三大全球顶尖科学家眼里的ChatGPT：未来是人机共生的二元社会

ChatGPT一夜爆火，这款人工智能聊天机器人可以写出以假乱真的大学生作业，可以通过谷歌程序员面试，能给总统写发言稿。 仅推出2个月，ChatGPT月活用户突破1亿，Instagram做到这个量级，用了两年半，TikTok用了9个月，而ChatGPT只用了2个月。

一时间，从使用者，到投资人，一股狂热的人工智能风刮了起来。 谷歌紧急发布对话式机器人”Bard”（吟游诗人），百度也宣布将发布中国版人工智能聊天机器人程序“文心一言”。随 着诸多巨头加码，AIGC（人工智能自动生成内容）领域或将成为2023年最值得关注的的热门赛道。

AI领域知名畅销书《暗知识》著作王维嘉，在硅谷从事人工智能创业投资30余年，他提出，人工智能为什么能写出比很多普通人写得都好的作文，这是因为人类通过学习明知识进步，AI通过学习暗知识做判断，而暗知识的体量相比于明知识是巨大的。

在全球人工智能领域专家，香港科技大学首席副校长郭毅可看来，AI的发展势不可挡，现在是ChatGPT的惊艳，未来会有更多震惊世人的AI。当下的社会是人类一元社会，未来的社会是人机共生的二元社会。

加州大学伯克利分校教授Pieter Abbeel，在ChatGPT的公司OpenAI担任研究员，他揭秘了GPT的算法，更是一种减少标签的无监督的深度学习，训练量小，却比高度专业化训练做得更好。

在中欧创业营和创投营的课堂上，三位全球顶尖的人工智能领域专家分享了自己对人工智能和AI深度学习的见解。

AI为何能成长得如此迅速？这跟机器人的学习方式有直接关系。人类通过学习明知识成长进步，而机器人则通过暗知识学习做出判断，而暗知识的体量要远远大于明知识，这也是ChatGPT短时间给的回答比人的回答更“准确”，更“有趣”的原因。

1、学习人类的知识反而是AI的累赘？

不管是ChatGPT还是其他，所有机器人的鼻祖要属AlphaGo，其打败世界围棋冠军一战成名，第一次将“人工智能”的概念被推到风口浪尖。

AlphaGo的学习原理是这样的，它把人类历史上几万盘残局学习了一遍，按照人类的路子把人类围棋大师打败了。

有趣的是，谷歌工程师又打造了AlphaGo Zero，不去学习人类的经验，而是直接告知围棋的规则，让机器人自己练习。经过多次练习，AlphaGo Zero只用了一天半时间就把原来的AlphaGo打败了。

这件事对人类自信心的打击非常之大，震撼也非常大。

它说明了，在某些情况下，人类的知识不仅没有用，反而是累赘。机器人不学习人类的棋谱，反而下得更好。没有人能说清楚为什么AlphaGo Zero不学人类的经验，反而比人类下得更好，这在人工智能上叫做“不可解释性”。

很多人工智能呈现出这一特性，比如，机器人可以预测出来这个股票明天涨，至于为什么，机器人说不出来，它只是从大数据中得出了这一结论。

这给了我巨大启发，我开始提出这个问题：“会不会有一类知识是人类根本无法理解的？”这一问题乍一听似乎是悖论，其实答案是肯定的，这一类知识就叫“暗知识”。

传统认知里的知识都是可以用符号表达的。而今天机器学习是一种暗知识，暗知识本质上就是大量数据之间的相关性。因为系统太复杂，变量太多，已经远超出人类小脑袋瓜的认知能力。但变量越多，机器学习就越得心应手。无数的机器将不知疲倦地昼夜工作，很快我们就会发现，机器新发掘出来的暗知识会迅速积累，这才是人工智能、机器学习带给我们最革命性的变化。

2、大部分行业还没有开始被AI改造、颠覆

如今的AI已经发展到可以跟你顺畅地聊天，下一步，人工智能能做什么？我认为，其产业生态是一个金字塔结构。

最顶端的，我称之为“皇冠”，是算法。人工智能过去十几年能突然火爆，一个重要原因就是在算法上取得了突破。算法虽然是最核心、最重要的，但是它的市场很小。我看了很多算法公司，最后都没投，原因是不知道怎么变现。如今的算法主要集中在高校和大公司里，新的算法一经发表，就成了公共财产，每个人都可以去做。大公司甚至将算法做成开源系统。

