万字长文：ChatGPT能否成为互联网后下一个系统性机会？

大数据文摘

大数据文摘授权转载自险峰创

作者：险峰

2023年险峰线上沙龙的第一期，我们和四位行业大牛聊了聊最近大火的ChatGPT。

首先介绍一下本场嘉宾：陶芳波博士是前Facebook高级研究科学家，回国后进入阿里达摩院，搭建了阿里的神经符号实验室，属于全球最顶级的AI科学家之一，目前正在创业，担任人工智能公司「心识宇宙」的CEO。

黄东旭是险峰的老朋友，「PingCAP」的联合创始人兼CTO，他本人是国内最早一批开源数据库的创业者，在程序员圈子里非常活跃；PingCAP也是目前Infra领域估值最高的科技公司之一，险峰曾在天使轮分别投资了PingCAP和心识宇宙。

费良宏老师是AWS的首席架构师，曾供职于微软、苹果等多家硅谷巨头担任技术顾问，在云计算行业里深耕多年；龙波博士目前担任Meta商业化AI研究团队的负责人，之前曾深度参与过京东搜索推荐算法的搭建。

此次圆桌由险峰长青投资副总裁李抗主持，李抗主要专注于人工智能、机器人、云计算等方向的投资。

本次我们将聊到：

ChatGPT 效果如此“炸裂”，AI从业者们事先是否预见到了？
ChatGPT 是否能理解语言逻辑本身？
为什么谷歌没能做出 ChatGPT？
开源圈和云计算巨头是如何看待 ChatGPT的？
ChatGPT 能让TMT投资人“再干15年”吗？
ChatGPT 正在对哪些工作岗位造成影响？
ChatGPT 广泛使用后，人的认知能力会下降吗？
ChatGPT 会导致哪些行业消失？哪些公司急需转型？
小公司如何抓住 ChatGPT 的逆袭机会？
硅谷现在如何看待 ChatGPT？
普通人如何拥抱 ChatGPT ？报考计算机专业还有前途吗？
OpenAI的组织设计给创业者带来哪些启示？

ChatGPT效果如此“炸裂”，AI从业者们是否预见到了？

险峰：去年AI作画也火过一阵，但都没能像ChatGPT一样让普通人感到震撼，似乎是一夜之间，AI就达到了一个如此炸裂的效果，基于各位对NLP与AIGC的理解，这种进步是在意料之中还是意料之外？

陶芳波：刚才主持人已经介绍过我的背景，我本人从读博士到后来工作创业，一直在从事AI相关的科研工作，但坦白来说，这次ChatGPT给我带来的震撼，并不亚于屏幕前的每个人。

传统上，越复杂的技术，信息壁垒也越高，所以过去的情况往往是，行业内的人都已经知道技术发展到了什么水平，但大众可能还不知道；而ChatGPT完全不是这样，它刚刚诞生3个月，我们就看到无论巨头大厂还是AI科学家们，都马上进入了一种非常紧张的应对状态，甚至可以说是应激状态。ChatGPT突然具有了这么强大的通用性能力和逻辑推理能力，是超出很多AI从业者设想的。

为什么这件事会发生？我仅从个人角度做一个简单的总结。

第一，是大数据和大算力的发展，这是一个基础。2012年深度学习刚刚诞生的时候，大家就尝试把更多的算力和数据灌输到一个模型中去，让AI具有更强的能力，这个逻辑在今天依然没有变化。

我们知道人脑要比动物的大脑更聪明，两者最直观的差别，是人脑的神经元和神经突触更多，比如人脑的神经元有1000亿，神经突触可能有几万亿，今天ChatGPT可以达到上千亿的参数量，已经跟人脑比较接近了，量变才有可能引发质变，AI的发展首先要靠算力数据的指数级发展。

第二，是在人工智能的发展背后，其实一直有「专用人工智能」和「通用人工智能」的两派观点的争论。

以前我们熟悉的人工智能，比如计算机视觉算法和自然语言算法，都属于「专用人工智能」。而在他们以外，其实一直有另一拨人在尝试，有没有可能把单个的专项AI变成一个通用AI？用一个统一的大模型来解决所有的问题？

这里面有几个关键性的节点，首先是2017年，谷歌大脑（Google brain）发表了一篇关于transformer的文章，奠定了包括今天ChatGPT所有技术的基础，细节这里不展开了——总之它让很多人意识到，通用型AI是有可能被造出来的。

对此，谷歌的做法是首先搞一个底座，这个底座叫做「预训练大模型」，然后不断向底座里灌输数据，让它上面能长出一个个小模型来，再用这些小模型去解决不同的任务。

这时出现了一家公司叫OpenAI，他说我不相信仍然需要训练小模型来造出通用AI，那我能不能直接让大模型去阅读互联网上所有的数据？砍掉中间环节，直接让人用语言去和大模型交流？

基于这种思想，OpenAI在2018和2019年，分别推出了GPT1和GPT2，但当时它的通用性还不强，没有引起太多关注，然而到2020年，第三代也就是GPT3出现了。

GPT3直接把模型参数量从15亿提升到1,750亿，接近了人脑中神经连接的数量水平，这时一个神奇的事情就发生了，AI开始「涌现」出了一些人脑独特的能力，甚至出现了逻辑判断能力，这在以前的机器学习界是不存在的，我甚至觉得连OpenAI内部都不一定能预判到这件事情会发生。

而这个GPT3，就是今天ChatGPT诞生的起点，正是因为GPT3的出现，大家才开始去基于它去开发一些全新的AI能力。

可以这么说，从2020年的GPT3开始，整个AI行业都进入到了下一代范式，至于它的边界在哪里，大家都不知道，没有人有足够的认知。

这也是我想讲的第三点，就是OpenAI之所以能超越于谷歌，是他们真的在尝试理解「学习」这件事的本质。

早期的AI要靠人工打标签，要一个活人坐在屏幕前告诉机器——这是一只猫，这是一只狗；之后发展到GPT3，这时已经不用再打标，而是让机器直接去阅读大量的数据，看它能不能找出里面蕴含的规律和规则。

在这个基础上，OpenAI又进一步，他们说既然AI已经学了这么多知识，那下一步就是怎么把这些知识输出来，变成人可以用的东西；于是OpenAI开始教大模型如何自我改造，更好的去解答人类提出的指令，而后甚至演化成AI自我对抗一个人类制定的判断标准，完成AI的“社会化改造”，到2022年，ChatGPT横空出世了。

