我并非 AI 领域专家,以下客观信息均来自网络,结合自身经历,所感所思,创作此文。文章仅代表作者个人观点,请勿过度解读,理性探讨,谢谢配合。

最近 AI 风头正劲,被朋友圈,微信群的一些东西刷屏了。他们形式多样,但是套路流程基本一致。总结一下,大致分为以下几类:

  • 做第三方服务:卖账号,代充值,做镜像站点,小程序机器人等。
  • 纯利用信息差:打着自研旗号,售卖各种开源工具,框架等。
  • 贩卖人性焦虑:利用盲从心理贩卖焦虑,创建各种付费群,星球等知识付费平台。
  • 利用工具收割:AI 技巧速成,利用 AI 赚钱的教程也比比皆是。

总结一下,其目的基本都是一致的,利用信息差,贩卖人性焦虑。以此来营造一种“在 AI 来临的时代,你再不学 AI,就要被淘汰了。AI 将取代大部分打工人,现在你只需要花费很少的钱,就可以领先所有人一大步”。但是事实真的是这样吗?我从来不曾诋毁过知识输出的价值,但这真的是知识输出所应具有的营销姿态吗?我所看到的一切都在不断地刷新我的三观…

是什么?

当遇到自己不理解,或者无法理解的未知问题时,你是如何解决的?要想探究问题的本源,或许就该多问自己几个为什么?所以我想到了以下这些问题。

学习是什么?

  • 很多人都上过学,但是有多少人思考过,我们上学究竟是为了什么?仅仅只是学习知识技能,作为步入社会后一个可以谋生的手段吗?
  • 每一个从上学时代过来的人,都需要学习 N 门课程(语数外,政史地,物化生等等)。毕业后,自己真正带走的,能够不断运用强化的东西又有多少?
  • 很多人说学校,公司是一个平台或跳板,可以带你通往更高的地方。那么问题来了,所处平台的资源环境会给你带来优势,离开平台你还剩下什么?
  • 学会的知识很有限,而面对的问题是无限的。在这个复杂多变的世界中,以有限对无限,你解决问题的方法论又是什么?

上面的问题,稍加思考,相信很多人,心中早已有了答案。学习是获得新的理解、知识、行为、技能、价值观、态度和偏好的过程。从来都不是掌握某一概念,某一技能的结果,一些人误以为获得最终结果就是在学习,而忽略了得到这个结果的过程。过程承载着你分析问题,查找资料,寻求解决方案,总结沉淀,举一反三等等一系列步骤。只有不断强化这些步骤,才能让你拥有探索未知的能力(学习力)。

信息是什么?

信息是由任何形式的数据或符号组成的,具有某种含义或用途的内容。它可以传递知识、理解、思想、经验、想法等,传播途径也是多样的(口头、书面、视觉、音频)。它在现代社会中扮演着重要的角色,是人类活动和组织运作的关键资源之一。信息的获取、分析和利用能够帮人做出更明智的决策。

信息技术的发展和互联网的普及,导致人们接收到的信息数量和种类急剧增加。面对海量信息,很难有效地获取、处理和利用所需的信息,甚至对信息产生过度依赖和焦虑:

  • 避免过度被投喂信息:如果一直依靠别人的投喂来获取信息,很容易使自己丧失捕食的能力。渠道过于单一,也容易造成信息茧房,丧失对事物的判断力。
  • 建立个人信息管理系统:学会筛选和分类信息,以确保自己能够快速地找到所需的信息。可以使用笔记本、文件夹、书签等方式来整理和存储信息。
  • 增强信息识别和评估能力:学会辨别信息的来源、可信度和价值,以避免被虚假信息误导。尽量去寻找或靠近信息的源头(官方)。
  • 精简信息获取渠道:根据兴趣和需要选择信息渠道订阅,对信息做减法,以避免接收到大量的无关信息。
  • 培养信息处理和创新能力:学会利用信息来解决问题和创造价值。可以通过学习、实践和思考来提高自己的信息加工和创新能力。

AI 是什么?

