什麼是人工智能
上個世紀90年代，IBM開發的象棋電腦“深藍”，在國際象棋的平台上戰勝了當時的世界冠軍卡斯帕洛夫，在當時引發了不小的轟動。人類第一次意識到人工智能以機器這樣一個算力形式是可以在棋類遊戲的任務上面超過人類，完成人所不能完成的任務的。
上世紀40年代，人類發明了現代意義上的第一台半導體計算機，簡單來說，就是一個存算機，告訴人類如何去存資料、算資料。這個偉大發明的核心功能就是計算。可以說人工智能是我們發明的最偉大的計算工具，一個高階的算盤。
在那之後十年左右的時間，人類有了一個更偉大的想法——能否依靠這個偉大發明的計算能力來逼近人類的所有能力。這就是人工智能最早期的想法的提出。從那之後，在很多任務上面就出現了通過計算來逼近人的情況。在這個想法提出之後，自然誕生出下一個問題點，人類有很多的能力和功能，在哪個任務上做到通過純粹的計算來逼近人，就可以做到最基礎的、最具颠覆性的，能夠把所有的任務都完成？這一時期，人類計算科學曆史上最偉大的科學家之一——圖靈，他認為在衆多的任務當中有一個任務是最基礎而重要的，這個任務叫對話，在對話這個任務上面，通過純粹的計算能夠逼近人。就可以實作人工智能，圖靈在之後就提出了圖靈測試.。
什麼是圖靈測試？簡單來說就是在對話這個任務上面，通過純粹的計算去逼近人。在一個互相看不到對方的空間裡，中間隔着一堵牆。牆的一側是人類判官，他在跟牆後面不知道是人還是一個計算裝置進行對話。在通過多次對話之後，他已經無法确認現在正在跟人交流還是在跟一個計算裝置交流的時候，就可以認為在對話這個任務上面，純粹的計算就可以逼近人了。今天的大語言模型的突破。為什麼叫CHAT，為什麼把GPT稱之為CHAT GPT，其實有很大一部分原因，是當年圖靈所指出來的在對話這個任務上面做到突破，通過持續的計算來逼近人是可以實作最基礎的人工智能的。
怎樣實作人工智能？
人工智能的發展曆史出現了三次重要的起伏，波峰和波谷。從上世紀五十年代開始。人工智能的發展曆史是呈現先起後落，再起再落，到今天一路向上的發展态勢。為什麼會出現這樣的趨勢呢？因為人類一直在探究哪一種計算算法能夠最有效的逼近人，科學家找了很多方法，然而這些方法在發展曆史當中被認為短期有效，長期又遇到了瓶頸。人工智能發展到今天，人類發現了有一種計算方法，它在通過純粹的計算來逼近人的過程當中目前被認為是最有效的，我們稱之為神經網絡。
神經網絡算法對于算力、資料的消耗很大，當今算力、資料極大豐富。神經網絡算法的優勢得到了極大的展現。神經網絡算法用各種各樣小的計算單元，拼成一個網絡狀的形式，來實作更大的智能體的功能和計算更複雜的任務。這個想法是受到人類大腦的結構啟發，大腦是由很多簡單的神經元細胞組成，這些神經元細胞每一個都不能獨立完成複雜的生物運算能力，隻能做一些簡單的腦電的處理，但是就是這樣的一些簡單的神經元細胞，經過複雜的網絡拼接，把成千上萬的細胞拼在一起之後，我們的生物體大腦開始可以完成一些複雜的任務。比如怎樣通過大腦細胞的傳遞來完成對一個貓的概念的提取和認知。如果一張圖檔當中有一隻小貓，我們的大腦很容易識别得到這裡面有一隻貓，貓的概念很清楚的浮現在紙面上。但是大腦是怎麼處理的呢？就是靠一些簡單的小的神經元細胞一步一步地疊加上來。比如我們看到的紅色、紅色、綠色、藍色，代表非常簡單的視神經元細胞。它會捕捉到一些像素資訊，這些像素資訊再向上傳遞，變成左面紅色，右面藍色，中間就會有區域的概念，區域的概念傳到上一級之後，發現有一些器官的概念了，有貓的臉，貓的胡子，這些器官再向上傳遞就會形成貓的整體這樣一個認知，這是我們對于大腦的了解，我們以為大腦是這麼處理資訊的。那我們去做一個類比，把這裡面每一個圓圈所代表的神經元細胞換成計算單元當中最簡單的計算細胞。那它隻能算1+1=2甚至是2x3=6這麼簡單的運算，但是這麼簡單運算，通過多次的拼接，我們是可以期待它完成更複雜計算任務的，這就是神經元網絡的方法的一個最基礎的假設和設計，我們期待的是這個網絡随着層數增多、神經元細胞計算單元的增多，讓它整體呈現出越來越複雜的計算能力和計算特征。
