从人才的培养和市场的储备来看，大部分人才处在比较容易被取代的象限，这是需要引起警惕的。然后我们的时间也不见得有很多，估计大概四五年内会有影响。
海明威有个非常知名的习惯，一天只写500个字，这500个字是千锤百炼出来的。ChatGPT现在是抓不到这个修改过程的语料的，它看到的是整体，但它不知道这修改了多少遍又是怎么去调整的。
亚马逊云科技资深首席科学家、亚马逊云科技上海人工智能研究院院长张峥。
“AI会有自主意识吗？可以想象一个套娃，里面的套娃在做模拟的行动，但它需要另外一个外面的套娃告诉它做得对不对，我们东方的哲学一直在说的所谓‘观照’，其实就是这个事情。自我意识不是一个名字，而是一套动作，是这样一套组合的动作，技术上AI完全可以做到。”近日，亚马逊云科技资深首席科学家、亚马逊云科技上海人工智能研究院院长张峥在复旦大学举办的“中国与世界”系列讲座中谈道。
张峥本科毕业于复旦大学电子工程系，后获得美国伊利诺伊大学厄巴纳-香槟分校（UIUC）博士学位。他曾任上海纽约大学计算机终身教授，研究领域为深度学习、人工智能、高性能大容量计算和存储系统，多次获国际学术会议论文奖，是开源深度学习平台MXNet和DGL的共同创始人和顾问。
在讲座中，张峥梳理了ChatGPT的发展历史，重点讲解了在这个过程中出现的关键技术进步，回应了AI是否会有自主意识以及生成式AI的影响等问题。
以下为澎湃科技（www.thepaper.cn）整理的演讲内容，有删节：
其实AI影响大家的生活已经很多年了。像搜索引擎会通过你的个人喜好，通过你的网络浏览历史等决定推送的链接，这本身就是一个AI引擎，其他的还包括自动驾驶、支付宝刷脸支付、工厂里的瑕疵零件识别等。
我先讲一下ChatGPT的发展历史。
在此之前，我们要思考一个问题，整个人类文明的科技发展史是怎么演变的？我最近听到一个播客很有意思，它说假如把整个人类25万年的历史看作一本1000页的书，每一页是250年。那么，大概有24万年，人类历史好像什么事也没有，然后在最后1万年忽然有了各种进展，最重要的一些技术发明是在最后一年。在书的最后一页，技术发展的速度越来越快。如果这样计算，ChatGPT就占这本书最后一页的一个字，甚至是一两个笔画。
从2018年GPT出现开始到今年3月左右，我把它大致分为三个阶段。
GPT发展时间表。
第一个阶段是GPT出现到GPT-2，它的训练的方法很简单。比如我拿了一本书，希望语言模型永远去预测一个词的下一个词，它把书里的很多句子统计出一个概率分布。它用了800万网页训练，这个数据量大约是40GB，我手里的这个手机容量现在一般是256GB，所以GPT-2的语料其实不是特别大，但GPT-2已经展现出蛮惊人的效果。
GPT-3相当于读了4500万本书。
比较大的突破是在GPT-3，大概是1750亿参数量。这是一个很大的跃升，它的数据量是45个TB（Tetabytes，1TB=1024MB），某种程度上等于它读了4500万本书。我属于读书比较多的人，假设我退休了，一年大概能精读20本，50年最多就是1000本，那它是几千倍于我，而且在几个月里完成。它的规模达到这样的程度，能把全世界的知识都“吃下去”。我们不太能想象它的概率分布，它的稠密程度，它的能力。还有一个重要的方面，在它训练的语料中有大概10%是代码。代码是结构化的，同时还附有码农写的说明，我觉得代码的学习让它体验出逻辑，这在后面会发挥威力。
第二个阶段出现第一个转折点上下文学习出现了，即设计了场景。上下文的学习方式被OpenAI的科学家用到语言模型的训练中。它是怎么做的？比如我给一些例子，这些例子是有上下文的，然后让机器去捕捉和预测下一个样本应该是什么。
一个最简单的例子是，我给一句中文给一句英文，再给一句中文给一句英文，然后再给一句中文，这个模型会吐出英文来，它不需要专门为翻译来训练，因为它学过看过很多这样的样品，给了示例它就能够读出下面的句子是哪个。
最后一个阶段，也就是我们现在面对的阶段，一个大的突破是InstructGPT。他们的这个想法也是我一直觉得很惊艳的，也就是说既然可以做上下文的训练，那么我现在可以告诉模型一件事是怎么做的，给很多个例子让模型去学。
一开始它其实跟AlphaGo很像，AlphaGo最初从大量职业棋手的棋局中学习人类怎么下，然后训练模型来模拟棋手的行为。在模型训练之后，它开始生成，棋局可以知道某一步棋的好坏，但其他内容好坏的判断就需要人类来标注。它的方式是，比如产生4个不同的样本，然后让一些人打分。一开始有监督的学习5万条，然后继续生成，按照之前的样本判断生成内容的好坏，再继续调整算法。
这里涌现出两个重要的概念，第一个是所谓的“世界模型”（world model），也可以简单理解为世界观，还有一个是对齐问题（要求AI系统的目标和人类的价值观与意图保持一致），可以简单看成价值观。对齐有两个后果，一个好的一个坏的，好的是把不符合核心价值观的内容过滤掉，通过打分也好，让它给你建议也好，都体现出它的价值观。问题在于，任何文化要发展都需要一些突破当前价值体系之外的内容，一旦固定下来，这个文明可能就不再进步。我们看康德的道德律，在此之前中国也有各种道德观，一直随着时代变化。假设技术来代你做决定的话，这个文明有可能停滞不动。
