overflow暂时禁止用户分享ChatGPT生成的回复，因为ChatGPT很容易与用户互动，能够快速生成大量答案，这让网站充斥着许多看似可信但不正确的信息。
OpenAI公司也清楚ChatGPT并不完美。该公司警告称，ChatGPT偶尔可能会“提供不正确的信息”，“产生有害的指令或有偏见的内容”，但OpenAI称计划继续完善该技术，并提醒用户“这还只是一个研究项目”。
人工智能将去向何方？
谷歌、Meta等众多科技公司正在着手解决人工智能的准确性问题。Meta公司最近下线了其聊天机器人Galactica的在线预览功能，因为它反复产生不正确和带有偏见的信息。
但仍有专家警告称，科技公司无法掌控这些技术的命运，像ChatGPT、LaMDA和Galactica这样的系统是基于多年来自由流传的想法、研究论文和计算机代码。《纽约时报》11日评论称，像谷歌和OpenAI这样的公司可以以比别人更快的速度推动技术的发展，但是他们最新的技术已经被复制和广泛传播，他们无法阻止人们利用这些系统来传播错误信息。
ChatGPT上线后，特斯拉CEO埃隆·马斯克在社交平台上表示：“我们离强大到危险的AI（人工智能）不远了”。作为OpenAI公司的创始人之一，马斯克显然无限看好这类新技术的发展，但是他也不否认，强大的新技术往往伴随着危险。
人工智能未来将发展到何种程度尚未可知，但可以确定的是，人工智能的监管与控制问题近在眼前。
相关新闻
别焦虑，ChatGPT还没有那么神
最近的科技圈狂欢，属于ChatGPT。
自从OpenAI公司公开了ChatGPT的公测平台后，ChatGPT就迅速霸占了国内各平台的科技榜单，短短一周，用户量已经突破了1百万人。但事实上，它不是一个新概念，确切的说，他算是介于GPT-3和GPT-4中间的一个彩蛋，而且，GPT-3已经是现象级的AI产品了。
在ChatGPT之前，OpenAI推出了GPT-3，同样是对人类语言的理解，GPT-3对比ChatGPT来说就显得冰冷。后来，在GPT-3的基础上，ChatGPT引入了人类偏好学习机制，让他的回答更贴近人类，不仅如此，ChatGPT学会了纠正提问中的错误，并对一些敏感的问题做出回避。
在一些业内人士看来，ChatGPT的出现对传统的搜索引擎是一个冲击。无论是谷歌还是百度，用的都是一套“推荐制”的搜索方式，而ChatGPT跳过了网页浏览和整合这个步骤，直接给你一个答案，而这样的搜索结果显然更加效率，能大量节省用户浏览和比对的时间。
更有人预言，ChatGPT会颠覆现在已有的产业业态，就像当年互联网对线下商业的冲击一样。那么，事实真的如此吗？这篇文章我们来好好聊一聊。
01 ChatGPT带来了什么改变？
大约在6年前，一篇大名鼎鼎的论文《Attention Is All You Needed》正式发表，它第一次提出了注意力机制（Attention），并且在Attention的基础上创造了一个全新的NLP（自然语言处理）模型Transformer。
Transformer是GPT和BERT的前身。谷歌和OpenAI在自然语言处理技术上的优化，都是基于这个模型。
后来，从2018年开始，GPT技术基本上是一年迭代一次，所使用的参数量从初代GPT的1.17亿，增加到GPT-3的1750亿。优化的背后，是OpenAI巨额的研发经费投入。据相关数据显示，GPT-3训练一次的费用是460万美元，总训练成本达到了1200万美元，不仅测试成本非常高，GPT技术对算力的要求也是目前AIGC技术领域最高的。
各项技术算力需求，图源国盛证卷
与此同时，在大算力的驱动下，AIGC生成的结果会更优质，更效率。从第一代的GPT技术到现在的ChatGPT，如今的技术已经可以让AI跟人进行自然的交流。因此，它也就具有了更多的应用场景，比如搜索引擎、电商客服等。
有趣的是，最近大家都在担忧谷歌会不会被ChatGPT替代掉的问题。关于这个问题，我们先来看一个应用场景：我从旅游景点推荐的方向，分别问了ChatGPT这样几个问题，它给出的答案如下：
以往我们需要查找一项攻略的时候，需要经历四个步骤才能得到答案：输入、检索、整理、结果，而ChatGPT跳过了中间的两个步骤，实现了从输入到结果的新搜索方式。