不出所料，這個網絡當中的神經元細胞數量、計算單元的數量慢慢增多的時候，它所表現的智能性是比較高的，而這個問題也在這個方面上呈現了一個拐點。當把神經元網絡細胞的計算單元數量從幾千個，慢慢擴充到幾萬個，再到千萬億，十億百億，它會呈現這樣的一個趨勢，當神經元的計算單元數量突破千億的時候，它應該是在如圖所示的這樣一個預測位置，這次大模型的出現，就是在這個位置上出現了拐點。當神經元網絡的細胞數量到1750億的時候，它整體呈現的智能性不是線性的變化，而是跳躍性的發展，我們就可以認為它實際上呈現出一種現象叫“湧現”，這是2023年非常熱的一個詞彙。
那到底什麼是“湧現”？我們以為整個網絡的發展趨勢是一個純線性的變化，但是在這個實測點上出現了一個巨大的跳躍。這個巨大跳躍就帶來了大模型的變化。這裡面每一張圖呈現的都是一個“湧現”。也就是當神經元數量突破一定規模的時候，它整體的智能性都會呈現這樣的跳躍。是以這八張圖在最後一個位置上突然跳起來了，那之後所帶來的“湧現”，就是我們意想不到的智能性，也就是大語言模型給我們帶來的變化。
在這裡把整個發展曆史做一個總結，以OpenAI的産品ChatGPT為例，其實這個産品早期是沒有得到整個學界和業界認可的，在GPT1的時候，也就是2018年6月份，這個模型的參數是1.17億。模型參數雖然已經足夠大了，但是它所呈現的智能性還是非常的弱小，是以2019年2月份推出GPT2的時候，我們依然沒有對它的工作給予足夠多的重視。首次進入人類視野範圍内就是2020年五月份，一家公司首次将模型參數推到1750億，我們突然發現它所帶來的不是順序的線性的變化，而是跳躍的突變。2022年11月30号， OpenAI推出ChatGPT，那天我們從産品的角度了解到了這個新生事物，語言模型是可以做到很多以前完成不了的任務的。
回歸商業視角，人工智能的突破将會給人類帶來那些改變？
回到商業的本質下，科技的突破最終要考慮對于人的改變。從商業視角來看，大語言模型或者說是AI的突破給商業帶來了什麼樣的變化？其實變化是很多的，從技術本身來說，要考慮它的算力，算法，計算所需的資料，是以這樣的一個模型出現之後，一定會消耗很多的計算資料，消耗很多的算力，自然也會出現大家一直在讨論的晶片問題，例如英偉達推出的高端計算晶片——GPU。大語言模型的訓練主要消耗的就是GPU的算力。這是我們在算法，算力和資料方面一定要去做的布局和思考。
在應用層面上，簡單的以問題的形式抛出來，大家一塊思考。比如說ChatGPT，它是以大語言模型為代表的生成式AI，這種模型出現其實是壓縮和改變了整個知識供給的鍊條，或者說它将知識供給變成了普惠化的形式，我們換一個角度來了解，比如說原來很多問題我們需要通過一些專業的咨詢機構和知識機構才能夠獲得解決辦法，但是今天生成式AI的重大突破讓這些問題可以通過大語言模型來慢慢實作。大語言模型帶來的不隻是技術突破，它微妙地改變了知識供給的邏輯，普惠化和壓縮了整個知識供給的鍊條。那在這個鍊條上，原來很多的商業模式在大語言模型出現之後都會受到挑戰。還有一點，資料經過一定成本的加工會變成資訊，資訊經過一定成本的加工會變成知識，那這個鍊條下自然會出現一個基于資料的服務，是不等于基于資訊的服務，是不等于基于知識的服務的，因為資料變成資訊是要投入很多成本的，資訊變成知識要投入很多成本，網際網路上主要的形态基本都是基于資訊的服務形态。但是當大語言模型出現之後，知識從資訊變成知識鍊條不需要投入太多的成本，甚至可能是用比較小的成本都可以實作，将資訊轉換為知識的時候，我們就可以做出這樣一個推理，基于資訊的服務是很容易轉換而成基于知識的服務的。或者你可以認為他們之間化成等号了。換個角度來想，網際網路上所有基于資訊的服務是不是很容易就可以轉成基于知識的服務？換句話說，當有人用基于知識的服務把線上所有的基于資訊的服務再重做一遍的時候，這是一個商機還是一個未來的競争機會？這是第一個角度。
