AI，比你更懂你
“数据+算法+算力”就是AI （Artificial Intelligence），即人工智能。
“人工智能”一词是在1956年达特茅斯会议上被首次提出并定义，即人类学习过程的各个方面，或者说智能的任何特征都可以被机器精确地描述和模拟。
这个定义无疑又牵扯出另外一个词的定义，即“智能”。“智能”的定义比较复杂，但也是可定义的，从认识层面上，智能的一般性定义是：能够有效地获取、传递、处理、再生和利用信息，并使其在限定环境下成功达到预定目标的能力。
那么，什么是上文说的这种“智能”呢？我们看近年来已经发生或正在发生的一些案例就清楚了。
我家卫生间的灯控开关安装在了卫生间内，由于门不透光，经常忘记关灯，灯一亮就是整晚，甚至在全家人外出的时候可以亮几天，这个问题困扰了我很久。后来，我购买了一个智能开关，连接上了家里的蓝牙Mesh网关[4]，又在卫生间的镜子下面不显眼的地方安装了一个红外传感器，可以感应人体的移动。
接着，我设置了这样的场景：当有人移动时，开灯；当10分钟未发现有人移动时，自动关灯。从此，我再也不用担心卫生间的灯常亮了，令人意想不到的是，连进卫生间开灯这个动作都省掉了。这就是人工智能一个最简单的应用场景，我们称之为“智能家居”。
目前，小米公司的米家智能家居正是通过室内的一套智能网关将门禁、灯光、扫地机、音响等全部连接起来，让家具、家电更加人性化，更加贴心地为人们的生活服务。近年来，传统的家电公司，像海尔、格力等也纷纷推出自己的智能家居解决方案，甚至还不断鼓励产业内其他公司接入其App，以实现多种家电的互联互通，这种应用场景的增多将会对人工智能的发展起到非常好的促进作用。
描述上面的这些场景，或许你觉得没什么了不起，那么下面的场景应该足以震撼到你了。
2018年，一位小说家进行了一次跨越美国的公路旅行，他想把这个旅行的过程记录下来。这位作家的记录方法与传统方法完全不同，他将一个麦克风、一个GPS、一个摄像头、一台笔记本电脑组合起来，再结合一套算法，最后形成了第一部人工智能小说—The Road。虽然小说整体上还不尽如人意，但其基本连贯的叙事方法及对客观事实的描写能够让人理解，这已经是很不容易的一件事了。
就在我写这本书的过程中举行了2022年的高考，新高考I卷的作文题目是“根据围棋中‘本手、妙手、俗手’对你的启示，结合自己的思考写一篇文章”。不少考生都是第一次听说“本手、妙手和俗手”，觉得题目出得挺有水平，也具备一定难度。高考结束之后，百度虚拟数字人度晓晓仅用40秒便写出了如下文章：
苦练本手，方能妙手随成
围棋是一门复杂多变的技艺，倘若急于求成而忽略了基础的稳扎稳打，那么再高超的技艺也会变成再损己不过的招式。围棋中的“本手、妙手、俗手”与我们的生活日常不也正是息息相关吗？在生活中，我们追求远大的梦想，但也应该关注“本手”的日积月累。
苦练本手，正是一种扎实立根的努力，需要的是朝乾夕惕的定力与韧性。“咬定青山不放松，立根原在破岩中。”千里之行，破岩很重要。同样，万丈高楼，基石更关键。唯有打牢基础，方能妙手随成，大厦顷刻立现。
苦练本手，是十年磨剑，一朝亮剑出锋芒的心无旁骛。亮剑，对于项羽来说是破釜沉舟、背水一战，对于韩信来讲则是忍辱负重、暗度陈仓。十年磨砺，一朝亮剑，换来的是一手漂亮的“背水一战”。没有牢固扎实的地基，空中楼阁又如何立得起来？没有厚实的砖块如何盖起高楼？一步一个脚印，韩信用十年时光为自己亮剑，终于在历史的画卷上留下了YYDS的一笔，留名青史。
在长久的积淀之外，我们还应该拥有更宽阔的视野，以“穷山距海，不能限也”的无畏，揭开眼前的迷雾，奔向更远大的未来。正如毕加索所感叹的那样：“一个人只有真正找到自己在艺术上的追求，才能随心所欲。”对于艺术家而言，扎实立稳根基是必须的，随心所欲地创造更是每一位志存高远的艺术家心中的最高殿堂。在旷日持久、日复一日地打磨中，我们不应被眼前的琐碎困住步伐，不应被现在的程度限制了更高的想象。“一日新，翌日新，日日新”，正是毫无止境的追求才能成就人类更深广意义上的进步。当本手与妙手更好地结合在一起时，或许能创造出生命更意想不到的华章。
