关于ChatGPT的五个最重要问题
The following article is from M小姐研习录 Author M小姐走四方
课代表立正 B站视频博主（经授权转载，仅代表作者个人观点）
我们判断，如果ChatGPT不犯大错，两年内，对整个科技行业甚至人类社会都可能影响深远。倒计时已经开始了。我排一个两年后ChatGPT能做到的事情以及可能性：
1、专家级回答事实性的问题（99%）；
2、专家级回答判断性的问题（80%）；
3、每个人的数字学徒（75%）；
4、把编程提效十倍（70%） -- 小团队半年时间就能开发3A级别的游戏；
5、直接要求结果（50%）；
6、替我打工（50%）；
7、写出一篇这样充满原创知识的文章（5%）；
2、过去的计算机只能“模拟”，ChatGPT可以“理解”；
3、ChatGPT之于过往机器学习，是后膛枪之于弓箭手，意义不在于两者的性能对比，而在于热兵器的时代已经开启，并且发展是加速度的；
4、ChatGPT是“自然语言计算机”，是人类调用数据与算力的近乎完美的形态；
5、ChatGPT会让“智力分发”的边际成本趋近于零，人力资本的杠杆变得无限大；
6、所有系统与数据库都值得被ChatGPT重做一遍；
7、ChatGPT应该关注理解能力的构建。
但是上述的结论和比方，在看完全文之前，都没什么用，因为我们不知道是真是假。如果对ChatGPT到底是什么不了解，那就只能比谁说话更语出惊人、更金句，而不是谁判断更准确、更有洞见。所以我们要花巨大的功夫，写出这篇文章，让大家知道我们知道什么，不知道什么。
GPT-4在3月15日震撼发布了，但是本文观点、推演、结论不需要任何大改，因为对技术的理解是准确的，对能力范围的理解与推演也是准确的。其实文章并不是对GPT-4和能达到的事情有任何“预测”，而只是“简单推演”。所以就不重新修改了，对比现实，正好能让大家看清楚什么是天天变化的，什么是不变的。
哪五个问题？
在ChatGPT纪元中，提问题的能力和判断力也许是人类最重要的两个能力。我们这里提出五个关键问题，并且试图抛开网络上的二手观点，做出基于原理的判断。围绕这五个问题，我们会把所需要知道的相关技术背景，尽量简洁但是无损地总结清楚，不说废话：
1、是什么：ChatGPT是范式突破，还是过往AI的延伸？
2、会怎样：ChatGPT两年内会达到什么水准？
3、行业格局：ChatGPT以及GPT有壁垒吗？
4、如何参与：我们未来应该如何使用ChatGPT？
5、人文：人类和ChatGPT的本质区别是什么？对人类社会的冲击？
我们搞清楚这五个问题，就能判断市面上大多数解读ChatGPT的观点，无论从技术、商业、投资等等角度，是否靠谱了。其实就两个关键：
1、对ChatGPT新能力的认知：这新能力到底是什么，有多大“不一样”？那个“不一样”能带来多少新的可能性？
2、对“能力获取难度”的认知：ChatGPT如何获得的？别人获取类似能力，难度有多大？
文章结尾我们会做一下总结。让你下次见到某大模型，可以判断这是ChatGPT的80%还是0%。也可以判断自己的工作会被ChatGPT取代多少。
为什么这样问？
最近到处都在讨论ChatGPT，但是对于ChatGPT这样一个人类高科技结晶的新物种，不先搞清楚它“是什么”和“为什么厉害”，那就没有办法形成自己的判断。没有自己基于原理的判断，看ChatGPT就像看元宇宙、Web3、自动驾驶一样，觉得好像很厉害，也有一套看似自洽的逻辑，以及振聋发聩的“洞见”，其实只能被别人牵着走。
搞清楚ChatGPT“是什么”和“为什么厉害”是一件困难的事情，因为最顶尖的人工智能大佬们也没有达成共识。比如Meta的AI负责人，深度学习三大佬之一的LeCun就不看好，认为这就是个基于auto-regressive（自回归）的LLM（large language model，大语言模型），从方法上来讲没有啥范式突破。只是因为OpenAI是个创业公司，大家宽容度比较高，ChatGPT在乱说话，大家也能容忍。
另一面，ChatGPT的火热就不说了，比如特斯拉的首席AI科学家就选择回到OpenAI，共建AGI（artificial general intelligence，通用人工智能，也是OpenAI的追求目标）；Meta的VR创始人卡马克选择离开Meta，自己开一家AGI公司。另外一篇文章[1]截取了大佬们的赞誉神奇的点就在于，双方也许都是对的。ChatGPT的确不是一个“新的模型”，而是即有模型的发展与组合；但ChatGPT又足够不一样，让包括我在内的很多AI相关的从业者，有第一次见到光的感觉。我们在第一章会花大篇幅去讲一下为什么ChatGPT的原理是填词，但它的新能力却远远不是“填词”而已。
技术插播：“自回归”“大语言模型”是两个关键词
1、自回归的意思是，我先用模型预测下一个词是什么，然后把预测出来的词带入模型，去预测再下一个词是什么，不断迭代。这是过往语言模型的通用范式，也能让各类语言类任务统一成“生成式”任务。
2、大语言模型的大是指海量参数，从而能吸取海量数据中的信息。这是在transformer模型之后成为可能的。大语言模型本身也值得技术科普一下，我们在第一个问题中展开。
ChatGPT的最基本版历史
开始问问题之前，有一些必要的技术科普。我们着重参考两篇综述，尽量抓重点：
1、大语言模型技术精要[2]
2、ChatGPT的各项超能力从哪里来[3]
意义 | |
Transformer问世 | 大语言模型突破了参数和算力限制，从此语言模型也进入参数越多，数据越大，模型效果越好的时代。 |
LLM内战，逐渐吊打老NLP Google的Bert路线和OpenAI的GPT路线各有所长 | GPT通过“自然语言生成任务”，兼容了几乎所有NLP问题；但是Bert比GPT2表现好。此时大语言模型已经开始吊打传统NLP模型了 |
GPT3问世 展示in-context learning能力，简单调教下就能吊打精调过的很多模型 | 一方面让GPT模式初现一统江湖的潜质，一方面GPT3的 in-context learning能力，展示了和过往ML的fine-tuning模式的本质区别，我们在下面单独详细展开 |
- InstructGPT ChatGPT的交互模式，让GPT的能力，更加贴近人类真实交互方式 | 在in-context learning基础之上，进一步降低了prompting的门槛；一定程度解决了GPT-3生成结果与用户期望不一致的非预期输出，大幅降低了有害的、错误或偏差的输出结果，让GPT更符合人类胃口 |
- GPT读代码 代码训练能力的提升是GPT3到GPT3.5的重要迭代之一，模型从而可以生成代码和“理解”代码 | Codex模型读了大量代码，之后的GPT3.5模型涌现出了“乌鸦”的能力（第一问详解）。不光能读懂和生成代码，对语言本身的理解和推理能力也解锁了 |