刚才东旭提到，他现在每天都用ChatGPT帮自己写代码，代码其实比自然语言更有逻辑性，站在AI的视角，等于你也是在帮它培养逻辑能力。

如果说GPT3还在无目的数据中学习，到了ChatGPT就已经变成了“在应用中学习”。整个过程真的很像一个年轻人走出校园，进入到公司中实习的感觉。

所以我们可以看到，OpenAI一直在探索人类学习的本质是什么，当他们把这一整套工业化的体系和自己对AI的超前认知整合到一起，就创造出了ChatGPT，这时候所有人才发现，原来我们已经落后了OpenAI这么多，我们还在模仿人家2020年的GPT3版本。

所以ChatGPT不仅对普通人是震撼，对大公司来说更是震撼，我们必须去面对这个全新的现实，思考该怎样迎接这样一个新物种的出现，以及未来人类分工的变化。

费良宏：我补充两句，今天我们看到市场一夜间被引爆，但背后绝不是一日之功。

首先是2017年transformer那篇论文，将整个NLP市场完全被颠覆了。以前很长一段时间里，大家都觉得非精确的模糊化语义很难被突破，但transformer出现之后，一下把NLP精度提升到了无法想象的量级。这时所有人的研究方向全部都开始转向了transformer，这是一个里程碑式的改变，我觉得怎么样去夸它都不为过。

第二个是算力，刚才陶博士也提到，最早的时候我们自己搞一台电脑，装上1080Ti都可以跑一些模型，但今天由于参数提升，千亿级规模的算力已经不是普通人能参与的，也许真的是大力出奇迹，诞生了ChatGPT，那么未来延续着这条路，不断堆积数据量，增加模型的数量，比如据说GPT3使用了45PB的数据量，未来是不是可以用100PB数量、万亿级参数甚至更大规模的算力？或许真能诞生出一个非常强大的通用型AI，对此我是比较乐观的。

龙波：我对于ChatGPT的出现并不特别惊讶，准确的说，是对它的效果不惊讶，但是速度上我还是挺惊讶的，没想到会来的这么快。

刚才几位都谈到了一个重要的点，即transformer的里程碑作用，这里我想从NLP的角度分享一下，为什么它是里程碑？

从NLP发展的逻辑来看，最早的NLP模型是基于对单个单词统计来做的，到后来卷积网络（CNN）出现，机器开始能够基于两三个单词来理解词义；再往下发展到RNN时代，这时AI基本上就可以沿着整个sequence进行积累，可以理解相对长的短语和句子，不过依然还无法真正理解上下文。

随后一个很重要的突破，是「注意力机制」（attention model）被提出，其实transformer的核心概念也是来自于此；在这个阶段，AI开始能够结合所有上下文，理解每个词之间表达重要性的不同。

这就很像我们的快速阅读，为什么人类能够做到“一目十行”，是因为我们能看到一些关键词，而每个词的重要性不一样。

「注意力机制」正是起到了这个作用，它告诉AI各个关键词之间的关系如何，谁重要谁不重要。整个行业再往后就是transformer诞生，然后Bert（Bidirectional Encoder Representations from Transformers）诞生，其实Bert也非常重要，就像陶博士刚才提到的，Bert可以使用大量没有标注的数据，自己创建一些简单任务来做self learning。

举个例子，比如一句话，AI会把其中的一个词藏起来，然后猜这个词应该是什么，有点像机器自己和自己玩游戏，如此它的语言理解能力就变得越来越强——我觉得到了这个时间点上，当AI开始利用大量非标注数据完成自主训练，ChatGPT的出现就只是个时间问题了。

但是这也是它的局限性，ChatGPT无论如何惊艳，它仍然是个统计语言模型，本质还是基于它所看到过所有数据，用统计意义上的预测结果进行下一步输出，当它拿到的数据里有逻辑的时候，它会通过统计的方法把逻辑找出来，让你感觉到它的回答很有逻辑，但假如它读了很多杂乱无章的文本，它一样会说话没有逻辑，这是统计语言模型天生的缺陷。

所以我并不确定，未来随着参数越来越多，ChatGPT能否真正成为AGI（通用人工智能）？因为人的推理能力并不完全基于统计信号，这是我个人比较保守的看法。

ChatGPT是否能理解逻辑本身？

险峰：这个话题本来是后面的，正好提到了就提前探讨一下。

现在很多人会觉得ChatGPT很酷、很有逻辑，但有的时候也会觉得它在一本正经的胡说八道，有些很简单的问题它会答错，这件事反过来也会让大家好奇，ChatGPT是否真的具有逻辑？或者说理解逻辑？

对此，也有两派观点，一派是觉得极致的模拟就可以实现逻辑，虽然只是基于统计学，但看起来有逻辑其实就等于逻辑本身；另一派觉得所有模拟都只能得到大概的正确，最后还是要建立在极其精准的规则之上，两派的分歧可能就是统计和规则的区别。

此外还有第三种观点，借鉴了生物组织的复杂性来解释这个问题，比如蚁群，单独一只蚂蚁可能不知道自己在干什么，但是一个蚁群就可以做很多复杂的事情，这两者也类似于神经元和大脑的关系，对这个问题也想听听几位的思考。

黄东旭：先说一个外部视角，我最近一直在用ChatGPT写代码，可能是玩的确实太多了，基本没有遇到AI胡说八道的情况；个人观点，很多人觉得它不准有两种情况，一种是问题没问对，如果问题本身是模糊的，它给出的答案也会是模糊的，比如一些开放式的问题。

第二是它有些回答不一定是假的，只是中间跳过了很多步骤，比如一个问题，需要从A到B再到C依次推理，其实每一步都会有一些假设，但如果某个假设错了，答案也会出问题。

所以我们内部在使用时，会不停地教ChatGPT如何思考，跟教小朋友一样，他回答错了就跟他说，你要不再读一遍题目？或者直接问他——那你觉得这个问题应该如何提问？最后你会发现，只要你把你想要的思考方法教给他，他回答的准确率会非常高。

注意，在这个过程里，我们并没有向它提供任何的信息增量，所以我觉得ChatGPT已经超越了一个传统意义上的语言统计模型，绝对不是单纯的鹦鹉学舌，但我也不知道它为什么会有这个能力。

陶芳波：我也简单说一下我的看法。我观察到一个现象，在GPT3出来之后，特别是今年ChatGPT出来之后，很多AI领域非常资深的人都在激烈地反对大模型。

我曾经也有这样的心态，觉得这个东西也许就只是一个统计模型，解决不了人类的终极问题。但是现在我认为，这样的思想说严重点，就属于是“旧时代的余孽”，当然这句话是自嘲的，因为我曾经就是旧时代的余孽，但今天我选择去拥抱他。

因为对于人工智能，我们永远都可以从「它在某某事情上做得还不够好」来批评它。但是如果我们回过头来想一下，一个人如果只有大脑，我们的逻辑能力又有多强？

人的所谓逻辑能力，说到底也无非是通过直觉，跳过两三步来推演出一个结果，如果真到了六步七步的推理，我们光靠一个大脑也解决不了，也需要草稿纸和计算器，换句话说，人类也是要通过外部工具来增强逻辑能力的。

