這屆的AI故事，還能講多久？_風聞

今年年初的時候，我給我爸媽演示了某款面向C端市場的AI產品。他們之前幾乎沒有接觸過任何形式的AI大模型，所以當我給他們談起現在的AI技術有多發達的時候，他們還以為這不過是siri這種語音助手的變種。

但在我通過語音通話的形式給AI提出問題並得到非常自然、流暢的回答後，我爸媽整個就震驚到了——他們用一種不可思議的目光看着我，問出了一個經典的問題：

“剛才和你對話的那個，難道不是真人嗎？”

AI數字人示意圖

在我讓他們嘗試玩了幾次之後，他們才終於確信：原來剛剛真的是在和AI打交道。後來的一兩天，我爸也下載了這款AI產品，玩得不亦樂乎。甚至一個星期後，我爸還在給我分享他讓AI寫的詩、畫的畫。

然後，就沒有然後了。

因為這款AI產品帶來的新鮮感已經淡了。

最近幾天，科技圈子裏最熱門的話題應該是被稱作“科技春晚”的蘋果iPhone發佈會。

但顯然，蘋果的“科技春晚”和“春晚”一樣，吸引力已經大不如前了——再也不復當年iPhone5S發佈時候的那種盛況——反倒是華為的三摺疊手機引起了不少討論。

可能這就是一個面向消費者的市場的殘酷性所在：消費者是很容易喜新厭舊的，如果你不能持續帶來新的東西，那麼很快，你的市場就會被競爭對手所蠶食——支撐iPhone當年地位的是前所未有的創新體驗，但現在，隨着整個智能手機供應鏈的崛起，各家的產品都已經來到了一個相當高的層次——iPhone可能再也不會給我們帶來當年的那種新鮮感了。

看看現在的AI，感覺似乎也是如此故事。而且由於大模型的迭代速度遠高於芯片，相應地，“下頭速度”自然也會更快一些。

就在上週末，一張來路不明、顯示Chat-GPT訪問量斷崖式下跌的圖就引發了華爾街的一陣動盪，緊跟着就是英偉達、谷歌、亞馬遜、Meta這些AI企業的股價下跌。

網圖，似乎是個大烏龍

雖然最終被證明是烏龍一場，但這種雞飛狗跳的畫面也挺搞笑的：

如果你真的堅信AI是未來，

又怎麼會被一張來路不明的網圖所蠱惑？

你對AI的信仰，

原來如此脆弱嗎？

今天，我們就來聊聊：現在這個版本的AI故事，究竟還能講多久。

“低端需求”

我曾經遇到過一些閃婚的情侶：初見的時候什麼都好，朋友圈裏全是什麼“斯人若彩虹，遇上方知有”的狗糧；但過了幾個月正常日子之後，私下喝酒時候，他們就開始給我吐槽各種瑣事和爭吵。

人還是那倆人，都是好同志，

但場景變了，現在真的要事兒上見了。

因為現實生活裏的問題，實在是太多樣太具體了：換下的衣服及時清洗了嗎？廚房的碗筷洗乾淨了嗎？菜買多了還是買少了？昨晚為什麼沒有把垃圾扔出去？寵物最近飯量下降了是不是要去醫院看看？中秋節假期快要到了，是不是要回老家看看爸媽……

這些零散、瑣碎、不涉及大是大非的問題，卻往往能導致一場火爆的爭吵，而案值往往不超過20元。

當事人往往會覺得自己瞎了眼了，但我們都知道，這並不是眼瞎不眼瞎的問題：

新鮮感過了，你開始用另一種更務實的KPI體系去衡量對方了，不再是熱戀期那樣單純看臉或者看性格了。

我們對當前這一波由Chat-GPT所引領的生成式AI的態度，其實也是如此。

一年多前，當Chat-GPT剛剛面世的時候，整個世界都為之驚歎——因為它確實體現出了強大的智慧，它真的可以理解我們在説什麼，還能像模像樣回答問題，還能和我們聊的有來有回，尤其是處理翻譯任務的時候，大模型幾乎吊打一切翻譯軟件。

但很快，整個市場就充滿了競爭者。

大模型終究不是光刻機，Chat-GPT證明了生成式AI的未來後，潛伏的競爭者們立刻就一擁而上——不論是美國本土的Claude.ai還是中國的文心一言和通義千問，從技術到體驗，都迅速跟上了Chat-GPT的節奏。

