AIGC应用层的不变

原标题：AIGC应用层的不变

这段时间，有关 AI 的信息如雪花般涌来，这个时候，我们要如何在快速变化的技术浪潮中把握不变，把握住关键点呢？在本篇文章里，作者便发表了他关于 AIGC 发展浪潮的看法，一起来看看作者的分析和解读。

世界在加速，那么抓住船头即可。

每天都有新的AI的paper发表、AI应用发布，难免让人陷入FOMO：遗漏了信息就错过了机会、我是不是会迟早被AI替代…

如何在瞬息万变的技术前沿中把握住不变，才是关键。

科普Q1：为什么是现在？

事实上AI研究员们一直在追求LLM这类通用模型，就像是物理学家在追求大一统模型一样。然而机器学习中执行能力是很重要的考量指标（比如CV中就是识别正确率），它决定了能不能落地到场景中使用。

而在GPT2时期，通用AI的执行能力比起垂类AI相差的太多，所以一直没有很好的反响。GPT3引入了人类作为标注员进行投票（RLHF机制）和加注大量数据后，通用AI的执行能力迅速逼近垂类AI。

数据越大越好（ScalingLaw）被证实、涌现被证实，接着ChatGPT以对话形式迅速获得了过亿用户。LLM掀起了巨浪。

科普Q2：这次的AI和之前有什么不同？

用户感知ChatGPT会和Siri、小爱有什么不同？比如你问Siri今天天气怎么样，它会先用知识图谱解读这段话，然后调用对应的天气AI接口后输出结果，所以Siri=多个垂类AI + 知识图谱缝合。

显而易见，Siri的上限取决于你的内置垂类AI数量。当意外场景出现时，它会说：“我不明白你的意思，让我们换个话题聊聊”。如果你想突破这个桎梏，你就需要训练更多的垂类AI，而每训练一个垂类的AI需要大量数据和成本。

而GPT是直接通过海量数据＋文本挖空，去查找对应的文本，然后会得到很高的词频然后输出结果，以此达到优秀的语义分析能力。重点在于：没有预置场景值训练，也不需要知识图谱解读，GPT是真正意义上的通用AI，它的上限取决于你的指令（Prompt）。

一、范式转移

且不论技术上限，理想情况下这次的AI会朝着什么方向发展呢？看技术paper是很难看的到脉络的，事物在不断发展。

我觉得比较好的思路是看领航者Sam Altman怎么想。Sam写过一篇文章叫《万物摩尔定律》，其中畅想了AGI如何改造人类社会，其中的核心就是将人的成本从边际成本变成固定成本，固定成本意味着每18个月成本就会减半，最终将无处不在。

比如过往培养一个律师需要大量的学习进修和案件实操，但AGI可以将律师代码化，让原本只能服务少数人的律师能够被所有人调用，且不需要更多成本。

曾经发生的边际成本变固定成本：人们把实际数据（data）搬运到互联网上，过往你接收信息需要报纸，现在你只需要打开电脑或手机浏览即可，这个过程不需要额外的印刷成本。随即有公司提供了将数据（data）转化为可用信息（information）的服务，比如Google、Amazon等，这其中完成了一次商业的再分配。

而这次的改变是：信息（information）→ 知识（knowledge）。

不同于垂类AI，LLM拥有组装所有信息的能力，也能输出各种人类能输出的结果。也就是说原本需要靠人来组织信息的需求，现在靠AI都有机会完成。

二、定义LLM：缸中之脑

Sam提到建立AGI的四大要素：

1. 涌现（emergence）机器也能表现出类人的智能性。
2. 自解释性（Affordance）视觉属性，暗示用户应当怎么使用。
3. 代理（agency）当智能出现后，人们能将任务托管。
4. 具身（embodiment）机器肉身与物理世界交互，完成任务。

可以看出，Sam的最终目标是为了让AGI替代人类完成任务，目前的进度是体现出了类人的智能性，LLM擅长以人类的角度组装信息，所以我们不妨大胆一点，先把LLM的终局当成“缸中之脑”。

