內(nèi)容來(lái)源：2023 年 6 月 10 日，筆記俠舉辦的 "Ai 新視野，增長(zhǎng)新勢(shì)能 " 新商業(yè)千人大會(huì)。

分享嘉賓：方軍，快知實(shí)驗(yàn)室合伙人 &UWEB 教育合伙人。

(資料圖片僅供參考)

責(zé)編 | 金木研

第 7516 篇深度好文：5453 字 | 11 分鐘閱讀

AI

我今天分享的主題是《把握生成式 AI 新范式：趨勢(shì)、原理與應(yīng)用》。

今天我會(huì)盡量少談技術(shù)但又不可避免要提及不少技術(shù)名詞，但我想傳遞的一個(gè)關(guān)鍵信息與技術(shù)無(wú)關(guān)：

ChatGPT 所引領(lǐng)的生成式 AI 浪潮與你有關(guān)，你不一定需要自己做大模型或做應(yīng)用研發(fā)，但你一定可以找到某個(gè)角度加入這一浪潮。我們每個(gè)人都應(yīng)該嘗試去理解生成式 AI 的原理和可能性，然后找到一條屬于自己的路。

2022 年 11 月最后一天，ChatGPT 聊天機(jī)器人出現(xiàn)時(shí)，我這樣的熱愛(ài)新技術(shù)產(chǎn)品的人跑去使用了，但覺(jué)得沒(méi)什么新鮮的。畢竟我們?cè)缜坝眠^(guò) GPT-2 寫過(guò)文章，也在用 GitHub 基于 GPT 的工具輔助編程。

這大概是一個(gè)小迭代，是對(duì)話 UI 的嘗試。很顯然，我很快就發(fā)現(xiàn)自己錯(cuò)了，這小小的一步似乎激發(fā)了 AI 的潛能，并將 AI 的潛能帶到數(shù)以百萬(wàn)計(jì)的大眾手中。

一、數(shù)字化浪潮來(lái)到轉(zhuǎn)折點(diǎn)

生成式 AI 正引領(lǐng)一個(gè)新的數(shù)字化范式，且跟每個(gè)人都有很強(qiáng)的關(guān)系。在我看來(lái)，以 GPT 和圖像生成為代表的生成式 AI 代表著第三波數(shù)字化浪潮。

第一波數(shù)字化浪潮是讓計(jì)算隨手可及。這是一波延續(xù)至今的數(shù)字化浪潮，過(guò)去十年大數(shù)據(jù)、云計(jì)算、企業(yè)數(shù)字化轉(zhuǎn)型仍在高速迭代。我們也看到 AI 的基礎(chǔ)是更強(qiáng)大的計(jì)算能力，比如 OpenAI 背后是微軟 Azure 云和英偉達(dá)強(qiáng)大的 GPU 芯片。

第二波數(shù)字化浪潮是讓信息隨手可及?；ヂ?lián)網(wǎng)和移動(dòng)互聯(lián)網(wǎng)是我們所有人都親身參與的變化，比如你隨手打開(kāi) APP，就可以看新聞、看視頻、看直播。信息隨手可及不僅與資訊有關(guān)，它還改變了做生意或消費(fèi)的方式，比如我們可以在網(wǎng)上買東西、叫網(wǎng)約車、叫外賣。

第三波數(shù)字化浪潮是讓知識(shí)隨手可及。ChatGPT、谷歌 Bard、百度文心一言、科大訊飛星火等等聊天機(jī)器人讓我們能夠比過(guò)去用搜索引擎更方便地獲得「知識(shí)」——有問(wèn)題我們問(wèn) AI，而它能夠針對(duì)性地進(jìn)行回答。我們不會(huì)繪畫的人也能夠用咒語(yǔ)來(lái)讓 AI 繪畫，一下子擁有了新的能力。經(jīng)訓(xùn)練的大模型掌握了大量的的知識(shí)與能力，可以為我們所用。