从这个角度讲，今天ChatGPT所涌现出来的逻辑能力和人是其实差不多的。

但是大家低估了一个东西，如果用发展的眼光再往前推一步，你觉得OpenAI下一步会做什么？微软下一步会做什么？一件非常可能的事，是他们会把ChatGPT跟各种各样的工具结合起来。

那时，ChatGPT完全可以把这些工具变成自己的“草稿纸和计算器”，他自己只完成逻辑的部分即可。

所以，我们其实可以把ChatGPT当做是一个非常稳定的原始大脑，未来他还将去学习使用工具，那时他所具有的能力会比今天大得多，这将是一个非常有想象力的未来。

费良宏：非常认同陶博士，前几天看到LeCun在推特上跟人论战，谈ChatGPT对于AI的影响，我也有同样的感觉，就是可能很多人对ChatGPT的判断太拘泥于以往的经验了，还是把它当做是GPT3或者GPT2。

比如OpenAI在发表ChatGPT的那篇论文中，专门提到他们使用了人类反馈的强化学习，去弥补堆砌资料造成的一些不足。所以某种程度来讲，ChatGPT的逻辑不仅仅是来自于文本的训练，还来自于人类给它的主观反馈，我们利用这种奖励机制，让AI产生一种内部的自我判断能力。

我觉得这是一种非常巧妙的进步，相当于把强化学习跟大模型结合在了一起。今天可能我们的资源投入还比较有限，让ChatGPT不足以解决更广义上的所有问题，但未来如果我们的投入足够大，强化学习的引入程度足够高，机制设计得足够巧妙，会不会结果也将远远超出我们今天的预期？

不过，这也引出了另外一个问题，就是关于ChatGPT倾向性的争论。随着人类用越来越多的反馈干预了它的判断，那会不会让ChatGPT带有某种思潮，比如说政治倾向，最近我看到国外有一些人对它进行测试，发现它在政治上并不是完全中立的，是一个左翼的自由派环保主义者。

从这个角度出发，我认为ChatGPT是具有逻辑的，因为这个逻辑是由人赋予他的，也是人自身所存在的，这是我的看法。

龙波：当一个非常有冲击性的产品出来后，人的观念很容易受到冲击，但这里还是要看一些根本问题是否发生了改变，这个话题涉及到一些更深刻的东西，即我们如何理解统计模型？

比如大家都提到，ChatGPT反馈模型的提高，这是一定的，因为你给了它更多的统计数据，不论是用AI的方法，还是传统方法，模型都会提高，LeCun也谈到过这个问题，他并不是反对统计模型本身，他只是想说，如果我们要创造真正的通用人工智能，仅仅靠统计模型就够了吗？

统计模型应用在人工智能领域已经几十年了，到深度学习神经网络达到高点，但是我们想一下，人的认知是纯粹基于统计的吗？我们每个人都知道，太阳从东边升起，这是我们每天都看到的，100%的概率，这是统计学上的认知，但是我们没有停留在这一点，我们最终理解了行星之间的相互作用力，从物理学的角度解释了这个现象。

所以人类认知的本质是什么，我们对此的认知也还不够透彻，我觉得大师们是想说，统计模型之外，还有什么东西让机器能更接于近人？这个问题其实没有答案，他想表达的是一种open的心态，即统计模型不能解决一切，它甚至都没解决我们自己认知的问题。

为什么谷歌没能做出ChatGPT？

险峰：刚才大家都提到了transformer，它其实是由谷歌发表出来的，但今天做出ChatGPT的却是微软系的OpenAI，各位觉得这背后的原因是什么？

龙波：确实很多人都有这个疑问，但其实到今天我依然认为，谷歌在技术上是非常领先的，ChatGPT最关键的核心模型起点，无论是transformer，还是后来的bert，这些概念都是谷歌首先提出来的。

我们知道微软在算力方面给了ChatGPT很大帮助，但谷歌自己的TPU研发能力也非常强大，谷歌不缺算力，更不缺数据，但正因为如此，大公司要做出这种创新性很大的产品，注意我是说产品，一般都会被自己的优势束缚住手脚。

首先谷歌是一个搜索引擎巨头，它对此非常自信，这反而让它对其他系统的投入和关注都不够，在我看来，谷歌被ChatGPT反超其实是有先兆的。

比如语音助手，坦白说谷歌的产品是不如亚马逊和Siri的，像Google Assistant ，采用的依然是搜索引擎的用户界面，你给它搜索词，它就给你最高质量的回答，强调的还是单次交互，这种观念已经深入产品的设计之中，我觉得在互动体验上谷歌的投入是不足的。

但这并不是说谷歌技术不行，我有不少前同事就在谷歌research工作，他们的技术发展得非常好、非常成熟，他们有最好的资源可以从事研究，但是他们认为搜索是他们最重要的产品，他们会下意识的用搜索的观念去做一些新产品，对用户的交互式体验本身就没有那么注重，这是我从产品角度的观察。

费良宏：这个话题让我想到一段商业史故事。世界上第一台数码相机，是一名叫史蒂夫萨森的工程师在1975年发明的，他后来被称为"数码相机之父"，但是当时，他是一名柯达公司的员工。

后来据他回忆，这是一次前所未有的尝试，“公司内的反之强烈超出了他的想象”，结果38年之后，由于数码相机的崛起，传统胶片时代的王者柯达公司破产，我觉得回顾历史，跟今天也有非常相似的地方。

今天整个搜索市场，谷歌占了96%，微软只有3%，但因为ChatGPT的出现，微软很可能也会颠覆搜索领域的格局，而谷歌空有技术却没有做出这个产品，我觉得可见一斑，历史总是惊人的相似。

黄东旭：这是件特别有意思的事情，因为以前扮演这个颠覆者的，其实是Google自己。

2000年的时候，雅虎的地位就和今天的Google一样，当时雅虎的搜索引擎走的是人工标注路线，说你看我人工标注的黄页多准确，而Google是当时几个大学生搞出来的，结果历史又一次重演。

如果抛开数据量和算力这些硬性限制，只去看里面最核心的代码量，其实就是一个小团队就能写出来的。一家巨头再次被一家小公司打败，我觉得这就是软件行业有意思的地方，一个非常硅谷的故事。

开源圈和云计算巨头是如何看待ChatGPT的？

险峰：谷歌的早期模型都是开源的，但ChatGPT却选择了闭源，结果在2个月内用户破亿，东旭对此怎么看，ChatGPT的选择对于后来者是否有参考价值？

黄东旭：我觉得ChatGPT的成功，并不在于开源或闭源，而是它向整个业界证明了某种技术的可行性，其实开源的工具一直都在，关键是有没有人会拿出几千万美金去做这些东西，对此我是比较乐观的，据我所知已经有一些开源项目在做和ChatGPT差不多的事情，未来很短的时间之内，一定会出现一个开源的通用语言大模型。