第二个层面是芯片；不过其研发成本高、风险大、垄断性强。

第三个层面是软硬件平台；类似计算机操作系统的东西。

最下方的是应用层面；这里的市场规模是最大的，目前大家是投的也主要集中在应用方面，包括大众比较熟悉的自动驾驶、图像识别、语言文字翻译、医疗制药、垂直市场，这里面还包括意外市场。

什么是意外市场？当一个新技术出现的时候，人们对它应用的想象都是线性的。比如说当汽车出现，大家能想象到它会把马车替代掉，但实际上汽车产业给人类带来的变化不止于此，有了汽车以后，高速公路形成网络，人不需要挤在城里了，大家都搬到郊区后，大的购物中心也建起来了。这一系列变化是汽车刚发明的时候想象不到的，这就是我所谓的意外市场。

目前AI只是莱特兄弟刚刚把飞机飞离地面，离5马赫超音速还很远。从市场上看，目前受到AI冲击的传统行业还很少，大部分行业还没有开始被改造、被颠覆，因为 AI 从业者都忙乎进入那些没有传统巨头的行业，如人脸识别和自动驾驶等。但是不可否认，AI的想象空间依旧很大。

3、三个标准判断行业是否会被人工智能颠覆

ChatGPT可以写论文，可以写发言稿，眼看着越来越成熟。随着ChatGPT的大火，更多人在担忧：我的工作会不会被AI替代？

人工智能、机器学习比较容易进入什么样的行业？很简单，三个判别标准，

第一，这个行业会产生大量的数据；没有草，牛吃什么？怎么能挤出奶呢？人工智能是建立在大量数据的基础上的。

第二，数据之间有非常复杂的关系；如果只是把空气净化器工作的噪声记录下来，这也是数据，但是这个数据非常简单、单调，没有意义，只是单纯的噪音。有意义且关系复杂的数据，人类处理起来非常艰难，而人工智能就能发挥作用。

第三，这个行业有大量可以改进的地方；也就是说，整个生产服务流程里，还存在非常低效的地方，人工智能可以大大提效。

我们不说AI代替人工，更多是从AI是否可以服务该行业，而用这三个标准去判别就可以知道什么行业适合人工智能，比如金融行业就是特别适合，无论是证券、保险和理财都满足以上三个条件，所以用机器学习就可以在这个行业有很好的应用。

人工智能的时代已经来临，在大家为ChatGPT表现出来的“超人类”或者说“类人类”水准大为赞叹的同时，更多人有着隐约的担忧，AI发展得这么强大，写的作文都可以通过考试，那会不会替代人类？

实际上，关于人类与AI的共存问题，长期以来都有讨论，而 这不仅是一个科学家的问题， 更是一个社会科学家需 要思考的问题。 我们 对AI社会 的预测 大体上可以分为三类观点：

第一类是悲观主义；认为AI发展壮大后，人类社会将出现灾难性变局，因为人类的工作都会被AI替代。

第二类是乐观主义；认为AI足够成熟以后，人类都不需要工作了，AI可以养活我们，人类完全可以活得更愉快。

第三种是谨慎乐观主义；他们认为AI的发展并不会取代所有的工作，但AI确实提高了人类社会的整体技术水平，会给未来社会带来了新的社会结构和生活方式。

不管人类对AI的态度如何，不可否认的是，未来社会中AI一定会扮演极其重要的角色。麦肯锡的报告预测，未来十年是很有意思的十年，因为AI将改变所有人的生活。报告预计大概到2030年，GDP高的国家，比如美国、英国等，25%左右的工作会被取代，中国稍微低一些，大概16%左右的工作会发生变化。

现在机器在干什么呢？牛津耶鲁推出的《机器人人文时刻表》已经出炉。

这个时间表非常清晰，2024年，机器可以写程序了。2026年机器人基本上可以写高中水平的作文，清华大学制造的机器人参加高考，已经能考到二本高校的水平了。到了2027年，世界上会有最有名的40首流行歌曲，不是人写的，是机器写的。2028年AI可以拍电影了，2049年中华人民共和国成立一百周年的时候新闻都是机器写的。到了2050年，机器可以赢世界的数学比赛。2059年，基本上数学都将没有了，机器来做数学研究。