然後，我們和AI的“熱戀期”也就到此為止了，因為我們也要用一套更務實的眼光來看AI了。用更專業的説法就是，大家對AI的態度正在“迴歸理性”。

然後，大家才發現：原來AI也不過如此。

當下的AI，似乎只能處理我們的“低端需求”：

我曾經讓AI幫我出一個文章大綱，它反應倒是挺迅速，從原因到影響給我列了幾十條出來，但根本經不起細看，因為它完全沒有主次的概念——我那篇文章的重點就是去講述事情背後的原因，結果AI把原因分析部分只當成了一個平平無奇的章節。

七月份我去北京出差，期間和朋友約在某個燒烤店吃飯，拿到菜單我就樂了。因為菜單上的背景圖畫一眼看上就去就知道是AI的手筆——又把人物的手畫成麻花了。

我也曾經試着讓AI幫我仿照王維的風格寫一首“氣質清冷”的詩，結果AI馬上就給我端上來一個“老幹部體”，嚇得我趕緊關了。

至於AI譜曲更是離譜，反正我自己作詞讓AI幫我編了曲之後，聽了三秒就把耳機扯下來了，實在太TM尷尬了，我這種臉皮薄的人如果再聽一分鐘估計就直接進ICU了。

……

用我朋友對AI的形容就是：每次用AI輔助工作，給他的感覺都像是在給一個剛出校園的實習生布置任務——年輕人是真的勤奮又聽話，就是腦子不太好，活兒乾的太糙了，只能做最些最基本的事情。

大模型廠商們總是在憂慮DAU和使用時間的問題，不得不説，他們的擔心是有理由的。以當下諸多AI產品在現實中的運用體驗來説，確實很難讓人把AI當成可靠的工具或者相熟的搭檔。

AI落地，應該成為工具，而不是玩具，AI應該作為我們打工人的老師傅，而不是還需要我親自去“傳幫帶”的實習生。

瓶頸期

為啥這一屆的AI產品只能滿足一些低層次需要呢？為啥感覺AI似乎也不過如此呢？

這件事，還是要從底層的技術原理上來講。

以Chat-GPT為例，打造一個像Chat-GPT一樣的大語言模型，大概需要如下幾個環節：

首先你需要海量的數據，可以是各種小説，可以是各種新聞，也可以是各種視頻、音頻，但總之，你需要準備一個足夠大的“語料庫”讓它去學習，而且為了提高它的學習效率，你還要把這些資料都給做成標準化的數據，讓模型能更好接收。

之後，像Chat-GPT這樣的大模型基本都是基於Transformer架構，這種架構我們就不多説了，説起來太複雜，我們只需要知道，這種架構的用途在於它可以按照我們人類説話的語法去輸出內容，某種意義上相當於是AI的語言中樞和喉舌。

接下來，就是通過各種技術去訓練AI，再經過參數調整和一些優化，最終讓它能理解我們輸入的信息並做出合理的回覆。

但是要注意，“合理的回覆”並不代表“有用”，更不代表“擬人”——我兄弟給我發一些離譜東西的時候，我通常只會會他一串“哈哈哈哈哈哈”或者單走一個“6”，心情不好了就會回一個“有病吧”。但AI往往會故作禮貌、煞有介事地來一句“這真是一個非常有趣的圖片”。

前者雖然不合理，但卻很真實。

後者雖然很合理，但卻非常不真實。

造成這種尷尬的根本在於其開發的方式：

GPT們採用的是Transformer架構，相比起以前的RNN架構，Transformer能夠更好地理解單詞和單詞之間的順序關係，可以讓大語言模型的訓練速度顯著提高，而且能夠判斷出一句話裏到底哪個詞更重要，從而實現像真人一樣“有的放矢”。

乍一看好像沒啥毛病，但經不起細琢磨。

因為翻來覆去，GPT們做的事情都是在語言上下功夫，在不停地“猜字謎”，而不是在認識世界。

表現在實際運用中就是：你讓GPT去做翻譯工作，它可以做到99分的水平；但如果讓它去解答你的一些疑惑，可能表現就只有六七十分了。

簡單粗暴點來説就是：我説天冷了，AI自然會告訴我要穿秋褲。但AI這麼説的原因，並不是它知道穿秋褲會讓人感覺暖和，而是在它的訓練資料裏，“天冷”和“秋褲”這倆詞總是一起出現——它其實並不知道天冷了該怎麼辦，但它知道只要你説天冷了，它回一句“穿秋褲”大概率就能過關。

