By: non-fiction

全文约9400字，预计阅读时间19分钟 正文： AI及大模型科普文章 1942年，当著名科幻作家阿西莫夫在小说中提出“机器人三定律”时，肯定不会想到，AI和机器人的进展会那么慢，又会那么突然。 说慢的原因是，这都80年过去了，我们仍没有看到他所设想的机器人的落地，2024 年最成功的家用机器人，是一台会被狗狗的便便轻易破防的扫地机器人。 但是发展速度却又很突然，2022年11月 ，ChatGPT上线，不到2年，人类社会如同被突然加速了一样，从硅谷的科技巨头到北京的小学生，人人都在聊AI，AI似乎成为了人类科技的助燃剂，有望帮助我们解决一系列的问题。远到宇宙的征途大海，近到人类梦想依旧的元宇宙，似乎都因为AI的兴起，有了新的可能。 到底，AI是如何从过去的只会围棋比赛和打DOTA，变成了今天的“万能”助理？ 以及，终结者真的会到来吗？AI会在某个时刻突然觉醒，统治人类吗？ 还有很多人疑惑：为什么感觉AI都火了两年，可是我觉得生活似乎也没有什么改变呢？ 今天，我们就来聊一聊，2022 年突然“涌现”出来的AI，会不会毁灭人类，以及它会如何改变我们的未来。 01 突然“涌现”的AI，还仍是黑箱 要理解今天的AI和过往我们认知的AI，或者说影视作品里常见到的万能AI有何区别，需要解释三个词：涌现、Transformer架构和黑箱。 今天媒体在提到AI时，一般会提到另外一个词：大语言模型（Large Language Model），简称LLM。之所以这么叫是因为这些模型的参数都很大，一般起步就是10亿参数起。ChatGPT，如果对其进行技术分类的话，属于文本生成大模型的AI产品。文本生成大模型就是指这个大模型一般生成文字，无法生成图片或者视频。 目前也有专门用于图片生成和视频生成的大语言模型，它们的技术构架与文本生成模型有相似之处，但也有所不同。图片生成模型的产品如Midjourney已经开始商业化，视频生成模型如Sora、可灵等因为生成时间短、人物角色不可控等，还处于尝试阶段。 先说第一个词，Transformer架构，这是目前的文本生成大模型的主要技术基础之一，来源于谷歌于 2017发表的一篇论文《Attention Is All You Need》，这篇本来为了解决和优化机器翻译任务的论文，提出了一个新的神经网络结构——Transformer 架构。它适用于自然处理（NLP）领域，以注意力机制为核心。OpenAI的GPT模型就是基于Transformer架构构建的。 如果简单解释GPT架构的话，就是预测下一个词（Token）。比如给GPT模型一句话“明天看起来要___”，它会试图猜测划线部位应该是什么词语，会给出各种答案，而在人类的反馈训练后，它会倾向于给出“晴天”“下雨”等合理的词汇。 要注意的是，GPT说出“下雨”这个词，不代表它真正理解了这句话，它可能只是在无数种选择中，选择了人类最喜欢的那个回答。 也就是说，AI的理解，是一套高度复杂的模式识别和概率预测过程，基于对大量数据的统计分析，通过识别输入中的模式并生成相应的输出。AI没有真正的感知体验，也没有情感或意识参与其处理过程。 在OpenAI最初的GPT-1和GPT-2中，在基于一定数据和算力的训练下，大模型的表现还算不错，但是没有让大家为之惊喜的地步。很多情况下，系统仍需对特定任务进行调整才能获得好的效果。但到了GPT-3的时候，与GPT-2相比，模型的参数量翻了116倍，是一个拥有1750亿模型参数的大语言模型，模型的能力似乎突然就突破了奇点状态。 也就是说，当参数规模和机器算力达到如此惊人的规模后，AI的能力突然“涌现”了。 简单说来，这次的“涌现”就是大力出奇迹。 也就是说，数据量、算力、模型规模足够大之后，AI 的能力确实会提升，这也是目前各家AI研发公司努力的方向。