上個(gè)月，ChatGPT 的月度用戶量達(dá)到了 10 億，也就是半年時(shí)間超過(guò) 10 億。和它最初以五天時(shí)間超過(guò) 100 萬(wàn)注冊(cè)用戶一樣，這同樣創(chuàng)造了互聯(lián)網(wǎng)產(chǎn)品用戶增長(zhǎng)的新記錄。這標(biāo)志生成式 AI 從研究與技術(shù)走向了大眾，成為每個(gè)人都在日常工作與生活中用的產(chǎn)品。

在這個(gè)讓知識(shí)隨手可及的數(shù)字化新范式的風(fēng)起云涌之時(shí)，我們可以做什么？我們發(fā)現(xiàn)，之前的數(shù)字化浪潮都呈現(xiàn)造輪子（建）和用輪子（用）兩個(gè)分支，建網(wǎng)站或 APP 大有可為，但用網(wǎng)站或 APP 同樣大有可為。

在這一波浪潮中，建模型和用模型也均可大有所為。同時(shí)，過(guò)去的數(shù)字化經(jīng)驗(yàn)也告訴我們，抓住先機(jī)的兩大關(guān)鍵是：

第一，洞悉新技術(shù)新產(chǎn)品的原理，了解真正可用的用途。

第二，在理解之后，勇于嘗試、把握先入優(yōu)勢(shì)。

下面，我來(lái)談?wù)勎覍?duì)生成式 AI 原理的理解。

二、GPT 的原理：預(yù)訓(xùn)練、微調(diào)與提示語(yǔ)

生成式 AI 的兩大基礎(chǔ)功能：文字生成與圖像生成。同時(shí)，兩種基礎(chǔ)功能是相似的，我們可以通過(guò)文字「提示語(yǔ)」，來(lái)指揮 AI 去生成文、生成圖。比如，你是一個(gè)服裝公司，你可以將風(fēng)格用文字描述輸入給它，生成商品的展示圖。你可以用提示語(yǔ)指揮 AI 幫你撰寫賣商品所需的介紹文案。

由文字生成文字、由文字生成圖像再往前進(jìn)，就可以生成各種新東西：把圖像動(dòng)起來(lái)、將文字轉(zhuǎn)成聲音，就可以生成視頻。如果生成的文字是網(wǎng)站的代碼，再加上圖片、文字，就可以生成網(wǎng)站應(yīng)用。等等。

以 OpenAI 公司的 AI 模型進(jìn)化為例來(lái)看很有意思，我們會(huì)發(fā)現(xiàn)，由文字生成文字的所謂大語(yǔ)言模型、由文字生成圖像的圖像模型之間共同的根。

以 GPT-3 為例，用對(duì)話預(yù)料訓(xùn)練它，形成了專門用于對(duì)話的模型，然后就有了我們用的聊天機(jī)器人。用文本加圖像對(duì)它進(jìn)行訓(xùn)練，讓它了解文字與圖片之間的關(guān)聯(lián)，然后我們就可用它根據(jù)文字描述生成圖片。

接下來(lái)我們來(lái)專門看大語(yǔ)言模型這個(gè)部分，它是如何擁有知識(shí)與能力的？

首先，研究人員拿海量的文本對(duì)名為 Transformer 架構(gòu)的人工神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)訓(xùn)練。在預(yù)訓(xùn)練之后，它掌握關(guān)于字詞的概率，它有了這樣一種能力：你說(shuō)了某個(gè)詞，它就能預(yù)測(cè)你的下一個(gè)詞是什么。一個(gè)詞一個(gè)詞、一句話一句話地預(yù)測(cè)下去，它能流暢的方式說(shuō)話了。

雖然它的實(shí)質(zhì)只是下一個(gè)詞預(yù)測(cè)器，但它的表現(xiàn)的確像掌握了一定的知識(shí)、有語(yǔ)言能力，甚至有推理能力。