很重要的一点是，今天人工智能的发展不仅仅是体力上的替代，比方仓储机器人，更可怕的是机器已经走向了人文社会，形成了一个像人一样有社会功能的元素。

从这个角度上说，未来人类的社会将是二元社会，现在的人类社会是一元社会，只有人类，人类在整个食物链的最高端的，其他都是被我们“吃”掉了，而未来不一样，按照这个趋势，未来社会会出现两元，除了人类，另外一元就是机器人。

而在人机二元社会里，不仅有人跟人之间打交道，人跟机器也在打交道。在互联网的环境中，你交流的对象到底是一个人，还是一台机器，往往都无法严格地区分清楚。

我们习惯跟机器人一起做决定，比如开车离不开导航，人和机器一起合作达到了目的地。包括前段时间成为热门话题的蚂蚁集团，所谓的芝麻信用就是利用机器来决定要不要借钱给某个特定的人。

如今AI的应用非常广泛，大致可以分为四类：

逻辑推理；比如说计算机可以下棋，可以看医学图像，这些辅助做决定的都属于逻辑推理。

计算机视觉；国内也叫做人脸识别，如今广泛使用的自动驾驶、安防解锁等都是基于此。

智能语言处理；现在通过计算机可以生成新闻稿、文章，甚至进行一些艺术性创作，比如诗歌。

语音识别；手机里与Siri的互动就是典型的语音识别，包括微信上语音讲一句话便可以翻译成文字，这些都是语音识别的范畴。

未来人工智能的发展充满想象空间，也是一个大的方向，我大胆预测，未来世界就是人机共生世界。然而其中一大不可忽略的问题就是伦理原则，它不是一个技术问题，是一个科学问题，更是一个哲学问题。说到底我们需要关心的是，人工智能伦理到底是外在的还是内生的？

外在的做法，是把人工智能的伦理作为一个要求放在效用盘里，告诉机器应该做这个，不能做那个。

内生的做法，是在人工智能系统里面给出一系列基本原则，要求机器只在这个基本原则下优化行为。

今天为止，我们采用的都是外在的做法。不过内在的做法其实是更优解，就像从小教育孩子要做好人，把做好人的原则告诉你，然后你再学习，你就能举一反三，难以形成危害。埃塞俄比亚飞机失事事件就是人工智能行为伦理外在的悲剧，让自动驾驶的机器不能做这个、不能做那个，当有不在清单里的特殊情况出现时，机器的判断和人的判断不一致，这就出了问题。

今天的人工智能还做不到这一点，人工智能只能告诉你答案，但是不能告诉你，我是如何得到这个答案的。今天的人工智能不强调因果，实际上是一个很重要的缺陷，将来是要弥合的。

ChatGPT，是美国人工智能独角兽OpenAI推出的一款产品。OpenAI推出的AI产品不只有ChatGPT，还有Muse Net，GPT-3，DALL·E等，这些产品一经发布就震惊业界。

GPT（Generative Pre-trained Transformer） ，中文翻译是“生成型预训练变换模型”，它模拟人类的“神经网络”去学习，就像一个小宝宝一样，被“喂养”的数据足够多，见识多了，这个宝宝就成长成为能跟你聊天对话的状态了。

具体来说，OpenAIGPT的算法更多使用的无监督深度学习，训练量少，却表现很好，背后是怎样的逻辑？我们先从机器人的深度学习说起。

一、使用更少标签无监督的深度学习

无监督的深度学习最有可能使用，但是成本高又投入大。如何省时、省钱、又省力地实现，是如今被关注的重点。

AI可以跟人一样，就是让神经网络像小婴儿似的，通过广泛看世界来学习，而不是把所有的标签范例都给它看。 无监督的深度学习就是用更少的标签来学习。

例如一个输入，小孩子还在看图片，神经网络处理时，任务1就进入视频下一帧，并且可以预测下一个会看到什么。虽然任务较难，需要很多学习，但是这项任务不需要给任何数据加标签，通过大量视频让网络预测下一帧是什么，需要使用无限多互联网上的数据。任务2真正的任务，比如看马路上现在有没有车或是往来实物。