人工智能(Artificial Intelligence,简称:AI)是一种模仿人类智能和思维过程的技术,可以使计算机在执行任务时模拟人类的思维方式和决策过程。AI 可应用于医疗、交通、金融、娱乐、军事等众多领域,帮助人们更好地解决问题,提高效率和准确性。

人工智能技术包括:机器学习(Machine learning,简称:ML)、自然语言处理(Natural Language Processing,简称:NLP)、计算机视觉(Computer Vision)和知识表示与推理(Knowledge representation and reasoning,简称:KRR, KR&R, KR²)等。

  • 机器学习:是一种利用大量数据进行自我学习和自我优化的技术,可用于分类、聚类、回归等任务。
  • 自然语言处理:是一种使计算机能够理解和处理人类语言的技术,可以用于文本分析、翻译、语音识别等领域。
  • 计算机视觉:是一种使计算机能够识别和理解图像和视频的技术,可用于图像分类、目标检测、人脸识别等任务。
  • 知识表示:是人工智能领域的核心研究问题之一,它的目标是让机器存储相应的知识,并且能够按照某种规则推理演绎得到新的知识。

AI 的历史最早可以追溯到 20 世纪 50 年代,到现在已经过去了大半个世纪。几度沉浮,正是这些前辈们孜孜不倦的研究,积累,才有了今天 ChatGPT(GPT-3.5),GPT-4 以及其他一些 AI 框架的问世(具体历史自行了解,这里不作展开)。

小结

学习力可以让我们在面对 AI 以及未来可能出现的未知东西时,不至于一脸茫然。学会获取信息,就不会让我们在狂热的氛围下,丧失理智。了解 AI 发展史,会发现它的崛起也并非一帆风顺。任何的爆发都不是毫无理由,狂热背后,也必有迹可循。回头再看看文章开始提到的那些事件,镰刀是何其的疯狂。每一个营销宣传 AI,贩卖焦虑的人,都是懂 AI 的人吗?反正我是不懂 AI,正在学习中…

量变到质变

因果推论仿佛让机器具有了人一样的思考能力。

AI 问题解决方式

  • 统计模型(Statistical models):是基于统计学的方法,用于描述和预测数据的概率分布和关系。统计模型通常假设数据遵循某种特定的概率分布,如正态分布(Normal distribution)[1]泊松分布(Poisson distribution)[2]等,然后利用最大似然估计(Maximum likelihood estimation, MLE)[3]贝叶斯估计([Bayesian estimation])[4]等方法来拟合模型并预测未知数据。统计模型常常使用线性回归(Linear regression)[5]逻辑回归(Logistic regression)[6]朴素贝叶斯(Naive Bayes)[7]等算法来建立和分析数据。
  • 因果推论(Causal inference):是一种基于因果关系的推理方法,通过观察数据和控制变量,从而推断出变量之间的因果关系。因果推论的目标是识别因果关系,即变量之间的直接或间接影响关系,并通过这些关系预测未来结果。因果推论常常利用实验方法来确定因果关系,并使用因果图、结构方程模型等工具来表示和分析因果关系。

  • The Eight Pillars of Causal Wisdom (Lecture notes for the UCLA WCE conference, April 24, 2017)[8]
  • Prediction: ChatGPT will acquire Causal Inference capabilities by 2023[9]
  • Why artificial intelligence needs to understand consequences[10]

AGI

通用人工智能(Artificial general intelligence)是指能够像人类一样在各种不同的任务和情境中自主学习和应用知识的人工智能系统。与现有的许多人工智能系统只能解决特定问题或任务不同,AGI 具有广泛的适应性和灵活性。它能够像人类一样自主学习、推理、解决问题、感知、理解语言等,具有类似于人类智能的普适性和普遍性。AGI 的目标是创造一种完全自主的智能系统,能够胜任人类进行的任何智力任务,这是人工智能领域的最高目标之一。

在 ChatGPT(一文读懂 OpenAI) 上就可以看到 AGI 的部分影子,因为你的任何问题,它都能对答如流(准确度有待加强)。随着更专业性的数据接入,它的准确度必然会有所提升。所以解决专业性问题,真的只是时间问题。

思考,快与慢

《思考,快与慢》[11](英语:Thinking, Fast and Slow)是 2002 年诺贝尔经济学奖得主丹尼尔·卡尼曼于 2011 年出版的畅销书。本书将人类的思维归纳为两大思考模式:系统一快速、直觉且情绪化。系统二较慢、较具计划性且更仰赖逻辑。