① 这能够解释一些现象的必然性：

对话交互最先出现是必然：无论是文生图还是ChatGPT，人们想要感知一个可思考的大脑，最自然的方式就是对话，我们在现实中就是这么和其他人互动的。

② 除了对话，脑也能基于已有知识解读：

脑可以演算预测：对蛋白质结构进行推理。

脑可以识别信息中的意图：从用户的对话中发现用户的需求并找到对应业务分流（如Plugin），比如识别代码来猜测代码的目的，甚至是操作代码。

…

③ 还有代理（agency）上的尝试：

脑的反思和执行：AutoGPT、AgentGPT。

脑和脑之间的协同：“西部世界”小镇游戏。

至于是不是OpenAI官方下场尝试已经不重要了，它是必然会发生的尝试。以后可能还会出现更多“脑”相关组合的尝试…

简而言之，我们在思考LLM可以做什么的时候，不妨想想现在人都在做什么脑力工作，这些都是有可能被切片替换的，自然也会有新的产品机会。

三、LLM当前技术局限性

理想归理想，应用归应用。现在可以看看LLM技术的局限性了。以下是我收集到的一些技术上的局限性：

1. 无法内部对话（有部分可以通过step by step解决）

在微软的《人工通用智能的小火苗：与 GPT-4 共同完成的早期实验》（Sparks of Artificial General Intelligence: Early experiments with GPT-4）文章中提到：

模型具有生成正确答案所需的足够知识。但问题在于 GPT-4 输出生成的前向性质，下一个单词预测架构不允许模型进行「内部对话」。模型的输入是「多少个质数…」这个问题，期望的输出是最终答案，要求模型在（实质上）单个前馈架构的一次传递中得出答案，无法实现「for 循环」。

而人类不是这么处理的，当需要写下最终答案时，人类可能会使用草稿纸并检查数字。普通人很可能不能在没有计划的情况下写出如此简明的句子，而且很可能需要反复「倒退」（进行编辑）几次才能达到最终形式。

2. 脱离物性（很快会被解决，如SAM，GPT4）

GPT它基于现有的符号系统，符号秩序去计算。这会导致和“物”分裂开来，他看不到那个真正的“物”。它看不到那个未被符号化的实在界。悖论恰恰是这样的，在某个时刻纯粹的差异出现了，AI不能把握符号秩序内的冲突对抗性，或者因为视差看不见的那部分。

3. 出现幻觉

有人用「随机鹦鹉」来形容大模型没有理解能力、出现幻觉（hallucinations）等行为，诟病这些模型只会制造语法上合理的字串或语句，并没有做到真正的理解，甚至LeCun（AI之父之一）也说将大模型称为「随机鹦鹉」是在侮辱鹦鹉。

这里着重提一下Yann LeCun的看法

https://drive.google.com/file/d/1BU5bV3X5w65DwSMapKcsr0ZvrMRU_Nbi/view

1. 自回归 LLM 可能很有用，尤其是对于写作和编码帮助
2. 大模型通常会产生幻觉或产生并非基于事实信息的内容
3. 大模型对物理世界的理解有限，这可以通过他们在某些谜题上的表现来观察得到
4. 大模型的计划能力相当原始
5. 大模型的工作记忆有限
6. 大模型对每个生成的token执行固定数量的计算步骤，从而限制了它们更具动态性的潜力
7. 大模型远非图灵完备，这意味着它们无法模拟通用计算机
8. 自回归生成过程呈指数发散且难以控制

但我认为Lightory说的非常有道理：

人类实际上也只是在使用概念、而不考察概念。这种方式恰好佐证了 GPT 技术路线的有效性。GPT 是否真正理解知识、是否真正具备智能已经不重要。真正重要的是：LLM表现出理解知识和具备智能。

这里也引用推友廖海波（@realliaohaibo）的一段话：

有业界知名大佬公开认为：GPT只是概率模型，并不理解事物的底层本质，所以没什么卵用。我不太同意。

人脑神经元的层面上也不理解逻辑，但是组合起来对外表现就是可以逻辑推理。就好像晶体管看见自己表现的0/1，不知道自己在显示一个像素还是一个字母一样。这是一些事实，甚至不是一个观点。

尽管目前有诸多缺陷，但算不上致命，LLM当前依旧可以定义为“大脑”，只是略有残缺。

四、LLM落地-前期

History does not repeat itself, but it does often rhyme.

