點選上方藍色字型“騰訊創業” 選擇關注公眾號
創投圈大小事，你都能盡在掌握
本文來源 “
險峰創
”（ID:xianfengk2vc），騰訊創業經授權後轉載。
ChatGPT 效果如此“炸裂”，AI從業者們事先是否預見到了？
ChatGPT 是否能理解語言邏輯本身？
為什麼谷歌沒能做出 ChatGPT？
開源圈和雲計算巨頭是如何看待 ChatGPT的？
ChatGPT 能讓TMT投資人“再幹15年”嗎？
ChatGPT 正在對哪些工作崗位造成影響？
ChatGPT 廣泛使用後，人的認知能力會下降嗎？
ChatGPT 會導致哪些行業消失？哪些公司急需轉型？
小公司如何抓住 ChatGPT 的逆襲機會？
矽谷現在如何看待 ChatGPT？
普通人如何擁抱 ChatGPT ？報考計算機專業還有前途嗎？
OpenAI的組織設計給創業者帶來哪些啟示？
在2023年險峰線上沙龍的第一期，幾位大牛聊了聊最近大火的ChatGPT。
ChatGPT效果如此“炸裂”，
AI從業者們是否預見到了？
險峰：去年AI作畫也火過一陣，但都沒能像ChatGPT一樣讓普通人感到震撼，似乎是一夜之間，AI就達到了一個如此炸裂的效果，基於各位對NLP與AIGC的理解，這種進步是在意料之中還是意料之外？
陶芳波：剛才主持人已經介紹過我的背景，我本人從讀博士到後來工作創業，一直在從事AI相關的科研工作，但坦白來說，這次ChatGPT給我帶來的震撼，並不亞於螢幕前的每個人。
傳統上，越複雜的技術，資訊壁壘也越高，所以過去的情況往往是，行業內的人都已經知道技術發展到了什麼水平，但大眾可能還不知道；而ChatGPT完全不是這樣，它剛剛誕生3個月，我們就看到無論巨頭大廠還是AI科學家們，都馬上進入了一種非常緊張的應對狀態，甚至可以說是應激狀態。ChatGPT突然具有了這麼強大的通用效能力和邏輯推理能力，是超出很多AI從業者設想的。
為什麼這件事會發生？我僅從個人角度做一個簡單的總結。
第一，是大資料和大算力的發展，這是一個基礎。2012年深度學習剛剛誕生的時候，大家就嘗試把更多的算力和資料灌輸到一個模型中去，讓AI具有更強的能力，這個邏輯在今天依然沒有變化。
我們知道人腦要比動物的大腦更聰明，兩者最直觀的差別，是人腦的神經元和神經突觸更多，比如人腦的神經元有1000億，神經突觸可能有幾萬億，今天ChatGPT可以達到上千億的引數量，已經跟人腦比較接近了，量變才有可能引發質變，AI的發展首先要靠算力資料的指數級發展。
第二，是在人工智慧的發展背後，其實一直有「專用人工智慧」和「通用人工智慧」的兩派觀點的爭論。
以前我們熟悉的人工智慧，比如計算機視覺演算法和自然語言演算法，都屬於「專用人工智慧」。而在他們以外，其實一直有另一撥人在嘗試，有沒有可能把單個的專項AI變成一個通用AI？用一個統一的大模型來解決所有的問題？
這裡面有幾個關鍵性的節點，首先是2017年，谷歌大腦（Google brain）發表了一篇關於transformer的文章，奠定了包括今天ChatGPT所有技術的基礎，細節這裡不展開了——總之它讓很多人意識到，通用型AI是有可能被造出來的。
對此，谷歌的做法是首先搞一個底座，這個底座叫做「預訓練大模型」，然後不斷向底座裡灌輸資料，讓它上面能長出一個個小模型來，再用這些小模型去解決不同的任務。
這時出現了一家公司叫OpenAI，他說我不相信仍然需要訓練小模型來造出通用AI，那我能不能直接讓大模型去閱讀網際網路上所有的資料？砍掉中間環節，直接讓人用語言去和大模型交流？
基於這種思想，OpenAI在2018和2019年，分別推出了GPT1和GPT2，但當時它的通用性還不強，沒有引起太多關注，然而到2020年，第三代也就是GPT3出現了。
GPT3直接把模型引數量從15億提升到1,750億，接近了人腦中神經連線的數量水平，這時一個神奇的事情就發生了，AI開始「湧現」出了一些人腦獨特的能力，甚至出現了邏輯判斷能力，這在以前的機器學習界是不存在的，我甚至覺得連OpenAI內部都不一定能預判到這件事情會發生。
而這個GPT3，就是今天ChatGPT誕生的起點，正是因為GPT3的出現，大家才開始去基於它去開發一些全新的AI能力。
可以這麼說，從2020年的GPT3開始，整個AI行業都進入到了下一代正規化，至於它的邊界在哪裡，大家都不知道，沒有人有足夠的認知。
這也是我想講的第三點，就是OpenAI之所以能超越於谷歌，是他們真的在嘗試理解「學習」這件事的本質。
早期的AI要靠人工打標籤，要一個活人坐在螢幕前告訴機器——這是一隻貓，這是一隻狗；之後發展到GPT3，這時已經不用再打標，而是讓機器直接去閱讀大量的資料，看它能不能找出裡面蘊含的規律和規則。
在這個基礎上，OpenAI又進一步，他們說既然AI已經學了這麼多知識，那下一步就是怎麼把這些知識輸出來，變成人可以用的東西；於是OpenAI開始教大模型如何自我改造，更好的去解答人類提出的指令，而後甚至演化成AI自我對抗一個人類制定的判斷標準，完成AI的“社會化改造”，到2022年，ChatGPT橫空出世了。
剛才東旭提到，他現在每天都用ChatGPT幫自己寫程式碼，程式碼其實比自然語言更有邏輯性，站在AI的視角，等於你也是在幫它培養邏輯能力。
如果說GPT3還在無目的資料中學習，到了ChatGPT就已經變成了“在應用中學習”。整個過程真的很像一個年輕人走出校園，進入到公司中實習的感覺。
所以我們可以看到，OpenAI一直在探索人類學習的本質是什麼，當他們把這一整套工業化的體系和自己對AI的超前認知整合到一起，就創造出了ChatGPT，這時候所有人才發現，原來我們已經落後了OpenAI這麼多，我們還在模仿人家2020年的GPT3版本。
所以ChatGPT不僅對普通人是震撼，對大公司來說更是震撼，我們必須去面對這個全新的現實，思考該怎樣迎接這樣一個新物種的出現，以及未來人類分工的變化。
費良宏：我補充兩句，今天我們看到市場一夜間被引爆，但背後絕不是一日之功。
