ChatGPT是人类被AI支配的开始吗？

ChatGPT出来以后类似的问题很多，借这个话题聊一聊。

在讨论狼是不是来了之前，起码搞清楚这“狼”长什么样子。先说一个事实：ChatGPT不是通用人工智能（AGI）。

人工智能大致分为弱人工智能和强人工智能两种，和很多人的直觉不一样，二者的主要区别不在于能力的强弱而在于领域，弱人工智能只能在某个领域中表现出智能，譬如阿法狗，把人类棋手都下哭了很厉害，但也只会下棋，所以仍然是弱人工智能。

强人工智能也称为通用人工智能，顾名思义就是通用，能做更多领域的事。ChatGPT可以做知识问答，也可以编程，从这一点看，确实比其它的聊天机器人通用，但局限也很明显，目前还只能纯文本交互，不支持多模态。

譬如说ChatGPT目前就没法做看图说话。这不是刁难，现在人工智能发展已经达到了这个水平，输入一张图片，要模型输出描述性文本，术语叫“图-文生成”。由于同时涉及图像和文本两种不同类型，也叫多模态任务。

目前图-文生成以及更广域的多模态任务是现在人工智能领域的研究热点，已经产出可用成果，还记得2022年上半年非常热门的文-图生成模型DALL-E 2吗，这就是个多模态模型，而且使用了图-文生成的相关成果。

那么，介绍ChatGPT时经常提到的大统一模型是什么？其实说的是背后的Transformer模型，也叫自注意力模型。关系链是这样的：ChatGPT基于GPT模型，而GPT基于Transformer模型，准确来说，是基于Transformer模型的Decoder部分。

Transformer模型是典型的Seq2Seq结构，由编码器Encoder和解码器Decoder两部分组成，简单可以理解为前者负责语义理解，后者负责内容生成。GPT系列模型只使用了其中的Decoder部分，从理论上分析，GPT应该是生成能力较强，而理解能力相对较弱。但从使用来看，都说ChatGPT能够准确理解我们说啥，当然也可能是我们问的比较蠢，不需要啥理解能力吧。

为什么说Transformer模型是大统一模型呢？因为人工智能研究基本分为自然语言处理（文本处理）、图像处理和音频处理三大赛道，原本不同赛道的模型是老死不相往来的，也就是跨赛道没法使用，但Transformer打破了这个规矩。

Transformer最早是在自然语言处理大杀特杀，但只能处理文本，后来通过ViT等一众变体把火烧到了图像处理领域，逼得一众CNN原地画圈圈，还因此衍生出许多多模态的玩法。最近看了看论文，Transformer又开始和扩散模型抢地盘，忙得不亦乐乎。

当然，现在就说Transformer模型是大统一模型为时尚早，只能说有这个潜力。

接着说三个观点：

第一个观点，ChatGPT能引起这么大轰动，自身表现当然不俗，但更要靠同行衬托。人工智能会不会支配人类先放一放，公开的聊天机器人有很多，试一试就知道，能把话说利索了的目前就这一款。

引起轰动可能因为你是真厉害，也可能因为别人都太拉胯。你数学考70分回家可能会挨老爸棍子，但你告诉他第二名只有30分而且全班平均分不到10分，他就会送你一朵小红花。不过，这个时候就去讨论你这么聪明日后数学难题都被你统统破解了，数学家都失业了怎么办，人类又得有多无聊，那只能说四个字操之过急。

第二个观点，现在讨论ChatGPT处于什么阶段多少有点空想，前面说了，同行太拉跨，而完全体该是怎样谁也不知道，姑且假设春节档的MOSS是100分吧，ChatGPT还处于起步阶段的起步阶段。不过，我也还是认可ChatGPT就是里程碑。

为什么？因为希望是我们这个年代像钻石一样珍贵的东西，而ChatGPT给我们的就是希望，生成式AI革命能够发生在我们这一代人的希望。

很多人觉得人工智能的发展就像人类幼崽的成长，去年达到3岁智力水平，今年努力努力就能达到4岁。不是的，人工智能学有很多的分支，每一条分支都对如何实现智能有不同的见解。机器学习只是人工智能的分支之一，而深度学习又只是机器学习下的一条分支。每条分支要发展就要投人投钱投时间，点到某个时间点才发现此路不通，那么前面的投入就得统统打水漂，而且技术进步时间线还要跟着回滚。

我认为ChatGPT最大意义不在于对话有多流畅，而在于证明点了深度学习这条科技树是值得的，而且值得继续点下去。这一点相信让很多方面都放了心。

第三个观点，不管喜不喜欢，算法共存时代都已经到来。智能算法在潜移默化中便利生活，也会在潜移默化中改变生活。我就说一点，你看到我的这条内容很可能就是算法推给你的。往后算法对生活的影响只会更多。

最后说说我的态度。很简单三个字：

搞快点。