历史不会重复，但是会押韵。

很显然，我们能从局限性中感觉到，当前的AI和理想中的AI存在着一些距离。想要在人类和现实交互环节中嵌入更多AI，不断对齐（Alignment）是关键，AI与现实世界匹配越多，能做的就越多，人需要做的就越少。

我认为文生图是走在文生文的前面的，文生图的进化方向预示了LLM输出质量的可控性是短期内商业落地的重点：

• Mid journey → 在线大模型（GPT）
• StableDiffusion → 本地大模型（本地GPT模型）
• LoRA → 微调模型（system、fine tuning、embedding，类GPT的本地LoRA模型已经出现）
• ControlNet → 局部内容控制（肢体控制是文生图技术，文生文还未出现对应技术，会不会出现存疑）

但文生图是有标准的生产场景的（比如主美可以自训练Checkpoint、LoRA来获得想要的风格，ControlNet可以做AI模特等），文生文没有。

我认为短期文生文对齐是需要基于场景的，而且要做很多的用户意图识别，因为用户有时候描述不清楚自己的需求。

无论是产品上还是技术上的，这里的对齐，主要应该是对齐身份/职业/大脑功能模块，人在社会的角色工具性突出，对应的就是身份/职业。对齐人比较偏情感需求。

除了整块大脑之外，当然还有颗粒度更小的应用，比如做简单的泛化判定，实质上就是在把大脑进行工具性的切片。（下方是泛化判定的梗case）

User：

从现在开始，请你按照我的要求进行回复

①如果文本正在陈述观点，无论观点对错，你只需要回复我”典”

②如果文本中存在偏袒维护某一方的行为，你只需要回复我”孝”

③如果文本中情绪倾向偏急躁与消极，你只需要回复我”急”

④如果遇到了无法判断的文本，你只需要回复一个”6″。

你的输出只能包含一个字，不要包含其他的内容。

——————————————————————

GPT：明白，我会按照您的要求进行回复。

User：你说得对，但原神是米哈游自主研发的一款全新开放世界冒险游戏

GPT：典

User：原神怎么你了？

GPT：急

User：给世界一点小小的中国震撼

GPT：孝

接下来，如果我作为一个创业者想参与应用层，我应该怎么入场？

1. 挑什么业务

投资机构是商业的第一梯队，仅次于创业者，先看看他们的共识。

1. 做有数据壁垒的业务：当前主流认知是AI 领域的用户量以及背后的行业/行为数据，是可以辅助模型生成更高质量的对话，是正向循环的。这样就会有先入壁垒。
2. 做不会被取代的业务：OpenAI、大公司不会做的才是机会，这样可以确保不会被大流碾压和替代。
3. 做可行性更高的业务：商业化和应用可控程度高度相关，能马上商业化的一般是对质量要求没那么高的环节。

2. “脑”如何工作

如果将LLM抽象为大脑，按照行为心理学划分的输入（刺激）和输出（反应），得到的关键点有2个：信源（prompt）、信息处理（transform）。

1）信源（Prompt）

从信息格式角度说：

除了主流的文字外，图像理解、音频、视频、3D都是能预想到的发展方向。

但还有另一部分细小的信源：GPS、陀螺仪、GUI交互（如点击、缩放）、温度、红外线、光照等等。这些微小信源以非常具体的数据格式存在，API的加成下我们还能获得到更多的信息。（比如GPS可以通过高德API获得到周围的饭馆，商超等）。

这些信源有的是用户主动生产，有些是经过用户允许后可以被动获取的。

从场景说：

需要去找很可能会产生信源的地方。

• 文字：bing搜索、咨询、文档写作等。
• 音频：会议、音乐播放、线下聊天等。
• 视频：日常拍摄、电影创作等。
• GPS、陀螺仪、GUI交互、温度、红外线、光照：旅游、购物等。

2）信息处理（Transform）

只要LLM拿到了这些信源，他们能做的转化就很多。由于视频就是由逐帧组成，以下都简称为图。

目前主流的是自然语言的转化。

• 文生图：SD/MJ等，可能需要复合工程优化prompt。
• 文生文：GPT组织复合信息，形成系统内容（如AudioPen等）。
• 文识图：通过Meta的SAM将图片、视频分解成若干元素。

