IBM专家观点：从ChatGPT走红，谈企业需要什么样的人工智能
ChatGPT火爆出圈
最近几周，AI业界最大的新闻无疑是ChatGPT横空出世，从而引发的业界震动。市场上有大量的评论文章，有把它描述成无所不能的，大有代替人类职业之势；也有提出担扰，某些顶级学术杂志和知名高校已经明确限制AI作者发表论文和科研成果。
出于好奇，笔者也试用了ChatGPT。整体感觉对于一般的开放性问题，ChatGPT生成的回答文法结构完整，语言风格自然，比之前的聊天机器人有明显的进步。内容的准确性和完整性，往往能超过正常交流时大多数人的“第一反应”，更像是经过了一番思考并整理后的结果，条理清晰，很有启发。但对于专业性问题，尤其是需要逻辑推理的知识，ChatGPT并没有像网上文章说的那么出色，经常“张冠李戴”或者形式上像模像样但内容上却不知所云。
为什么会这样呢？我们可以问一问ChatGPT自己。
“ChatGPT是由OpenAI公司开发的一款预训练语言模型，旨在生成人类可读的文本。它通过读取大量的文本数据，学习了如何生成与语言相关的内容，并在输入一段文本时生成一段有关的文本输出……”
ChatGPT中的GPT的全称是的“Generative Pre-trained Transformer －即生成性预训练变换模型“。借用一位名叫#硅谷学霸Jolin 的技术教育博主对GPT模型的浅显解释，她说，以ChatGPT为代表的”生成性AI”是一项技术突破，之前AI学习大多聚焦于观测、分类和分析内容，而生成性AI则不限于分析现有数据，它可以生成新内容，可以根据需要生成新的代码、诗歌、文章和艺术品。ChatGPT是专注于文本内容的生成性AI。所谓“预训练”是指该模型已经在某些有限的数据集上进行了训练，事实上，ChatGPT已经学习了2021年6月以前人类编写和发布在互联网上的海量信息，而且是通过“监督学习”和“人类反馈强化学习”这两种技术进行的学习。Transformer是一个非常底层的AI机器学习的算法架构，是一种深度神经网络。从GPT-1到今天的GPT-3.5都是采用Transformer架构，而GPT模型的进化有赖于底层硬件超级算力的效率提升，以支持AI对更多、更大数据集的训练和学习[i]。
也就是说，ChatGPT是通过海量（约45TB[ii]）语料训练而掌握了语法和语义结构的成熟的大型语言模型（Large Language Model, LLM），其特色是文本生成能力很强，产生的文字风格和内容很像之前的输入，即人类语言。由于训练语料涉及面广，所以ChatGPT对各行各业的信息都有涉猎，总能略知一二，有时甚至回答得头头是道。对某些专业领域，比如编程，甚至可以产生准确的代码并直接运行。然而，若仔细观察，这些代码往往都是解决特定的小任务，代码风格似曾相识。若要完成一个创新的算法，或者复杂问题的编程，ChatGPT就无能为力了。
总体而言，这类通过学习语料来生成文本的AI模型，都是在学习过去，其目标是模仿过去，生成出几可乱真的作品，并不是真正意义下的创造未来。ChatGPT也不例外。作为助手，对思考的广度往往有帮助，对思考的深度却不尽然。
从聊天到业务助手
ChatGPT让我们看到了大型语言模型的未来。然而，在企业应用中，为了创造业务价值，这类对话形式的应用（ChatBot）则更多用于对外的“客户服务”或对内的“业务助手”方面。这就对此类模型提出更高的要求——
第一， 准确性和专业性
企业往往要求回答准确且专业，如果对答案没有把握，回答“不知道”也好过生成一大段丰富而无用的文字。
ChatGPT是一种“开放领域系统”（Open-domain system），类似的还有Google的Bard，它们都需要海量的信息输入和长时间的训练，能应付所有领域的对话，回答内容相关度高，对答自知，语法自然。
而企业级的ChatBot是一种“封闭领域系统”（Close-domain system），往往不是需要一个乖巧的“百事通”，而是需要专业领域可靠的“知识助手”。它的训练语料是有限的，包含企业内部文档和资料、专业领域知识库、外部该领域的相关文章等等，大量的资料都是不公开的。ChatBot能回答的问题也限定在专业领域的场景语境中。不必面面俱到，但求简练、精准、专业。
第二，主动式对话
碰到提问模棱两可的时候，企业应用往往要求通过主动引导式对话，甚至反问的办法，迅速澄清意图。然后，再给出明确的答案。这一点ChatGPT目前尚未做到，当问题模糊时，回答也模糊，提问者发现后，换一种问法，或者在对话中缩小范围，可逐步得到想要的结果。整个过程中，ChatGPT每次都是被动回答。
第三，后台集成能力
ChatBot往往作为企业对话的渠道入口，在提供服务时需要和企业大量的后台系统集成。比如：在识别意图后可以从数据库或大数据平台中自动收集相关数据，并进行分析和推理，得到客户所需的明确答案；或者启动一条指令或一个后台流程，帮助客户完成相关操作。
IBM Watson服务企业级AI应用
OpenAI从2018年以来长期坚持研发大型语言模型，通过不断迭代，从最初的GPT-1到目前的GPT-3，且今年会发行GPT-4。目前，在开源社区找到GPT-3模型，也为企业开展此类研究提供了范本。
ChatGPT对企业的吸引力是毋庸置疑的，多数企业都有意愿拥有一个自己的ChatGPT。然而，当前ChatGPT采用最新的GPT-3.5模型，含有千亿级参数，一次训练就要花费数百万美元[iii]。大多数企业不具备如此大的算力，但如果为了获得对话模型，把企业内部数据都上传到网上，利用公有云训练也会有安全顾虑。所以，企业主导训练一个定制版ChatGPT，无论从财力还是合规方面都会有障碍。
