AI似乎正滲透至現代生活中的每個角落，從音樂到媒體，再到商業/生産力乃至私人約會。要想在這個快速發展的時代跟上節奏，每個人都有必要留點時間認真了解關于人工智能的一切。
人工智能，也稱機器學習，是一種開創于幾十年前、基于神經網絡的軟體系統。随着近來新型算力的迅猛發展，AI終于獲得了高效可靠的語音和圖像識别能力，甚至掌握了生成圖像和語音的訣竅。研究人員如今正努力借AI之手，幫助使用者輕松總結網頁内容、訂購商品、調整食譜。
那機器會不會就此爆發，迅速脫離人類的掌控？！先别急，後文會認真讨論這個問題。相比之下，我們更希望讀過本文，大家都能把握目前AI的發展動向。
AI基礎知識
關于AI最有趣的事實在于：盡管其核心概念早在50多年前就已經誕生，但直到現在也沒有多少技術專家真正熟悉個中原理。是以如果大家感到迷茫，請不必擔心——其他人也差不多。
這裡我們要先強調一點：雖然名叫“人工智能”，但這個詞本身其實并不準确。智能還沒有統一定義，而且AI系統的行為更接近計算機、而非人類大腦。隻是這個計算機的輸入和輸出更加靈活，能在一定程度上模仿智能的表現。
下面來看看AI讨論中經常用到的基本術語。
神經網絡（Neural network）
人類大腦主要由名為“神經元”的互相連接配接的細胞組成，它們互相齧合，形成可執行任務并存儲資訊的複雜網絡。自1960年代以來，人們一直希望在軟體當中重建這套驚人的認知系統，但直到最近的15到20年，GPU的發展成熟才讓數字定義的神經網絡迎來蓬勃發展，可謂是算力出奇迹的典型案例。
從本質上講，神經網絡就是大量點和線的組合：點代表資料，線則是各數值間的統計關系。
如同人腦一樣，這一基本原理能夠建立起多功能系統：快速接收輸入，再通過網絡傳遞并生成輸出。這樣一套系統，被稱為“模型”。
模型（Model）
模型是指能接收輸入并傳回輸出的具體代碼的集合。之是以選擇“模型”這個詞，是想展現與統計模型、或者能模拟複雜自然過程的模組化系統之間的相似性。在AI領域，模型可以指代ChatGPT這類完整系統，也可以是幾乎一切AI或機器學習結構，目的和功能不限。模型的體量各有不同，其規模代表着占用的存儲空間和運作起來需要消耗何等程度的算力。而實際體量，則由模型的訓練方式所決定。
訓練（Training）
要建立AI模型，先要向構成系統基礎的神經網絡“投喂”資料集或語料庫所承載的大量資訊。在此過程中，龐大的網絡會建立起該資料的統計表征。訓練過程也是計算密度最高的環節，往往需要在大規模高性能計算機上運作幾周甚至幾個月時間。這不僅是因為網絡本身非常複雜，也是因為資料集規模往往極為龐大：須分析數十億個單詞或圖像，并在巨大的統計模型中得到表征。但在模型完成訓練之後，研究人員可以想辦法對其“瘦身”，運作時的資源要求也更低——這就是所謂推理過程。
推理（Inference）
推理，就是模型實際發揮作用的過程：領先對現有證據進行推理以得出結論。當然，這跟我們人類的“推理”不同，AI模型是在統計學意義上将攝取到的各個資料點聯系起來，據此預測出下一個點的位置。例如，假定要求其“補全以下序列：紅色、橙色、黃色……”它就會意識到這些詞跟所攝取的某一清單相比對，也就是彩虹的顔色分布，再由此推理并補全清單中的其餘部分。推理消耗的計算成本通常比訓練低得多：畢竟查詢目錄也要比整理目錄簡單得多。雖然某些大模型還是得靠超級計算機加GPU才能執行推理，但也有不少小模已經能運作在智能手機甚至配置更低的裝置之上。
生成式AI（Generative AI）