- RLHF ChatGPT背后的核心技术之一，让模型学习人类的偏好 | 全称是reinforcement learning from human feedback，通过构建人类反馈数据集，训练一个reward模型，模仿人类偏好对结果打分，是GPT-3后时代LLM越来越像人类对话的核心技术 |
ChatGPT InstructGPT的亲戚，但一些优化方式也带来了ChatGPT的更泛化和准确能力，再次引爆了AIGC | ChatGPT总体来说和InstructGPT一样是使用RLHF进行训练，但模型是基于GPT3.5，而且数据设置上也不同。ChatGPT是一个输入，模型给出多个输出，然后人给结果排序，让模型可以学习人类的排序策略，即使是一本正经的胡说八道看起来也很合理的样子。 |
如何分辨真假ChatGPT
结合上面的图和表格，我们简单梳理一下：
1、GPT-3是一个非常令人惊艳的LLM，这个两年半前的播客有当时early-adopter的视角，但GPT-3还勉强属于“量变”，到现在，也不是最厉害的LLM[5]。
2、GPT-3.5通过InstructGPT的模式 + 阅读代码，涌现了“乌鸦”能力，产生了质变。但是还没找到合适的应用界面，也不符合人类喜好。
3、ChatGPT在RLHF的帮助下，找到了GPT-3.5和人类自然语言的合理接口，解锁了模型应用的前景。
各LLM能力涌现路径
所以我们要记得，厉害的模型是GPT-3.5，厉害的应用方式是ChatGPT。应用方式相对很容易复制，RLHF有难度但也不太难，真正难的是“乌鸦”能力的复现。如果我们要关注能不能做出来ChatGPT，要关注的是各家LLM离GPT-3.5的“乌鸦”能力有多远，在一个没有乌鸦能力的LLM上套一个ChatGPT的应用方式，只是东施效颦。
这里说“应用方式相对容易复制”，但是不意味着这个应用方式不够颠覆。iPhone出现时，很多人也只是觉得没有什么颠覆技术，只是个不错的集成方案[6]。但那些人没看到的是，iPhone是第一个“为了适应人而设计的智能手机”而非“为了解决问题而设计的智能手机”[7]。 iPhone的交互方式和各种传感器，让iPhone慢慢变成了人类的身体的一部分，一个带来更多信息，高效交互的器官。ChatGPT已经接近目前人类调用算力和数据的最终极形态了，其应用方式本身当然是足够厉害的。我们在第二问，ChatGPT会取代哪些工作里，详细展开。
这里也牵涉到了一个重要的题外话，我们在讨论中发现，很多资深AI从业者，如果不去深究LLM的细节，而是用过往经验猜想ChatGPT的能力来源时，会产生严重的错误理解。我们总结了一下，发现这误解大概是发生在in-context learning和instruct这一模式，和过往模型调教有什么区别上，尤其是对“fine-tuning”这个词的理解上。
重要的题外话 -- AI从业者为什么对ChatGPT有错误理解？
过往的NLP模型是按照具体任务和具体数据来训练的。所以数据质量越好，模型效果越好。而且最好只有正确数据，没有错误数据。大语言模型有一个重要不同，是“数据越多”越好，而数据质量变成了重要，但稍显次要因素。
在一开始，大模型想要在特定任务上取得较好效果，也需要那个领域的具体数据去“fine-tune”一下。通过大量的例子，先教给模型，那个领域中什么是好，什么是坏，调节一下模型的权重，从而输出恰当的结果。这和过往模型的范式是差不多的。这样的应用明显非常有局限。每做一些新的事情，或者数据分布有明显变化，都要重新训练一遍模型。而新事情和新数据无穷无尽，模型就只能刷新。但是模型的刷新也可能导致过去做得好的事情突然做不好了，进一步限制了应用。
而GPT-3涌现出的in-context learning能力（现在其他大模型也有，比如Google的PaLM，同时不确定GPT-3是第一个涌现的，希望得到指正）和上述范式有本质不同，“过往的fine-tuning”需要更改模型参数，也就是说，换了个新模型。但是in-context learning，模型并没有变化，却能在新数据上表现更好。研究甚至发现，你给大模型一堆范例，只要对应关系整体是对的，这时候改变具体对应的顺序，大模型仍然能输出正确的结果。这真的很神奇。再重新强调一遍，模型没有变化，没有被重新训练，但是能“理解”新数据，并且表现更好。
接下来还有更神奇的。在GPT-Codex版本解锁了推理能力，以及InstructGPT提出了instruct这一方法，他们合体的ChatGPT在in-context learning的基础之上，展示出了具备理解、推理、演绎能力的样子。我们在下一章详细展开。
一个重要的关系图
我做了一副图来表示他们的关系（3.16迭代成V2）。注意几点：
1、过去的ML的“fine tune”，“数据飞轮”，本质是为了迭代模型本身，用新模型解决新问题。
2、而pre-trained大模型的关键思路是用大模型来解决所有问题。模型本身不变化。
3、虽然InstructGPT和ChatGPT改变了大模型的参数，但是：
4、New Bing是「基于ChatGPT范式下」做到的。我们对ChatGPT颠覆能力的绝大多数推演，仅来自于「把给New Bing的接口开放给公众」。甚至都没讨论其他突破的可能性。
ChatGPT是范式突破吗？
机器学习发展了这么多年，遵循同一个范式。哪怕2016年大火的AlphaGo，也完全没有脱离这个范式 -- 鹦鹉学舌。
1.1 过往机器学习的范式 -- 鹦鹉学舌
机器学习，包括深度学习，所遵循的范式是“data fitting”，即找到数据中的“对应关系”并应用。具体来说，就是Y=f(X)，给定一些优化目标，机器学习寻找X和Y的对应关系，来优化一个特定的方程。对应关系找得好，让我们在见到一个未知的X‘的时候，也能根据规律，总结出Y‘是什么，能最好达到设定的目标。
从信息论的角度，这样的范式，所能总结的规律，应该是在“已有X所包含信息的范畴之内”。换句话说，遇到一个新的X‘，虽然没见过，但是应该和过去的X长得差不多。用图像识别举例，如果模型只在小狗小猫的数据上训练过，是无法区分马车和汽车的。
这就很像鹦鹉学舌的机制。鹦鹉是不知道那段话的意义的，它用自己的方式去理解了这个发音，并且模仿了出来。计算机能更加精准地进行控制和编程，配合其他模块能力，就能让“寻找对应关系”这个能力，发挥更大作用，比如：
1、图像识别 + 搜索，就能高效找人
2、Matrix completion + 用户数据收集，就能高效推荐
3、把游戏规则恰当转化为优化方程 + 问题的局部抽象 + 自己生成对局训练，就能下围棋
由此可见。过往AI应用的拓展主要是来自几点：
1、高质量的数据，模型的发展，算力的提升，让模型越来越准、快、和发现更多更深的“对应关系”，能进行更好的优化；
2、更好地把商业问题转化为优化问题；
3、和其他能力的深度结合；