大模型的参数量在不断提升，比如Meta（前Facebook）的Llama3大模型参数就达到了405B，也就是4050亿参数的规模。规模如此之大，需要用到的GPU显卡数量也在不断增加。大家所熟知的科技狂人——伊隆·马斯克刚刚建立起了他的10万显卡算力集群，就是为了用更大的算力和参数量来训练和提升他旗下的公司xAI研发的大模型。 要注意的是，涌现虽然某种程度可以说是AI突破了某个奇点，但这个奇点，不是科幻作家弗诺·文奇所提出的“技术奇点”，也无法说明AI真的理解了这些内容，因为目前模型的内部原理对于我们来说仍然是个“黑箱”。 用目前在创业的AI大牛李沐的话来说，如今的大语言模型就像炼丹，需要把一些材料放进丹炉里面，然后用丹方去把丹炼出来。大模型的数据就是炼丹的材料，算力就是炼丹的火力，算法就是炼丹的丹方。但是，道士对于炼丹的技术细节是完全不理解的，就如同我们对于大模型里面的运作机制还没有搞明白一样，我们目前只知道输入和输出，但对于内部的技术机制还在研究中。 也正是因为对机制的完全不了解，2023年3月份，伊隆·马斯克、杰弗里·辛顿等上百位科技人士联合发表公开信，希望暂停训练比GPT-4更强大的AI系统至少6个月，因为他们担心超级智能出现。 虽然最终呼吁没有被响应，但这些人的担心也有一定道理——现在的AI是个黑箱，我们不知道会发生什么。 只是对于我们来说，可能有比暂停研发更保险的方法来控制AI。而且，技术的爆发一旦来临，也不是几封公开信就能拦得住的。 但是，回顾历史我们会发现，在科技史上，原理的研究走在发明之后是常有的事情，莱特兄弟发明飞机之后，可能在30年之后，也就是1930年左右，人类才算是搞清楚了飞机的原理。 技术一般都会走在研究的前面，这是常态，黑箱也没有那么可怕，Don’t Panic! 02 人类担心了几十年的AI觉醒，暂时不会出现 公开信只是今天的人类对于AI的恐慌的表现之一，AI觉醒、AI威胁论，这些在科幻电影和小说中都耳熟能详的桥段，也是轮番登场。 今天的AI，真的会突然觉醒，然后与人类为敌，甚至统治和消灭人类吗？ 简单了解了今天的AI的机制，就会知道，科幻小说和电影中经常出现的“天网”“Matrix”，可能暂时是出现不了的。 今天的AI，暂时还不会突然觉醒，也不会想着去统治人类。 就如同我们上文所说，今天的AI的主要输出机制还是“猜测下一个单词或者文字”，从过往的上亿个数据集里，基于统计模式猜测人类可能最喜欢的那个，虽然看起来是生成了看似智能的回答，但是它们并不真正“理解”所处理的信息。还是上面举的例子——“明天可能会下雨”，AI并不理解明天和下雨代表了什么，只是因为“下雨”最常出现在这句话的结尾。 科幻作家特德·姜对此也有自己的观点：AI在说“对不起”的时候，并不理解对不起所代表的歉意和情绪，只是这个词可能是这个场景下最有可能出现的词汇。 还有就是，今天的AI，是一个完全只会响应输出的AI，并没有自主行动的能力或者欲望。如果人类不给它下命令，它什么也不会做。 我们可以假设下，如果它有了自主行为的欲望，并且有了要统治人类的想法，AI现有的能力是不是能够毁灭人类？ 首先，AI需要更快速的成长，迅速增强自己的能力，这样才有可能实现自己统治世界的阴谋。 但是，它遇到的第一个问题是，“食物”不够了。训练GPT这样的文本生成大模型，使用的语料数据，是互联网上的数据、出版的书籍、新闻，以及各类高质量的文本数据。但是，其实到今天，人类有史以来积累的文本数据语料，已经差不多都喂给它了，才实现了现在这样的能力“涌现”。 肯定有人想到可以让AI生成数据，其实已经有部分厂商在尝试用人工合成或者AI生成的数据用于大模型的训练，不过，今年7月份《Nature》杂志上的一篇论文显示，用AI生成的数据训练AI，会让模型的能力下降，甚至模型崩溃，开始退化。生成的数据能用，但目前看来效果不显著，而且有风险。 