苦练本手，方能妙手随成，成就人生传奇。反观正处少年期的我们，有时缺乏的正是这种持之以恒的毅力和精神，遇事浮躁，急功近利。殊不知“冰冻三尺非一日之寒”“泰山不择细壤故能就其高，江河不择细流故能成其大”。想要妙手随成，要在毅力上下功夫，要在专心上做文章，更应该不断追问前方的旅途，追问远方。一砖一瓦，扎根；一横一纵，随成。扎实立住根基，妙手随成。
高考的阅卷老师一致认为这篇文章至少可以得到48分以上的高分，是不是非常令人震撼？
近年来，随着OpenAI大模型GPT-3的优化，人工智能新闻层出不穷，如AI续写新闻报道、编写《哈利·波特》和《红楼梦》的文本等。2022年6月上旬，媒体曝出谷歌人工智能大模型LaMDA“有了人类情绪和主观意识”，完胜OpenAI和微软、Meta等科技巨头的其他模型。虽然最终科学家们经过测试，一致否认了LaMDA的意识崛起，但这却引发了媒体、大众热烈的讨论。
所谓“积沙成塔”，AI无疑已经开始了升级与迭代，就不会停下自己的脚步。我们唯一知道的是，一切已经开始，至于AI的终点将指向何方，却无人能知，甚至包括AI本身。
那么这些看似智能的算法是如何实现的呢？
人们曾经认为计算机可以成为模拟大脑的“人工智能”，这种灵感来自1943年麦卡洛克（McCulloch）和皮茨（Pitts）基于大脑神经元的数学模型分析。他们认为神经元只会处于两种状态之一：触发与不触发，因此是以开关二进制形式运转的。这一想法虽然未能迅速推进人工智能的发展，却“无心插柳柳成荫”地促成了数字计算机的发明。
计算机和互联网快速发展之后，人们才发现可以模拟人类大脑的可能不是计算机，而是一个集成多个计算节点的网络集群。
这个网络集群必须具备三个基本要素，即数据、算法与算力。其中，数据是人工智能的燃料，没有数据，人工智能根本无法启动；算法是人工智能的发动机，算法的优劣及其实现方式决定了人工智能的优劣及其自我学习、进化能力；算力则是人工智能的加速器，没有加速器，再好的燃料和发动机也无法驱动人工智能这辆豪华列车。
正是数据、算法与算力三方面协同发力，才促成了人工智能飞速发展的新局面。(https://www.daowen.com)
我们知道，燃料的好坏决定了车辆的运行效率，数据集的丰富性、规模性和结构性对算法的训练尤为重要，比如实现精准视觉识别的第一步就是获取海量而优质的应用场景数据，而人脸识别算法的训练则至少需要百万级别甚至更多数量的人脸数据。
不同的人工智能算法需要不同的数据，这些数据的采集点也不同，可以从社交网络中采集用户数据，可以从科学仪器中获取传感器数据，也可以通过影像来拥有数据。无论从哪个地方获取数据，这些用于人工智能训练的数据都必须做到规模性、实时性、多样性和价值稀疏性[5]。
曾经，人工智能算法需要的数据必须是结构化[6]的，近年来随着深度学习算法及NLP[7]的发展，非结构化的数据反而越来越受到人工智能算法的欢迎。
特别是大模型的兴起，更让海量的数据有了用武之地。大模型的英文名称是“Foundation Models”，准确的翻译应该是“基础模型”“基石模型”或“框架模型”。如前所述，这种模型的训练就属于算法范畴。
近年来，AI面对行业应用时，业务场景很多，需求也呈碎片化、多样化的特点。如果从零开始开发、调试、优化、迭代到应用，AI模型的开发成本极高，且难以满足市场的定制化需求，所以不少AI从业者会说现阶段的AI还处于手工作坊阶段。
大模型的出现就是为了让AI研发从手工作坊阶段走向工厂模式。大模型在这里就相当于工厂中的机器或预制品，单个AI开发者只需要使用“AI预训练大模型+下游任务微调”的方式就基本上可以实现需求目标。
大规模预训练可以从海量数据中捕获通用知识，并将知识存储到大量的参数中，极大地扩展了模型的泛能力。