总结起来，就是ChatGPT技术已经可以替代部分的搜索引擎功能，大幅提高了用户的检索效率。再回到ChatGPT的核心技术上，GPT的全称是生成式预训练模型（Generative Pre-Training Transformer），ChatGPT也就是在无监督无标记，这种更符合日常沟通的条件下，识别人的语言并进行对话。
某种程度上，NLP技术的优劣，决定了AI对人类意图的理解能力，如果AI能理解人类的意图，就能生产更符合人类需求、更优质的产品。
作为AIGC赛道上重要的一个阶段，NLP技术的升级是整个AIGC技术更新的第一步。
ChatGPT在原来GPT的模型基础上加入了人类反馈学习的机制，也就意味着，新的GPT技术将更好的理解人类的自然语言。
用建筑设计领域举个例子，AIGC技术如果能完美的理解设计师的意图，就能免去很多繁琐和重复的工作，在提高效率的同时，也能释放劳动力的潜力，创作者可以逃离重复的工作，利用多余的时间进行自我提升。
从GPT-1到如今的ChatGPT，在NLP技术上的优化和迭代，让AIGC技术有能力开拓更多的应用场景。如果将优化后的AIGC技术落实在企业应用端，也会进一步提高企业效率，释放更多的人力成本。
02焦虑是留给其余AI企业的
在技术圈和投资者们都为AIGC技术狂欢的同时，感到焦虑的是大部分AI企业。对于AI赛道上的其他企业来说，OpenAI和它们之间已经形成了很大的差距。
在ChatGPT发布之前，不是没有人挑战OpenAI的技术。
自从OpenAI发布了GPT-3并创开创了AIGC大算力的发展前景的时候，不少工程师开始研究对NLP过程进行瘦身，在保证运行效果不变的情况下，通过降低算力和参数量的需求，开发Transformer模型在应用端的潜力，目的在于希望小企业也能有能力运用NLP的新技术，但其实这是比较难实现的，尤其是参数量的需求对于AIGC技术来说是刚需，越多的参数量，所产出的AIGC作品也就更优质。
就像一位分析师在李rumor公众号中所提出的问题：“如果商用智能作为公司助手，你是会选择高价但是能精准提高效率的，还是低价但是准确率只有70%-80%的产品呢？”从长期投资的角度来看，企业是会倾向更精准的机器的。
最典型的例子是，在GPT-3发布之后不久，Meta AI推出了OPT技术。
OPT和GPT-3的运行效果几乎没有什么区别，参数量也是很巧合的1750亿。不仅如此，Meta AI还将OPT技术做了开源，提供给所有需要的企业和个人作为研发的基础技术。
那么问题来了，推特上的一位数字科技的风险投资人Andrew Steinwold这样评论GPT-4技术，他说：“GPT-3需要1750亿参数，GPT-4明显会拥有100万亿的参数量，你们想用GPT-4做出什么样的东西来呀？”
也许GPT-3对参数和算力的要求还能被一些比较大的企业满足，如果换做是参数量翻了几百倍的GPT-4，能跑得动巨额参数的企业也只能是凤毛麟角了。
AIGC未来对算力和规模的要求，对于进入赛道尚且年轻的企业来说更是不可能超越的。某种意义上，OpenAI凭借着大规模和大算力，在同行和自己之间构建了足够厚的技术壁垒，而这份研发投入，是非常难超越的。在全球市场排在头部的企业也就几家，能做到微软这个量级的企业就更少了。
这也是OpenAI开发GPT技术让人感到害怕的地方。
对于AIGC这个赛道来说，算力、算法、数据都是促使它优化的主要因素，而GPT技术的迭代升级，将大数据的重要性放到了一个空前的位置。在大算力、大投资、大规模的要求下，后来的AIGC企业想要做出更好的技术，只会变得更难。
也有人会问，为什么国内做不出ChatGPT这样的产品？是创新力不够吗？其实，创新力是一个因素，但不是全部。
03我们距离ChatGPT还有多远？
我们从融资、科研投入、技术三个方面分别聊聊国内的情况。
国内企业有很多从事AIGC研究的企业，例如盗梦师、TIAMAT等，但是国内的投资人对AIGC的狂热度远不及海外。在海外独角兽公司Jasper和Stability AI在今年10月相继获得了1.25亿美元和1.01亿美元的融资后，国内的AIGC企业目前只有TIAMAT完成了百万美元的天使轮的融资。