首先是2017年transformer那篇論文，將整個NLP市場完全被顛覆了。以前很長一段時間裡，大家都覺得非精確的模糊化語義很難被突破，但transformer出現之後，一下把NLP精度提升到了無法想象的量級。這時所有人的研究方向全部都開始轉向了transformer，這是一個里程碑式的改變，我覺得怎麼樣去誇它都不為過。
第二個是算力，剛才陶博士也提到，最早的時候我們自己搞一臺電腦，裝上1080Ti都可以跑一些模型，但今天由於引數提升，千億級規模的算力已經不是普通人能參與的，也許真的是大力出奇跡，誕生了ChatGPT，那麼未來延續著這條路，不斷堆積資料量，增加模型的數量，比如據說GPT3使用了45PB的資料量，未來是不是可以用100PB數量、萬億級引數甚至更大規模的算力？或許真能誕生出一個非常強大的通用型AI，對此我是比較樂觀的。
龍波：我對於ChatGPT的出現並不特別驚訝，準確的說，是對它的效果不驚訝，但是速度上我還是挺驚訝的，沒想到會來的這麼快。
剛才幾位都談到了一個重要的點，即transformer的里程碑作用，這裡我想從NLP的角度分享一下，為什麼它是里程碑？
從NLP發展的邏輯來看，最早的NLP模型是基於對單個單詞統計來做的，到後來卷積網路（CNN）出現，機器開始能夠基於兩三個單詞來理解詞義；再往下發展到RNN時代，這時AI基本上就可以沿著整個sequence進行積累，可以理解相對長的短語和句子，不過依然還無法真正理解上下文。
隨後一個很重要的突破，是「注意力機制」（attention model）被提出，其實transformer的核心概念也是來自於此；在這個階段，AI開始能夠結合所有上下文，理解每個詞之間表達重要性的不同。
這就很像我們的快速閱讀，為什麼人類能夠做到“一目十行”，是因為我們能看到一些關鍵詞，而每個詞的重要性不一樣。
「注意力機制」正是起到了這個作用，它告訴AI各個關鍵詞之間的關係如何，誰重要誰不重要。整個行業再往後就是transformer誕生，然後Bert（Bidirectional Encoder Representations from Transformers）誕生，其實Bert也非常重要，就像陶博士剛才提到的，Bert可以使用大量沒有標註的資料，自己建立一些簡單任務來做self learning。
舉個例子，比如一句話，AI會把其中的一個詞藏起來，然後猜這個詞應該是什麼，有點像機器自己和自己玩遊戲，如此它的語言理解能力就變得越來越強——我覺得到了這個時間點上，當AI開始利用大量非標註資料完成自主訓練，ChatGPT的出現就只是個時間問題了。
但是這也是它的侷限性，ChatGPT無論如何驚豔，它仍然是個統計語言模型，本質還是基於它所看到過所有資料，用統計意義上的預測結果進行下一步輸出，當它拿到的資料裡有邏輯的時候，它會透過統計的方法把邏輯找出來，讓你感覺到它的回答很有邏輯，但假如它讀了很多雜亂無章的文字，它一樣會說話沒有邏輯，這是統計語言模型天生的缺陷。
所以我並不確定，未來隨著引數越來越多，ChatGPT能否真正成為AGI（通用人工智慧）？因為人的推理能力並不完全基於統計訊號，這是我個人比較保守的看法。
險峰：這個話題本來是後面的，正好提到了就提前探討一下。
現在很多人會覺得ChatGPT很酷、很有邏輯，但有的時候也會覺得它在一本正經的胡說八道，有些很簡單的問題它會答錯，這件事反過來也會讓大家好奇，ChatGPT是否真的具有邏輯？或者說理解邏輯？
對此，也有兩派觀點，一派是覺得極致的模擬就可以實現邏輯，雖然只是基於統計學，但看起來有邏輯其實就等於邏輯本身；另一派覺得所有模擬都只能得到大概的正確，最後還是要建立在極其精準的規則之上，兩派的分歧可能就是統計和規則的區別。
此外還有第三種觀點，借鑑了生物組織的複雜性來解釋這個問題，比如蟻群，單獨一隻螞蟻可能不知道自己在幹什麼，但是一個蟻群就可以做很多複雜的事情，這兩者也類似於神經元和大腦的關係，對這個問題也想聽聽幾位的思考。
黃東旭：先說一個外部視角，我最近一直在用ChatGPT寫程式碼，可能是玩的確實太多了，基本沒有遇到AI胡說八道的情況；個人觀點，很多人覺得它不準有兩種情況，一種是問題沒問對，如果問題本身是模糊的，它給出的答案也會是模糊的，比如一些開放式的問題。
第二是它有些回答不一定是假的，只是中間跳過了很多步驟，比如一個問題，需要從A到B再到C依次推理，其實每一步都會有一些假設，但如果某個假設錯了，答案也會出問題。
所以我們內部在使用時，會不停地教ChatGPT如何思考，跟教小朋友一樣，他回答錯了就跟他說，你要不再讀一遍題目？或者直接問他——那你覺得這個問題應該如何提問？最後你會發現，只要你把你想要的思考方法教給他，他回答的準確率會非常高。
注意，在這個過程裡，我們並沒有向它提供任何的資訊增量，所以我覺得ChatGPT已經超越了一個傳統意義上的語言統計模型，絕對不是單純的鸚鵡學舌，但我也不知道它為什麼會有這個能力。
陶芳波：我也簡單說一下我的看法。我觀察到一個現象，在GPT3出來之後，特別是今年ChatGPT出來之後，很多AI領域非常資深的人都在激烈地反對大模型。
我曾經也有這樣的心態，覺得這個東西也許就只是一個統計模型，解決不了人類的終極問題。但是現在我認為，這樣的思想說嚴重點，就屬於是“舊時代的餘孽”，當然這句話是自嘲的，因為我曾經就是舊時代的餘孽，但今天我選擇去擁抱他。
因為對於人工智慧，我們永遠都可以從「它在某某事情上做得還不夠好」來批評它。但是如果我們回過頭來想一下，一個人如果只有大腦，我們的邏輯能力又有多強？
人的所謂邏輯能力，說到底也無非是透過直覺，跳過兩三步來推演出一個結果，如果真到了六步七步的推理，我們光靠一個大腦也解決不了，也需要草稿紙和計算器，換句話說，人類也是要透過外部工具來增強邏輯能力的。
從這個角度講，今天ChatGPT所湧現出來的邏輯能力和人是其實差不多的。
但是大家低估了一個東西，如果用發展的眼光再往前推一步，你覺得OpenAI下一步會做什麼？微軟下一步會做什麼？一件非常可能的事，是他們會把ChatGPT跟各種各樣的工具結合起來。