  • 快思考(Fast thinking):是指人们在面临简单、熟悉或紧急的情况下,迅速做出反应或做出简单的决策的思考方式。这种思考方式通常是基于个人经验、直觉和自动反应的,所以处理速度较快,但也容易受到情绪、先入为主的偏见等因素的影响,导致做出的决策不够全面和深入。
  • 慢思考(Slow thinking):是指在面对较为复杂、陌生或需要深入探究的情况下,采用更为缓慢和深入的思考方式。这种思考方式需要更多的时间和精力,通常需要进行信息收集、归纳和分析,以及考虑各种可能的结果和影响。这种思考方式更为全面和深入,更能够避免情绪和先入为主的影响,但也需要更多的时间和努力。

快思考和慢思考都是人类思维活动的重要方式,它们各自适用于不同的情况和问题。在某些情况下,快思考能够让人们快速做出决策和行动,提高效率和效果;而在某些更为复杂和重要的情况下,慢思考能够提高决策的准确性和深度,避免错误和失误。如果将它类比到 AI 系统中,传统的统计模型就像是人的快思考,而因果推论则让机器更趋近于人,可以处理更为复杂的问题(强调的是解决问题的步骤和过程)。

小结

统计模型下的 AI 会学习庞大的数据知识库(普通人几辈子的知识积累量也不及它的九牛一毛),这是量的积累。如果只有量,就好比一个力大无穷的人,拿着神级武器在乱挥(统计是一个概率问题,所以可能导致输出的攻击无效)。但是因果推理 + AGI,就好比给这个力大无穷的人配备了军师,可以帮助他去分析各种战局,制定作战计划,给出有效御敌方案,攻击也会变得更加有效。

AI 浅思

为之疯狂

最近一段时间,国外技术爆棚,每天都有一个或多个 AI 产品发布。反观我们,铺天盖地的媒体新闻都是在报道 AI 资讯。我说了一句:国外产品疯狂,国内媒体疯狂。随着事情的发展,离谱的事情越来越多… 这里不细说,大家自己体会。我此时再次感慨道:国外技术疯狂,国内镰刀疯狂

说实话,资讯类信息,我自己真的都看麻了(朋友圈,群里到处都在刷屏)。当然,我自己也跟风,查看  blog 原文,写(翻译+修改+部分资料整理)了多篇 AI 系列文章,不发还好,发了反而发现了一些更大的事实:国内的报道大部分都是基于国外最新的 blog 翻译而来,抢首发,因为它意味着流量。我在这里没有看到任何技术的影子,只看到了狂热的追风。

  • 我发了一条朋友圈:真是一个全民疯狂的时代(外国技术疯狂,国内镰刀疯狂)
  • 有一条评论我很喜欢:这就是为什么 chatgpt 不会诞生在 cn,因为环境使然。我不是说国外没有割韭菜的行为,但是国外的大 V 很少带头割韭菜的,在中国几乎所有的大 V 都在带头割韭菜,不,说好听点是知识付费,说难听点是传递诈骗,进我的**,我教你赚钱,怎么赚钱就是复制我**的内容再开一个**,然后获客进来,你教别人赚钱。我不评价商业模式的好坏。创造一种东西是从零到一,利用信息差传递一种东西,是从 1 到 n。但是从一到 n 会产生很多边际效应,过程中可能会产生好的东西,但更多的是更加恶心的东西,例如,电商竞争的末期就有了拼**的砍一刀,广告竞争的末期就有了电视机恶心老人的几十秒的广告。没有钱割韭菜,可以理解,但是有了钱,还在割韭菜,就不可以理解。所以眼光的局限性就注定这些生财有术的大 V 和普通人,永远只能当个搬运工破坏环境,而不能创造时代的浪潮。
  • 我回复道:很多人往往只是看到了事物的表象,割韭菜什么。但是往深层次去说,其实就是丧了创造的土壤。失去创造力其实是一件很可怕的事情。一个人失去创造力或许不会改变什么,但是一个民族失去了创造力呢?

回归理性

AI 究竟会对我们的生活产生多大的影响,我们是否真的需要为之疯狂?