今時今日，人人都在讨論生成式AI。這是個廣義術語，指那些能夠生成原始輸出（如圖像和文本）的AI模型。某些模型能做總結，有些能做整理，有些能做識别——但至少目前最炙手可熱的選手，還是那些能“憑空”生成新内容的AI模型（究竟是不是真的憑空，目前還存在争議）。但請千萬記住，AI生成的結果可并不一定就是正确的，甚至根本是在胡說八道！一切完全可能是神經網絡的胡思亂想，包括那些繪聲繪色的故事或者栩栩如生的畫作。
AI熱門詞彙
講罷基礎知識，咱們再來看看2023年比較熱門的AI詞彙。
大語言模型（Large language model, LLM）
大語言模型已經成為目前最具影響力、用途最廣泛的AI形式，幾乎所有構成網絡的文本和英國文學素材都被納入訓練範疇。由此訓練出的，就是一套體量巨大的基礎模型。大語言模型能夠以自然語言交談并回答問題，模仿各種風格的類型的書面檔案，ChatGPT、Claude和LLaMa等成果都已經證明了其強大能力。盡管這些模型的表現令人印象深刻，但請注意其本質上仍屬于模式識别引擎——在回答問題時，它實際是在補全識别出的模式，卻無法判斷該模式是否與事實相符。LLM在回答問題時經常産生“幻覺”，後文将進一步擴充延伸。
基礎模型（Foundation model）
在巨大的資料集之上從零開始訓練巨型模型，無疑是個昂貴且複雜的過程，當然應該能免則免。基礎模型屬于從零開始訓練出的大模型，需要超級計算機才能承載得起；但我們通常可以減少其中的參數量，以精簡方式使其适應更小的承載。所謂參數，也就是我們前文提到的模型中待處理的“點”的數量，目前常見的大語言模型往往擁有百萬、十億甚至是萬億級參數。
微調（Fine tuning）
GPT-4這類基礎模型非常聰明，但在設計上隻能算是“通才”。從文學名著到奇幻故事，它都有所涉獵。可如果想讓它幫助整理一封求職信用的履歷，其表現甚至還不如普通中學生。好在我們可以使用專門的資料集對模型做點額外訓練，這個過程就是模型微調。比如我們可以從網上搜集幾千份求職申請，在“投喂”之後模型終于了解了履歷的套路所在，同時又不影響它在原始訓練資料中掌握的其他知識。
另外還有人類回報強化學習（RLHF），這是一種特殊的微調方法，通過人類與LLM的互動資料來提高模型的溝通技巧。
擴散（Diffusion）
圖像生成可以通過多種方式實作，但迄今為止最成功的辦法還是“擴散”技術。Stable Diffusion、Midjourney等流行的生成式AI核心成果都是據此發展而來。在通過展示圖像來訓練擴散模型時，這些圖像會在添加數字噪聲的過程中逐漸退化，直至原始圖像蕩然無存。通過觀察整個過程，擴散模型能學會如何反向執行整個過程，逐漸向純噪聲中添加細節以構成預定義的任意圖像。其實在圖像生成領域我們已經探索出了更新、更好的實作方法，但擴散技術仍然比較可靠且相對容易了解，是以相信還會有不小的應用空間。
幻覺（Hallucination）
最初的“幻覺”概念，是指模型在輸出中夾雜着與輸入完全無關内容的情況。例如因為訓練素材中包含大量狗的元素，是以模型偶爾會用狗作為紋理貼到建築物上。根據猜測，如今AI所産生的幻覺主要源自訓練集中缺乏足夠資料、或者資料内容間互相沖突，于是它隻能編造出一些似是而非的結論。
“幻覺”的存在有好處也有弊端：利用幻覺可以引導AI生成原創或更加多樣的衍生藝術成果。但如果需要就事實擷取明确的答案，幻覺肯定是個大麻煩——模型會一本正經地胡說八道，讓不熟悉實情的使用者誤信為真。目前除了手動檢查之外，還沒有什麼簡單方法來判斷AI輸出是真是假，畢竟模型本身根本就沒有“真假”的概念，隻是在努力補全自己識别出的“疑似”模式。
通用人工智能（Artificial General Intelligence, AGI）