那時，ChatGPT完全可以把這些工具變成自己的“草稿紙和計算器”，他自己只完成邏輯的部分即可。
所以，我們其實可以把ChatGPT當做是一個非常穩定的原始大腦，未來他還將去學習使用工具，那時他所具有的能力會比今天大得多，這將是一個非常有想象力的未來。
費良宏：非常認同陶博士，前幾天看到LeCun在推特上跟人論戰，談ChatGPT對於AI的影響，我也有同樣的感覺，就是可能很多人對ChatGPT的判斷太拘泥於以往的經驗了，還是把它當做是GPT3或者GPT2。
比如OpenAI在發表ChatGPT的那篇論文中，專門提到他們使用了人類反饋的強化學習，去彌補堆砌資料造成的一些不足。所以某種程度來講，ChatGPT的邏輯不僅僅是來自於文字的訓練，還來自於人類給它的主觀反饋，我們利用這種獎勵機制，讓AI產生一種內部的自我判斷能力。
我覺得這是一種非常巧妙的進步，相當於把強化學習跟大模型結合在了一起。今天可能我們的資源投入還比較有限，讓ChatGPT不足以解決更廣義上的所有問題，但未來如果我們的投入足夠大，強化學習的引入程度足夠高，機制設計得足夠巧妙，會不會結果也將遠遠超出我們今天的預期？
不過，這也引出了另外一個問題，就是關於ChatGPT傾向性的爭論。隨著人類用越來越多的反饋干預了它的判斷，那會不會讓ChatGPT帶有某種思潮，比如說政治傾向，最近我看到國外有一些人對它進行測試，發現它在政治上並不是完全中立的，是一個左翼的自由派環保主義者。
從這個角度出發，我認為ChatGPT是具有邏輯的，因為這個邏輯是由人賦予他的，也是人自身所存在的，這是我的看法。
龍波：當一個非常有衝擊性的產品出來後，人的觀念很容易受到衝擊，但這裡還是要看一些根本問題是否發生了改變，這個話題涉及到一些更深刻的東西，即我們如何理解統計模型？
比如大家都提到，ChatGPT反饋模型的提高，這是一定的，因為你給了它更多的統計資料，不論是用AI的方法，還是傳統方法，模型都會提高，LeCun也談到過這個問題，他並不是反對統計模型本身，他只是想說，如果我們要創造真正的通用人工智慧，僅僅靠統計模型就夠了嗎？
統計模型應用在人工智慧領域已經幾十年了，到深度學習神經網路達到高點，但是我們想一下，人的認知是純粹基於統計的嗎？我們每個人都知道，太陽從東邊升起，這是我們每天都看到的，100%的機率，這是統計學上的認知，但是我們沒有停留在這一點，我們最終理解了行星之間的相互作用力，從物理學的角度解釋了這個現象。
所以人類認知的本質是什麼，我們對此的認知也還不夠透徹，我覺得大師們是想說，統計模型之外，還有什麼東西讓機器能更接於近人？這個問題其實沒有答案，他想表達的是一種open的心態，即統計模型不能解決一切，它甚至都沒解決我們自己認知的問題。
險峰：剛才大家都提到了transformer，它其實是由谷歌發表出來的，但今天做出ChatGPT的卻是微軟系的OpenAI，各位覺得這背後的原因是什麼？
龍波：確實很多人都有這個疑問，但其實到今天我依然認為，谷歌在技術上是非常領先的，ChatGPT最關鍵的核心模型起點，無論是transformer，還是後來的bert，這些概念都是谷歌首先提出來的。
我們知道微軟在算力方面給了ChatGPT很大幫助，但谷歌自己的TPU研發能力也非常強大，谷歌不缺算力，更不缺資料，但正因為如此，大公司要做出這種創新性很大的產品，注意我是說產品，一般都會被自己的優勢束縛住手腳。
首先谷歌是一個搜尋引擎巨頭，它對此非常自信，這反而讓它對其他系統的投入和關注都不夠，在我看來，谷歌被ChatGPT反超其實是有先兆的。
比如語音助手，坦白說谷歌的產品是不如亞馬遜和Siri的，像Google Assistant ，採用的依然是搜尋引擎的使用者介面，你給它搜尋詞，它就給你最高質量的回答，強調的還是單次互動，這種觀念已經深入產品的設計之中，我覺得在互動體驗上谷歌的投入是不足的。
但這並不是說谷歌技術不行，我有不少前同事就在谷歌research工作，他們的技術發展得非常好、非常成熟，他們有最好的資源可以從事研究，但是他們認為搜尋是他們最重要的產品，他們會下意識的用搜索的觀念去做一些新產品，對使用者的互動式體驗本身就沒有那麼注重，這是我從產品角度的觀察。
費良宏：這個話題讓我想到一段商業史故事。世界上第一臺數碼相機，是一名叫史蒂夫薩森的工程師在1975年發明的，他後來被稱為"數碼相機之父"，但是當時，他是一名柯達公司的員工。
後來據他回憶，這是一次前所未有的嘗試，“公司內的反之強烈超出了他的想象”，結果38年之後，由於數碼相機的崛起，傳統膠片時代的王者柯達公司破產，我覺得回顧歷史，跟今天也有非常相似的地方。
今天整個搜尋市場，谷歌佔了96%，微軟只有3%，但因為ChatGPT的出現，微軟很可能也會顛覆搜尋領域的格局，而谷歌空有技術卻沒有做出這個產品，我覺得可見一斑，歷史總是驚人的相似。
黃東旭：這是件特別有意思的事情，因為以前扮演這個顛覆者的，其實是Google自己。
2000年的時候，雅虎的地位就和今天的Google一樣，當時雅虎的搜尋引擎走的是人工標註路線，說你看我人工標註的黃頁多準確，而Google是當時幾個大學生搞出來的，結果歷史又一次重演。
如果拋開資料量和算力這些硬性限制，只去看裡面最核心的程式碼量，其實就是一個小團隊就能寫出來的。一家巨頭再次被一家小公司打敗，我覺得這就是軟體行業有意思的地方，一個非常矽谷的故事。
險峰：谷歌的早期模型都是開源的，但ChatGPT卻選擇了閉源，結果在2個月內使用者破億，東旭對此怎麼看，ChatGPT的選擇對於後來者是否有參考價值？
黃東旭：我覺得ChatGPT的成功，並不在於開源或閉源，而是它向整個業界證明了某種技術的可行性，其實開源的工具一直都在，關鍵是有沒有人會拿出幾千萬美金去做這些東西，對此我是比較樂觀的，據我所知已經有一些開源專案在做和ChatGPT差不多的事情，未來很短的時間之內，一定會出現一個開源的通用語言大模型。
它可能沒有ChatGPT那麼強，但是也會大致夠用，甚至可能是一個通識模型，你可以把它裝載到自己的系統裡面去，跟它一起去協作，我覺得很快就會有人沿著ChatGPT的路線，做出可以私有化部署的開源大模型，可能會是一個大廠或者一個foundation，每隔半年change一次，然後大家下載下來用。