然后还有算力的问题，也就是说，AI能力的提升需要大量英伟达或者其他科技公司生产的用于AI计算的专业显卡。普通显卡也不是不能用，就是效率比较慢，折损也比较大。即使是专业显卡，如何把上万张显卡组合在一起，并且有效减少其中的能力折损，也是现在还没有完全解决的问题。目前比较高效的算力叠加方式是显卡集群。伊隆·马斯克刚刚搭建了他的拥有10张H100显卡的超级集群，这应该是目前世界最强大的AI训练集群。 但是马斯克的公司训练出的大语言模型xAI，能力也很一般，果然只有算力也是不行的。 对于不少公司甚至国家来说，10万显卡集群的难点除了要解决显卡的数据交换问题，还需要一个能稳定的发电设施，单一数据中心供电或者分布式供电，前者对基建能力的要求较高。以马斯克的10万卡集群来算，10万卡集群所需的关键IT部件的总功率约为150MW，相比之下，美国最大的国家实验室超算El Capitan的关键IT功率只有30MW，约为五分之一，可谓是相形见绌。如果粗略计算，在能耗方面，这些服务器一天就要消耗大约300万千瓦时的电力，相当于北京市东城区一天的居民用电量。 这还是目前级别的AI的耗电量，也就是说，影视剧中那种AI突然觉醒，将整座城市的电力一次性消耗的场景很难发生。因为，觉醒后的AI需要的电量可能要远大于一座城市的供电量。 但，即使AI通过某种方式解决了数据、算力和电子的问题，就当下的AI而言，与现实世界的隔阂，仍旧是它很难统治世界的一个主要原因。 今天的AI，其实还不理解真实世界，它最擅长的反而是创作内容，比如文字、图片或者视频。 为什么创作文字是最容易的？因为文字是一维的交流方式，甚至在某种意义上是比较低效的一种交流方式。现实世界反倒是最复杂的，在GPT之后不少专家提出了世界模型的概念，也正是因为这个原因，让AI理解文字是最容易的，理解世界反倒是最难的。 自动驾驶花了不少年，现在才可以在部分城市实现有限的无人驾驶，而机器人要面对的现实情况，比自动驾驶复杂很多，这也是为什么机器人还没有很快将人类取代，而今天最普及的机器人是扫地机器人。这也是为什么，AI没有像人类所担心的那样去取代操作工人，而是差点取代了文字创作者。 现实世界的三维交互，对今天的AI来说，还是一个做不到的任务。 所以，今天的AI无法制造一支机器人部队消灭人类。 如果它真的想毁灭人类，最快的方式是取得各国的武器发射权限，发射核武器。前提是，有人给了下达了这个命令，并且AI遵守了这个命令，还突破了各种实验室和网络的限制，拿到了发射权限。但大家都知道，今天的AI，连脏话和色图都限制了。 但是AI仍然是有机会毁灭人类的，只是是一种让人类自我毁灭的方式。 网络上遍布的虚假新闻、deepfake（深伪技术），已经使人类内部产生了很大的隔阂和理念冲突。 这反倒是目前的AI最有可能毁灭人类的方式——让人类死于内战。但，即使没有AI，人类也是有可能灭亡在自己手里的，所以，放宽心吧……≧ω≦ 03 今天的AI，能取代人类的工作了吗？ 既然AI暂时不会觉醒，也暂时不会消灭人类。那我们进入下一个问题。今天的AI，可以取代人类了吗？ 或者说，今天的AI，可以取代人类的工作了吗？ 简单点说，可以取代一部分工作了，但核心不是取代，而是增强人类。具体的话，则要看具体的工作内容和场景。 我们可以从当下AI主要的几个不同的类型来看今天的AI的技术能力以及成熟度。 今天大家所讨论的AI以及大模型，目前可以简单分为三类：文本生成模型、图片生成模型、视频/音频生成模型。 成熟度较高的文本类AI产品 主要是以OpenAI的 GPT系列为代表，其他包括 Claude、Gemini、Llama、文心一言、通义千问、kimi等国内外的模型产品，技术比较成熟，已经在很多现实的场景落地，进入了商业化。 比如国外的ChatGPT、国内的kimi、豆包，都是用户使用较多的产品，主要功能以文字对话为主，配合上不错的提示词，AI可以帮助你进行文本翻译、文章解读、句子润色、邮件创作等办公或者学习场景下常见的一些文本工作。