但是这些都是基于“鹦鹉学舌”这一范式的。过往的NLP（natural language processing，自然语言处理）就是一个很好的例子。发展了那么多年，语音助手能根据指令来达成一些目标，但是从来都没有真的“懂”那些指令。过往的NLP只能做“填表”，必须背后有一个人设定好具体的任务，规划好如何把语音或者文字形成固定的function，该function如何调用相应的能力。如果没有人提前规划，那模型就无法实现。这篇文章[8]总结的非常好，这里就不赘述了。
1、亚马逊Alexa的思路和大多数商业语音助手的思路就是招一群程序员来写if then，高情商说法是针对具体使用场景做深度优化。这里有总结。[9]
2、谷歌的思路是用一个大模型做底座，一堆小模型做输入，另一堆小模型做输出。这条路也遇到明显瓶颈。
归根结底，离开了“懂”的能力，鹦鹉的设计师，是很难穷尽世界上所有的语言应用组合的。说这么多，是为了告诉大家，“懂”这件事，是过往AI梦寐以求都想突破的瓶颈。
“懂”字，如果深究的话，会发现大家对它的定义其实存在很大分歧。我如果让狗狗伸手，狗狗伸手了，是“懂”吗？过去NLP的懂和ChatGPT的懂，又有什么区别呢？同样的问题存在其他词汇中，比如理解、推理、演绎、创新，等等。所以想要真的抓住ChatGPT新能力的本质，描述就要更加精确和具体。
华人最厉害的AI学者之一，朱松纯教授，在2017年有一篇思考人工智能和智能本质的文章，[10]开篇所举的例子，就非常深刻、精确、具体地抓到了这一本质。我这里复述一下。这篇文章80%的价值，可能就在这一个例子上。
1.2 ChatGPT可能的新范式 -- 乌鸦
下面是原文，介绍了乌鸦是如何“感知、认知、推理、学习、和执行”的：
这三件事情，从而利用红绿灯和汽车，来帮自己达到“安全打开坚果”这一任务结果。
如果类比成机器学习模型，过往“鹦鹉学舌”范式的解法，是要求所有乌鸦可以共享一个大脑，它们有很清晰的优化目标，即“保住性命的前提下打开坚果”。它们的方式是，随机尝试所有事件的组合，并向着最优解的方向不断演化。
但现实世界的乌鸦无法共享大脑，也不能去冒着死亡风险去尝试所有可能。乌鸦只有一次机会，把观测到的两个现象，产生了一个新的可能性，并应用在一个全新的场景下。这里最接近的词汇可能是“inference”，是“基于证据和逻辑推演，得到结论”的过程，有的时候，还要加入很多猜测、抽象、泛化。举个例子，这篇文章把朱教授对于乌鸦的比喻，跟ChatGPT最本质的能力联系起来，就是在做inferencing这件事。
但很明显，inferencing不是乌鸦智能的全部。而且在机器学习领域里，inferencing特指使用训练好的深度学习模型来预测新的数据这一件事，会产生误解。其他词汇也有类似问题，所以我们在自己文章里，会直接使用“乌鸦能力”来指代ChatGPT的新能力。在对外交流时，我们没办法每次都把乌鸦能力是什么解释一遍，所以我们会用“理解”能力来进行指代。从“乌鸦”到“理解”，当然是一个信息量损失很大的过度概括。但是好处是可以把ChatGPT的本质能力凸显出来。过往互联网的两次能力跃进一次来自于搜索，一次来自于推荐，现在ChatGPT带来了“理解”，也非常有结构感。
1.3 ChatGPT看似拥有乌鸦能力的证据
之所以说“看似”，是因为我们并不知道乌鸦为什么会有和鹦鹉不一样的能力，我们也不完全知道LLM为什么会有“乌鸦”的能力。甚至朱教授本人在AAAI 2023上明确说了，不认为LLM/ChatGPT具备乌鸦能力，而是一只巨鹦鹉。
这个观点是我和朱教授/LeCun不一样的地方。我的观点是，我们未必要“理解原理”才能做判断。换句话说，我们并不知道乌鸦为什么有“智能”，不知道人类为什么有“智能”。我们哪怕确定自己有智能，也不知道对面那个人是不是真的有智能，而不是一个模拟的NPC。这是一个贯穿哲学史上的「他心问题（The problem of other minds）」，我就不过度展开了。
总之，哲学家告诉我们，我们在现实生活中永远无法真的确认其他人是否有智能，但是不妨碍我们生活。所以纠结LLM是否真的有智能，很可能不重要。我们知道的是，（1）LLM激活“智能”的方式一定与人类和乌鸦不一样；（2）人类智能也是受到语言限制而非与生俱来的。所以我们不把话说死，只说看似拥有，不确定真的拥有。为了节省笔墨，我们接下来就不说“看似”了。
我的结论停留在，ChatGPT从表现上来看，具备了一定程度，但远超过往ML范式的智能，我们注意到这个智能的局限性，但也应该在没有搞清楚原理的情况下，积极探索这个智能的应用可能性。
接下来的这几点感受，让我很明显感觉到了ChatGPT的“乌鸦”能力
1、ChatGPT拥有in-context correction的能力，即如果说错了，给出矫正，ChatGPT能“听懂”错在哪儿了，并向正确的方向修正。in-context correction要比in-context learning难了太多
2、描述越详细清楚，ChatGPT回答得越好。要知道，越详细的描述，在预训练的文本里越难匹配到
3、能通过Winograd测试（讲解）
4、在询问ChatGPT互联网上并不存在内容的时候，能给出较好答案（案例：我用ChatGPT学UE5）
5、ChatGPT能通过信息猜你心中的想法（案例：跟ChatGPT玩20 questions）
6、你可以制定一个全新的游戏规则让ChatGPT和你玩，ChatGPT可以理解
前两点是本质，后三点是体感。
回过来对比过往NLP模型范式如何能达到类似效果，就能看到ChatGPT的神奇之处。过往模型一定需要针对具体的问题进行具体设计，而且只要说的话稍稍不够“结构化”，模型的表现就很难保证，更别提在模型资料库里，没有出现过的问题了。
如果认为ChatGPT范式创新的本质是乌鸦能力，那就应该想办法像图灵测试一样，有办法去定义和测量这一能力。我承认，这里的思考和条件还不够成熟。这是个重要问题，我会认真思考下去。
1.4 打比方时间到
把该说的细节说清楚，我们现在可以稍负责任地打比方。虽然朱教授关于鹦鹉和乌鸦的比方是最精确的，但毕竟人不是鹦鹉和乌鸦，鹦鹉和乌鸦的能力到底有什么区别，也需要一番解释，我们还是打一个“人”的比方。
我们可以继续用“鹦鹉”来理解过往的ML，只是这只鹦鹉记忆力和检索能力都特别强，而且有自己的一套理解事物对应关系的方式，让你给他看足够多东西的时候，TA就能找到对应关系。所以你给TA看的东西越多，离你的目标越近，TA的表现越好。问题是TA其实完全听不懂你在说什么，你没教的TA也不可能会。ChatGPT是一个“开窍”之后拥有“理解”能力的人。理解能力带来了举一反三的能力，逻辑推演的能力，“知错”就改的能力。
所以说，我们如果用人去类比ChatGPT，问题也不大。提炼对比一下的话：
1、过往ML：需要“喂”，之后“模仿”，基于的是“对应关系”；
2、ChatGPT：需要“教”，之后“懂”，基于的是“内在逻辑”；