費良宏：AI的商業化主要是SaaS化，之前有很多成功案例了。另外從技術角度來看，AI的推理能力API化也已經是一種標準做法，比如在雲上部署一個推理伺服器，讓前端使用者可以非常快速地獲得影像語音內容，這兩種模式在雲計算發展的歷史上已經被證明是完全可行的。
接下來的關鍵就是如何差異化的大模型，我個人認為，我們可能低估計了ChatGPT的工程化難度，比如說並行訓練、標註以及資料管理的工作量和成本開銷，都會是非常巨大的，所以我不認為在短時間內，會有大量能完全媲美ChatGPT的競品出現。
當然，下一步還是有很多人會去做與ChatGPT類似的事情，但是我認為時間上可能會比較久，這其中，我個人比較看好谷歌和微軟，因為他們之前的積累已經有足夠多。
其實剛才也談到了微軟的問題，雖然微軟只是給ChatGPT投了錢，技術上沒有參與，但是從它的佈局來看，我覺得微軟其實非常有野心，要知道2019年微軟就開始向OpenAI投錢，第一次就投了10億美元，2020年就跟OpenAI談妥了GPT3的獨家授權，2021年微軟就專門給OpenAI構建了自己的超算能力。
微軟提供的這些工程能力和雲計算能力，足以確保OpenAI繼續保持領先優勢，如果未來任何一個競爭對手想要超越OpenAI，在這些資源上都要加倍付出，甚至要在短時間內實現突破才有可能，但是現在，時間反而是最稀缺的，像之前“學徒巴德”（Apprentice Bard）在谷歌的釋出會上“翻車”也說明，網際網路產品的競爭是非常殘酷的，雖然你也能做出來一個差不多的，但只要你不能超越市場中最好的，那就意味著失敗。
陶芳波：我接著這個話題稍微說下，因為我們的業務跟大模型接觸非常多，首先大模型開源這件事不是剛剛開始，其實去年很多公司已經出來了，包括OPT（Meta AI 的開源專案）和BLOOM（法國政府資助的開源AI），但其實它們和ChatGPT的差距非常大。
我覺得OpenAI的競爭力，表現在他們對於資料使用方式的認知，還有剛才費老師提到的工程能力和資料體系，這套東西不是說拿出50億美金，招很多的人馬上就可以解決的，這是現在很多投資人的誤解。
另外，我覺得AI的分層其實在今天就已經開始了，像Sam Altman（OpenAI執行長）自己就說過，OpenAI現在就是個Infra，未來在它上面可能會有中間層，這個中間層的作用是幫助一個個大模型Infra變成各個行業裡的解決方案。
ChatGPT 能讓TMT投資人
“再幹15年”嗎？
險峰：ChatGPT下一步會往何處去？會不會被下一個transformer顛覆？
陶芳波：個人觀點，我們可以從底層視角來看，比如今天OpenAI做出了ChatGPT，未來或許還會有GPT4，我們先假設OpenAI的技術是最領先的，現在後面有一堆大廠巨頭和創業公司，正在或者將要做大模型，那如果我是OpenAI，我接下來會做什麼？
我覺得第一個方向，還是怎樣用好手上的現有資料，把模型的潛力全部挖掘出來。下一代GPT的引數量也許還能再大個10倍，但估計也就是這個規模了，不可能再擴大1000倍，因為引數要有足夠的資料來匹配，全世界的優質資料就這麼多，引數量搞得再大效果也不有太大提升。
另一個方向，也是Anthropic提出的，叫做「憲法AI」。就是我們能不能讓AI在一套憲法，或者說一套規則下，實現自我進化，最終變得符合這套規則。舉個例子，每個國家都有自己的監管體系，比如中東地區，只有符合當地監管的AI才能進入該國，我覺得這會是一個非常好的方向，可以大大降低AI吸收資訊的成本，提高它的效率。
第三個方向是多模態，讓OpenAI變成一個思考引擎。我們知道人類的感知不是單一的，而是許多模組組成的，不是說使用者說了一段話，我能感受到這段話就夠了，最簡單的，比如看漫畫書，人能夠把感知影像和感知文字結合在一起，而不是兩個單獨的東西。
所以我覺得，接下來大模型會在這些方向上繼續發展，這是一個底座，這種狀態會維持相當長一段時間，而接下來才是更巨大的挑戰，無論是投資人，還是創業者，我們到底應該怎樣去迎接ChatGPT的革命性變化，在它上面重構一個巨大的新體系？
舉個例子，2007年iPhone誕生，10年之後你會發現整個網際網路生態都變了，iPhone上面長出了各種各樣的應用，這10年間，全球誕生了多少獨角獸，誕生了多少千億、萬億美金級的公司，這些公司在iPhone出現之前都是不存在的，都是從一個很小的作坊開始做起來的。
我覺得今天大量的機會其實是這裡面，首先是中間層的機會，就像在大模型外面搭一個腳手架，讓它有1000隻手1000只腳，可以做更復雜的事情，比如基於如何使用大模型構建一個社群，這是一種最輕量級的創業思路。再比如教會大模型怎麼去使用外部工具，怎麼樣更好的去理解對面的使用者，而不只是從文字輸入來理解他——這也是我們正在做的事情。
在中間層上面，還會有各種應用層，剛才費老師也講到，AI在SaaS端已經被驗證了，但我個人認為這一波AI浪潮席捲的範圍會遠大於SaaS。因為SaaS更多還是服務於企業的效率工具，但ChatGPT肯定會拓展到C端，比如說健身、醫療，都有機會可以重做出一個互動式的軟體，把使用者介面完全拋棄掉，和移動網際網路時代相比，我認為這會是一種全新體驗的產品。
黃東旭：我也有類似的觀點，其實軟體的進步一直都是互動方式的進步，以前是字元介面，到後來是UI，沿著這條線往下走，未來最重要的軟體互動形態其實就是自然語言。過去我們一直在嘗試，讓軟體的使用變得更加貼近人類自然語言，但是今天我們終於有了這樣一個新工具，能重新去塑造我們跟軟體的溝通方式。
以前我們用軟體，比如說Linux，輸入一堆命令，機器才能去完成一件事情，相當於我們要去學習機器的語言。但現在有了ChatGPT，你可以直接去跟他說，我想要到達到某某結果，我不管你怎麼幹，最後能給我結果就好，這其實是一個非常顛覆性的東西，所以我們現在正在做的，不斷跟GPT磨合的，也是類似的思路。