目前文本类AI的能力，可以认为是一名通才大学生的能力，懂多国语言，语文也不错，但数理化可能会差一些，很擅长去讲解一些概念，但做数学题不太行。 发微博/小红书、回邮件、翻译英文文章、脑暴小伙伴，甚至创作剧本和小说的部分内容，这是笔者的朋友使用文本类AI的一些场景。 已经开始商业化的图片生成产品 图像生成模型，以 Midjourney、Stable Diffusion、DALL-E 3为代表，主要以生成图像为主，也就是所谓的 AI画手，也有了一些商业化场景落地。 一些游戏场景、书籍封面、以及电商商品的演示图都开始使用AI生成的图片，2023年国内比较火的一款应用“妙鸭相机”也是AI生成图片，不过是用图片生成图片。 图片生成产品目前的主要问题是成功率不高，类似于游戏的“抽卡”，需要跟AI对话很多次才能生成一张满意的图片，而且现阶段图片生成AI对于人类的自然语言理解还不如文本生成AI那么好，需要掌握一些写作咒语的技巧才可以。 还在尝试阶段的视频、音乐生成类产品 春节期间最火爆的一款AI产品，无疑就是OpenAI的Sora了，这是一款文本生成视频的AI产品。由于在AI生成视频的时长上成功突破到一分钟，再加上演示视频的高度逼真和高质量，Sora立刻引起了轰动。但是，到现在Sora还没有面向大众开放。 而其他的视频生成产品，都在追赶Sora的路上，Pika、Runway以及国内的可灵、Pixverse、豆包的视频生成模型等，从3秒时长开始慢慢追赶，目前是10秒左右，距离商业落地尚有一段距离。 音频目前主要分为两类：文本自动转为语音的 TTS 类，以及以 Suno、Udio为代表的音乐生成产品。 文本转语音产品已经在很多商业场景落地，AI读小说、给视频配语音甚至AI自动生成播客等。 而音乐生成产品还只是在尝鲜阶段，而它们面临的版权问题，也比文本生成产品要严重得多。 差生工具多，这些工具都可以试试！ 大语言模型的竞争，发展到2024年9月，正逐渐变成了科技巨头们如谷歌、微软、Meta和Amazon的竞争。国内目前还是巨头+新秀百花齐放，但可能不久后也会有新的格局变动。毕竟，大模型研发这件事太烧钱了，又迟迟没有见到好的商业落地。 怎么说呢，这个发展倒是完美符合科幻作家们的预测。科技巨头垄断一切，打倒资本巨头！ 这次，我们按照热门产品类型，来介绍下国内外AI相关的产品。如果把它们都体验一遍的话，对当下能做什么不能做什么可能有更直观的感受。 但，也没必要都体验啦口胡！ ChatGPT https://chatgpt.com OpenAI基于自己研发的大语言模型GPT系列推出的AI聊天产品，是目前世界上用户数最多的AI产品之一，也正是它，引发了全世界对于AI的关注和讨论，以及这一波的AI科技热潮。 ChatGPT背后，是OpenAI推出的一系列GPT模型，目前性能最强大的是GPT-4和GPT-4o。ChatGPT目前主要是文本聊天，无法生成视频或者图片（部分付费用户可以生成图片），但可以识别图片。 OpenAI的文本生成图片的大模型为DALL-E 3，2023年发布，用户只要输入文字描述，就可以生成相应的图片。 OpenAI的文本生成视频的大模型为Sora，在2024年2月发布了部分演示视频，但尚未对普通用户开放。 微软重金投资了OpenAI，两家公司目前是强绑定关系。 Claude https://claude.ai Anthropic公司基于自己的大语言模型Claude系列推出的AI聊天产品，背后的大模型Claude 3.5是目前能力不亚于GPT-4o的文本生成大模型。 这家公司一直宣称”宪政AI”（Constitutional AI），可能是目前在AI与人类对齐方面做得比较好的公司之一。很多人认为Claude很擅长用来做文本生成或者代码生成。