文本也可以这样处理。

比如一句话或一段文章，任务1是预测下一个单词。任务2是预测情感，是OpenAIGPT-2的算法，也是一个神经网络，主要针对文字和文本预测。

首先给出一个提示，算法会告诉它接下来会干什么，接下来又会发生什么，做了这样一个训练以后，还可以进一步，给它带一定正面或是负面的情感。

OpenAIGPT-2的算法，记录表现好，训练量小，需要人的努力少，比高度专业化训练做得更好。

谷歌也有与GPT-2类似的算法，是BERT模型，当中有一个MASK是遮蔽，把单词遮蔽起来，让算法猜，也是一种非常自由式，无监督的深度学习。 对比之下，在所有基准里相对其他算法，谷歌BERT模型表现更好一些。

以下每一张图横轴是神经元网络大小，越往右表示神经元网络越大，纵轴越往上走绩效表现越来越好。

人工智能领域最重要的趋势是神经网络越大绩效越好。无监督深度学习找数据很简单也不需要投喂，可以尽情享用互联网资源，就有足够数据可以训练。

自然语言处理（NLP），是AI下一个五年，非常大且会改变一切的领域。

二、超越模式识别AI深度强化学习

1. 深度强化学习：有目标的AI

例如你想拥有一台机器人，让它在家里给你提供清洁、洗碗、烧菜等等服务。目前可以造这样一台机器人，但是还需要让它足够智能。足够智能的机器人必须要了解，整个世界是如何运作，能够在真实世界里面生存。

同样，在市场营销、广告宣传以及运营物流等行业也是如此，各项工作都是一个闭环，需要先感知世界，得到反馈后再对应调整行为，再去感知，再去反馈，再去调整，循环往复的一套系统，能够让机器人更深层次了解这个世界，而不仅仅只是表面一个模式的识别。

2. 有关深度强化学习的成功案例

深度强化学习非常难，但是已有一些鲜活且成功的迹象浮现。

2013年深度学习发现神经网络可以打游戏，其原理就是处理图像做决策。有所不同的是，训练它去玩这些游戏，练得越久游戏水平越高。 在伯克利有一个学习运动能力的课让机器人学习，就像人的小时候一样，先练习走、快走、慢跑等不断迭代慢慢学会跑步。

3. AI应用于现实

① 节能

谷歌也在训练神经网络，管理什么时候打开或者关闭数据中心空调，以节省很多能源成本。

② AI机器人

OpenAI的展示说明，如果机器人有足够多训练和练习，甚至可以单手玩魔方。

AI机器人技术是进入现实世界的切入点。

在仓库分货的机器人就可以完成仓库幕后工作，具体的流程操作会转型成自动履行订单。 随着深度强化学习越来越娴熟，机器人在现实中可以完成更多工作。

据统计，每年有两万亿美元，支付于需要用手完成的工作中。目前已经在训练机器人做这些工作，它的现实价值就达到每年有两万亿美元，高于绝大多数人的年薪。

4. 深度强化学习的战略

① 机会

以目标为导向持续改进AI。

基于网络用户互动，可以优化大规模系统。

在目标明确但创作内容不明确的情况下，加快创作进程。

机器人不断试错以提升自身技术。

② 操作系统

奖励系统+AI专家团队+算力+“执行中”数据收集，相当于及时让机器人学习，让它一边做一边实践一边收集数据。

③ 前瞻性战略

需要找更多早期应用案例模拟环境，而且成本也相对容易控制。另外，如果已有人工完成，可以先拍摄下工作场景，再示范引导和训练机器人。

我相信，只要持续做AI，每天都在生成更多数据，AI一定会有持续的新发展。

AI的创新仍有很多可能性，会继续释放出更大算力，近年实验规模也是呈指数级增加，我预测未来：

算力资源未来至少还有5-10年的快速增长。

将有可能完成以前无法进行的实验。

AI领域将快速取得更多突破性成果。

AI的颠覆性优势是未来极有可能不再有车祸，人类在数学、物理、化学、生物等领域将有新的探索，还可以帮助我们消除许多疾病，并助力人类完成创举，比如去火星。

但不可否认的是，AI也会带来诸多负面效应，比如虚假新闻或故事、缺乏隐私保障的社会环境、部分工作岗位的消失，另外还可能造成财富极度聚敛于领先的AI公司。

※本文根据三位嘉宾在中欧创业营创投营课程分享整理而成。

原文链接：https://36kr.com/p/2143814724206345