陶芳波：我記得ChatGPT剛出來的時候，就有投資人提出一個觀點，說TMT可以重新再幹15年，我覺得這個邏輯是對的，因為上個時代我們基於移動網際網路，做出了各種各樣的APP，而今天新的互動形式出現了，每一個細分的賽道上可能都會成長出一個全新的獨角獸，或者全新的商業模式，我覺得是一個完全的大洗牌。
今天ChatGPT的潛力大概只發揮了百分之幾，就已經創造出超過了萬億的市場，未來這個規模可能是幾十萬億。
險峰：這個問題是幫別人問的，他是個很早期的NLP從業者，想問大模型出來以後，其他的模型可能就成為歷史了，他們這些人未來應該怎麼辦？
龍波：這個問題的答案還是比較清晰的，以前那些傳統的NLP的手段，在這個時代肯定是不會再有用了，比如大量的語法樹之類，非常繁瑣，過去開發過程很痛苦，要一支很大的團隊才能做出一個很小的東西，我們肯定不會再回到那個年代，老的技術基本都可以用大型語言模型（LLM，large language model）替代。
對於ChatGPT的未來，我非常同意陶博士剛才說的，如果只是一味地增加資料或增加引數，不一定還能得到好的ROI，因為你給了更多的資料，就意味著有更多的噪音，最後信噪比可能反而更差，這也是為什麼我們有時覺得ChatGPT會回答錯的原因，所以還是要關注如何提高資料的質量。
與資料質量同樣重要的，可能是跟大模型的互動。舉個例子，如果我們真的要讓ChatGPT變成某個領域的專家，不再犯什麼錯誤，可以想想我們培養一個PHD的過程是什麼樣的？他需要和他的導師、行業大牛反覆地互動討論學習，才能最終成為專家，而不是說簡單的篩選高質量資料餵給他就完了。
如果再進一步，我們要讓ChatGPT成為真正的通用人工智慧，在每個領域都很精深，也需要有一個方法能夠讓AI迭代高質量資料，所以我覺得未來在演算法層面可能會有一些突破，比如說讓RL和大語言模型更完美的結合，能夠更好地篩選出高質量資料，甚至是自動採集這種資料，這些都會跟人學習的過程越來越像。
到那時，我不知道是不是隻靠現在的統計模型或者大型語言模型就夠了，還是會跟其他新技術繫結在一起，比如現在也有人在研究，怎麼把真正的推理能力和神經網路相結合，這是我看到一些未來可能發生的事情。
險峰：接下來可能是很多CEO比較感興趣的問題，創業公司應該如何使用ChatGPT ？它將可以替代哪些崗位？
黃東旭：個人認為可以從兩個方面來看，對內和對外，我先說對外。
首先在AI爆發的大背景下，我們做資料庫的還是一個挺安全的生意，因為不管怎麼樣你還是要存資料。在過去沒有AI的時候，我要從資料庫裡提取資料，學過計算機的朋友可能都知道要用到SQL，或者其他語言，總之是需要敲程式碼才能去跟資料庫做互動。
舉個例子，之前我曾經把我自己所有看過的電影、所有看過的書，全都導到了我的資料庫裡，我就可以直接去問我的資料庫說，在我去年看過所有的電影裡，哪個導演的片子最多？他會直接幫我生成SQL，SQL再去資料庫裡進行查詢，非常快速且準確，但是前提是你必須會敲程式碼，懂得機器的語言。
沿著我剛才的理論——自然語言會變成下一個軟體互動的UI，大家想象一下，如果你是個CEO，你公司裡面有很多運營資料，每次你去找財務，或者資料分析師，說我需要一個某某資料，他可能過好幾天才能返過來，但現在如果有這樣的一個很神奇的資料庫，CEO可以直接開口問AI，比如今年公司花錢最多的部門是哪個，馬上就可以得到答案。
那如果再推一步，我們把背後的資料集換成了區塊鏈，換成了房地產資訊，換成了股市資訊，你會發現一下子人人都是資料分析師，這對於各個行業都會是一個巨大的顛覆。
至於對內部，我覺得CEO一定要放棄ChatGPT可以完全取代人的觀念，現階段肯定是取代不了，但是它能提高人的效率。
如果大家寫過程式就會知道，一個工程師可能有80%的時間都是做重複勞動，未來這80%的工作其實都可以讓ChatGPT來做，比如說寫文件、寫單元測試，生成一些腳手架之類，它不會完全取代程式設計師，但是確實能帶來很大的提升效率。
大家如果看過《鋼鐵俠1》，裡面有一個AI助手叫做賈維斯，現在我跟ChatGPT的工作模式與它很像，我會告訴它我要做什麼東西，你先做一個原型出來，然後一步步跟它互動，告訴它可以這樣這樣搞。
所以至少目前，我並不會把ChatGPT當做是一個可以取代人工的東西，而是給所有的工程師都配了一個賬號，告訴他們遇事不決先問一下ChatGPT，搞不好效率就提升了，這是我大概的經驗分享。
陶芳波：我稍微插一句，我覺得東旭他們公司很厲害，已經開始使用ChatGPT來提高效率了，其實很多國內的公司都可以學一下。
另外他講的第一點我感觸很深，資料庫公司未來一定會存在，但也一定還會很多有提供其他網際網路資訊服務的公司，我覺得他們可能都要去思考，是不是今天我暫時是安全的，ChatGPT跟我就沒有關係？
我覺得可以換一種視角，現在的現實是，這個超級大腦已經在那裡了，他未來一定是會跟各種各樣的東西連線在一起，這裡面有一個很重要的點，以前我們說資訊服務的連線埠是API，還有一大堆程式碼之類的，但今天這個埠很可能會變掉，變成一個更加接近於人類語言的東西。
所以我覺得每一個服務提供商，如果覺得你的資訊服務很有價值，我覺得都可以嘗試去擁抱ChatGPT，看看怎麼跟他建立起對話通道，越早擁抱，就越早可以讓ChatGPT把你的服務分發到更多的場景、更多的使用者。我覺得這件事情誰做得快，誰就可能成為自己賽道里的下一代巨頭企業。
ChatGPT廣泛使用後，
人類的認知能力會下降嗎？
險峰：ChatGPT出來以後，主流聲音認為以後可能就不再需要搜尋引擎了，但也有一些悲觀者認為，我們將來接觸的大部分資訊都會由機器生成，裡面會有大量的假資訊，這將威脅人類的認知和判斷能力，如果我們從小就依賴這樣的產品，可能會是一個災難性，對此各位怎麼看？
費良宏：這不是一個新問題，其實網際網路從誕生之日起，就一直在改變我們使用和消費資訊的習慣。
比如，最開始出現的是瀏覽器，它讓網頁資訊變成了一種規範的、可以被瀏覽的形式；之後，隨著資訊總量的不斷增長，大量垃圾資訊開始影響我們的使用者體驗，這時出現了雅虎的黃頁，它透過人工方式去維護目錄，給每個網頁設定優先順序。
