从教育到就业，AI大模型到真产生影响还有多远

当下我们最头疼的事可能是自己和下代的教育，我们最关心的事估计是自己的饭碗。AI大模型总是被宣传的似乎无所不能，那它就现在什么样了，到底什么时候会在我们关心的教育和饭碗问题上发挥威力？

01 机械式思维与教育和就业的本质特征

当我们看到一辆汽车的时候，我们潜在的就会想到轮子、发动机（电机）、车门、内饰、面板、方向盘等。它们每个部分可以单独做，可以拆卸和组装，坏了就换一个。

这就是近200年最主流的思维方式：机械式的思维，整体等于部分之和。

这种思维模式影响极为深远，我们的教育和公司（就业）其实是按照这种基础的思维方式一条龙式的构建起来的。

既然最终的产出都和汽车一样，那企业自然要这么分工，有干轮子的，有干内饰的，随后这种分工要求就变成一种无形的力量影响到学校，学校要考虑就业就只能跟着细分专业，有机械、有动力、有软件、有硬件。

又因为学校要综合多个方面的需求，所以它会在有所综合后做另外一种细分，比如:

我们当前的学科是包括了12个学科门类、92个专业类、771个专业。12个学科门类中自然科学4个：理学、工学、医学、农学；人文和社会科学8个：文学、历史学、哲学、经济学、管理学、法学、教育学、艺术学。

而任何一个门类比如文学又会被细分为中国语言文学和外国语言文学，比如经常说的计算机要在工学的计算机类下面才可以找到。12个顶层类别和知识的先天状态有关，但下层的771个专业实际上是被应用的方式所规定的。

比如计算机类会进一步细分为：计算机科学与技术，软件工程，网络工程，信息安全，物联网工程，数字媒体技术，智能科学与技术，空间信息与数字技术，电子与计算机工程，数据科学与大数据技术，网络空间安全，新媒体技术，电影制作，保密技术，服务科学与工程，虚拟现实技术，区块链工程，密码科学与技术这样18个专业。

形象讲专业和岗位的本质特征和零件差不多，是按照一种切块模式来设置的。

如果用图形来表示，那是下图的左侧。

这种切块分工有时候会被强化到很可笑的程度。

彼得圣吉在《第五项修炼》里举了一个特别好玩的例子，他说：美国人拆完日本车后发现发动机边上的三个螺丝在日本人那里是三个一样的螺丝，而在美国人这儿就是三个不一样的螺丝，反向一追溯就发现没有任何理由，就是因为是三伙不同的人做的。每伙人自己做的都对，就是放一起不对。越分散切块这类三种不同螺丝的情况就越多。

02  人工智能的逆向对冲

人工智能大模型则正好动摇这种分工的底层逻辑：你切块越细，相关工作或专业越容易充分数字化，越容易充分数字化就越容易变成大模型的一个功能。

比如做产品的时候，UI设计的同学总是根据产品经理的要求做图形设计，这样一来UI设计同学的输入输出就很简单，那后续就可以把设计的同学人工智能化，产品经理向人工智能发出自己的请求，然后结果就返回了。只要这种设计不是真的艺术创作，那这个过程用人工智能来做就远比用人来做性价比更好。也就是说在无限细分的专业上面，人会越来越失去自己的经济价值，岗位会被优化掉。

这就会变成另外一种力量，它会推动原本越来越细的分工回卷并进行综合。

这就是这张图的右边：

这时候思维方式也需要跟着变化，不再是整体是部分之和（左侧），而是整体大于部分之和（右侧）。

这样一来更需要的是综合后的专业性。

对于汽车专业的人，过去因为成本太高没法让每个人尝试成为总工设计一辆汽车并跑一跑，让他看看自己学的到底怎么用，自己学的好不好。现在的方向则是每个人在人工智能的辅导下虚拟的设计一辆汽车，从外形到内部的动力装置，然后把它跑到100公里，200公里的时速，同时虚拟的进行各种的冲击测试。

显然的，专业性被重定义了，切块后的专业性变的没价值比如我就会设计螺丝这类，而是更需要融会贯通后的专业性。这时候人不是没有价值，而是像获得了战甲的钢铁侠一样，可以爆发出更大的力量。

但也很残酷，如果一个人只有切块式的专业性，在经济体系中会没有位置，会被人工智能遮蔽掉。这个区域发生的就是经常说的人工智能替代人，也注定会发生。

如果这是未来注定的趋势，那现在到底走到那里了？

03 大模型的现状和落地路上的沟沟坎坎

人工智能和计算机最大的区别是它是一个上蹿下跳的学科，而计算机则稳步递进。

就是在GPT日渐上升的2021年，人工智能刚刚经历了自己的一个小低潮，如果没有大模型，很多从业者几乎就失去信心了。一边是近10年不盈利大幅亏损，90%的人工智能上市公司即使到现在保持亏损状态；一边是技术进步见顶，只有很少的人相信OpenAI这么干还有希望。其它的人觉得所谓的人工智能看着就能干人脸识别、语音识别等工作，越是干相关算法的越这么想。

就在普遍从业者心态趋于崩溃的边缘，chatGPT和GPT4出现了，一时间风起云涌，大家纷纷入局准备开始做大模型，但如果细究就会发现，这种浪潮起于资本市场和硅谷明星（比尔盖茨等）的判断，那是不是大模型真的可以？