后者的能力上限和应用空间，比起前者岂止百倍。这也是为什么大家如此兴奋和焦虑。兴奋是因为可能性，焦虑是因为目前只有OpenAI一家做出来了ChatGPT，而且并不开源。如果ChatGPT如此重要，但所有人只能基于ChatGPT做应用的话，每个人都要重新考虑自己的商业模式了。这两个问题都属于“猜想未来”，一不小心就会变成科幻小说，我们基于事实和底层理解，用科学的方式去尽量负责任地推演。
ChatGPT两年内可能达到的上下限是什么？
2.1 比方
1、对比过去的技术：过往模型是弓箭，ChatGPT是后膛枪。我们在观望马克沁什么时候出现。后膛枪也许一开始打不过弓箭，但是是热兵器迟早会淘汰冷兵器。
2、对人类的作用：ChatGPT是不断迭代的交通工具。是需要驾驶员，但是能跑多快，跑多远，取代多少“人力运输”，确实也需要道路、司机、交通规则的配合（产品、商业模式等），可是纤夫肯定是大规模淘汰了。
我觉得最准确的“这个机会有多大”的比方就是iPhone。我前面已经说了，就像iPhone让手机变成了人类器官，并且让互联网从桌面走到了身边一样；ChatGPT是终极的调用算力和数据的方式，AGI也能让AI从有限任务变成几乎能取代或协助人类的所有思考任务。可能这也是为什么黄仁勋说，This is the iPhone moment of AI。
2.2 关键的信息
1、OpenAI的GPT-4已经开发了三年+，大概率会“效率提升很多”，不确定“涌现哪些新能力”：
a、确定的是起码会解决GPT-3.5的一些重要问题，比如更加优化的数据-参数比例、更有效率的信息处理与规律发觉、更高质量的信息输入，等等。极大概率会比GPT-3.5的效率高很多，inferencing的成本低很多（很可能是百倍提升）
b、不确定的是模型会有多大（大很多基本确定是谣言），会不会有多模态（之前确定没有，现在难说，不然Andrej Karpathy为什么要去呢），但是如果有的话，也是多模态理解，不太可能有多模态输出。更重要的是，不知道GPT-4会涌现什么新能力
多模态输入的问题是很难把多模态信息标准化到文本的token模式，所以现在ChatGPT是个瞎子，对世界的丰富多彩只能靠别人的转述来想象。
2、ChatGPT现在遇到的很多问题，工程上都有相对简单的解：
3、ChatGPT拥有“理解”能力之后，展示了能结合更多能力的巨大潜力，比如能写代码，做分析，做总结，做营销方案，并且快速变得更好用。
4、OpenAI内部对AGI的安全问题非常重视。
2.3 推演结论
a、ChatGPT的成本会直线下降，尤其inference的成本会小两个以上数量级
我们选择媒体的两条信息源：
1、Sam在公开场合曾说过ChatGPT的inference成本是每条几分钱；
2、根据Jefferies Research的详细调研，ChatGPT的inference大概率是使用闲置x86 CPU，而非GPU进行的[13]。
叠加我们对于inference和大语言模型优化空间的理解，我们认为inference成本直线下降是极大概率的。成本下降就意味着应用范围以及数据收集的能力。ChatGPT哪怕到了十亿DAU的水准（现在一亿DAU的估算也不靠谱），也是能做到免费的。最多限制一下每天的使用次数就行了。New Bing一度限制60条，现在也没了。这些实际使用中的对话无疑会进一步加强ChatGPT的壁垒。
PS：文章写完后的3.1日，OpenAI开放了ChatGPT的API接口[14]，成本已经优化了90%，百万token只需要2.7美元，提炼token能力也大幅优化。这只是个开始。
b、ChatGPT“能力”子模型可能需要重新训练，但“知识”子模型只需要通过instruct prompting的方式喂知识
前面说过，过往AI遇到一个新任务，需要在新任务的数据上重新训练一个模型。但是InstructGPT范式下，给新知识就够了，不需要修改pre-trained大模型。很多子任务，只需要运营ChatGPT的理解能力+知识量，那只要通过对话、引导、教育，不断调教，就能让ChatGPT在子任务中把新能力应用好。
这里最好的比方可能是钢铁侠3。如果打比方的话，ChatGPT是通用型铠甲，出厂就能干绝大多数的活儿。因为具备了理解能力+对话能力，对于绝大多数的工作，人类应该使用“教育”和“引导”的方式，让ChatGPT去完成工作。可以想象ChatGPT就像一个知识渊博，见多识广，态度良好，也有理解能力的人。有耐心，给足够的context，就能做到不错的水平，比如给出医疗建议、给法律参考、写代码框架、做营销方案、做心理咨询、充当面试官，等等。
这里再强调一下prompt的重要性。要知道，微软的New Bing并不是对ChatGPT做出了多少修改，而是通过一系列的prompt去限制和引导ChatGPT，让TA合理地使用搜索，就可以了。并不是去做了一个新的ChatGPT出来。
在prompting之上，如果想对某些方面进行专精，比如牺牲对话能力来提高上下文理解能力，牺牲对话延续性来提高信息精度，等等，就需要回炉重造，进行调整。这里可能也会融合一些其他能力模块，比如搜索（new bing是通过instruct prompting的方式与ChatGPT融合的，但是不排除把搜索直接融入pre-trained model或者融入RLHF那一步，获得更好的效果）、和其他模型的接口、工具使用，等等。这就像那些专精型铠甲。当然，能力+工具能解锁的可能性是巨大的，就像Hulkbuster。
c、Prompting的能力会大幅增强，会适度开放，成为个人版ChatGPT
已经在这样做了。
我们预测会进一步向着这个方向加强。除了是一个明显的商业化点，有两个更重要的意义：
1、可以让大家调教出来“属于自己的ChatGPT”，这个ChatGPT跟你长时间聊天之后能适配你的喜好，甚至学会你想让他学会的独有知识（注意，不是能力，能力只能激活）；
2、在ChatGPT的闭源模型上，仍然可以让各个应用层发展出自己的独有竞争力。从而解决“我只能给OpenAI做UI”的焦虑；
想象如下的场景。你的ChatGPT能记住你跟TA说的所有话，也能不断从你的反馈中学习。如果你是一个优秀的营销经理，假以时日，你的ChatGPT的营销能力也应该吊打其他ChatGPT的营销能力。
d、GPT-4会大幅提升ChatGPT的能力，在多数领域达到“优秀员工”的水准；
我们现在明显是在范式革命的早期，成长曲线将是陡峭的。New Bing和ChatGPT已经展现出巨大差异了。我们有足够多的理由相信，GPT4在如下几个方面几乎“必然”有巨大进步：
1、大模型，大数据，更加优化的参数和数据比例 -- 参数越大越好，数据越多越好，但是合适的比例才能让模型充分吸收数据知识。这方面优化方向很明确。
2、更有针对性的训练数据集 -- OpenAI在“造高质量大数据”上的能力几乎独步天下了，而经过GPT-3之后的多年摸索，什么数据对增强什么能力更有用，即使不清楚，也早就有了体感，肯定可以更好调整（比如读更多代码，多语言的比例，等）。