例如，在NLP领域，从大模型从BERT到GPT-3，再到万亿规模的Switch Transformer，无论是模型大小、数据量还是计算资源占用都在飞速增长，性能也在快速提升。
从深度学习发展的历程来看，模型精度的提升主要依赖网络在结构上的变革。随着神经网络结构设计技术逐渐成熟，想要通过优化神经网络结构去提升模型精度局限显得越来越困难。幸运的是，研究实验表明，数据规模的增大可以突破现在精度的局限。
特别是在NLP和计算机视觉领域，数据规模的扩大都取得了显著的效果。基于此，华为的盘古CV大模型、冬奥会的悟道手语大模型都取得了不错的应用效果。
图灵测试[8]一直被认为是人工智能学术界的“北极星”，也是检验机器是否具有人类智能的唯一标准。以GPT-3为代表的巨量模型出现后，机器开始在多项任务中逼近图灵测试，到了2022年，更是有不少模型突破了图灵测试30%的关卡。
浪潮人工智能研究院发布的全球最大中文预训练语言模型“源1.0”参数量已达2457亿个，约是GPT-3的1.4倍，它甚至可以写诗。如果不告诉你，你能否判断下面这首诗是人还是机器人所作？
“战鼓催征千嶂寒，阴阳交会九皋盘。飞军万里浮云外，铁骑丛中明月边。”这其实是“源1.0”的作品。
北京智源人工智能研究院院长黄铁军[9]认为：“人工智能的发展已经从‘大炼模型’向‘炼，大模型’转变。人工智能大模型是‘大数据+大算力+强算法’结合的产物，是集成大数据内在精华的‘隐式知识库’，也是实现人工智能应用的载体。大模型是连接人工智能技术生态和产业生态的桥梁，向下带动基础软硬件的发展，向上支撑了智能应用百花齐放，是整个人工智能生态的核心。”
由此可见，未来人工智能领域应该呈现这样一种局面，即少数专业领域的大模型为各行业人工智能提供通用能力，而细分场景的AI算法就像在这些大模型“大脑”中长出的手臂，最终由“大模型+细分应用”形成整个人工智能的未来生态。
诚然，大模型是个新兴事物，能否成长为参天大树仍未可知，而且业界质疑的声音也不少。质疑主要源于以下几个方面：一是由于大模型需要“海量数据+大算力+强算法”，使得这是一个普通企业“玩不起”的游戏，最终会让人工智能落入少数几家企业手中，这样的趋势不符合分布式的人工智能基础逻辑且非常容易形成“1984陷阱”；二是模型训练过程中的非结构化涌现方式（说白了就是知其然不知其所以然的人工智能内核）使得一些致命错误难以纠正，甚至在未发生严重问题时根本无法被发现。
这些类似的问题或许在未来大模型发展的过程中可以自我修复，或许就是其本身自带的基因。如果是第一种，大模型的未来可期，如果是第二种，大模型的未来堪忧。
例如，AI界当代最著名巨擘之一、MetaAI实验室灵魂人物Yann LeCun，就非常反对大模型，他认为这是死路。而谷歌大脑的Natasha Jaques则赞同大模型，他认为大语言模型极具效率，也混杂了相当多的人类知识。
无论谁对谁错，可以肯定的是，人工智能的发展肯定会一往无前，它作为元宇宙“万物皆数”之后的运行基础也会给元宇宙未来的发展带来强力支撑，而大模型仅仅是其正在尝试一个方向、一种资源组合形式而已。
最后，关于人工智能发展之后是否会对人类造成威胁这种讨论也经常会进入人们的视野。加州大学伯克利分校人工智能中心主任斯图尔特·罗素在其新书《AI新生》中制定了如下几条原则以保证数字社会中人工智能也始终能够为人类服务，而非统治人类，具体为以下三点。
一是机器唯一的目标是最大限度地满足人类的偏好；二是机器最初不确定这些偏好是什么；第三是关于人类偏好的最终信息来源是人类行为。
这三点类似艾萨克·阿西莫夫在他的小说《转圈圈》中提出的“机器人三定律”，即机器人不得伤害人类、机器人必须绝对服从人类下达的命令和在不违反前两大定律的前提下机器人必须尽力保护自己。
任何技术的发展都具有两面性，给人类带来便利的同时肯定也会产生一些“正”或“负”的外部性，而如何利用正外部性、规避负外部性，就要充分考验人类的智慧了。
技术元素进化的趋势往往是不可阻挡的，我们只能顺应它、约束它，然后再利用它，对于人工智能，人类更要如此，也只能如此。