再往後，當資訊量繼續爆炸，黃頁的維護開始跟不上資料的生產速度，人們慢慢意識到，使用搜索可能會比使用黃頁更有效率，這時誕生了最早期的搜尋引擎，比如AltaVista和Infoseek，但是它們的能力受限於當時的技術，還只能在一個很小的範圍內能進行搜尋。
後來的故事大家都知道了，1998年，谷歌的兩個合夥人開始創業，他們希望用計算機構建一個更廣義的叢集，透過大量廉價的硬體裝置來滿足整個網際網路的搜尋需求。在當時，大家認為這是不可能實現的，但後來的事實證明，技術的進步遠超我們的想象，於是人類進入了關鍵字搜尋時代，開始透過搜尋引擎來使用和消費網際網路資訊。
到了今天，網際網路上的資訊總量已經是一個天文數字，你的每一次搜尋，結果可能有成百上千頁，裡面存在大量無用或者重複的資訊，那我們應該如何應對這樣的局面？這時ChatGPT出現了，它可以幫助我們去做總結歸納，如果從資訊消費的歷史來看，這是一個巨大的進步，這點無可否認。
而從歷史來看，一旦我們養成了新的資訊消費習慣，就沒有辦法再回到之前的時代，我們不可能用黃頁去替代今天的搜尋引擎，同樣的，未來當我們適應了ChatGPT，我們也回不到關鍵字搜尋時代。
因此，人類下一階段的資訊使用習慣一定是更高級別的，當然這裡還有成本問題，比如像ChatGPT的每一次搜尋大概需要1.3美分，成本還是比較高的，如果再能降低10倍的話，我覺得整個搜尋市場會被完全顛覆。
從這個角度說，ChatGPT的歷史地位可以等價於瀏覽器的出現，或者是谷歌搜尋引擎的出現，人類每一個資訊消費習慣的進步都意味著一個里程碑式。
龍波：非常贊同良宏的觀點，ChatGPT的互動方式讓我們獲取資訊更加高效，它帶來的影響是不可逆的，肯定會對搜尋引擎，甚至推薦引擎都帶來衝擊，而且我認為衝擊會很大。儘管短時間內會有些技術上的挑戰，比如如何把ChatGPT融入到搜尋引擎中去，但我認為這些都不是問題，很快都會被解決。
那麼ChatGPT的挑戰是什麼？第一個挑戰是商業化，任何2C的技術應用背後一定要有商業支撐。
剛才良宏談到谷歌的巨大成功，但是其實在1999年，布林和拉里佩奇是準備以100萬美元的價格把谷歌賣掉的，據說最後已經談到了75萬，如果當時交易達成，也就沒有後面的故事了；到了2002年，雅虎打算收購谷歌時，開出的價格是100億美金，等於說4年翻了一萬倍。
為什麼形勢會逆轉呢？因為商業模式走通了，從display as到search as，搜尋廣告的收入開始有了巨大的增長，當時所有人都看到了谷歌的商業潛力，所以價值一下就不一樣了。也正因為如此，谷歌才能有資源僱最好的員工，創造最好的企業文化。
未來ChatGPT也會面臨同樣的問題，比如現在的搜尋引擎是靠點選量來收費，本質上賣的是使用者的注意力，而如果AI一秒鐘就完成了答案交付，那賣廣告的模式肯定就不再work了，一定還需要尋找新的商業模式來支撐它，當然，我相信最後肯定也會找到。
第二個挑戰是人文方面的，剛才問題中也提到了，ChatGPT會極大影響人的認知模式。
在搜尋引擎時代，我們每完成一次資訊收集，其實都是完成一次學習的過程。舉個例子，比如我們發論文，每篇文章後面一定要有一個reference（參考文獻），你要先把前人做出的研究成果講清楚，再說你在這個基礎上取得什麼成果，這是一種知識的傳接，如果沒有reference就不可以被稱為學術論文。
谷歌的搜尋引擎，也是把它認為最相關、最高質量的連結排在最上面，最後還是需要你自己去做判斷，這是人類學習的方法，你一定要有出處，要有reference，這是我們作為研究者對人類知識積累的一個基本態度。而如果AI就只給一個答案，會讓資訊繭房變得更嚴重。
傳統來說，我們在網際網路獲取資訊有兩種基本方式，一個是搜尋，一個是推薦。搜尋是說使用者知道自己想找什麼，我就給他什麼，推薦是使用者不知道自己想要什麼，那我就猜你想要什麼。而當ChatGPT出來以後，因為它每天都會和你有互動，它會猜得更準確，更嚴重的是，它還會主動創造出一些讓你喜歡的答案或資訊，你聽了會覺得那就是真實的，而且又沒有reference。
到那時，我們要面對的資訊繭房會比推薦引擎時代大得多，每個人可能只聽到自己想聽到的，只理解自己能理解的，我不知道這會對人類產生什麼影響，但這個影響一定是世界範圍的。
險峰：在你們看來，ChatGPT的出現可能會把哪些行業沖垮？哪些公司現在急需轉型？
第一我覺得是一些簡單的內容編輯，或者簡單的內容生成工作，比如寫新聞稿、寫一些簡單的summary，或者一些初級分析崗位，未來可能都要想一想，但很遺憾這樣的工作其實可能還挺多的。我覺得ChatGPT出來以後，肯定對整個社會分工造成很大的改變，但這個改變不會馬上出現，會有一定的滯後性，但是這個改變一定是很深遠的。
第二是程式設計師這個行業會被改變，你想象一下，相當於過去大家都是步行趕路，現在突然每人發輛腳踏車，好處是效率一定會提升，但當有一波人能夠熟練使用ChatGPT的時候，公司老闆就會想，到底還需不需要僱這麼多人了？甚至當未來AI能夠自己寫程式時，程式設計師在裡面的位置又是什麼？我自己會稍微有點悲觀。
陶芳波：其實從我的觀點來講，大公司可能是第一波受到衝擊的，都會被迫面對這樣一個巨大的變革。
今天早上我跟一個非常知名的TMT投資人交流，提到了一個點，就是蘋果的壁壘到底有多高？在移動網際網路時代，使用者只能用一臺手機去處理許多複雜的事情，所以需要強大的算力，需要非常好的人機互動，這是蘋果真正的壁壘。
但如果ChatGPT開始與各種產品結合，產生了一種新的互動形態，是不是最後手機就會變成了一個普通的終端？換言之，如果未來AI的軟體部分，提供的服務比重越來越高，就意味著硬體價值會越來越低，蘋果手機做得再好，以後還會有那麼大的價值嗎？
當天平的兩端發生調整，如果蘋果不能及時入場，為自己的開發者生態提供AI化的能力，我覺得它其實也是很危險的，再比如說亞馬遜，它的內部也一定是red alert（亮起紅色警報），假如一個微軟雲的客服，跑過去告AWS的使用者說，你要用ChatGPT嗎？來，come to Azure，我覺得至少對很多中小企業來說是一個巨大的誘惑。
