2024年，我们要如何看待AI的创业机会？
小纪有话说：
随着龙年钟声的敲响，我们准备了丰富的“春节七天乐”特辑内容。在接下来的几天，你会看到投资人的行业趋势分析和市场预测、创业者的内幕故事以及行业大佬的深度洞察等优质内容，让您在欢度佳节的同时，也能深入了解投资行业的最新动态，本文是“春节七天乐”的第三篇。
随着春节的到来，AI界也迎来了它的新春序曲。ChatGPT团队的官方邮件如春风般，为我们带来了GPT商店即将与大家见面的好消息。这不仅预示着AI在2024年的崭新开始，更是对过去一年GPT技术飞跃的肯定。
本文首发于2024年1月，在这个阖家欢乐、共庆新春的时刻，让我们跟随亮马桥小纪一起回顾AI行业的辉煌历程，展望未来的无限可能，希望给你带来新的启发和视角。
上周，许多GPTs开发者都收到一封来自ChatGPT团队的官方邮件，宣布本周GPT商店就会与公众见面。这算是在2024开年AI领域首个重磅消息，事实上在过去一年中，ChatGPT的进步已经颠覆了大众对AI的印象。
科技产品更新换代的速度越来越快，新技术的发布越来越多。这些我们再熟悉不过的「工具」，会以怎样超乎当下想象的形式出现？它们会不会不断完善，直到打破生物体大脑所带来的局限，成为超级英雄，引领我们去突破当下面临的局限？
亮马桥小纪在2024年携AI系列视频回归，在这个系列中，我们通过投资人、纪源资本生态内的创业者以及技术大咖的视角复盘了过去AI行业的剧变以及对未来的展望。接下来一周，我们将持续推送AI系列文章，为大家带来更多具有前瞻性的观点，请持续关注！
已关注
关注
重播分享赞
关闭
观看更多
更多
退出全屏
视频加载失败，请刷新页面再试
刷新
视频详情
ChatGPT过去整整一年吸引了人们大量的关注，人工智能也因此成为当下的风口，看似是忽如一夜春风来的领域，其实在过去二十多年里就已经不断带给我们冲击。
人工智能（Artificial Intelligence，AI）概念最早由数学家、逻辑学家兼计算机科学家艾伦·麦席森·图灵（Alan Mathison Turing）于1950年发表的论文《计算机器与智能》（Computing Machinery and Intelligence）中提出。与之被一并提及的还有“图灵测试”概念，这个概念成为衡量机器是否具有智能的标准，并在之后推动了人工智能研究的发展。
图为艾伦·麦席森·图灵（Alan Mathison Turing） 和他的团队在布莱切利园使用的设备“Bombe”。
1997年，IBM的Deep Blue超级计算机在国际象棋比赛中击败了世界冠军加里·卡斯帕罗夫，引起了全球广泛关注，标志着人工智能技术在某些领域的应用和进展。2011年，IBM的Watson人工智能系统在美国的知名智力竞赛节目《Jeopardy! 》上击败了人类选手，标志着人工智能技术的发展已经能够处理自然语言问题。2015年，AlphaGo击败了围棋世界冠军李世石，标志着人工智能技术在非结构化数据处理和决策制定方面的能力的大幅提升。
图为IBM的Deep Blue超级计算机在国际象棋比赛中击败了世界冠军加里·卡斯帕罗夫（图片来自于网络）。
在2019年初，OpenAI首次发布了GPT-2，这是一种规模庞大的语言模型，具有1.5亿至15亿个参数。由于担心其在生成文本方面的滥用潜力，OpenAI最初限制了模型的访问。随后，他们逐渐释放了不同规模的GPT-2模型。
2023年，OpenAI推出的基于GPT-4架构的ChatGPT引起了广泛关注和热议。其强大的自然语言处理能力和生成能力，使得人工智能在内容生成领域取得了突破性进展。英伟达在2023年推出了具有更高算力的AI芯片，这些芯片为人工智能模型提供了强大的计算支持。随着计算能力的提高，AI模型可以处理更大规模的数据集并进行更复杂的任务，从而推动了人工智能内容生成领域的创新和发展。