接著，一個(gè)關(guān)鍵的轉(zhuǎn)變就出現(xiàn)了。既然我們給一句話，它可以按照這句話所開(kāi)始的模式接著說(shuō)下去。那么，如果我們給定一句問(wèn)句，它是不是同樣可以說(shuō)下去，但現(xiàn)在它在對(duì)問(wèn)句進(jìn)行回答了。

我們輸入模型的提示語(yǔ)（Prompt）就有了新的含義，最初它的意思是演員忘詞時(shí)的提詞，現(xiàn)在它變成了我們提出的問(wèn)題（請(qǐng)問(wèn)這個(gè)問(wèn)題如何解答）或命令（請(qǐng)幫我解答這道題、請(qǐng)幫我編寫這個(gè)程序）。提出的問(wèn)題或發(fā)出的命令，就是我們給 AI 模型的指令。

之后，研究者開(kāi)始著力于提升 AI 模型能夠更好地對(duì)人類的指令進(jìn)行回應(yīng)。這其中主要的方法是用指令、輸入、輸出所組成的指令集數(shù)據(jù)來(lái)對(duì)模型進(jìn)行補(bǔ)充訓(xùn)練，也叫指令微調(diào)。

ChatGPT-3.5 就是用所謂的人類反饋強(qiáng)化學(xué)習(xí)（RLHF）進(jìn)行的微調(diào)訓(xùn)練，它能更好地響應(yīng)人類指令，同時(shí)也能夠更好地與人類價(jià)值觀對(duì)齊?？偠灾搅诉@個(gè)階段之后，AI 模型就從下一個(gè)詞預(yù)測(cè)器變成了能夠回答問(wèn)題或指令命令的強(qiáng)大機(jī)器。

換個(gè)每個(gè)人都很容易理解的視角再看：公司招聘了聰明的應(yīng)屆畢業(yè)生，他在學(xué)校里學(xué)到了很多知識(shí)。他最初能做的事情是，用自己的知識(shí)預(yù)測(cè)下一句話該說(shuō)什么。幾個(gè)月短暫適應(yīng)之后，他能夠?qū)嶋H參與工作了：你向他提問(wèn)和給他命令，他回答問(wèn)題和完成任務(wù)。

但這個(gè)優(yōu)秀的人才還是不太了解本行業(yè)、本企業(yè)，我們可以對(duì)他進(jìn)行培訓(xùn)，當(dāng)然也包括干中學(xué)，他很快就從大學(xué)畢業(yè)生變成了本企業(yè)的骨干了。

在 2022 年底、2023 年初，不少人認(rèn)為在大語(yǔ)言模型上 OpenAI 遙遙領(lǐng)先，其他人的追趕需要時(shí)間。但 2023 年 3 月之后，人們的看法變了，原因在于，開(kāi)源模型以短短幾個(gè)月的時(shí)間走完了 OpenAI 幾年的探索過(guò)程。

以 Meta 公司開(kāi)源的 Llama 模型為例，它 2 月底開(kāi)源，3 月斯坦福大學(xué)的研究人員基于它微調(diào)出 Alpaca 模型，之后一個(gè)大學(xué)與企業(yè)界聯(lián)合團(tuán)隊(duì)進(jìn)一步微調(diào)出對(duì)話模型 Vicuna（也就是能像 ChatGPT 一樣對(duì)話），很快，采用人類反饋強(qiáng)化學(xué)習(xí)的開(kāi)源模型如 Stable Vicuna 也出現(xiàn)了。

圍繞著 Llama，現(xiàn)在有幾百個(gè)開(kāi)源模型在進(jìn)行探索。同時(shí)，由中國(guó)清華大學(xué)開(kāi)源的 ChatGLM 模型也有超級(jí)活躍的社區(qū)，沙特的一家大學(xué)則推出了 Falcon 模型，與 Meta 公司開(kāi)源模型不同，這個(gè)模型可用于商用。

大語(yǔ)言模型等生成式 AI 模型將知識(shí)變得隨手可及，而在它發(fā)展的過(guò)程中，它本身的知識(shí)實(shí)際上在過(guò)去幾個(gè)月也變得隨手可及。