IBM Watson，也就是IBM企业级的人工智能，经过十多年的发展，从研究到实验，至今已经发展成为一套可以在红帽 OpenShift上任意运行的AI能力，以产品化的方式提供给用户，帮助企业整合和分析混合环境下分散而复杂的企业数据，从而实现数据驱动的预测性决策、智能自动化和基于企业内外适时数据和洞察的安全策略与响应。
今天IBM Watson已经应用于全球四万多企业用户的业务场景当中，为具有不同水平AI技能的用户提供尖端的AI能力，无论是缺乏AI技能却想通过AI重获时间效率的商务及专业人士（例如人力资源、财务、网络安全管理人员等），还是具备一定AI技能并且正在大规模使用AI的数据科学家、IT专业人员等。
IBM Watson提供了许多不同的工具和服务，用于解决多种问题。它涵盖了语言处理，解释、回答和生成文本等多种功能，以帮助客户解决商业问题。同时，它也提供了语音识别、图像识别等其它功能，使之成为一个非常强大和全面的人工智能平台。
长期以来，IBM Watson面向企业级AI应用，特别为企业定制“业务助手”类的对话式应用。基本上，Watson有语音文字转换、意图识别、对话流设计、文本分析、知识整理、情感分析等功能。使得Watson可以在通用的语言模型上叠加专业领域知识，并有意识地设计和引导对话方向。
Watson通过后台的机器学习、自然语言处理、文本生成、语音识别与合成、对话系统、知识图谱技术，可以分解文本结构，精准定位观点、事实、论据、逻辑关系等，早在数年前，采用IBM Watson技术的IBM人工智能辩手（Project Debater）[iv]就曾以它的机智幽默和高情商而惊艳业界，它可以针对任何一个预设话题，比如“国家应该为每个人提供基本收入”，临时选择正方或反方，与人类的辩论冠军选手进行对辩。今天的ChatGPT也可以达到这个效果。应该承认，其通用语言模型和文本生成技术所呈现的体验感受甚至可以超过Watson，令人惊艳，其开放的用户界面更是让大众能够亲身体验这种惊艳，然而Watson的专业性、可设计性、集成性则更适合企业级的业务定位。IBM把这种普适性的大型基础模型称为基础模型（Foundation model）[v]，它利用迁移学习（Transfer learning）经过少量的专业训练，就能进入一个知识领域，并且得到新的启发，这一点非常像人类的学习过程，有广阔的应用前景，也是IBM今后研究的重点。
我设想，对于企业已有的Watson对话模型，也可以利用ChatGPT得到增强。可以是协同模式：当发现是专业领域的封闭式问题，可用原有Watson模型回答，当发现是开放式问题，可用ChatGPT回答。也可以通过竞争模式：一次生成多个答案，由人类做裁判，相互学习，共同提高。
总言之，ChatGPT将人机对话的体验提高了一个档次，利用强大的搜索和知识整理的能力，在问题回答的广度上往往很有启发，但深度不足。目前只能学习（Learn）人类语言和知识，还做不到思考（Think）推理，也难以驾驭高度创新和深度思考的任务。我认为，对于企业级的应用，融合ChatGPT与IBM Watson之所长，不乏为快速高效地应用AI 提升体验、创造价值之选。
参考资料：
[1] OpenAI公司在GitHub上开源的GPT-3模型，https://github.com/openai/gpt-3
[2] IBM致力于基础模型研究 https://research.ibm.com/blog/what-are-foundation-models
https://research.ibm.com/blog/molecular-transformer-discovery
[i] 至顶网2023年2月8日文章：《助力AI科研，IBM研究院打造Vela超级计算机》链接：https://server.zhiding.cn/server/2023/0208/3147388.shtml
[ii] 东吴证券研报分析认为，ChatGPT的模型经历从GPT-1到GPT-3的升级，优化主要来自算力增加。GPT-1、GPT-2和GPT-3在算法模型并没有太大改变，但参数量从1.17亿增加到1750亿，预训练数据量从5GB增加到45TB，其中GPT-3训练一次的费用是460万美元，总训练成本达1200万美元。虽然训练数据量和算力大幅增加使GPT-3有显著优化，但高额投入也使其只能走B端变现。信息源：第一财经2022年12月7日报道：《拳打谷歌ChatGPT火出圈！投资人称更需警惕投资泡沫化跟风》。信息源：https://www.yicai.com/news/101616572.html
[iii] 东吴证券研报分析认为，ChatGPT的模型经历从GPT-1到GPT-3的升级，优化主要来自算力增加。GPT-1、GPT-2和GPT-3在算法模型并没有太大改变，但参数量从1.17亿增加到1750亿，预训练数据量从5GB增加到45TB，其中GPT-3训练一次的费用是460万美元，总训练成本达1200万美元。虽然训练数据量和算力大幅增加使GPT-3有显著优化，但高额投入也使其只能走B端变现。信息源：第一财经2022年12月7日报道：《拳打谷歌ChatGPT火出圈！投资人称更需警惕投资泡沫化跟风》，https://www.yicai.com/news/101616572.html
[iv] 新浪新闻 2019年5月20日文章：《AI下棋还在喧嚣，AI辩论早已启航》链接：http://client.sina.com.cn/news/2019-05-20/doc-ihvhiqax9982923.shtml
[v] 至顶网2023年2月14日文章《IBM运用基础模型加生成式AI，展示开创性AI研究成果》链接：https://www.sohu.com/a/640755030_114765