和某些兄弟們常説的“多喝熱水”差不多是一個意思。

説到底，這就是AI大模型開發技術上的一個通病：AI的確能理解我説的每一個字，也的確能做出合理的回答——但它做出回答的前提，並不是基於對事物發展規律的認識，而是通過海量數據的學習、通過MLM這樣的“猜字謎”訓練，給出了一個“看上去還挺靠譜”的回答。

AI視頻產品在這個問題上表現得尤其露骨，AI生成的視頻雖然有時候在畫面細節上可以做到極度仿真，但一旦涉及物理效果就會立刻把猴子屁股露出來——它並不能理解真實世界裏的物理碰撞會造成什麼結果，它只是在猜你想看什麼罷了。

Chat-GPT現在已經進化到了5.0版本（雖然還沒有正式上線），功能上當然是一代更比一代強，但這種增強的基礎，是它猜字謎的速度越來越快，猜字謎的強度越來越大，而不是真的增長了智慧。

這屆AI的故事，還能講多久？

業內對於這個問題的應對措施，則是祭出了另一種完全不同的思路——強化學習（RL）。

如果説“深度學習”的能力是在於理解語言，在自然語言處理、語音處理上可以表現優異，那麼“強化學習”則更像是在學着理解真實世界——外界不會給系統什麼指示，系統要自己試着去探索、去嘗試，然後在這個探索的過程裏獲得知識，進而讓自己越來越強大。

在這個過程裏，系統追求的是讓“獎勵信號”的最大化。這就像是一場電腦遊戲，系統不斷地和外界環境互動，每一個動作都會得到“獎勵信號”，做的越好，“獎勵信號”就越大，為了獲得更大的“獎勵信號”，系統就要自己學着做出更好的決策。

用更形象一點的話來描述就是：

AI相當於學生，人類則是老師——基於“深度學習”的AI們，它們的用着“人類教師”提供的“數據集”，在學習過程中，也要時時刻刻受着“人類教師”的監督——符合“人類教師”口味的，就會被鼓勵，不符合“人類教師”口味的就會被拋棄。

而基於“強化學習”的AI們，則更像是自學成才，“人類教師”只是領進門，修行就要靠它們自己努力了。在很多時候，它們是沒有什麼“學習資料”或者“監督指導”的，“人類教師”給他們的命令就是不停學習，至於能學成什麼樣子，其實“人類教師”心裏也沒底。

所以，我們可以看到：

基於“深度學習”的AI們，在語言理解、語音理解、圖像理解上表現極其優秀，因為這些東西的定義權掌握在人類手中，人類隨口的一句話，落在AI耳中就如神諭一般不可否定——AI們要做的就是無限貼合人類的口味，讓自己表現得和人一樣。

而基於“強化學習”的AI們則往往在和人類比高低，不論是自動駕駛系統教育老司機，還是AlphaGo打哭柯潔然後又被AlphaZero打爆，其實都反映出了一個結果：“強化學習”下的AI們，往往能夠做的比人類更好——因為人類要吃飯睡覺，但AI不用，在高性能芯片的加持下，AI訓練一年所見識過的棋局、遊戲，往往比一個職業棋手、職業電競玩家十輩子見過的都多。

畢竟，根據OpenAI自己的評估體系，像是Chat-GPT這樣的AI應用，其實只是最初級的L1水平，不過就是一個聊天機器人、一個有對話能力的AI。而基於強化學習的AI，則能夠達到L2級別，也就是能做到和人類一樣解決問題的能力。

而現在，我們已經站在了一個關鍵的時間點上：

因為大語言模型，也開始走“強化學習”的路子了，以後AI説話之前，也要動動腦子了——OpenAI一直在研究的“Strawberry”（草莓）項目，就是一個基於強化學習的大語言模型。

基於強化學習、有自己想法的大模型很可能最近一兩年就會上線，

在這樣的大背景下，我實在不知道這屆AI的故事，還能講多久。

····· End ·····