它可能没有ChatGPT那么强，但是也会大致够用，甚至可能是一个通识模型，你可以把它装载到自己的系统里面去，跟它一起去协作，我觉得很快就会有人沿着ChatGPT的路线，做出可以私有化部署的开源大模型，可能会是一个大厂或者一个foundation，每隔半年change一次，然后大家下载下来用。

险峰：云计算大厂们怎么看ChatGPT？

费良宏：AI的商业化主要是SaaS化，之前有很多成功案例了。另外从技术角度来看，AI的推理能力API化也已经是一种标准做法，比如在云上部署一个推理服务器，让前端用户可以非常快速地获得图像语音内容，这两种模式在云计算发展的历史上已经被证明是完全可行的。

接下来的关键就是如何差异化的大模型，我个人认为，我们可能低估计了ChatGPT的工程化难度，比如说并行训练、标注以及数据管理的工作量和成本开销，都会是非常巨大的，所以我不认为在短时间内，会有大量能完全媲美ChatGPT的竞品出现。

当然，下一步还是有很多人会去做与ChatGPT类似的事情，但是我认为时间上可能会比较久，这其中，我个人比较看好谷歌和微软，因为他们之前的积累已经有足够多。

其实刚才也谈到了微软的问题，虽然微软只是给ChatGPT投了钱，技术上没有参与，但是从它的布局来看，我觉得微软其实非常有野心，要知道2019年微软就开始向OpenAI投钱，第一次就投了10亿美元，2020年就跟OpenAI谈妥了GPT3的独家授权，2021年微软就专门给OpenAI构建了自己的超算能力。

微软提供的这些工程能力和云计算能力，足以确保OpenAI继续保持领先优势，如果未来任何一个竞争对手想要超越OpenAI，在这些资源上都要加倍付出，甚至要在短时间内实现突破才有可能，但是现在，时间反而是最稀缺的，像之前“学徒巴德”（Apprentice Bard）在谷歌的发布会上“翻车”也说明，互联网产品的竞争是非常残酷的，虽然你也能做出来一个差不多的，但只要你不能超越市场中最好的，那就意味着失败。

陶芳波：我接着这个话题稍微说下，因为我们的业务跟大模型接触非常多，首先大模型开源这件事不是刚刚开始，其实去年很多公司已经出来了，包括OPT（Meta AI 的开源项目）和BLOOM（法国政府资助的开源AI），但其实它们和ChatGPT的差距非常大。

我觉得OpenAI的竞争力，表现在他们对于数据使用方式的认知，还有刚才费老师提到的工程能力和数据体系，这套东西不是说拿出50亿美金，招很多的人马上就可以解决的，这是现在很多投资人的误解。

另外，我觉得AI的分层其实在今天就已经开始了，像Sam Altman（OpenAI首席执行官）自己就说过，OpenAI现在就是个Infra，未来在它上面可能会有中间层，这个中间层的作用是帮助一个个大模型Infra变成各个行业里的解决方案。

ChatGPT 能让TMT投资人“再干15年”吗？

险峰：ChatGPT下一步会往何处去？会不会被下一个transformer颠覆？

陶芳波：个人观点，我们可以从底层视角来看，比如今天OpenAI做出了ChatGPT，未来或许还会有GPT4，我们先假设OpenAI的技术是最领先的，现在后面有一堆大厂巨头和创业公司，正在或者将要做大模型，那如果我是OpenAI，我接下来会做什么？

我觉得第一个方向，还是怎样用好手上的现有数据，把模型的潜力全部挖掘出来。下一代GPT的参数量也许还能再大个10倍，但估计也就是这个规模了，不可能再扩大1000倍，因为参数要有足够的数据来匹配，全世界的优质数据就这么多，参数量搞得再大效果也不有太大提升。

另一个方向，也是Anthropic提出的，叫做「宪法AI」。就是我们能不能让AI在一套宪法，或者说一套规则下，实现自我进化，最终变得符合这套规则。举个例子，每个国家都有自己的监管体系，比如中东地区，只有符合当地监管的AI才能进入该国，我觉得这会是一个非常好的方向，可以大大降低AI吸收信息的成本，提高它的效率。

第三个方向是多模态，让OpenAI变成一个思考引擎。我们知道人类的感知不是单一的，而是许多模块组成的，不是说用户说了一段话，我能感受到这段话就够了，最简单的，比如看漫画书，人能够把感知图像和感知文字结合在一起，而不是两个单独的东西。

所以我觉得，接下来大模型会在这些方向上继续发展，这是一个底座，这种状态会维持相当长一段时间，而接下来才是更巨大的挑战，无论是投资人，还是创业者，我们到底应该怎样去迎接ChatGPT的革命性变化，在它上面重构一个巨大的新体系？

举个例子，2007年iPhone诞生，10年之后你会发现整个互联网生态都变了，iPhone上面长出了各种各样的应用，这10年间，全球诞生了多少独角兽，诞生了多少千亿、万亿美金级的公司，这些公司在iPhone出现之前都是不存在的，都是从一个很小的作坊开始做起来的。

我觉得今天大量的机会其实是这里面，首先是中间层的机会，就像在大模型外面搭一个脚手架，让它有1000只手1000只脚，可以做更复杂的事情，比如基于如何使用大模型构建一个社区，这是一种最轻量级的创业思路。再比如教会大模型怎么去使用外部工具，怎么样更好的去理解对面的用户，而不只是从文字输入来理解他——这也是我们正在做的事情。

在中间层上面，还会有各种应用层，刚才费老师也讲到，AI在SaaS端已经被验证了，但我个人认为这一波AI浪潮席卷的范围会远大于SaaS。因为SaaS更多还是服务于企业的效率工具，但ChatGPT肯定会拓展到C端，比如说健身、医疗，都有机会可以重做出一个交互式的软件，把用户界面完全抛弃掉，和移动互联网时代相比，我认为这会是一种全新体验的产品。

黄东旭：我也有类似的观点，其实软件的进步一直都是交互方式的进步，以前是字符界面，到后来是UI，沿着这条线往下走，未来最重要的软件交互形态其实就是自然语言。过去我们一直在尝试，让软件的使用变得更加贴近人类自然语言，但是今天我们终于有了这样一个新工具，能重新去塑造我们跟软件的沟通方式。