當(dāng)然，這背后還是有很多訣竅的，是眾多研究人員和產(chǎn)業(yè)公司在探索的，比如數(shù)據(jù)管道、性能評(píng)估、模型安全性等。眾人目前都在沿著 OpenAI 公司開(kāi)辟的道路前進(jìn)：通過(guò)人類反饋強(qiáng)化學(xué)習(xí)的方法，來(lái)讓模型更好地回答人的指令，同時(shí)跟人類的價(jià)值觀對(duì)齊。

總而言之，GPT 模型看著很復(fù)雜，但總體框架可看成包括分兩步：

第一步，進(jìn)行所謂的預(yù)訓(xùn)練及微調(diào)，得到一個(gè)人工神經(jīng)模型。第二步，將模型的參數(shù)部署在服務(wù)器上供公眾使用，這個(gè)過(guò)程通常叫提供推理服務(wù)，這時(shí)，我們用戶向它提問(wèn)、給它指令，得到回答。

如果能力視角看，我們也看到同樣的兩步：第一步，模型在預(yù)訓(xùn)練后擁有了比如語(yǔ)言理解、文本生成、知識(shí)問(wèn)答、邏輯推理、數(shù)學(xué)能力、代碼能力、多模態(tài)能力等上游能力；第二步，我們將這些能力用于下游應(yīng)用，目前主要是問(wèn)答機(jī)器人或應(yīng)用助手的形式用于比如語(yǔ)言翻譯、輔助寫作、輔助編程、一對(duì)一教育、辦公自動(dòng)化等場(chǎng)景。

三、如何用好 GPT：用其所長(zhǎng)，避其所短

要用好 GPT，我們要了解它擅長(zhǎng)什么，知道它不擅長(zhǎng)什么。另外，我們還要掌握向它提出問(wèn)題或發(fā)出命令的能力，提問(wèn)能力越強(qiáng)，我們得到的結(jié)果就越好。

很多人都已經(jīng)知道了，GPT 等 AI 大模型的最大缺是它會(huì)是胡說(shuō)八道，也就是所謂出現(xiàn)幻覺(jué)，編造回答。這實(shí)際上是它的 " 特性 " 還沒(méi)有完全訓(xùn)練好的問(wèn)題，這是因?yàn)?，?dāng)我們?cè)噲D要求它能一定程度上 " 生成 " 新的內(nèi)容時(shí)，我們實(shí)際上鼓勵(lì)它有在不相關(guān)的信息間建立新聯(lián)系的能力。

因此，要用好 GPT 等 AI 大模型，關(guān)鍵就是要掌握提問(wèn)的能力——能夠高效地提問(wèn)引導(dǎo)出盡量好的答案，同時(shí)提問(wèn)者又要對(duì)答案的優(yōu)劣好壞有判斷力。想真正用好 GPT，最關(guān)鍵的是掌握向它提問(wèn)的技巧。

比如，你跟它說(shuō)，幫我寫篇關(guān)于故宮 600 年的文章，對(duì)不起，它寫不好，因?yàn)槟愀緵](méi)有觀點(diǎn)與信息給它。但如果你跟它說(shuō)，我的公司的情況是這樣，我的產(chǎn)品是這樣，你幫我寫一個(gè)產(chǎn)品介紹，他就能夠幫你寫出來(lái)。

1. 與大模型打交道：提示語(yǔ)

向 AI 提問(wèn)的基本技巧是，你要給它盡可能多的信息，同時(shí)就它的回答進(jìn)行反饋、調(diào)整，多次循環(huán)迭代后，你可能可以得到你想要的回答。在我認(rèn)為，提問(wèn)分為 3 個(gè)層次：