所以在我的視角里，未來大公司的格局會首先發生變化，就像是微軟拿著一把全世界最牛逼的屠龍刀，一刀一刀的斬過去，就看誰的反應夠快。
同樣衝擊也會向下影響到中小公司，比如說訂票軟體，假設行業有10個競爭者，那麼誰第一個擁抱ChatGPT，把自己的資料和大模型進行連結，為客戶提供一種互動式模式的訂票服務，就像一個私人助理一樣，這家公司就能把所有的訂單吸過去，其他9家可能就會死掉。
這個邏輯在任何行業都會存在，因為人總要訂票，總要接受醫療服務，法律服務，各種各樣的服務，總要戀愛和社交，所以我在內部分享時常說一句話，當ChatGPT出現後，全世界只有兩種人，一種叫溺水者，他的頭被按在水下，他想要浮起來，奮力的想抓住一些東西讓自己活下來，谷歌就是這種感覺。第二種人叫淘金者，他想衝到這波浪潮裡面去淘金。
這是今天市場上的兩種公司，我覺得可能誰都無法完全置身事外。你適應能力很強，能接受現實，快速擁抱這個趨勢，就能抓住下一個時代的機會。
費良宏：
ChatGPT這一波技術革命來得比較迅猛，我個人是有點擔心，主要是兩點。一個是從個人層面。我們回顧歷史，第一次、第二次工業革命徹底粉碎了手工業者，過去這些人曾處於一個比較優沃的社會位置，靠一門手藝就夠確保自己的美好生活，但是機器大生產將他們變成了普通工人。
在手工業者衰落的同時，另一個新群體開始崛起，就是知識工作者，在二戰以後，他們成為了貢獻和收益都最大的一群人，當然我們也都受益於這個群體。但ChatGPT出現之後，無論是程式設計師，還是知識工作者，都有著被機器取代的可能，這種模式一旦出現，對每個個體的挑戰是非常巨大的，我對此會有擔憂，尤其應該思考我們未來的價值在哪裡？
第二是從企業的角度來看，OpenAI並不是微軟內部孵化的，它到今天也只有375個員工，是一個100%的創業公司，而且是一個小型創業公司。包括DeepMind也是家小公司，截止到今天它的員工數量也才1000個人，和谷歌的19萬員工比起來九牛一毛。為什麼微軟和谷歌內部無法孵化出這些專案，而要依賴於外部的這些小企業？很重要一點，是大企業在創新上的天生存在弊端和不足，哪怕是最厲害的矽谷科技公司，也無法逃脫這個規律。
我前幾天讀了一本書，Netflix 的創始人裡德·哈斯廷斯所著的《不拘一格》，其中提到一個觀點叫「人才密度」——這是創新的前提和基礎，只有足夠聰明的人聚在在一起共事，才會產生創意的火花，推動偉大的創意變成偉大的產品。而如果是在人才密度相對較小的環境中，哪怕他真的是一個人才，也會被淹沒在各種噪聲和平庸的見解中。
OpenAI只有375個人，但他的人才密度一定比微軟、谷歌更好，這樣的小企業才會推動真正的科技進步。所以從創新角度看，我並不認為大企業會對整個市場產生多大的影響，反倒是在資本加持之下，創新小企業才是科技的顛覆力量。
所以我覺得，ChatGPT給我們開了一個視窗，這個是一個千載難逢的機遇，但它是為創新型小企業準備的，而不是大企業。這點上，我的觀點會和大家不太一樣，我並不認為大企業能夠獲得最大的紅利。
龍波：談下我的視角，這次ChatGPT帶來的衝擊和改變，無論是大企業小企業都必須要去適應。在它面前，我甚至認為所有公司都是創業公司，如果大企業不進行二次創業，那麼就會失去自己的優勢，走下坡路。
總體來說，小企業的機會可能更多在應用層。大企業的話，更要在基礎層和中間層開始二次創業，不然的話那麼肯定會受到巨大的挑戰。
舉個例子，很多人現在會關注微軟和谷歌的競爭，這是一條明線，但暗線的話，我認為微軟下一個對手其實是AWS，微軟完全可以利用ChatGPT，改變整個cloud service（雲服務）格局，實際上ChatGPT非常適合做各種to B或者cloud-based service一類的工作，比如剛才東旭講到的資料庫例子。
再往前推一步，大家都知道，過去電商平臺要搭一套推薦系統，是一件非常複雜的事情，因為你的庫裡已經錄入了過去10年的商品，這些商品都是基於關鍵詞搜尋系統設計的，如果要改成推薦制，需要招一支非常資深的工程師團隊，小公司完全用不起。但是如果將來，這些東西都可以透過ChatGPT指令自動化完成，整個cloud的格局都會改變，我覺得微軟在這方面的機會很大，我更看好這條線。相反，在搜尋引擎方面，我覺得除非是谷歌犯下很多致命的錯誤，不然它還是很有機會能翻身的。
險峰：現在國內媒體對於ChatGPT討論的非常熱烈，矽谷那邊的情況如何？他們主要關注的點是什麼？
黃東旭：一樣非常火。無論是在推特上，還是我身邊的人，ChatGPT應該近幾年最大的IT新聞了。
我舉個例子，從ChatGPT第一個demo出來到現在，可能也就是兩個多月的時間，但矽谷可能已經有上百家基於類似產品的創業公司出來了，所以我覺得矽谷這邊可能動作更快一點，而且大家不只是在討論，我甚至覺得很快就會有獨角獸出現了。
Everything is a wrapper of openAI，現在就是這樣的一個市場。
龍波：同樣的熱度，中美都一樣。不同點可能有兩個地方，只是我自己觀察的，不一定準確。
第一是矽谷這邊更多還是在聊未來，聊技術路線的分歧，比如現在的大模型是不是能產生通用AI？未來還需要融入哪些新技術？國內的話，我覺得反思的人可能會更多一些，比如為什麼我們在AI領域落後了？下一步要如何追趕？這是我看到的不同，但我覺得兩者都非常好，無論是反思還是展望，可能都是我們現在非常需要的。
第二是矽谷對於人文關懷的討論會多一些，大家更關心ChatGPT對社會、對人類有什麼樣的影響。比如很多人會持有一種悲觀的觀點，認為它不利於人類社會去中心化發展。
想象一下，有一個萬能的AI，它給你提供了所有答案，人人都依靠它，無條件相信它，它就變成了你的權威，實際上意味著一種中心化對個人思想的控制，而且這種東西往往只有大公司才能做出來，那就意味著大資本對整個社會思想的控制。所以可能大家會更關心如何避免這種情況發生，同時又能讓這樣的新技術提高我們效率和幸福感。
險峰：最後一個話題，各位覺得自己或者自己所在的業務部門，面對ChatGPT會有哪些思考和行動？