其实现在的机器在价值观、世界观上有跟人类的对齐能力。不过这也可能影响到将来它的使用，不同文化或已经有的文明之间的冲突可能会被放大，这也是我个人比较担心的地方。
这里插入一个问题，也是一个比较古老的哲学问题。有人认为ChatGPT是没有自我意识的，我觉得这个说法是不对的。在机器学习里有一个很重要的方法，就是增强学习，我们所说的打分就是这种方法。简单地说，就是我做一件事然后判断它的后果，根据后果来调整行为，比如扫地机器人，每个家庭空间都是不一样的，它一定要通过跟物理环境的互动来调整自己的行为。而ChatGPT现在已经有一个世界模型，它完全可以在这个想象的世界模型里去做动作，这个跟我们人类的活动没有本质区别。
用套娃来理解AI的自主意识。
AI会有自主意识吗？可以想象一个套娃，里面的套娃在做模拟的行动，但它需要另外一个外面的套娃告诉它做得对不对，我们东方的哲学一直在说的所谓“观照”，其实就是这个事情。自我意识不是一个名字，而是一套动作，是这样一套组合的动作，技术上AI完全可以做到。
总结一下，ChatGPT是一个用文字来组织的世界模型，它有巨量的知识。它只“过一遍脑”，也就是说给一个输入它立刻反应，这个很重要，这也是进化给人类的一个优化，比如碰到火就立刻缩回来，我觉得大模型基本可以做到。然后它可以外挂，像必应的话外挂搜索引擎，还可以外挂各种各样的项目。它还可以做一个创造者，我们可以把它接到Midjourney和Stable Diffusion里，用文字生成一段图像或视频。它现在没有抽象计算的能力，比如我现在要做一个加法算数的话，它不是像想象的用一个计算器的方法来做，而是记下来很多实例，它的很多计算是完全在记忆的基础上完成的，这是它的一个软肋，我觉得不做一些比较彻底的修改，它还是做不到的。
最后说一下生成式AI对内容生产的影响，它肯定会给内容生产带来很大冲击，我把内容分以两个指标划分象限，一个是生产的内容需要多少创造力（creative），另一个是跟真实（factual）相关的程度。象限左下角是受到冲击最大的，比如客服这一行业我觉得之后会受到很大影响。
ChatGPT对教育系统的改变。
总的来说，我认为AI现在还只能做助手，而且会持续比较长时间。但是现实是，从人才的培养和市场的储备来看，大部分人才处在比较容易被取代的象限，这是需要引起警惕的。然后我们的时间也不见得有很多，估计大概四五年内会有影响。我们必须意识到，一些核心的能力现在已经被重新划线，你和AI都能做的，AI比你做得更快更好，这基本上是一个事实。
但好消息是，高质量文字工作者不会受到太大影响，为什么？举个简单例子，海明威有个非常知名的习惯，一天只写500个字，这500个字是千锤百炼出来的。ChatGPT现在是抓不到这个修改过程的语料的，它看到的是整体，但它不知道这修改了多少遍又是怎么去调整的。一个故事的延展有它的时间限制，我们最后把它变成一个文学作品折叠起来，把后面的东西放到前面，前面放到后面，有些东西隐没掉，这部分是ChatGPT现在学不到的。不过这不代表它永远学不到，比如你在微软Office的Word里面写文章，靠它来修改，有这些修改，它可以反过来学习到这个修改过程，除非你完全打腹稿。
现阶段为什么ChatGPT“油嘴滑舌”却又没有什么文采？原因就是它的看齐成本，它看到的是折叠后的结果，所以它的概率统计模型统计的内容不对。语言模型只能预测下一个词，它的世界模型也是这么看的，一个物理实验确实是这样，但是文学作品不一样。假设你真的有创造能力，那其实是一个好消息，因为市场上会泛滥出很多ChatGPT的文章。
我再从艺术创造的角度讲一个例子，大概在去年10月，我们跟一个做内容生成的初创公司的人聊天。我们当时做了一个实验，即随便说两个不相关的词，然后我们4个人在不看机器怎么生成结果的情况下先自己画一个图。最后我们发现，它的表现特别好，但关于画的一个细节，怎么提示机器都做不出来。就是我们能想到机器人也能想到的，它肯定比你做得更好，但假如机器想不到，你怎么去提示它都想不出来，因为它训练的数据还是比较局限的。
我后来去一些艺术展的时候经常会想，这个作品AI能不能做。大部分情况，从动机角度来说，它都是做不到的。AI很难有主动做一个作品的动机，但一些技术手段是完全可以用AI来做。所以从写作和画画这两个例子来看，AI现在还是只能做助手，而且我觉得这个时间会比较长。
另一个层面，ChatGPT可以问出很多问题，但这里的关键不是“ask questions”（问问题）而是“ask good questions”（问好问题），这点非常重要，你要设立 “hypothesis”（假说），而设立一个好的假说是非常困难的。在物理的发展史中，在牛顿之前，当观测到星空轨迹跟我们想象的不一样时，各种很聪明的人对公式做了各种修改，直到牛顿重新确立假说。