第一層次正確的提問(wèn)，懂得提問(wèn) 3 要素：詳盡的背景信息、具體的問(wèn)題描述、清晰的解答要求。

第二層次進(jìn)階的提問(wèn)，給它少量樣本提示、調(diào)整提示語(yǔ)重復(fù)提問(wèn)、拆解任務(wù)分步提問(wèn)。

第三層次高階的提問(wèn)，外掛知識(shí)庫(kù)、與其他工具聯(lián)合使用、多輪交互完成復(fù)雜任務(wù)。

2. 運(yùn)用場(chǎng)景

具體來(lái)說(shuō)，我們可以讓 GPT 在哪些場(chǎng)景幫助我們呢？

① 頭腦風(fēng)暴會(huì)

比如，很多公司會(huì)花大量時(shí)間來(lái)開(kāi)頭腦風(fēng)暴會(huì)，用好 GPT 可以幫助我們節(jié)省大量時(shí)間。

將 GPT 用于頭腦風(fēng)暴會(huì)的一種方式是：不用團(tuán)隊(duì)來(lái)開(kāi)會(huì)，你讓 GPT 模仿不同的角色，客戶 A、客戶 B、公司老板、具體事務(wù)的執(zhí)行人，還可以請(qǐng)它扮演一個(gè)專門提反對(duì)意見(jiàn)的角色。這時(shí)，你一個(gè)人就可以變成一個(gè)團(tuán)隊(duì)，一個(gè)人就可以進(jìn)行頭腦風(fēng)暴。

第二種方式是，你可以讓團(tuán)隊(duì)一起來(lái)頭腦風(fēng)暴，但讓團(tuán)隊(duì)成員每人都借助 GPT 的輔助，每個(gè)人帶 10 個(gè)想法來(lái)會(huì)議現(xiàn)場(chǎng)。過(guò)去，很多人帶不來(lái)這么多想法；現(xiàn)在，他可以想一兩個(gè)想法，然后問(wèn) GPT，最后每個(gè)人都可以輕松帶很多新想法來(lái)了。這樣，可以大幅度提高頭腦風(fēng)暴會(huì)的效率，就跟有人說(shuō)的，用好 GPT，可以幫團(tuán)隊(duì)每次頭腦風(fēng)暴會(huì)節(jié)省 100 個(gè)小時(shí)。

② AI 旅游顧問(wèn)

我們?cè)賮?lái)看一個(gè)稍微復(fù)雜的場(chǎng)景，假設(shè)你是一家高端的旅游服務(wù)公司，客戶說(shuō)，我想要去哪旅游，我有五六個(gè)人，我有什么需求。

這時(shí)，我們可以用一個(gè)專門的聊天機(jī)器人跟他進(jìn)行對(duì)話，用 GPT 的對(duì)話能力把客戶的需求問(wèn)清楚。當(dāng)然，也開(kāi)始人機(jī)協(xié)同，由人類顧問(wèn)用 GPT 作為輔助，跟客戶對(duì)話詢問(wèn)需求。

我們知道，GPT 有分析和推理的能力，有了客戶需求之后，我們可讓 GPT 去進(jìn)行分析、將旅游行程設(shè)計(jì)的大任務(wù)拆成一一系列任務(wù)，分別去在內(nèi)部、外部進(jìn)行查詢，比如去外部查詢機(jī)票酒店等信息。

之后，我們?cè)龠\(yùn)用 GPT 的文字能力，請(qǐng)它將收集到的資料整合成一個(gè)提案。這時(shí)，我們就可以把提案拿給客戶看，如果客戶對(duì)某個(gè)旅游環(huán)節(jié)設(shè)計(jì)不滿意，我們?cè)侔堰@個(gè)流程走一遍直到客戶滿意。最終，我們?cè)賹?GPT 與比如排版工具、預(yù)定工具等聯(lián)合使用，幫客戶預(yù)定酒店、票、各地的車輛與導(dǎo)游等，同時(shí)生成詳盡的最終方案手冊(cè)給到客戶。

要注意的是，在這樣的場(chǎng)景里，并不是全部交給大模型就可以了，要靠人類專業(yè)人士來(lái)有效地運(yùn)用，我們才能用 GPT 來(lái)提升企業(yè)服務(wù)客戶的能力。

