你好，我是王煜全，這裡是王煜全要聞評論。
這兩天，微軟的AI搜尋功能已經上線測試，趁着chatGPT的熱度，2009年就已經推出的Bing APP重新煥發光彩，下載下傳量一度暴漲了5倍。
大家自然不能放過這個新玩具，各種測評、分析都已跟進，讨論得挺熱烈，一會兒能聽到有人說技術颠覆出現，谷歌地位不保；一會兒又有人告訴你AI不過如此，錯誤百出沒啥實際用處，谷歌市場占有率依舊堅挺。
過去一周，我和大家一起分析了AI産業的未來格局。今天我想還是要站在當下看未來，和大家一起聊聊，如何看待今天的這些争論，如何理性看待通往未來的道路。
首先，我還是要提醒大家，今天隻是AI變革剛開始，産業終局并不會立刻到來。
根據我們的理論架構，新技術改變人類社會要經曆「行為改變-習慣改變-文化改變」的過程，今天Bing上線AI搜尋隻不過是新一代AI應用誕生的小标志，我們如何使用AI，AI的功能該用到哪些地方，這些都還需要探索，現在隻是行為改變的開始。
正因如此，在這個階段各種觀念、各種看法會不斷交鋒，充滿了各式各樣嘈雜的聲音，我們會聽到更多“技術颠覆”的呼聲，也會聽到更多“不過如此”的批評。
這正是新科技融入社會，新變革開始的一大特征，直到各種争論平息，新的AI應用成為我們的日常使用習慣，人們都覺得技術似乎沒有什麼新鮮的，技術的颠覆才真正完成。
這就好比網際網路剛出來的時候，各種颠覆的概念最多，但真正颠覆了人類社會的傳統習慣，其實是每個人成為網民的時候。
今天才上線了一個AI搜尋，但不少人已經發現chatGPT在翻譯、文案、輔助決策上的潛力，更不用談和AI繪畫、遊戲、筆記等已有應用結合的各種可能性了。
随着AI技術融入到越多行業中，關于使用習慣、資料所有權的争論也會越來越多，我們既要認識到缺陷與不足，更要明白新技術一旦鋪開，必然勢不可擋，唯一的差別就是你今天使用，還是明天使用。
其次，AI技術本身也仍然在變革之中，今天chatGPT的驚人表現，用特訓營的說法是：又一批AI技術階段性成熟，孕育出的“low-hanging fruits”—低垂的果實。
去年2月，我在特訓營裡和大家總結了AI技術70年的發展史，分享了現階段人工智能大模型技術成熟的各種标志，分析了技術成熟後産業爆發、硬體疊代以及資料業務的新變革。
那次課程有一個基本的結論，就是AI技術要再進一步成熟還需要時間，其中提到了Yann LeCun的「小世界模型」，一種模仿人腦優化AI的設想，很有潛力。
當然真正的技術一線研究人員做得更為具體，比如一直比較熱門的「稀疏專家模型（Sparse Expert Models）」。
打個不太準确的比方，現在的AI大模型在整個神經網絡中沒有任何分工，所有的資料都得AI大腦一起處理，不但資料需求量大，訓練成本高，訓練優化也需要很多人工調試才行。
成本高是一個方面，資料需求量大其實才是關鍵問題。2022年有研究做過估算，全世界可用于AI大模型訓練的高品質文本資料，用AI訓練的機關看就在4.6萬億token到17.2萬億token之間，由于資料标注大小不同，換算成文字機關的話，在3.2萬億單詞到4.2萬億單詞左右（注：論文名《Will we run out of data? An analysis of the limits of scaling datasets in Machine Learning》）。
今天人工智能大模型訓練，最多的已經用到了1.4 萬億token，資料瓶頸已經擺在面前，要解決這個問題，要麼就得雇更多的人做資料标注，要麼就要探索新的AI算法架構。
「稀疏專家模型」就是後一種探索，通過把整個神經網絡分成一堆「小專家網絡」，每個專家負責某個特定領域，讓AI訓練的能耗、計算量大幅減少，性能表現還能有所改進。
比如，谷歌開發的GLaM稀疏專家模型，參數規模比 GPT-3 大了7倍，但根據他們測算，訓練耗能降低了三分之二，計算量減少了一半，在一些通用表現上還比GPT-3要好些。
當然，這隻是前沿案例中的一個，各種嘗試都還在進行中，就連chatGPT本身也在進步，OpenAI一直在使用資料并行、流水并行以及「專家網絡混合」等新的技術優化方案。
任何新科技在剛推出的時候都是不完善的，随着技術的進步，很多眼下的問題都會得到改進。但不可否認的是，今天我們已經駛入了AI變革的彎道，新的未來正在逐漸露面，大家既要認識到技術變革的趨勢不可逆轉，也要明白技術融入社會還需要時間。
希望大家都能懷着「早期使用者」的心态，對未來抱有信心，對當下保持理性，這樣才能在一片嘈雜中找到屬于你的機會。如果你有這方面的心得，也歡迎在留言區與我們分享。
以上是今天的内容，更多詳細的産業分析和底層邏輯，我會在科技特訓營裡分享。歡迎關注全球⻛口微信号，報名加入!
王煜全要聞評論，我們明天見!