以前我们用软件，比如说Linux，输入一堆命令，机器才能去完成一件事情，相当于我们要去学习机器的语言。但现在有了ChatGPT，你可以直接去跟他说，我想要到达到某某结果，我不管你怎么干，最后能给我结果就好，这其实是一个非常颠覆性的东西，所以我们现在正在做的，不断跟GPT磨合的，也是类似的思路。

陶芳波：我记得ChatGPT刚出来的时候，就有投资人提出一个观点，说TMT可以重新再干15年，我觉得这个逻辑是对的，因为上个时代我们基于移动互联网，做出了各种各样的APP，而今天新的交互形式出现了，每一个细分的赛道上可能都会成长出一个全新的独角兽，或者全新的商业模式，我觉得是一个完全的大洗牌。

今天ChatGPT的潜力大概只发挥了百分之几，就已经创造出超过了万亿的市场，未来这个规模可能是几十万亿。

ChatGPT 正在对哪些工作岗位造成影响？

险峰：这个问题是帮别人问的，他是个很早期的NLP从业者，想问大模型出来以后，其他的模型可能就成为历史了，他们这些人未来应该怎么办？

龙波：这个问题的答案还是比较清晰的，以前那些传统的NLP的手段，在这个时代肯定是不会再有用了，比如大量的语法树之类，非常繁琐，过去开发过程很痛苦，要一支很大的团队才能做出一个很小的东西，我们肯定不会再回到那个年代，老的技术基本都可以用大型语言模型（LLM，large language model）替代。

对于ChatGPT的未来，我非常同意陶博士刚才说的，如果只是一味地增加数据或增加参数，不一定还能得到好的ROI，因为你给了更多的数据，就意味着有更多的噪音，最后信噪比可能反而更差，这也是为什么我们有时觉得ChatGPT会回答错的原因，所以还是要关注如何提高数据的质量。

与数据质量同样重要的，可能是跟大模型的互动。举个例子，如果我们真的要让ChatGPT变成某个领域的专家，不再犯什么错误，可以想想我们培养一个PHD的过程是什么样的？他需要和他的导师、行业大牛反复地交互讨论学习，才能最终成为专家，而不是说简单的筛选高质量数据喂给他就完了。

如果再进一步，我们要让ChatGPT成为真正的通用人工智能，在每个领域都很精深，也需要有一个方法能够让AI迭代高质量数据，所以我觉得未来在算法层面可能会有一些突破，比如说让RL和大语言模型更完美的结合，能够更好地筛选出高质量数据，甚至是自动采集这种数据，这些都会跟人学习的过程越来越像。

到那时，我不知道是不是只靠现在的统计模型或者大型语言模型就够了，还是会跟其他新技术绑定在一起，比如现在也有人在研究，怎么把真正的推理能力和神经网络相结合，这是我看到一些未来可能发生的事情。

险峰：接下来可能是很多CEO比较感兴趣的问题，创业公司应该如何使用ChatGPT ？它将可以替代哪些岗位？

黄东旭：个人认为可以从两个方面来看，对内和对外，我先说对外。

首先在AI爆发的大背景下，我们做数据库的还是一个挺安全的生意，因为不管怎么样你还是要存数据。在过去没有AI的时候，我要从数据库里提取数据，学过计算机的朋友可能都知道要用到SQL，或者其他语言，总之是需要敲代码才能去跟数据库做交互。

举个例子，之前我曾经把我自己所有看过的电影、所有看过的书，全都导到了我的数据库里，我就可以直接去问我的数据库说，在我去年看过所有的电影里，哪个导演的片子最多？他会直接帮我生成SQL，SQL再去数据库里进行查询，非常快速且准确，但是前提是你必须会敲代码，懂得机器的语言。

沿着我刚才的理论——自然语言会变成下一个软件交互的UI，大家想象一下，如果你是个CEO，你公司里面有很多运营数据，每次你去找财务，或者数据分析师，说我需要一个某某数据，他可能过好几天才能返过来，但现在如果有这样的一个很神奇的数据库，CEO可以直接开口问AI，比如今年公司花钱最多的部门是哪个，马上就可以得到答案。

那如果再推一步，我们把背后的数据集换成了区块链，换成了房地产信息，换成了股市信息，你会发现一下子人人都是数据分析师，这对于各个行业都会是一个巨大的颠覆。

至于对内部，我觉得CEO一定要放弃ChatGPT可以完全取代人的观念，现阶段肯定是取代不了，但是它能提高人的效率。

如果大家写过程序就会知道，一个工程师可能有80%的时间都是做重复劳动，未来这80%的工作其实都可以让ChatGPT来做，比如说写文档、写单元测试，生成一些脚手架之类，它不会完全取代程序员，但是确实能带来很大的提升效率。

大家如果看过《钢铁侠1》，里面有一个AI助手叫做贾维斯，现在我跟ChatGPT的工作模式与它很像，我会告诉它我要做什么东西，你先做一个原型出来，然后一步步跟它交互，告诉它可以这样这样搞。

所以至少目前，我并不会把ChatGPT当做是一个可以取代人工的东西，而是给所有的工程师都配了一个账号，告诉他们遇事不决先问一下ChatGPT，搞不好效率就提升了，这是我大概的经验分享。

陶芳波：我稍微插一句，我觉得东旭他们公司很厉害，已经开始使用ChatGPT来提高效率了，其实很多国内的公司都可以学一下。

另外他讲的第一点我感触很深，数据库公司未来一定会存在，但也一定还会很多有提供其他互联网信息服务的公司，我觉得他们可能都要去思考，是不是今天我暂时是安全的，ChatGPT跟我就没有关系？

我觉得可以换一种视角，现在的现实是，这个超级大脑已经在那里了，他未来一定是会跟各种各样的东西连接在一起，这里面有一个很重要的点，以前我们说信息服务的连接端口是API，还有一大堆代码之类的，但今天这个端口很可能会变掉，变成一个更加接近于人类语言的东西。

所以我觉得每一个服务提供商，如果觉得你的信息服务很有价值，我觉得都可以尝试去拥抱ChatGPT，看看怎么跟他建立起对话通道，越早拥抱，就越早可以让ChatGPT把你的服务分发到更多的场景、更多的用户。我觉得这件事情谁做得快，谁就可能成为自己赛道里的下一代巨头企业。

ChatGPT广泛使用后，人类的认知能力会下降吗？

险峰：ChatGPT出来以后，主流声音认为以后可能就不再需要搜索引擎了，但也有一些悲观者认为，我们将来接触的大部分信息都会由机器生成，里面会有大量的假信息，这将威胁人类的认知和判断能力，如果我们从小就依赖这样的产品，可能会是一个灾难性，对此各位怎么看？