第二角度，在大模型的時代，企業要不要去做大模型，2003年有篇文章叫《IT doesn't matter》，這篇文章當時很有名的一個觀點——IT其實不重要。他把IT歸結為像水、電、高速公路這樣一個公共基礎設施的定位和存在。這個觀點是非常值得去考慮的。大模型出現之後，我們要重新定位它是公共基礎設施一般的存在，還是企業要靠它來建立核心競争能力？我們要考慮的是企業需不要建立自己在垂直領域當中的垂直模型，這個模型其實是回答了企業另外一個問題，我們講說企業要成為平台型的企業。它有自己的生态，那這裡面IT數字化的支點到底是什麼形态。我們可以假想，以後的每一個産業每一個小的細分領域應該都會有一個垂直模型，而這個垂直模型不會太多，不會在每個領域當中都是百花齊放的。如果有一個模型做的比較好，它一定會彙聚整個行業上下遊的資料和使用者的關注。這個模型很有可能成為企業未來發展的一個平台的具象化表達，所謂的數字化平台更多呈現的是企業在這個行業當中先發建立自己的大模型，然後靠模型來整合整個行業的上下遊資料，包括它的使用者和市場。
另外，現在很多的商業模式、服務形态也要發生變化。舉電商為例，原來電商是怎麼服務的？消費服務的最典型代表是要做推薦，是以消費者登入到電商平台，它都會向你去做産品推送，給消費者更好的服務體驗。在推送過程當中有一個預設的假設，即這裡的AI能力都是單向的。什麼叫單向AI能力？平台企業有AI能力，消費者、客戶實際上是沒有AI能力的，他們隻是普通的人群，是以平台在做資訊推薦、産品推送的時候，都是基于這樣的一個假設。這個時候，它的AI能力的作用是怎樣識别消費者最感興趣的産品。但是當大語言模型逐漸滲透進去之後，出現了這樣一個趨勢，不光是企業平台有AI能力，普通使用者、消費者、市場上的每一個凡人，他都會有AI能力。當帶有AI能力的使用者到平台上購物，這就從單向AI變成了雙向AI。這時，很多想問題的邏輯都會發生變化，比如剛才講到的産品推薦。當使用者有AI能力的時候。我們不是要給他推薦一個商品，而是要給他推薦成千上萬個商品。
可能很多企業還要考慮一個問題，比如企業的内部組織架構也要做重新梳理。當模型慢慢進入到企業當中，會産生一個現象，舉個例子，營銷團隊為了做一個項目，可能需要找财務團隊來支援工作，是以現在會設立财務BP這樣的崗位，但是有了大模型之後，營銷團隊通過大模型就可以捎帶手的把财務的任務完成了，而且完成的效果會比專門的财務團隊更好，這時候你發現組織之間的邊界會被慢慢的打破和融合，那公司之間的邊界也會出現很多變化，企業在“出海”過程當中要實作本土化，是以要雇傭當地的管理者和勞工，也要派我們的高管過去，當有了大語言模型之後。我們是不是可以把模型派過去，而不需要把我們的人派過去？這些都是未來可能會發生的一些變化。
我們不是被AI颠覆，而是要成為懂AI的人
最後可能還要思考一點，就是人在這裡面的變化，科技的進步最終是希望人能得到提升，大模型出現之後可能帶給我們的很多管理者和使用者的感覺都是更加的“卷”了，更加的有危機感。
不管大模型的突破多麼迅猛，人還是核心，至少在今天這個時間點内，我們強調的是人機協同的概念。也就是說，人類不是被AI所颠覆，是被懂AI的人所颠覆。是以對于今天人的要求是盡早成為懂AI的那個人。懂得如何去跟AI進行協同，在企業的組織内、市場上去實作跟AI之間的協同，來完成之前别人完成不了和完成不好的任務。
總結
今天的AI發展是非常迅猛的，通過計算來逼近人的路線已經慢慢清晰。未來還會有更多更大的突破，但是不管突破有多麼的迅猛，我們今天至少看到了一個方向，這個方向就是，人的核心競争能力慢慢開始強調人機協同，我們要去懂AI，去利用AI。比如當你發現自己有能力将現在企業傳統的管理變成一些生成式的邏輯的時候，你就可以優先借助大模型所帶來的各種生成式的改變，當你不具備這個能力的時候，你會發現大模型的出現，你是無法借力的，甚至所考慮的隻是大模型對人的颠覆，而沒有去充分的利用。
我們要優先成為懂AI的那個人，不要擔心被AI所颠覆，謝謝大家！