我自己其实很看好 AI(ChatGPT)所带来的能力。它真的是一次颠覆,不但会改变原有搜索问题的模式,也会改变很多工具的使用方式(比如微软 AI 全家桶的发布)。

在以前,我们需要使用关键词来进行问题的搜索,它对需要检索问题的人要求很高。一般分为以下几个步骤:

  • 明确问题:首先需要明确自己要解决什么问题,例如计算数学公式、查找某个城市的天气情况等。
  • 选择搜索引擎:根据偏好选择一个搜索引擎,如谷歌、百度、必应等(不同浏览器搜索结果存在差异性)。
  • 输入关键词:在搜索框中输入与问题相关的关键词,要尽量准确,简明扼要(重要且难以复刻,需要一定的经验)。
  • 筛选结果:根据搜索结果中的标题和描述快速浏览,并进一步筛选出最符合自己需求的网站或页面(快速定位,需要一定的经验)。

但是 ChatGPT 出现后,事情发生了转变。因为它基于自然语言,所以你可以直接用人类正常交流的语言和它进行对话,让其返回结果。它砍掉了所有中间步骤,直接从问题,需求到结果。效率是数量级的提升。但是这个结果可靠吗?现阶段只能说因人而异(提问方式对结果影响很大,会提问,事半功倍,不会提问,南辕北辙)。它还在学习阶段,所以需要使用者有一定的辨别能力。

正确率即使达到 90%,在实际生产中 AI 也不能独立去解决专业性问题(需要人为指导和修正那百分之几的误差)。AI 泛化问题的能力很强,什么都知道,但专业性又不是那么准确,类似于弱一点的 T 型人才。

它会取代人吗?

短期来看,不会取代人,但是在边缘场景不断地去蚕食一部分不那么重要的机械性劳动(比如资料收集,数据整理分析,提供一些指导建议等等)。提高效率的同时,其实就是在逐步取代一部分劳动力(比如之前需要 5 个人来完成一项工作,现在只需要 4 个了)。随着规模和影响范围的不断扩大,它能处理的事情必然是一个上升趋势。所以提早了解它,也能让自己对自身所做工作有一个更加清晰的认知,而不是无端的产生焦虑。

AI 浪潮已经来临,我们需要在狂热中保持一份清醒,而不是在人云亦云中,迷失了自我。人最大的能力,就是拥有不断学习,思考总结的能力,如果自己连这些都丧失了,过不了多久,就会被别人所取代(更别说 AI 取代了)。所以在对未知保持敬畏的同时,好奇心也是必不可少的,因为它是人类发展的源动力。

References

[1]

正态分布(Normal distribution): https://en.wikipedia.org/wiki/Normal_distribution

[2]

泊松分布(Poisson distribution): https://en.wikipedia.org/wiki/Poisson_distribution

[3]

最大似然估计(Maximum likelihood estimation, MLE): https://en.wikipedia.org/wiki/Maximum_likelihood_estimation

[4]

贝叶斯估计([Bayesian estimation]): https://en.wikipedia.org/wiki/Bayes%27_theorem

[5]

线性回归(Linear regression): https://en.wikipedia.org/wiki/Linear_regression

[6]

逻辑回归(Logistic regression): https://en.wikipedia.org/wiki/Logistic_regression

[7]

朴素贝叶斯(Naive Bayes): https://en.wikipedia.org/wiki/Naive_Bayes_classifier

[8]

The Eight Pillars of Causal Wisdom (Lecture notes for the UCLA WCE conference, April 24, 2017): https://ftp.cs.ucla.edu/pub/stat_ser/r470.pdf

[9]

Prediction: ChatGPT will acquire Causal Inference capabilities by 2023: https://qbnets.wordpress.com/2022/12/16/prediction-chatgpt-will-acquire-causal-inference-capabilities-by-2023/

[10]

Why artificial intelligence needs to understand consequences: https://www.nature.com/articles/d41586-023-00577-1

[11]

《思考,快与慢》: https://en.wikipedia.org/wiki/Thinking,_Fast_and_Slow

 

 

分类: AIGC

0 条评论

发表回复

Avatar placeholder

您的电子邮箱地址不会被公开。 必填项已用 * 标注

此站点使用Akismet来减少垃圾评论。了解我们如何处理您的评论数据

蜀ICP备16001794号
© 2014 - 2024 linpxing.cn All right reserved.