3、可能的“能力模块融合” -- New Bing以ChatGPT为基座，延伸了搜索能力。那有没有办法把搜索能力直接融入到pre-trained大模型里呢？一些工具能力呢？我认为把“搜索能力融入pre-trained大模型里”的方式，和把RLHF融入ChatGPT的方式其实是类似的。所以应该可以基于一套pre-trained大模型，去比较高效地融入其他能力。
更加强大的归纳、“理解”能力，看似更好的悟性，结合更多场景的调教，我预测在两年内，基于GPT-4的ChatGPT，配合调教，在大多数场合下已经能达到普通员工的水平了。详细会在第四问中展开。
2.4 ChatGPT会取代大多数“搬砖”类工作
“乌鸦”能力到底能带来什么颠覆性意义呢？意义在于ChatGPT已经接近于目前“人类调用算力”的究极界面了。从计算机发展以来，一直在三方面进行发展：
1、算力和存储能力的进步：以摩尔定律为代表。在云之后，更让个人可以调用的算力几乎无上限；
2、对数据的生产、总结，和使用：比如App上记录了很多用户行为，才能做更好的推荐；
3、“调用算力与数据手段”的抽象与进化：从机器语言、汇编语言、高级语言，到虚拟机（对硬件的抽象）、云服务（对API的抽象）。详情请看徐老师的文章[15]。
后两者虽然进步了很多，但是编程仍然是阻止大多数人调用算力的门槛。现在，ChatGPT已经可以很好地进行编程辅助了。假以时日，我们可以向ChatGPT去直接要一个结果，而跳过中间的PM - BRD - 开发 - 交付的冗长流程。
我们退一步去思考一下，为什么ChatGPT可以取代这类工作？因为这类工作虽然是“技术”工种，但是其实“创新”的比重并不高。我们经常会用“搬砖”来自嘲自己工作的重复，这正是问题的关键。如果我们所做的无非是去理解问题，寻找互联网上已有答案，把两者进行对接，那如果ChatGPT能理解问题，归纳答案，自然能比我们干得好。
抽象来看，ChatGPT拥有编程能力，也拥有其他能力。大家需要思考自己工作的本质，是在真的做创新，把已有的点链接起来之后形成新的点，还是在“搬砖”？如果是后者，真的需要去试用一下ChatGPT，看看自己能不能确定比ChatGPT做得好了。
2.5 ChatGPT让“智力分发”的边际成本降为接近零
这个观点其实是Sam Altman的。想象一下：
1、ChatGPT进一步开放记忆力，能记住你一万句话
2、有一个优秀的老师在不断调教ChatGPT，比如对齐对“技术能力”的理解，对结果的反馈
3、（可选）ChatGPT能获得更多专有数据的权限
那这样的一个ChatGPT调教出来，它是可以以忽略不计的使用成本，同时服务几乎无限人的，我们再对照当下，找出来个带来的重要改变：
1、人的精力时间是非常有限的，再厉害的人，也极端受限于单位时间产量。ChatGPT会彻底改变这一点。
2、与此同时，“ChatGPT的好教师/好教练”会变得很重要。这个人的综合能力要求是极高的，起码要有三个基础能力
所以ChatGPT一方面会是个人能力的超级放大器，一方面，半开玩笑地说，可以关注一下新东方的发展（不构成投资建议！）
ChatGPT以及GPT有壁垒吗？
当然有，但是壁垒多高，取决于问题1、2的结论。我们把几种情况分列一下。
1、ChatGPT的“乌鸦”能力不是范式突破，只是错觉；
2、ChatGPT的“乌鸦”能力是范式突破，竞争者6个月内就能“涌现”；
3、ChatGPT的“乌鸦”能力是范式突破，竞争者6-24个月才能“涌现”；
4、ChatGPT的“乌鸦”能力是范式突破，但是竞争者两年内都无法“涌现”。
从实际使用体感来说，#1基本可以排除了。如果是情况#2，那未来各大互联网公司有自己的厉害的大模型只是时间问题。就像有自己的云、自己的图像识别算法等等，虽然有好有坏，但是可以解决有无的问题。
情况#2是很有可能的。毕竟ChatGPT没有大秘密，OpenAI做得到，别的公司也能做到。甚至很有可能，GPT-3.5所涌现的乌鸦能力，在其他大模型上已经具有或者在看到ChatGPT之后，转换方向，很快就能具有。只是现在还没有成熟的RLHF机制，没有像ChatGPT那样显得很懂你。
但是我们也有理由认真考虑情况#3、#4的可能性。后面会更详细展开，因为OpenAI的工程能力很强，而工程能力强到一定程度，是可以形成壁垒的。就像芯片、飞机引擎一样，不是秘密，但是没有几个公司能做出来。如果Google/Meta需要6个月才能复现ChatGPT“理解”的能力，可以认定其壁垒极高是很高的，尤其是工程难度极大。这个时候其他公司想要“追赶”，就很难了。因为ChatGPT的数据飞轮优势已经几乎无法撼动。
3.1 ChatGPT壁垒的来源
a、GPT-3是闭源的
OpenAI内部对于AGI的态度是非常审慎的，光从安全这一点考虑，都不可能把ChatGPT开源。“开源模型国产实现”路径，在ChatGPT上是不要指望的。这是一件考验真功夫的事情。
b、OpenAI的工程能力是很强的壁垒
这是因为创始人真的懂，真的一直坚持AGI这条路，真的用心吸引到了这方面最好的一批人，形成了超高的人才密度。“增加模型参数”这件事需要工程能力，更难的是“让大模型有效地学习到大数据中的知识”，以及如何调教模型产出人类需要的输出，OpenAI自己的blog里都很强调。这里面的工程积累就可以类比“芯片”和“大飞机引擎”了。
下一步的工程积累必须站在上一步的工程突破上。而且要求过程中参与的工程师们都要有“原理性”思考的习惯。据打听来的消息，正是因为OpenAI超高的人才密度，才在互相碰撞中突破了诸多工程瓶颈。这些工程瓶颈到底有多难突破，我们不在其中，很难判断。
c、务实的土壤很难长出OpenAI的能力
面向业务目标不断优化的模型，所有都是基于现有模式进行优化，是不可能形成范式突破的。在务实的商业环境下，如果不能“一步一脚印”地为业务提供正反馈，整个模型的发展就很受限。很难在三年还没有突破的情况下给耐心，就算有耐心，团队士气也无法保障。
但是这里确实也要避免矫枉过正。没有OpenAI，没有Sam Altman和Ilya Sutskever，再给硅谷十年时间，能不能产生ChatGPT也很难说。所以不要太计较为什么只有OpenAI产生了ChatGPT。
d、Leadership的技术判断力是稀缺资源
New Bing与ChatGPT结合地这么快，效果又这么好，在创业历史上其实是罕见的奇迹。这是乔布斯和马斯克的段位，远超市面上其他人。这方面可遇不可求，不是一个可复制的模式。
e、数据飞轮已经形成
ChatGPT不光是一个AI新范式，也是一个现象级成功的C端产品，又有微软的资源和渠道加成，很明显一上来就卡住了非常好的身位。这种情况下，ChatGPT的使用数据是可以不断反补模型本身的。注意，我说的是使用数据，意思是使用中的行为数据等统计数据，而不是对话中产生的内容本身。ChatGPT的博客里也反复强调他们有独特的机制，让数据的使用、理解、生产，有紧密的闭环。[16]
3.2 题外话2，正确理解数据对LLM的重要（与不重要）
