傳統之傳統
傳統産業之是以被稱為傳統，除了大部分并非依靠計算機技術驅動之外，同時也因為這些産業往往更貼近社會的基礎架構或生産要素，對國家經濟和民生福祉具有至關重要的影響。這些行業通常需要應對更為嚴格的行業内規定和行業外法律法規的監管，其業務特點也呈現出極高的細分程度。
在這些行業内，安全、合規、準确性往往高于效率，是以它們的資訊系統建設或資訊化程序，大多數情況下是對現有業務的更新加持——從線上化、半自動化到全自動化的演變過程，而所采用的方案必須同樣滿足行業的各項要求。傳統産業的資訊化建設之初，并非是「科技賦能業務」，而更像是「業務培育科技」。
以銀行業為例，當你考慮技術方案的時候，要考慮的基本款因素有：
合規：使用的供應商是否滿足國家和行業的合規要求。
比如，當你考慮使用SaaS的OpenAI的時候，OpenAI的法人，股東，連帶受益實體，是否出現在國際和國内的制裁名單上？
資料安全：使用的方案中，資料的使用，傳輸，保護是否滿足要求？
資料安全是個系統工程，往往從資料的采集，傳輸，使用，銷毀等生命周期完整的進行評估。當你考慮使用SaaS的OpenAI的時候：
- 你可能會輸入哪些資訊？是否有自身企業内的非公開資訊？如：企業内的代碼片段，企業内的流程制度，企業内的員工或其他個人資訊，企業客戶的資訊等
- 這些資料會如何被傳輸？顯而易見，資料的傳輸鍊路上雖然有SSL的加密，但傳輸的資料内容本身是不加密的。同時顯而易見，資料會從境内傳輸到境外。
- 這些資料會如何被使用？如果你閱讀ChatGPT的條款，你會發現你需要同意ChatGPT使用使用者内容改進和提升服務。也就是說你和Chat的互動會被存儲，并可能用于長期的訓練。嗯哼？
怎麼樣，任何一個傳統企業如果要商用，顧慮何如？
另外說個分支話題，許多行業外的人可能不知道，大部分銀行的生産環境尤其是核心系統的産線是實體隔離的。接觸生産環境的運維人員，隻能在固定的區域（很多時候是機房旁邊的運維房間）才能做生産環境的操作。
這不是技術老派的問題，隻是對于資料和生産安全來說，社會工程不可不防。武功再高也怕菜刀啊。
準确：傳統行業關心的首先是底線
傳統行業首先關心的是地闆而不是天花闆。目前的AI通過自注意層等設計，讓人機互動出現了前所未有的上下文聯系和自糾錯能力，但代價實際上回報存在一些不确定性，雖然可以通過參數進行調節，但這種不确定性仍然會根據prompt的差異而産生。
不确定性（uncertainty）意味着風險，這在傳統行業（尤其是金融）很可能是緻命的黑天鵝。如果你告訴一家銀行，我們上一個全自動的人工智能交易系統，99%的場景下可以比以前多賺很多錢，但1%的場景下可能原地爆倉，你看看風控部門怎麼說……
成本：成本問題暫且不說……後面說方案的時候一起比較
智能之能
Image generated by Stable Diffusion
在ChatGPT引領的AI浪潮如此熱烈的時候，人工智能究竟解決了什麼？
不打算重複大部分掃盲文章中的内容，隻推薦下面的一些材料：
- Sparks of Artificial General Intelligence: Early experiments with GPT-4
- Orange的翻譯和解讀
簡單來說，算力和神經網絡設計的發展，首次讓以自然語言文本進行海量訓練的模型，學會了邏輯能力（也延伸出了視覺聽覺等描述性的感官邏輯）。
是以目前的人工智能之是以看起來有巨大突破，核心原因是ChatGPT有效打破了自然語言和自然邏輯之間的鴻溝。
長期以來，掌握了專業工具的人，通過利用自己的專業技能，把客戶通過自然語言的溝通出的需求，轉化為專業領域内的方案，最終提供實作滿足客戶的最終目标并收取費用。這個提供服務的過程，實際上存在兩個部分：
- 需求 -> 自然語言 -> 邏輯上可解釋的方案
- 方案 -> 工具（如程式語言） -> 邏輯上可執行的實作
如今，自然語言和邏輯之間的鴻溝被逐漸的填平了（GPT），工具能力和邏輯關系之間的鴻溝也在不斷縮小（如Midjourney為首的作圖）。這意味着原本阻擋在需求和實作中間的工具人們，存在的意義會慢慢的被淡化。