大模型真的可以，但也没想的那么快。

真的可以一个简单原因就是这种考试的成绩，它的通用智能程度还是很让人惊讶。

而显然的即使只是通过模型规模、算力的增加，它也还会有进一步提升。所以大模型真的可以全面的用在考试中检验过的能力影响教育和经济。

从过去十几年落地的情况来看，这次人工智能大模型要想真正深度嵌入到各个领域中来，至少要形成技术、产品、体验的闭环：

只有三者闭环，才真的能变成2000年的互联网，让飞轮越转越快。现在只是在技术领域取得了相当的进步，在另外两部分里则差的太多。

与此同时，这个闭环在基于数字的产品和基于原子的产品上周期和难度又有明显差异，比如打造智能音箱和纯粹软件的智能助手这两个非常相似的产品，但就因为结合了硬件要在物理空间解决问题难度基数一下抬升不少。如果再尝试在移动的机器人上解决听的清的问题，那就更麻烦些。（声学问题是物理问题，同时真实场景干扰太多）

上面说的合在一起就变成：

一定是数字空间先变化，然后才是物理空间逐步跟进。挪动一个原子的难度和成本远超挪动一个比特。

04 第一环难题的解决

大模型这样的技术作为第一环其要解决的核心问题其实只有两个：一个是可用以及对应成本足够低，一个是安全。

如果智能的水平达不到chatGPT的程度，那基本上就不可用，还是在原来的范畴里打转，也许看着有趣，但其实没法创造商业价值。

如果没有类似统一工作流的机制，试错成本就会很高（大模型在早期能用，但那个好用在垂直场景表现好基本不可能有谱，训练的人都不知道，应用企业不尝试根本没法先验判断大模型哪个好用），要知道国内已公开披露的大模型数量达到79个。

如果使用一个模型导致核心的数据安全不能保证，那每个使用者就都会顾虑。每个人希望的是提效，但提效如果可能附带自杀的效果，犹豫就也是情理之中。

这两个一个是技术问题，一个则是模式问题，安全不能单纯靠技术来解决。很容易让整个产业陷入囚徒困境。

这时候就确实需要一个大的平台来对各种模型进行整合，形成一种安全稳定的服务，导引整个行业继续向前。这时候整个产业链估计仍然还是亏损，尤其上游的模型研发和部署，但如果没有这种亏损下游的应用根本起不来，就不可能形成前面说的技术-产品-体验闭环。从这个角度看，6月28日火山引擎发布火山方舟的尝试方向是对整个产业有益的。他们相当于在修路，为后面的应用大开发储备条件。

05 火山方舟安全互信计算方案

这种大模型平台的使命在于扮演好电线的角色，大模型有点像发电机，两者配合才能把大模型的力量像电一样送到每个需要的人的手里。这时候直接走到私有部署很可能是有害的，它会导致全链条支出更高的成本，但是使用更差的服务。

核心原因在于模型迭代的时候，后续的维护升级等会导致极高的成本。很可能让整个行业跑成过去私有云的情况，有销售额，而没利润。阿里云作为公有云历经10几年不过微利，大模型如果需要更大的投入，怎么可能更好！

与此同时因为大模型和云的差异点，很可能会让亏损进一步加剧。

很多人会拿公有云私有云来类比大模型，这有一定相似性，但不怎么准确。实际上大模型更适合看成数据的价值放大器，而不同的大模型放大倍数不同，云则更像一种基础数据服务这种放大的效果不明显。

这个差异会导致大模型发展下去会和云的路线有一些差异。

如果数据或者服务本来的价值是1，那公有云对这个1没有影响，但影响实现1的成本，这时候云服务对于企业更多的是成本中心。（不绝对，但基本如此）

大模型的放大器属性导致公有和私有可能会有着本质性差异。

如果数据或者服务本来的价值是1，大模型的放大器倍数是5或者10，但那最终价值的差异就是5或者10的差异，这时候大模型对于企业更多的是利润中心，会导致生死的差异。

这相当于在安全和公有之间往公有一端加砝码，也就会导致极为频繁的升级。如果用私有的方法去响应会导致闭环的形成极为漫长，成本也高，商业模式估计不成立。所以这条路在技术不成熟的时候可能是一条慢性自杀的路。

而显然的成功把电力/智能输出去，基于这个公用电网/公有大模型平台升级过去的各种已有应用是一个更容易收支平衡的方式。几乎可以确定，真正好用的这种基础设施的出现随后的1~2年必是大量应用疯狂出现的年头，很像移动互联网初期应用的井喷。

即使如此，在早期这也不可能赚钱。最适合的方法还真是火山引擎这样，搭建起对接模型提供方和模型应用方的平台，对应用侧封装掉所有应用的细节，全方位提供服务和配套工具，让应用尽快低成本的跑起来，形成到体验的闭环。作为一个创业者我是很希望有这样的平台，然后我才可能以低成本在上面开发各种应用。

一旦应用井喷，前面我们说的对教育和就业的影响就会像微信冲击短信那样发生。

06 小结

人工智能这种深度介入生产各种环节的技术的成功，一定不是某个单点的成功，而是整个系统和生态的成功。而对于我们来讲，最大的挑战在于整个行业的人，其实根本没真的干过这类技术驱动的通用计算平台。这个时候缩减整个反馈链条的成本是至关重要的，同时也要避免总是一波流。否则很可能起个大早赶个晚集，如果最后仍然是外国某个公司打造出来，形成Windows那样的格局就太可惜了。

本文来自微信公众号“琢磨事”（ID:zuomoshi），作者：老李，36氪经授权发布。