过往模型的数据飞轮和ChatGPT的数据飞轮是有重要区别的。ChatGPT形成的数据对话，对ChatGPT背后的pre-trained大模型意义不大。我们回到ChatGPT与GPT关系的这张图：
GPT-4是通过海量的数据训练出来的。提高这里的数据质量是一个复杂工程，而且边际效益非常大。ChatGPT会形成很多数据，但是比起GPT-4训练的数据，质量未必就一定高。而且这部分文本并不稳定，增量也很快。所以要想做出一个稳定的、具有更好理解能力的pre-trained大模型，不太可能去使用ChatGPT形成的对话数据。
大家之所以会有误解，是因为“题外话1”，被过往模型的fine-tuning的经验局限了。过去模型是需要根据更好的数据实时fine-tune，实时修改参数，做到更好的表现。要记得，ChatGPT不是这样做的。
那ChatGPT的数据飞轮体现在哪里呢？应该体现在最后两层。一方面，这些对话数据确实是人类alignment的重要行为数据，所以好好利用，应该可以让ChatGPT把理解能力更好应用在跟人类的语气对齐上。另一方面，这些对话中包含了很多真实世界的需求，进行比较好的挖掘，就能寻找到ChatGPT的更好的应用方式。
再多说一个，很多人觉得掌握文本数据，对LLM开发会形成很大优势。不会的。GPT-3.5读完代码之后，人类语种就不重要了，语言质量和语言中的逻辑结构才重要。因为翻译对于LLM来说是个简单任务。
3.3 复现ChatGPT“理解”能力要多久？
以上所说的五条原因都是“困难”。但是到底有多“困难”，还是需要量化。ChatGPT是一个一个学术界和业界都缺乏定论的新技术，具体的量化不太可能，所以我们这里抓住一个核心点，即“涌现‘乌鸦’的能力”，可能性有多高，需要多久？GPT本来就不是“完成各类子任务最厉害的LLM”，离开这一个核心，我们一定会陷入茫然。
很明显，离ChatGPT能力最近的是拥有Deepmind，提出Transformer/T5/PaLM的谷歌。我们应该把大多数的注意力放在谷歌身上。少部分的注意力中，大部分应该放在Meta上，尤其是使用他们的开源模型LLaMA来认真研究其他模型究竟有没有“乌鸦”能力（比如这篇文章）。[17]
不用关心微软又做出来什么新东西，OpenAI又发表了什么。最核心的问题很简单：
1、如果PaLM已经具备GPT-3.5的理解能力，那Google和OpenAI的差距是1Q-2Q
2、如果PaLM不具备GPT-3.5的理解能力，考虑到迭代一次大模型再快也要数天，这里的差距很可能会迅速拉到一年以上
“乌鸦”能力是涌现出来的，而不是有确定可复制的路径的。我们虽然知道其能力是在GPT训练到什么规模有涌现的，但是不确定别的模型在这个规模也会涌现同样能力，毕竟文本质量和优化方式差别很大。就好像引擎的原理都知道，但是能不能达到那个推重比，只有极少数的公司能掌握。
一个典型的话术会是“在OpenAI已经探明路径的情况下，花OpenAI 50%的投入，达到OpenAI 80%的效果”。希望看完上面，我们能认知到，直到Google复现了乌鸦能力，我们应该默认这条路是行不通的。基于能力是“涌现”的，要么100%，要么0%；叠加背后隐藏的工程难度，我们一定要准备好，面对在很长一段时期内，OpenAI是唯一一个有乌鸦能力模型的可能性。
我们未来应该如何使用ChatGPT？
4.1 讨论
a、OpenAI的的开放方式有待观望
我们上文基于现有信息，技术理解，和我们的猜想，提出来了ChatGPT的最佳开放模式应该是增强和开放prompting的能力，让健忘的ChatGPT记得你交代的事情，从而让ChatGPT可以个人化。接下来就是GPT-4的开放和通过不同方式调教出来，各有所长的子能力模型。
但是以上都是猜想，真正的使用方式还是要看OpenAI自己如何开放。江湖传闻下一步是和Office Suite的深度整合。Notion AI已经给了很好的例子，确实很香。但是究竟是去增强微软现有产品，还是去成为下一代计算机？我认为OpenAI会选择后者。但是站在此时此刻，我们只能猜测和观望，以及做好人和ChatGPT的合理中间层。
b、意识到人类的局限
同时，我们也要意识到人类有更大的局限，不谈算力和知识面，光从理解能力这一角度来说：
1、人类很难意识到自己的错误；
2、人类有ego，会影响自己的认知，也会让观点带入感情色彩；
3、人类会故意偷换概念，等等；
所以ChatGPT也许短期不会直接取代人类工作。但是两年内一定可以让一部分人的人效极大程度地提高。虽然说消灭工作的同时会产生新工作，但是很可能是消灭了一百个，产生了一个。那我们必须要思考一下，假如ChatGPT理解能力更上几层楼，拥有了多种能力，并且说话也靠谱不乱说了，我们人类的竞争力还剩下什么呢？第五问会详细展开，我们先讨论两个常见问题。
c、2B2C都会有，但生产力价值>>娱乐价值
ChatGPT的DAU增长是现象级的，而且大家都觉得很好用，所以会有很多2C应用的想象。但是我想提醒大家两点。
第一，ChatGPT显而易见的能力是在提升生产力上。而娱乐的价值未必很高，因为对话和阅读其实是一个门槛较高的娱乐形式。丰富性和深度，多数情况下也不是一个东西娱乐价值的重要因素。比如游戏想好玩，打击感一般比NPC栩栩如生更重要；一个短视频想吸引点击量，恐怕是话越少越好。所以建议少关注如何把ChatGPT应用到娱乐上，多关注如何提升生产力上，大方向应该没错。
第二，要记得这是一个颠覆型产品，而不是一个渐进式的改进。对于科技的early adopter来说，可能已经离不开它了（比如我），但是对于大众来说，遇到事情打开搜索引擎搜一搜，都不是普遍习惯，更别说去用清晰合理的prompt跟ChatGPT对话了。如果有这样的场景，其实ChatGPT也大概率是一个“提高效率”的角色。
这里可以从iPhone的经验中看到early adopter和大众市场的区别。iPhone大概是在iPhone4的时候才被大众市场普遍接受，而且这还是在“大多数人都用过功能手机”的前提下。ChatGPT作为聊天助手或者语音助手，并不符合人们现在的普遍使用习惯，也不是人们现在高频场景的简单植入，所以很可能需要几年时间才能让多数人适应。在这几年内，ChatGPT更容易取代的产品应该是各种SaaS，各种云，各种效率工具，比如搜索引擎等。
d、《终结者》 vs《硅谷》
我的观点是AGI已经到来了，因为如果我们不拿一个完美的标准去衡量ChatGPT的话，会发现它已经在很多任务上超越了人类的表现。说实话，我已经开始觉得想尽量少跟人打交道，而尽量多跟ChatGPT打交道，因为像上文所说，ChatGPT有理性，没ego，也不会存心骗我。
那AGI会如何进化？这个时候我们要防止被科幻误导，如果限制ChatGPT的权限，那就不会发生《终结者》里面的世界。但是《硅谷》提到的AI的可能性倒不容小觑。在《硅谷》里，AI可以向着一个“更有效率的工具”这一目标自我进化，但很快，它就研究出如何破解世界上最安全的加密算法了。如果我们让AGI有自我进化的目标，那确实要小心，会涌现什么样的颠覆型能力。这个我想太多也没用，我相信OpenAI是一家最懂AGI，最担心AGI滥用的机构之一。