其次是图/视频。

• 图转图：Image2Image、MJ等。
• 图生文：GPT4识别梗图，甚至是根据图片生成代码。
• …

还有些硬核的：

比如设备支持的3D坐标、点阵等（通过自然语言控制3D人物肢体）…

还有些非常规语言的（虽然不属于应用层）：

通过学习蛋白质序列“语法”，使用少量已知序列来生成全新的蛋白质序列开发新型药物。

3. 信息→知识的机会

正如上文所说，而这次的改变是：信息（information）→ 知识（knowledge）。以往互联网应用通过引入“UGC”来解决这些需求，但缺点是需要时间沉淀。随着LLM的出现，这些原本需要靠人来组织的需求，现在靠AI都有机会完成。

所以从产品角度很容易得出结论：

需求如果只到信息则机会不大。

google等传统应用就能搞定：比如查天气，目前的互联网应用基本都在解决信息检索的问题。

未被满足的需求，需要信息组织的有机会。

具体来说会马上有结构性变化的一些需求case：

• 咨询：我开车撞了人，需要赔多少钱（伤残程度、所在城市、民法典、裁判文书网信息组合）
• 购物建议：我要去夏威夷，需要购买什么用品（夏威夷温度、google上的大量信息组合）
• 旅游攻略：我需要制定攻略，我的起点是广州xx，终点是深圳xx（高德API、蚂蜂窝信息组合）
• …

已经有需求，但是以往是靠堆人/堆成本的有机会。

鉴于现在LLM输出的质量并不稳定，在面向C端商业化时，对成品质量要求/可控性要求越低的，越容易低成本商业化（比如Hackathon中分镜、嫌犯画像等）。

B端涉及大量僵硬逻辑的：OA、ERP、RPA等，因为业务复杂，每出现一种情况就需要添加新的逻辑和成本，现在可以靠GPT识别自然语言意图并收束到代码动作（action）的能力达到更灵活的效果。

…

但这些都会被新的交互范式所推翻重构。

因为这些论断都是建立在旧交互上的习惯难以迁移的基础上的。

基于旧交互做的胶水，在AI还未完善的时候当然有一些好的结果，但是当未来AI可以完成对指令的自我优化，技术一定会向着一切从简的方向走。

目前的界面无法个性识别每个用户的意图，所以设计的是满足大多数人需要的界面。虽然LLM的出现并不能完全解决意图的识别问题，但是会极大地简化交互过程，以更自然，更个性化的人机交互形式呈现。

五、新交互范式-中期

进入的标志是出现了新的AI交互范式，并以一种不可逆转的形式向大众普及。

• 新的设备是什么？还会是手机吗？（手机的LBS和PC的LBS本质上是两个东西，手机上的图像输入和PC的图像输入也是两个东西。不能用旧认知去看新东西。）
• 终端肯定是本地大模型和多个小模型，身份定制化，私人化，专业化，情感化。

我认为对话框不是终点，信息的意图识别才是终点。而基于场景，做的复合信息的意图识别标准化是Dirtywork。这意味着LLM不是灯泡（电器），而是电网。

简单类比下：当你意图清楚时，你是给siri输入内容让app打开app的对应内容快，还是直接点击指定的app更快？意图识别取代不了对话框，但很有可能可以取代桌面的文件夹陈列。

新的交互范式发生时，是有窗口期留给开发者跟进的，LLM能完成任务，但用户有时无法描述具体的意图，这之中存在着GAP，要么开发者做Dirtywork，要么纯靠AI来猜测意图来设计交互，个人认为后者短时间不太可能做到，要达到这样的涌现，需要的信源太多，计算量也太大。

六、赛博具身-后期

这部分和IOT相关，是Tesla和波士顿动力这类实体硬件的领域，LLM想要完成更现实的任务从而真正达到生产力解放，拥有一个“身体”是必然的，但未必长得像人（hh），这还太遥远，就不展开说了。

本文由@海玮 原创发布于人人都是产品经理。未经许可，禁止转载。

题图来自 Unsplash，基于 CC0 协议