费良宏：这不是一个新问题，其实互联网从诞生之日起，就一直在改变我们使用和消费信息的习惯。

比如，最开始出现的是浏览器，它让网页信息变成了一种规范的、可以被浏览的形式；之后，随着信息总量的不断增长，大量垃圾信息开始影响我们的用户体验，这时出现了雅虎的黄页，它通过人工方式去维护目录，给每个网页设置优先级。

再往后，当信息量继续爆炸，黄页的维护开始跟不上数据的生产速度，人们慢慢意识到，使用搜索可能会比使用黄页更有效率，这时诞生了最早期的搜索引擎，比如AltaVista和Infoseek，但是它们的能力受限于当时的技术，还只能在一个很小的范围内能进行搜索。

后来的故事大家都知道了，1998年，谷歌的两个合伙人开始创业，他们希望用计算机构建一个更广义的集群，通过大量廉价的硬件设备来满足整个互联网的搜索需求。在当时，大家认为这是不可能实现的，但后来的事实证明，技术的进步远超我们的想象，于是人类进入了关键字搜索时代，开始通过搜索引擎来使用和消费互联网信息。

到了今天，互联网上的信息总量已经是一个天文数字，你的每一次搜索，结果可能有成百上千页，里面存在大量无用或者重复的信息，那我们应该如何应对这样的局面？这时ChatGPT出现了，它可以帮助我们去做总结归纳，如果从信息消费的历史来看，这是一个巨大的进步，这点无可否认。

而从历史来看，一旦我们养成了新的信息消费习惯，就没有办法再回到之前的时代，我们不可能用黄页去替代今天的搜索引擎，同样的，未来当我们适应了ChatGPT，我们也回不到关键字搜索时代。

因此，人类下一阶段的信息使用习惯一定是更高级别的，当然这里还有成本问题，比如像ChatGPT的每一次搜索大概需要1.3美分，成本还是比较高的，如果再能降低10倍的话，我觉得整个搜索市场会被完全颠覆。

从这个角度说，ChatGPT的历史地位可以等价于浏览器的出现，或者是谷歌搜索引擎的出现，人类每一个信息消费习惯的进步都意味着一个里程碑式。

龙波：非常赞同良宏的观点，ChatGPT的交互方式让我们获取信息更加高效，它带来的影响是不可逆的，肯定会对搜索引擎，甚至推荐引擎都带来冲击，而且我认为冲击会很大。尽管短时间内会有些技术上的挑战，比如如何把ChatGPT融入到搜索引擎中去，但我认为这些都不是问题，很快都会被解决。

那么ChatGPT的挑战是什么？第一个挑战是商业化，任何2C的技术应用背后一定要有商业支撑。

刚才良宏谈到谷歌的巨大成功，但是其实在1999年，布林和拉里佩奇是准备以100万美元的价格把谷歌卖掉的，据说最后已经谈到了75万，如果当时交易达成，也就没有后面的故事了；到了2002年，雅虎打算收购谷歌时，开出的价格是100亿美金，等于说4年翻了一万倍。

为什么形势会逆转呢？因为商业模式走通了，从display as到search as，搜索广告的收入开始有了巨大的增长，当时所有人都看到了谷歌的商业潜力，所以价值一下就不一样了。也正因为如此，谷歌才能有资源雇最好的员工，创造最好的企业文化。

未来ChatGPT也会面临同样的问题，比如现在的搜索引擎是靠点击量来收费，本质上卖的是用户的注意力，而如果AI一秒钟就完成了答案交付，那卖广告的模式肯定就不再work了，一定还需要寻找新的商业模式来支撑它，当然，我相信最后肯定也会找到。

第二个挑战是人文方面的，刚才问题中也提到了，ChatGPT会极大影响人的认知模式。

在搜索引擎时代，我们每完成一次信息收集，其实都是完成一次学习的过程。举个例子，比如我们发论文，每篇文章后面一定要有一个reference（参考文献），你要先把前人做出的研究成果讲清楚，再说你在这个基础上取得什么成果，这是一种知识的传接，如果没有reference就不可以被称为学术论文。

谷歌的搜索引擎，也是把它认为最相关、最高质量的链接排在最上面，最后还是需要你自己去做判断，这是人类学习的方法，你一定要有出处，要有reference，这是我们作为研究者对人类知识积累的一个基本态度。而如果AI就只给一个答案，会让信息茧房变得更严重。

传统来说，我们在互联网获取信息有两种基本方式，一个是搜索，一个是推荐。搜索是说用户知道自己想找什么，我就给他什么，推荐是用户不知道自己想要什么，那我就猜你想要什么。而当ChatGPT出来以后，因为它每天都会和你有交互，它会猜得更准确，更严重的是，它还会主动创造出一些让你喜欢的答案或信息，你听了会觉得那就是真实的，而且又没有reference。

到那时，我们要面对的信息茧房会比推荐引擎时代大得多，每个人可能只听到自己想听到的，只理解自己能理解的，我不知道这会对人类产生什么影响，但这个影响一定是世界范围的。

ChatGPT 会导致哪些行业消失？

险峰：在你们看来，ChatGPT的出现可能会把哪些行业冲垮？哪些公司现在急需转型？

黄东旭：非常主观的个人观点，不一定对。

第一我觉得是一些简单的内容编辑，或者简单的内容生成工作，比如写新闻稿、写一些简单的summary，或者一些初级分析岗位，未来可能都要想一想，但很遗憾这样的工作其实可能还挺多的。我觉得ChatGPT出来以后，肯定对整个社会分工造成很大的改变，但这个改变不会马上出现，会有一定的滞后性，但是这个改变一定是很深远的。

第二是程序员这个行业会被改变，你想象一下，相当于过去大家都是步行赶路，现在突然每人发辆自行车，好处是效率一定会提升，但当有一波人能够熟练使用ChatGPT的时候，公司老板就会想，到底还需不需要雇这么多人了？甚至当未来AI能够自己写程序时，程序员在里面的位置又是什么？我自己会稍微有点悲观。

陶芳波：其实从我的观点来讲，大公司可能是第一波受到冲击的，都会被迫面对这样一个巨大的变革。

今天早上我跟一个非常知名的TMT投资人交流，提到了一个点，就是苹果的壁垒到底有多高？在移动互联网时代，用户只能用一台手机去处理许多复杂的事情，所以需要强大的算力，需要非常好的人机交互，这是苹果真正的壁垒。

但如果ChatGPT开始与各种产品结合，产生了一种新的交互形态，是不是最后手机就会变成了一个普通的终端？换言之，如果未来AI的软件部分，提供的服务比重越来越高，就意味着硬件价值会越来越低，苹果手机做得再好，以后还会有那么大的价值吗？

当天平的两端发生调整，如果苹果不能及时入场，为自己的开发者生态提供AI化的能力，我觉得它其实也是很危险的，再比如说亚马逊，它的内部也一定是red alert（亮起红色警报），假如一个微软云的客服，跑过去告AWS的用户说，你要用ChatGPT吗？来，come to Azure，我觉得至少对很多中小企业来说是一个巨大的诱惑。