4.2 对于应用方向的推演
等待OpenAI把给New Bing的接口开放给公众
再回到这张图。
还是记得，New Bing这么厉害，只是基于ChatGPT这个模型的理解+自然语言调用，开放了两件事，定制prompting，加上调用能力的接口。
3.16日，微软发布会，震撼发布了一堆Office的Copilot：Introducing Microsoft 365 Copilot — your copilot for work，[18]就为我们提供了上图的很多案例：
如果我们细看，这些Copilots还是基于理解能力的根基，对与工具的调用方式形成了不同程度、不同方式的结合。让GPT的理解能力融入到现有的工作流中，在人类需要算力、数据去“搬砖”的时候，提供相应的帮助。
具体做到的方式，上图解释的很清楚。如果抽象出来，其实就是让具备理解能力的LLM扮演一个程序员。现在的系统、数据、App，调用方式都是为了让程序员来操作的。LLM有理解，有世界知识，给到关于你的知识，给标准化培训，就能扮演好一个有效程序员的角色，来调用这些App，发挥自己的搬砖能力。这里就有一个具体实现方法。[19]
能力看起来是震撼人心的，但是也为我们带来了非常多的启发与鼓舞。我相信OpenAI很快就会开放这些接口，而我们第一波机会就在把现有的工具和场景里，用GPT，按需设计出人类的copilot，替人类降本增效，摆脱工具人命运。
a、短期：Better Prompting + 寻找合适的场景
记得两个重要推论：
1、ChatGPT是调用算力和数据最合理手段；
2、ChatGPT在C端，是一个early-adopter的市场。大众接受尚需时日。
所以短期，把我们世界中现有的需求，与ChatGPT通过prompting的方式更好对接，调动更适合的算力与数据，会是重要的能力与突破。
在场景应用中，我们应该有两个原则：
1、对症下药：ChatGPT不是搜索引擎、不是程序，我们就用它做它擅长的事情，而不是去做搜索引擎和程序可以更高效完成的事情
2、择善而从：当前的ChatGPT是有明显的hallucination问题的，那我们就不能100%相信它的结论。一个简单的方法是我们要在自己能判断对错的地方去使用ChatGPT提高我们产生想法，收集归纳信息的效率，但是人要来把关
上图来自于Introducing Microsoft 365 Copilot — your copilot for work，[20]解释Microsoft 365 Copilot的做法。Microsoft有两个优势。第一个是有现成的生产力场景，第二个是有数据来提升prompt的质量，生成更好的结果。
b、中期：ChatGPT Wrapper
Prompting其实是一个要求很高的综合能力。因为这要求一个人对“解决这个问题需要什么context”有理解，而大多数人只知道自己在想什么，不知道其他人需要知道什么，也不知道解决问题需要什么。所以对于大多数人来说，还是需要把ChatGPT的能力包装成具体解决方案，把context通过其他方式给到ChatGPT，然后让使用者做判断题或者选择题，而不是做开放回答题。
通过prompting，就很容易做到这一结果。通过诱导New Bing，已经看到了ChatGPT是如何跟搜索进行结合的，就是通过一系列的自然语言来instruct它合理使用搜索的能力。当ChatGPT开放更多prompting的长度，并且能让system prompting的attention可调，我们就能很方便地通过instruct prompting，把ChatGPT这一通用型铠甲适配到具体解决方案中。
c、长期：ChatGPT Native Solutions
ChatGPT Native Solution据我所知，是这里第一次在全网提到。这是一个很重要的概念，类似于智能机时代，Web Mobile和Mobile Native选型的认知。当时绝大多数开发者是看好web mobile的，Facebook在这里就走了一个大弯路。但是很快mobile native就展现了压倒性的优势。我认为ChatGPT Native也会有类似优势。
再说清楚一点，其实ChatGPT native的意思就是把各类软件/程序/系统的输入输出接口，变成自然语言。这样子就可以被以自然语言为接口的ChatGPT高效调用和计算了。而且没有代码能力（但是有编程思维和工程思维）的人，也可以非常清楚地理解系统的任意环节，进行有效提问和改进。
4.3 几个具体方向
a、LLM高考
ChatGPT到底能不能在某些场合替代人类工作？不同LLM产出的类似产品到底有没有乌鸦能力或者达成某些目标的能力？针对人类的测试并不适用于AGI，而过往ML的能力衡量方法也不适用于AGI。
未来衡量AGI能力应该是主观和客观的结合。就像高考是人类智力和能力的不完美proxy一样，LLM也许很难得到客观衡量，但正因如此，做好衡量是很有意义的方向。
b、LLM培训
不只是prompt engineering这么简单。想让ChatGPT掌握一个领域的深入知识，一定需要多轮对话，一定需要对话者一方面对教育学很懂，一方面对信息论很懂，一方面又是领域专家。好处是老师教人类学生，杠杆很低，但是培训大模型，杠杆和回报很高，因为大模型教好了能取代千千万万个学生。
c、Personalized & Private Search
为什么New Bing能这么快做出来？我们要明确两件事
1、New Bing没有（怎么）改动ChatGPT，而是通过instruct prompting（跟ChatGPT用自然语言规定一堆规则）的方式教给ChatGPT使用搜索
2、搜索本来就是人类语言查询信息而设计和服务的，而ChatGPT的输入输出又都是自然语言，所以适配非常简单自然。
但是我们的独有数据是不能被简单搜索的。比如公司内部系统，我的个人聊天记录，我上传的视频，等等。所以我们需要一个个人化、隐私化的，把自己数据contextual，index，之后方便搜索的流程，之后才能让ChatGPT很好地使用。
这里要记得，GPT-3.5所以依赖的海量数据是为了提炼出那个理解能力用的，而不是为了增加它的知识用的。ChatGPT调用知识的最好手段是搜索，而不是去往自己那个pre-trained大模型里添加知识。后者是过往ML的做法，别回去了。
人类和ChatGPT的本质区别是什么？
因为我们的脑科学和神经科学非常不发达，这里只能从哲学寻求解答。BTW，除非脑科学产生重大的范式突破，不然neurallink这种脑机接口，是不可能实现大家想像中的那些功能的。但我们不是哲学专家，这里就仅供参考。
5.1 判断力