通用人工智能，又稱強人工智能（Strong AI），其實并沒有明确的概念定義。用最簡單的話語來解釋，這是一種足夠強大的智能，不僅能夠替人類完成很多工作，甚至能像人類一樣自我學習和改進。有人擔心這種學習、整合思維，然後加快學習和成長速度的循環将恒久持續，最終造就一套無法限制或控制的超級智能系統。甚至有人認為應該叫停相關研究，暫緩或阻止這種可怕的未來。
看過《黑客帝國》或者《終結者》電影的朋友肯定能了解其中的擔憂，畢竟AI失控并試圖消滅或奴役人類的可能性确實令人不寒而栗。但這些故事純屬編劇想象，跟現實并沒什麼關系。ChatGPT等成果雖然能給人留下深刻印象，但在抽象推理和動态多領域活動方面與“真正的智能”幾乎沒有半毛錢關系。我們尚無法斷言AI未來會如何發展，但暫時不妨将AGI了解成星際旅行——人人都能把握其概念并朝着這個方向努力，可目标本身仍然遙不可及。其間需要巨大的資源投入和基礎科學的飛躍式進步，絕非一夜之間便可成真。
評論人士也在反複強調，“杞人憂天”式的探讨缺乏現實意義。畢竟AI如今表現出的真正威脅，反而源自其局限性和“智障”表現。雖然沒人想讓天網成真，但如果不能在AI初期解決好自動化消滅工作崗位的現實問題，我們哪還有機會被T-1000滿街追殺？
AI主要玩家
OpenAI
要說如今的AI領域最赫赫有名的“門派”，無疑是以OpenAI為首。顧名思義，OpenAI強調把自己的研究成果對外分享。但在有所斬獲之後，OpenAI決意重組為一家更傳統的營利性公司，通過API和應用軟體向使用者開放ChatGPT等進階語言模型的通路服務。這家公司的掌門人是Sam Altman，盡管靠技術突破賺得盆滿缽滿，但他本人還是對AI可能引發的風險發出了警告。OpenAI是大語言模型領域的上司者，在其他方向上也有探索。
微軟
微軟其實也在AI研究方面做出過不少貢獻，但因為種種原因沒能真正将實驗成果轉化成現實産品。但其最明智的舉動就是早期投資了OpenAI，并與後者建立起長期合作夥伴關系。微軟目前已經在Bing搜尋引擎上引入ChatGPT功能。盡管微軟的AI貢獻相對有限且難以直接使用，但其研發實力仍舊不容小觑。
谷歌
想靠“登月計劃”引領AI技術革命的谷歌，不知何故沒能摘取最後的勝利果實。但必須承認，谷歌研究人員的發明為如今AI的全面爆發奠定了基礎，這就是tarnsformer。如今，谷歌正努力開發自己的大語言模型和其他智能體。在過去十年浪費大量時間和金錢推動AI助手無果之後，谷歌正在迎頭趕上。公司CEO Sundar Pichai多次表示，公司将在搜尋和生産力方面牢牢守住以AI為中心的發展理念。
Anthropic
在OpenAI“背叛”開源社群之後，Dario和Daniela Amodei兄妹毅然出走并創立了Anthropic，希望打造一個開放且更具道德責任感的AI研究組織。憑借充裕的資金，他們發展成為OpenAI的有力競争對手，隻是其Claude模型暫時還無法在人氣和知名度上與GPT匹敵。
Stability
雖有巨大争議，但Stability仍在AI浪潮中擁有自己的一席之地。他們正收集網際網路上的各種内容，并以開放硬體的方式免費提供其生成式AI模型。這既符合“資訊應免費”的理念，也讓項目本身蒙上了一層道德陰影。很多人認為Stability的成果被用于生成色情圖像，及未經同意使用知識産權。
埃隆·馬斯克
長期以來，馬斯克經常直言不諱地表達自己對于AI失控的擔憂。他曾在早期支援過OpenAI，但不滿于該公司朝着自己不支援的方向發展。雖然馬斯克并不算是AI技術專家，但他誇張的表達和評論确實引發了廣泛反響（他本人還在“暫停AI研究”倡議書上簽了字），而且正着手建立自己的AI研究機構。