所以在我的视角里，未来大公司的格局会首先发生变化，就像是微软拿着一把全世界最牛逼的屠龙刀，一刀一刀的斩过去，就看谁的反应够快。

同样冲击也会向下影响到中小公司，比如说订票软件，假设行业有10个竞争者，那么谁第一个拥抱ChatGPT，把自己的数据和大模型进行链接，为客户提供一种交互式模式的订票服务，就像一个私人助理一样，这家公司就能把所有的订单吸过去，其他9家可能就会死掉。

这个逻辑在任何行业都会存在，因为人总要订票，总要接受医疗服务，法律服务，各种各样的服务，总要恋爱和社交，所以我在内部分享时常说一句话，当ChatGPT出现后，全世界只有两种人，一种叫溺水者，他的头被按在水下，他想要浮起来，奋力的想抓住一些东西让自己活下来，谷歌就是这种感觉。第二种人叫淘金者，他想冲到这波浪潮里面去淘金。

这是今天市场上的两种公司，我觉得可能谁都无法完全置身事外。你适应能力很强，能接受现实，快速拥抱这个趋势，就能抓住下一个时代的机会。

小公司如何抓住 ChatGPT 的逆袭机会？

费良宏：ChatGPT 这一波技术革命来得比较迅猛，我个人是有点担心，主要是两点。一个是从个人层面。我们回顾历史，第一次、第二次工业革命彻底粉碎了手工业者，过去这些人曾处于一个比较优沃的社会位置，靠一门手艺就够确保自己的美好生活，但是机器大生产将他们变成了普通工人。

在手工业者衰落的同时，另一个新群体开始崛起，就是知识工作者，在二战以后，他们成为了贡献和收益都最大的一群人，当然我们也都受益于这个群体。但ChatGPT出现之后，无论是程序员，还是知识工作者，都有着被机器取代的可能，这种模式一旦出现，对每个个体的挑战是非常巨大的，我对此会有担忧，尤其应该思考我们未来的价值在哪里？

第二是从企业的角度来看，OpenAI并不是微软内部孵化的，它到今天也只有375个员工，是一个100%的创业公司，而且是一个小型创业公司。包括DeepMind也是家小公司，截止到今天它的员工数量也才1000个人，和谷歌的19万员工比起来九牛一毛。为什么微软和谷歌内部无法孵化出这些项目，而要依赖于外部的这些小企业？很重要一点，是大企业在创新上的天生存在弊端和不足，哪怕是最厉害的硅谷科技公司，也无法逃脱这个规律。

我前几天读了一本书，Netflix 的创始人里德·哈斯廷斯所著的《不拘一格》，其中提到一个观点叫「人才密度」——这是创新的前提和基础，只有足够聪明的人聚在在一起共事，才会产生创意的火花，推动伟大的创意变成伟大的产品。而如果是在人才密度相对较小的环境中，哪怕他真的是一个人才，也会被淹没在各种噪声和平庸的见解中。

OpenAI只有375个人，但他的人才密度一定比微软、谷歌更好，这样的小企业才会推动真正的科技进步。所以从创新角度看，我并不认为大企业会对整个市场产生多大的影响，反倒是在资本加持之下，创新小企业才是科技的颠覆力量。

所以我觉得，ChatGPT给我们开了一个窗口，这个是一个千载难逢的机遇，但它是为创新型小企业准备的，而不是大企业。这点上，我的观点会和大家不太一样，我并不认为大企业能够获得最大的红利。

龙波：谈下我的视角，这次ChatGPT带来的冲击和改变，无论是大企业小企业都必须要去适应。在它面前，我甚至认为所有公司都是创业公司，如果大企业不进行二次创业，那么就会失去自己的优势，走下坡路。

总体来说，小企业的机会可能更多在应用层。大企业的话，更要在基础层和中间层开始二次创业，不然的话那么肯定会受到巨大的挑战。

举个例子，很多人现在会关注微软和谷歌的竞争，这是一条明线，但暗线的话，我认为微软下一个对手其实是AWS，微软完全可以利用ChatGPT，改变整个cloud service（云服务）格局，实际上ChatGPT非常适合做各种to B或者cloud-based service一类的工作，比如刚才东旭讲到的数据库例子。

再往前推一步，大家都知道，过去电商平台要搭一套推荐系统，是一件非常复杂的事情，因为你的库里已经录入了过去10年的商品，这些商品都是基于关键词搜索系统设计的，如果要改成推荐制，需要招一支非常资深的工程师团队，小公司完全用不起。但是如果将来，这些东西都可以通过ChatGPT指令自动化完成，整个cloud的格局都会改变，我觉得微软在这方面的机会很大，我更看好这条线。相反，在搜索引擎方面，我觉得除非是谷歌犯下很多致命的错误，不然它还是很有机会能翻身的。

硅谷如何看待ChatGPT？

险峰：现在国内媒体对于ChatGPT讨论的非常热烈，硅谷那边的情况如何？他们主要关注的点是什么？

黄东旭：一样非常火。无论是在推特上，还是我身边的人，ChatGPT应该近几年最大的IT新闻了。

我举个例子，从ChatGPT第一个demo出来到现在，可能也就是两个多月的时间，但硅谷可能已经有上百家基于类似产品的创业公司出来了，所以我觉得硅谷这边可能动作更快一点，而且大家不只是在讨论，我甚至觉得很快就会有独角兽出现了。

Everything is a wrapper of openAI，现在就是这样的一个市场。

龙波：同样的热度，中美都一样。不同点可能有两个地方，只是我自己观察的，不一定准确。

第一是硅谷这边更多还是在聊未来，聊技术路线的分歧，比如现在的大模型是不是能产生通用AI？未来还需要融入哪些新技术？国内的话，我觉得反思的人可能会更多一些，比如为什么我们在AI领域落后了？下一步要如何追赶？这是我看到的不同，但我觉得两者都非常好，无论是反思还是展望，可能都是我们现在非常需要的。

第二是硅谷对于人文关怀的讨论会多一些，大家更关心ChatGPT对社会、对人类有什么样的影响。比如很多人会持有一种悲观的观点，认为它不利于人类社会去中心化发展。

想象一下，有一个万能的AI，它给你提供了所有答案，人人都依靠它，无条件相信它，它就变成了你的权威，实际上意味着一种中心化对个人思想的控制，而且这种东西往往只有大公司才能做出来，那就意味着大资本对整个社会思想的控制。所以可能大家会更关心如何避免这种情况发生，同时又能让这样的新技术提高我们效率和幸福感。