③ 進(jìn)階使用

目前還處在大模型廣泛應(yīng)用的初期，但有些進(jìn)階使用的方向已經(jīng)被證明是必需的，眾多的技術(shù)團(tuán)隊(duì)和企業(yè)在嘗試著。

第一種，使用微調(diào)模型。經(jīng)預(yù)訓(xùn)練的大模型一開(kāi)始是不懂行業(yè)中的專有知識(shí)，我們可以通過(guò)指令微調(diào)訓(xùn)練來(lái)形成適合本行業(yè)、本企業(yè)的模型，用它來(lái)服務(wù)客戶。

企業(yè)會(huì)考慮微調(diào)訓(xùn)練出自己的模型，而不是采用公開(kāi)的模型服務(wù)，也是因?yàn)榭紤]到數(shù)據(jù)問(wèn)題，一方面數(shù)據(jù)是企業(yè)的關(guān)鍵資產(chǎn)，你不愿與其他企業(yè)分享，另一方面數(shù)據(jù)也涉及到可能客戶隱私，企業(yè)不能與其他人分享。

第二種，為模型外掛知識(shí)庫(kù)。現(xiàn)在不少 AI 面向 C 端的產(chǎn)品做法是，用公開(kāi)的模型服務(wù)或自己的微調(diào)模型，但又額外附加一個(gè)知識(shí)庫(kù)，當(dāng)用戶提問(wèn)或提出要求時(shí)，應(yīng)用會(huì)先去知識(shí)庫(kù)進(jìn)行匹配，然后將匹配出來(lái)的信息交由 GPT 處理。

這說(shuō)起來(lái)容易，實(shí)踐中出好的效果還是很難的。通常來(lái)說(shuō)難點(diǎn)主要有兩個(gè)方面：第一，怎么把自己本來(lái)雜亂的數(shù)據(jù)變成可以讓 GPT 理解的數(shù)據(jù)。第二，GPT 的性能（即回答的質(zhì)量）究竟能拿到多少分，能否滿足用戶的需求。

這里有很多工程上的具體實(shí)踐，也有很多研究者的巧思。比如，用戶問(wèn)了問(wèn)題，我們用問(wèn)題在知識(shí)庫(kù)做相關(guān)性匹配時(shí)，匹配不出想要的資料怎么辦？去年底有一篇論文提出的做法（HyDE）已經(jīng)變成了行業(yè)的普遍實(shí)踐。

它的做法是，我們可以拿問(wèn)題先去問(wèn) GPT，得到一個(gè)（可能質(zhì)量不佳的）假設(shè)性回答，然后我們拿這個(gè)假設(shè)性回答去知識(shí)庫(kù)進(jìn)行匹配，就可以匹配出更相關(guān)的資料。

之后，再拿著這些資料去問(wèn) GPT，這時(shí)可以得到好得多回答。這個(gè)回答的效果與針對(duì)一個(gè)細(xì)分領(lǐng)域、對(duì)模型進(jìn)行相對(duì)要復(fù)雜一些的微調(diào)得到的結(jié)果是相當(dāng)?shù)??？偟膩?lái)說(shuō)，GPT 等大語(yǔ)言模型的研發(fā)和應(yīng)用都欣欣向榮，但目前所有人都在努力地進(jìn)行各種嘗試，既有研究上的嘗試，也有工程上的嘗試，也有應(yīng)用上的嘗試。

四、結(jié)語(yǔ)

今天，我們處在一個(gè)的新范式轉(zhuǎn)移中，海量的知識(shí)被壓縮進(jìn)了模型，讓得知識(shí)隨手可及。我們每個(gè)人、每個(gè)企業(yè)都有了一個(gè)擁有強(qiáng)大的知識(shí)與能力的機(jī)器助手。

現(xiàn)在，每個(gè)人都應(yīng)該去了解生成式 AI，理解它真正的用途，然后從你自己的角度切入進(jìn)去。

這是我今天的分享，謝謝大家。

分享、點(diǎn)贊、在看，3 連 3 連！

關(guān)鍵詞：