于是，我們理想的工作形态也許是這樣（這也是無數人突然覺得AI可以幹掉很多工作崗位的原因）：
需求 -> 自然語言 -> 實作
智能之障
然而，我們的現狀是，大部分的人你給他一個ChatGPT4，除了聊幾個天之外，他都不知道别的能做什麼。
人類對世界的積累，對邏輯的了解，對世界的抽象的平均水準和能力，其實慘不忍睹。
大部分企業的現狀其實是：業務部門經常認為研發部門開發的系統功能不好用，研發部門經常認為業務部門講不清楚需求。
按理說，大家都是人類，都用自然語言溝通，有啥講不清楚的？但令人悲傷的事實就是如此，業務需求是對客觀世界的抽象和歸納，功能實作是從原始的基礎能力往上進行逐層具象和堆疊——他們從未對齊過。
人工智能可以填平自然語言的鴻溝，卻無法填平人類遠遠跟不上的邏輯和抽象能力。
智能之智
人工智能的特長到底是啥？
自然語言輸入。
這當然是首當其沖的優點，否則程式設計語言縱橫這麼多年的意義在哪不是嗎？
海量的資訊。
沒有人可以窮盡所有的知識，哪怕你掌握再多的生産力工具和知識圖譜技巧，建構了你的第二第三第八百多個大腦也一樣。
但電腦顯然可以，理論上電腦可以輸入人類社會有史以來所有的知識，并用跨越社會語言文化的最底層邏輯關聯他們，這是任何一個人腦在有限時間内做不到的。
目前人工智能的局限是啥？
算力，隻有算力。
有限的算力無法在單次的互動中納入足夠多的上下文并建構完整自洽的邏輯關系，是以我們目前對AI的所有使用，都講受到算力的限制。為了适應這種限制，人們在盡可能抽象自己需求的同時，開始學習各種「魔法（prompt）」，以求在有限的上下文中盡可能準确的固定自己的真正的需求。
吐槽：是以……之前為啥沒有業務部門還有産品經理去研發一個“準确和程式員溝通需求的prompt清單”……
算力，是對愚蠢人類的「容錯」能力。
傳統之當下
當下傳統行業面對資訊化時代的痛點其實非常清晰：業務目标和對應成本之間不可調和的沖突。
這裡的業務目标包含了本身業務的複雜度，合規的要求等。目前的ChatGPT4模型背後是海量的資料和算力的支撐，然而大部分的企業都無法在目前的服務架構下直接用$20每月的成本将這個能力投入商用（無論是中國，還是非美國的其他國家）。
若要合規的把足夠深度的AI模型本地化落地，對大部分企業來說都是巨大的成本投入，顯然也并不可取。是以，倘若算力和算法在今天這個程度，對于大部分企業來說，細分領域的專精人工智能才是最首選的。
- 翻譯：無用多說，在外企呆過就知道，要招一個多語言能力的專業技能的人有多難。
- 文檔和教育訓練：企業内的文檔和教育訓練永遠是不得不做，卻成本效益極低的。DocGPT我覺得是一個雛形，最終把企業内上下文的所有知識傳承都訓練成一個自動的輔助教育訓練工具，似乎會是非常值得做的一件事，同時也會重構人們對文檔，手冊維護意義和格式的定義。
- 互動 Interface：資訊化系統的UI，本質上提供了一個非機構化世界和結構化系統之間的接口。這個互動會逐漸演進的。
- 專業領域的助手：GPT4的能力毋庸置疑，但如果Fine Tune出一個專精的開發助手或者腳本助手，我個人仍然覺得值回票價，對應的成本和難度應該會小很多。
- 助理：很多人需要助理的原因是，日常的大多事務性工作無法輕易結構化。比如預訂酒店，航班，會議時間的安排和選擇等。你無法通過一個自然語言的指令，把一個結構化的需求産生出來，并引發後續自動的處置。未來，也許呢？
傳統之未來
和ChatGPT互動的這些日子，最讓我驚訝的其實并不是他對于自然語言的處置如何順暢，而是他跨界知識經常可以産出的新意。
嚴格來說，這些内容都來自前人知識，不能叫作創意——但正因為人類的知識面有窮盡，對于機器來說理所應當的排列組合，有時候卻是沒有人想到過的。
比如這是我讓AI思考金融機構資訊化可能可以做的事：
這些選擇是否都有效（Make Sense）本身并不重要，重要的是當你用适當的問題和他探讨的時候，你可能得到讓你願意更進一步思考的意外答案。
輔助思考，可能是AI對人，對每個行業能帶來的更高的價值，因為作為一個永遠優先關心行業地闆的悲觀主義者，第一次看到了天花闆真的可以提高的可能性。