普通人如何拥抱ChatGPT ？

险峰：最后一个话题，各位觉得自己或者自己所在的业务部门，面对ChatGPT会有哪些思考和行动？

陶芳波：因为我们自己就是AI公司，可能参与会比较直接。刚才也提到，国内现在没有办法使用ChatGPT，目前来看，虽然有一些很不错的团队正在组建，但离跑出来可能还需要一段时间。

我觉得整个ChatGPT的生态，会在未来一两年内逐渐形成，所以对中国企业来说，这里面还是有一些全球性机会的，中国的创业者不一定非要窝在家里，等着国内的生态建立起来。

就我们公司而言，第一，是尝试探索未来的中间层在哪里，怎样把ChatGPT的能力提升，并用它服务于其他的企业。像东旭刚才讲的，everything is a wrapper of GPT，那么how can we be the best wrapper？我觉得能做好一个wrapper本身就很有价值。

第二就是作为中国企业，我们未来怎么样帮助中国参与到全球的AI生态竞争当中？最近有几个大新闻，包括王慧文也在组建中国的OpenAI团队，我们也在时刻关注着，毕竟中国是一个世界大国，无论从国家安全考虑或者科技竞争考虑，中国都需要一个这样的东西出来。所以我们也在跟政府、大企业去合作，看看能不能帮到一些忙，或说是能参与到其中的建设。

费良宏：可以预计的是，云计算跟AI的结合会越来越紧密，随着ChatGPT对整个市场的普及和教育，大家对AI的认识达到了一个新的高度。我身边很多非技术的朋友都开始跟我探讨ChatGPT，这是一个非常好的苗头，未来无论是AI as services或者是Model as services，一定会越来普及，帮助AI与人实现更好的交互。

对于一个开发人员来讲，与 ChatGPT相关的工程化能力未来会是一个非常关键的技能，所以抓紧时间窗口的机会，尽快掌握这个能力，ChatGPT对每个人来说都是公平的，也是有挑战的，总体来讲还是机会大于挑战。

黄东旭：说一个我最近的思考：在这个时代，我们应该放弃一种观念，就是人比AI强，未来不应该是我们去教AI做事情，而是让AI来教我们做事情，放弃这个执念以后，你才可能打开新世界的大门。

比如之前我教 ChatGPT写代码，会给他一些例子，告诉他说你不要这么做，你应该这么做，但他学了这些例子后，做出来的东西效果反而更不好了。后来我干脆放开手脚，让AI自己去弄，你觉得怎么样好就怎么做，结果反而更好。这件事给我带来一些哲学思考，我会经常提醒自己放下执念。

龙波：我之前主要从事Computational Ad（计算广告行业），大家都知道，计算广告是支撑起整个互联网最重要的商业模式，前面我也谈到过，ChatGPT的挤占了传统广告的注意力空间，对这个行业带来巨大的冲击，这是挑战的一面。

反过来，用户之所以讨厌广告，是因为这些广告的体验不好，用户觉得为什么你要让我看到这些，我不喜欢。但如果，未来AI会变成你最贴心的的管家，变成钢铁侠的贾维斯，那时广告可能会达到它的最高境界，即完全不损坏用户体验，我给你的就是你最需要的东西，也许ChatGPT真能做到这一点，这会是一个巨大的机遇，这是我的一些思考。

险峰：谢谢几位，下面是几位观众的留言提问，有人问现在考大学的话，CS专业以后还有前途吗？各位怎么看？

费良宏：如果一年之前，我肯定会鼓励他学习计算机专业，但是今年答案可能就没那么简单了，比如经济环境改变的裁员问题，包括ChatGPT带来的冲击。

但冲击其实无处不在，我记得是去年Alpha Fold刚出来的时候，对大家冲击其实不亚于这一次，我们用一个简单的语言模型就能预测出2万多种生物蛋白，而且准确率非常高，整个分子生物学的格局都被改变了，背后也是千千万万的从业者受到影响。

所以我是在这么看的，我们不一定要以薪酬高低来选择自己的行业，而应该看按照自己的特长。简单来说，如果你是基于薪水多才选择了做程序员，在大变革面前你很难坚持下来。但反过来，如果这是兴趣专长或爱好，能够长期坚持，我相信在这个世界当中的机会无处不在。

回到最初这个问题上，我不建议大家简单的把专业定位在计算机或非计算机上，而是更大程度上选择你擅长和喜欢的领域，接下来AI会和各行各业发生连接，如果你有能力把自己的专业与AI相结合，可能会是一个更有价值的选择。

OpenAI的组织设计给创业者带来哪些启示？

险峰：有观众问，未来各巨头都会有自己的大模型，所有大模型之间会不会趋同？以后差异化会在哪里？

陶芳波：这个是一个很预测性的问题，可能我也不能完全回答，但我觉得ChatGPT本身需要调教，这个调教的过程里就包含了很多你对于业务的理解，最终的形态肯定也会很不一样。这件事我一个人的大脑肯定是不够用的，现在全世界无数的人都在想大模型的下一个形态是什么？我觉得可以多关注一些行业动态，我相信一定有人已经在做类似的事情。

险峰：有观众问到，OpenAI团队和组织框架设计上的一些独特之处，是否对他们的成功产生了影响？

龙波：我可能刚才提到过一点，对于创新型企业，坚持是其中一个非常重要的品质。做出ChatGPT要调用大量的资源，对一家小企业来说其实是很困难的，另外站在当时看，技术路径也远不如现在清晰，所以他们选择了一个非常独特的非盈利组织架构，就是不想被短期商业利益所胁迫，这让创始团队在早期就打下了一个比较深厚的技术烙印。

所以你看这次王慧文老师出来创业，也是要做一家关注技术创新，而不是短时间内商业变现的企业，我想这可能是OpenAI对我们的启发，要坚持长期主义，更加集中注意力，真正做出一些有深度的东西。

陶芳波：非常同意龙波总说的，可能我俩都属于AI科班出身，会非常有共鸣。我觉得OpenAI的成功，跟团队成员都有着非常强烈的技术信仰有关，他们相信这件事情一定能成，在5年前刚开始做GPT1的时候，他们就坚信，只要把自回归的大语言模型做到极致，就一定能可以做出AGI，所以才能一直坚持下来。

其实在GPT3出来之前，根本没人在乎他们，大家都觉得，这些东西我们也能做，但GPT3出来之后，那些大厂才开始追随他们去跟进，但此时他们已经继续再往前推了。所以我想说，坚持当然不一定能成功的，99%的坚持最后可能也都是失败的，但如果不坚持，至少就不会像他们那么成功。凡是取得巨大成功的人，一定是坚持下来的人，人有时候是要对抗全世界的，我觉得这种感觉真的会特别好。

点「在看」的人都变好看了哦！