陶芳波：因為我們自己就是AI公司，可能參與會比較直接。剛才也提到，國內現在沒有辦法使用ChatGPT，目前來看，雖然有一些很不錯的團隊正在組建，但離跑出來可能還需要一段時間。
我覺得整個ChatGPT的生態，會在未來一兩年內逐漸形成，所以對中國企業來說，這裡面還是有一些全球性機會的，中國的創業者不一定非要窩在家裡，等著國內的生態建立起來。
就我們公司而言，第一，是嘗試探索未來的中間層在哪裡，怎樣把ChatGPT的能力提升，並用它服務於其他的企業。像東旭剛才講的，everything is a wrapper of GPT，那麼how can we be the best wrapper？我覺得能做好一個wrapper本身就很有價值。
第二就是作為中國企業，我們未來怎麼樣幫助中國參與到全球的AI生態競爭當中？最近有幾個大新聞，包括王慧文也在組建中國的OpenAI團隊，我們也在時刻關注著，畢竟中國是一個世界大國，無論從國家安全考慮或者科技競爭考慮，中國都需要一個這樣的東西出來。所以我們也在跟政府、大企業去合作，看看能不能幫到一些忙，或說是能參與到其中的建設。
費良宏：可以預計的是，雲計算跟AI的結合會越來越緊密，隨著ChatGPT對整個市場的普及和教育，大家對AI的認識達到了一個新的高度。我身邊很多非技術的朋友都開始跟我探討ChatGPT，這是一個非常好的苗頭，未來無論是AI as services或者是Model as services，一定會越來普及，幫助AI與人實現更好的互動。
對於一個開發人員來講，與 ChatGPT相關的工程化能力未來會是一個非常關鍵的技能，所以抓緊時間視窗的機會，儘快掌握這個能力，ChatGPT對每個人來說都是公平的，也是有挑戰的，總體來講還是機會大於挑戰。
黃東旭：說一個我最近的思考：在這個時代，我們應該放棄一種觀念，就是人比AI強，未來不應該是我們去教AI做事情，而是讓AI來教我們做事情，放棄這個執念以後，你才可能開啟新世界的大門。
比如之前我教 ChatGPT寫程式碼，會給他一些例子，告訴他說你不要這麼做，你應該這麼做，但他學了這些例子後，做出來的東西效果反而更不好了。後來我乾脆放開手腳，讓AI自己去弄，你覺得怎麼樣好就怎麼做，結果反而更好。這件事給我帶來一些哲學思考，我會經常提醒自己放下執念。
龍波：我之前主要從事Computational Ad（計算廣告行業），大家都知道，計算廣告是支撐起整個網際網路最重要的商業模式，前面我也談到過，ChatGPT的擠佔了傳統廣告的注意力空間，對這個行業帶來巨大的衝擊，這是挑戰的一面。
反過來，使用者之所以討厭廣告，是因為這些廣告的體驗不好，使用者覺得為什麼你要讓我看到這些，我不喜歡。但如果，未來AI會變成你最貼心的的管家，變成鋼鐵俠的賈維斯，那時廣告可能會達到它的最高境界，即完全不損壞使用者體驗，我給你的就是你最需要的東西，也許ChatGPT真能做到這一點，這會是一個巨大的機遇，這是我的一些思考。
險峰：謝謝幾位，下面是幾位觀眾的留言提問，有人問現在考大學的話，CS專業以後還有前途嗎？各位怎麼看？
費良宏：如果一年之前，我肯定會鼓勵他學習計算機專業，但是今年答案可能就沒那麼簡單了，比如經濟環境改變的裁員問題，包括ChatGPT帶來的衝擊。
但衝擊其實無處不在，我記得是去年Alpha Fold剛出來的時候，對大家衝擊其實不亞於這一次，我們用一個簡單的語言模型就能預測出2萬多種生物蛋白，而且準確率非常高，整個分子生物學的格局都被改變了，背後也是千千萬萬的從業者受到影響。
所以我是在這麼看的，我們不一定要以薪酬高低來選擇自己的行業，而應該看按照自己的特長。簡單來說，如果你是基於薪水多才選擇了做程式設計師，在大變革面前你很難堅持下來。但反過來，如果這是興趣專長或愛好，能夠長期堅持，我相信在這個世界當中的機會無處不在。
回到最初這個問題上，我不建議大家簡單的把專業定位在計算機或非計算機上，而是更大程度上選擇你擅長和喜歡的領域，接下來AI會和各行各業發生連線，如果你有能力把自己的專業與AI相結合，可能會是一個更有價值的選擇。
險峰：有觀眾問，未來各巨頭都會有自己的大模型，所有大模型之間會不會趨同？以後差異化會在哪裡？
陶芳波：這個是一個很預測性的問題，可能我也不能完全回答，但我覺得ChatGPT本身需要調教，這個調教的過程裡就包含了很多你對於業務的理解，最終的形態肯定也會很不一樣。這件事我一個人的大腦肯定是不夠用的，現在全世界無數的人都在想大模型的下一個形態是什麼？我覺得可以多關注一些行業動態，我相信一定有人已經在做類似的事情。
險峰：有觀眾問到，OpenAI團隊和組織框架設計上的一些獨特之處，是否對他們的成功產生了影響？
龍波：我可能剛才提到過一點，對於創新型企業，堅持是其中一個非常重要的品質。做出ChatGPT要呼叫大量的資源，對一家小企業來說其實是很困難的，另外站在當時看，技術路徑也遠不如現在清晰，所以他們選擇了一個非常獨特的非盈利組織架構，就是不想被短期商業利益所脅迫，這讓創始團隊在早期就打下了一個比較深厚的技術烙印。
所以你看這次王慧文老師出來創業，也是要做一家關注技術創新，而不是短時間內商業變現的企業，我想這可能是OpenAI對我們的啟發，要堅持長期主義，更加集中注意力，真正做出一些有深度的東西。
陶芳波：非常同意龍波總說的，可能我倆都屬於AI科班出身，會非常有共鳴。我覺得OpenAI的成功，跟團隊成員都有著非常強烈的技術信仰有關，他們相信這件事情一定能成，在5年前剛開始做GPT1的時候，他們就堅信，只要把自迴歸的大語言模型做到極致，就一定能可以做出AGI，所以才能一直堅持下來。
其實在GPT3出來之前，根本沒人在乎他們，大家都覺得，這些東西我們也能做，但GPT3出來之後，那些大廠才開始追隨他們去跟進，但此時他們已經繼續再往前推了。所以我想說，堅持當然不一定能成功的，99%的堅持最後可能也都是失敗的，但如果不堅持，至少就不會像他們那麼成功。凡是取得巨大成功的人，一定是堅持下來的人，人有時候是要對抗全世界的，我覺得這種感覺真的會特別好。