先不看投资人的金钱实力，单凭投资逻辑，对于国内投资市场来说，投资人更关心AIGC的商业化落地问题。百度集团副总裁吴甜就曾针对AI的深度学习说过这样的话：“深度学习技术已经开始向多个行业进行大规模地渗透推广，但目前AI大生产仍处于起步阶段。”这也意味着，其实企业内部也对AIGC的商业化程度不够自信。
再比如PICO这样的元宇宙系列产品，最近也面临着销售瓶颈，这样的情况时国内很多高科技企业都会面临的问题，技术是好的，但落实在产品销售上就卖的不好，从某种程度上也会抵消企业内部对一个新产品的信心。
由于国内的AI企业在核心技术门槛上并不具备先天的优势，如果想实现净利润的提升，最终总会走向技术商业化。笔者此前针对科大讯飞的商业模式做过一些了解，对于科大讯飞来说，语音技术门槛被突破，单纯做技术不能赚钱的话，它会先选择卖产品挣钱，先将技术在产品端落地了，有一份收入来源，剩下的就边走边看。
在这样的逻辑下，国内AI企业就会更关注一项技术能不能实现快速实现商业化，是否可以在产品端落实之后带来收益。
但是OpenAI的思路明显和国内的大部分企业都不一样，OpenAI之前获得了微软的20亿投资，进行GPT的开发。GPT-4技术需要的大算力和大规模，显然在近几年是不能回本的。光是GPT-3在测试阶段就花出去了千万美金，作为算力要求翻了几百倍的GPT-4技术，在开销方面也只会成百倍的增加。
总结起来，这也是国内外科研逻辑的不同。相比国外，国内更追求商业产品的落地，投资人在对一些概念性的产品进行投资时也更加谨慎。然而，在大算力的新竞争生态下，融资投入的增加对于AIGC企业来说非常重要。
其次，是研发人员待遇的问题，根据市场调研数据，国内的企业研发人员相比于美国的企业，收入更依赖工龄和学历。
最后从国内AIGC相关的技术发展方面，根据Gartner数据统计，国内的数字化技术还集中在发展阶段。而美国的大部分技术都已经可以平稳发展。还有一个现象就是，在国内很多技术就算发展了5-10年也还是分布在创新孵化阶段，然而美国的很多技术在发展了1-2年后就能进入成熟阶段。从这个个统计结果来看，美国的企业相比于国内，研发效率明显更高。
综上来看，国内企业想要发展AIGC技术，首先要解决的就是资金问题。按照国内高科技投资的逻辑，AIGC技术在获得大量融资前，应该先让投资者看到它的应用前景。但是现在的AIGC赛道，虽然应用场景很多，但是商业前景还不够明朗。
04谈谈AIGC这门生意
实际上，尽管AIGC的技术一直在迭代升级，AIGC的商业化推进其实是困难的。首先，AIGC对于算力的要求越来越大，不是一般企业可以负担的起的，也只有一些大的B端企业可以负担AIGC的大规模和大运算需求，这样一来将来能使用AIGC技术做应用的公司并不多。
其次，AIGC的应用路线还很模糊，就拿搜索引擎这一应用场景来说，ChatGPT还不足以取代传统的搜索引擎。
网络上关于ChatGPT击败传统搜索引擎的论调很多，我们回到前文提到的旅游推荐的应用场景去说，当我提问ChatGPT能不能给我一些旅游建议的时候，它直接给出了答案，搜索效率是提上去了，但是这个答案一定就是我需要的吗？未必。
比如，我问它圣诞节伦敦有哪些值得去的地方。它给我列出了5个城市，现实的情况是，英国的圣诞活动各地都有，它直接给我列出的5个城市，一定程度上也减少了我的选择。
ChatGPT现在的问题在于，他给出的答案往往是大众性质的、普适化的，而非个性化的。
在用户刚开始做检索的时候，大部分情况下对自己的需求是没有很明确的认知的。而在使用传统浏览器的时候，往往是在检索过程中才能进一步缩小自己的需求范围，而ChatGPT是直接将用户能看到的答案范围进行了缩减，它给出的答案是正确的，但不一定就是最合适用户的。
就现在的情况看，AIGC的应用前景并不明朗，尽管AIGC可以运用在多种场景中，但好的技术，不一定能在商业上迅速落地。
尽管OpenAI用钱烧出了GPT技术的迭代，但是这一做法也有它的市场局限性，在大算力的要求下，没有多少企业可以承担得起GPT-3的运作，就算是面向大众测试的ChatGPT，它的参数量要求也很大，将来如果运用在B端市场，对于多数的企业来说是个不小的负担。ChatGPT的出现也只是AIGC的一次技术迭代升级罢了，它的应用前景还不明朗，现在就谈到劳动力替代和技术垄断，还太早了。
责任编辑：薄晓舟