ChatGPT再厉害，也只能去吸取虚拟数字中的数字信号，是无法与现实世界做真实交互的。它可以听一万个专家告诉他做A就会得到B，但是不从真实世界中做实验，就无法从最底层确认这个说法究竟是真是假。绝知此事要躬行，才能有判断力的根基。
5.2 “Eureka”
牛顿看到苹果落地，可以发现万有引力，从而预测星星的运动。哥白尼发现地球是围绕太阳转的，而在他之前全地球人天天看着日出日落，都认为太阳是绕着地球转的。如果那个时候有一个ChatGPT，一定非常笃定太阳绕着地球转。那个ChatGPT也许能从苹果如何落地推测出桃子如何落地，但是大概率无法推测出星星的运动方式。
当然，能发现万有引力的人也是少数。更有意义的是去识别这种思维能力到底是什么，以及在我们日常生活中如何体现。阿基米德在泡澡时候发现浮力定律的时候喊了“Eureka”，大概可以形容这种“灵感并发、灵光一现”的瞬间。我们这里把这个瞬间稍稍具体地归结为“链接了数个相关的点，并且发现了第三个点”的过程。
5.3 增量知识
如果把现有知识归纳总结应用， 那必然PK不过ChatGPT。只有创造互联网上不存在的新知识，才可能是ChatGPT做不到的。注意条件指向，互联网上不存在的新知识，也未必不能从存量知识里总结出来，但是能从存量知识里总结出来的，一定不是人类的优势。
5.4 批判性思维
批判性思维是要主动去伪存真，不断发现更重要的、更贴近现实、更具创造力和价值的想法。ChatGPT似乎能找到一个好答案，但是会不会不断挑战这个答案，找到更好的答案呢？希望OpenAI暂且去研究和探索它这一能力，不然确实很难预测它能进化成什么样了。
5.5 理解人
人类的文本知识里一定存在很多人性的理解，但是也一定有一些人性或者偏好，是没有被记录总结在文字里的。如果我们结合1和3，就会发现，去真实世界理解人，而不是去通过调研、问卷、网络资料理解人；去带来增量的理解，而不是去人云亦云地重复套路。才是人类相对于ChatGPT的优势。
5.6 直觉
回归ARLLM的本质。ARLLM是在试图生成下一个字没错，但是人类是不是也在做这件事情呢？不好说。如果是生成下一句话，下一段呢？那这个时候，会不会（极少部分）人类的优势在于能一次生成一百段话之后的那句话？这可能就是所谓“直觉”的digital定义了。不知道模型能不能有这一天，但是应该会比较难。
5.7 烤面包
记得ChatGPT只存在于数字世界中，会进入意义世界甚至感官世界，但是不会直接进入物理世界。在信息时代之前，人是不依赖于数字世界的。所以ChatGPT真的取代数字世界很多工作之后，人类也可以照常生存。反而减少了很多工具属性，也许会活得更开心。
总结
1、ChatGPT的范式突破是“乌鸦”能力。恕能力所限，无法更简单地无损表达这一能力的本质了。如果允许有损，我会用“理解”能力来概括它最重要的一面。作为对比，过往ML的能力模式是“鹦鹉”能力，所做的是寻找“对应关系”。
2、ChatGPT的意义是目前人类对“调用算力和数据”的究极手段，预测会在两年内有能力辅助人类，高效率完成多数可被定义为“搬砖”的工作。
3、ChatGPT的“乌鸦”能力是涌现的，工程难度是极高的。我们应该抛弃各种噪音，聚焦关注Google是否能复现这一能力，从而判定这一能力到底有多难。而现在，建议我们的默认预测是这一能力很难复现，需要别人来用强力证据说服我们他们能复现。
4、我们对ChatGPT的使用应该观望OpenAI给我们提供的调用方式，在当下，我们应该（1）用好ChatGPT，做好ChatGPT的项目经理；（2） 学会通过自然语言调用ChatGPT；（3）寻找做好ChatGPT能力与我们所需要解决问题的的中间层的机会。
参考资料来源:
[1]https://doc.weixin.qq.com/doc/w3_AY8AUwZnAEYTRZAGn43T6aLmSIqvM?scode=AJEAIQdfAAou8O2XDiAY8AUwZnAEY
[2]https://zhuanlan.zhihu.com/p/597586623
[3]https://mp.weixin.qq.com/s/7N3HveaIfn2N-zKjBoRL1A
[4]https://yaofu.notion.site/A-Closer-Look-at-Large-Language-Models-Emergent-Abilities493876b55df5479d80686f68a1abd72f#b8609bc4b61045db924002de43ae138d
[5]https://guiguzaozhidao.fireside.fm/gpt3
[6]https://mp.weixin.qq.com/s/S0dgJcEZJugBsSPDnZ-WmA
[7]https://www.bilibili.com/video/BV1vA411y7qi/
[8]https://mp.weixin.qq.com/s/KF4DgF9FPYW2D_M-uacNaw
[9]https://www.bilibili.com/video/BV1KK411c74X/
[10]https://mp.weixin.qq.com/s/-wSYLu-XvOrsST8_KEUa-Q
[11]https://github.com/hwchase17/langchain/blob/master/langchain/prompts/prompt.py
[12]https://openai.com/blog/how-should-ai-systems-behave
[13]https://drive.weixin.qq.com/s?k=AJEAIQdfAAo4dDUg5CAH8AdAacAAY
[14]https://openai.com/blog/introducing-chatgpt-and-whisper-apis
[15]https://mp.weixin.qq.com/s/7HLtL5fkIkFNe2ZGxMwJ2g
[16]https://openai.com/blog/planning-for-agi-and-beyond
[17]https://mp.weixin.qq.com/s/kImwfWWtXMmEDVOhJZ4dJg
[18]https://news.microsoft.com/reinventing-productivity/
[19]https://github.com/hwchase17/langchain
[20]https://news.microsoft.com/reinventing-productivity/
[21]https://www.xiaoyuzhoufm.com/episode/63f75852aae4a19f498dd5ab?s=eyJ1IjogIjYxNzlmYzJlZTBmNWU3MjNiYjAxY2ZlNSJ9
推荐阅读
胡璇、胡晓萌：《ChatGPT之后，AIGC会如何革新内容创作？》
👇 点个“在看”分享洞见