AI技术变革初见端倪，如何看待技术颠覆与批评声音？

微软的AI搜索功能已经上线测试，趁着chatGPT的热度，2009年就已经推出的BingAPP重新焕发光彩，下载量一度暴涨了5倍。大家自然不能放过这个新玩具，各种测评、分析都已跟进，讨论得挺热烈，一会儿能听到有人说技术颠覆出现，谷歌地位不保；一会儿又有人告诉你AI不过如此，错误百出没啥实际用处，谷歌市场占有率依旧坚挺。过去一周，我和大家一起分析了AI产业的未来格局。今天我想还是要站在当下看未来，和大家一起聊聊，如何看待今天的这些争论，如何理性看待通往未来的道路。

首先，我还是要提醒大家，今天只是AI变革刚开始，产业终局并不会立刻到来。根据我们的理论框架，新技术改变人类社会要经历「行为改变-习惯改变-文化改变」的过程，今天Bing上线AI搜索只不过是新一代AI应用诞生的小标志，我们如何使用AI，AI的功能该用到哪些地方，这些都还需要探索，现在只是行为改变的开始。正因如此，在这个阶段各种观念、各种看法会不断交锋，充满了各式各样嘈杂的声音，我们会听到更多“技术颠覆”的呼声，也会听到更多“不过如此”的批评。这正是新科技融入社会，新变革开始的一大特征，直到各种争论平息，新的AI应用成为我们的日常使用习惯，人们都觉得技术似乎没有什么新鲜的，技术的颠覆才真正完成。这就好比互联网刚出来的时候，各种颠覆的概念最多，但真正颠覆了人类社会的传统习惯，其实是每个人成为网民的时候。今天才上线了一个AI搜索，但不少人已经发现chatGPT在翻译、文案、辅助决策上的潜力，更不用谈和AI绘画、游戏、笔记等已有应用结合的各种可能性了。随着AI技术融入到越多行业中，关于使用习惯、数据所有权的争论也会越来越多，我们既要认识到缺陷与不足，更要明白新技术一旦铺开，必然势不可挡，唯一的区别就是你今天使用，还是明天使用。

其次，AI技术本身也仍然在变革之中，今天chatGPT的惊人表现，用特训营的说法是：又一批AI技术阶段性成熟，孕育出的“low-hangingfruits”—低垂的果实。去年2月，我在特训营里和大家总结了AI技术70年的发展史，分享了现阶段人工智能大模型技术成熟的各种标志，分析了技术成熟后产业爆发、硬件迭代以及数据业务的新变革。那次课程有一个基本的结论，就是AI技术要再进一步成熟还需要时间，其中提到了YannLeCun的「小世界模型」，一种模仿人脑优化AI的设想，很有潜力。当然真正的技术一线研究人员做得更为具体，比如一直比较热门的「稀疏专家模型（SparseExpertModels）」。打个不太准确的比方，现在的AI大模型在整个神经网络中没有任何分工，所有的数据都得AI大脑一起处理，不但数据需求量大，训练成本高，训练优化也需要很多人工调试才行。成本高是一个方面，数据需求量大其实才是关键问题。2022年有研究做过估算，全世界可用于AI大模型训练的高质量文本数据，用AI训练的单位看就在4.6万亿token到17.2万亿token之间，由于数据标注大小不同，换算成文字单位的话，在3.2万亿单词到4.2万亿单词左右（注：论文名《Willwerunoutofdata?AnanalysisofthelimitsofscalingdatasetsinMachineLearning》）。今天人工智能大模型训练，最多的已经用到了1.4万亿token，数据瓶颈已经摆在面前，要解决这个问题，要么就得雇更多的人做数据标注，要么就要探索新的AI算法框架。「稀疏专家模型」就是后一种探索，通过把整个神经网络分成一堆「小专家网络」，每个专家负责某个特定领域，让AI训练的能耗、计算量大幅减少，性能表现还能有所改进。比如，谷歌开发的GLaM稀疏专家模型，参数规模比GPT-3大了7倍，但根据他们测算，训练耗能降低了三分之二，计算量减少了一半，在一些通用表现上还比GPT-3要好些。当然，这只是前沿案例中的一个，各种尝试都还在进行中，就连chatGPT本身也在进步，OpenAI一直在使用数据并行、流水并行以及「专家网络混合」等新的技术优化方案。任何新科技在刚推出的时候都是不完善的，随着技术的进步，很多眼下的问题都会得到改进。但不可否认的是，今天我们已经驶入了AI变革的弯道，新的未来正在逐渐露面，大家既要认识到技术变革的趋势不可逆转，也要明白技术融入社会还需要时间。希望大家都能怀着「早期使用者」的心态，对未来抱有信心，对当下保持理性，这样才能在一片嘈杂中找到属于你的机会。如果你有这方面的心得，也欢迎在留言区与我们分享。以上是今天的内容，更多详细的产业分析和底层逻辑，我会在科技特训营里分享。欢迎关注全球⻛口微信号，报名加入!王煜全要闻评论，我们明天见!