当机器学习模型积累了越来越多的参数和计算能力、规模越来越大——就变成了拥有强大泛化能力、能处理更复杂规律的大模型。如果说原来传统意义上的小模型是一个只在某个专业受特定训练的技校生，那么大模型就是一个刷题无数、各种通用题库都会做、还会举一反三的大学做题家。GPT就是一个非常著名的大模型。
GPT-3有1750亿个参数，可以用来生成各种语言模型，比如自然语言理解、语言生成、对话系统等等；而GPT-4的规模比它还大六倍，有超过1万亿个参数。这么大的模型，训练一次要多少钱？GPT-3训练一次的成本达到140万美元，那些更大的模型，训练成本在200万美元到1200万美元之间。大模型的训练和使用，也是一场烧钱大战。除了需要大量的数据，还需要芯片、服务器、算力、电费等等各环节的支持。这也就是为什么，大模型的激战其实也是科技巨头的主战场——毕竟普通创业者的数据体量和资金规模都达不到巨头的水平，他们的普遍选择是接入某个现有大模型，开发适配自己业务的应用。
训练和使用大模型的门槛这么高，有一个问题也应运而生，那就是它未来能在各行业普及吗？MLOps（机器学习运维），或许是个解决方案。如果我们把AI的落地应用比作一架飞机，那大模型就是这架飞机的引擎；引擎是飞机运行的关键，但是只靠引擎还是不能保证飞行的稳定与安全；而MLOps就是飞机的飞行控制系统，能够管理、控制整个飞行过程，让大模型在训练和生产环境中的运行状态保持良好。
再换个更具体的例子：如果AI的落地应用是个餐厅，那数据科学家是大厨，大模型则是餐厅里的菜品，大厨负责把这些数据原材料转换成菜品；机器学习工程师则是那个保证菜品（也就是大模型）在餐厅各个环节都能够确保质量稳定与一致的人。
人工智能领域专家Ben Goertzel博士在《奇点将至》这本书里写道：“我们已创造出各种工具来帮助人类完成大部分体力劳动，下一步我们将创造能够帮助人类完成脑力劳动的工具。”这也就是为什么如今我们开始意识到，AI的普及本质上解构的是「生产关系」——过去是人产出各种内容，而现在，则是人训练机器，机器来生产内容。
事实上，每一次科技革命都会重组生产关系。
第一次工业革命——蒸汽机把人类带入生产力飞跃的年代，手工劳动向动力机器生产转变；第二次工业革命——电器被广泛应用，各种新技术、新发明被应用于生产，有专业知识的中产阶级地位提升；第三次工业革命——计算机出现，信息产业、网络经济蓬勃发展，科技公司与互联网新贵站在了金字塔尖。
著名经济学家布莱恩·亚瑟是这么比喻的：“工业革命为经济打造了一套肌肉系统，而数字革命则为经济打造了一套神经系统。如果说前三次工业革命主要体现为对「人力」的增强，而以AI与机器学习为代表的第四次工业革命，则是对「知识」的增强。”
当深度学习和大模型开始逐渐地取代一些岗位中的人力，而MLOps则进一步让大模型的管理和运维，省去了「人」的因素，人类自然而然也会开始担忧：未来，人类又要走向哪里？有朝一日人类会被AI取代吗？他们给出了他们的答案。
虽然我们尚无法定论人工智能的发展于人类究竟是正确还是错误，但毫无疑问的是，人类目前已取得的进步、正在经历的变革都围绕着“人”这一范畴。我们创造了新的通信手段，制造了新的加工工具，探索出各种修身养性之道。
人类喜欢探索和开拓未来，在一次次与“终点”的博弈中，练就出了对抗风险的超级能力。也许未来我们将不再被疾病困扰，新的医疗技术会更快地被创造出来，人类寿命也将得以延长。又或许我们将不再被996、007所困，重复、危险、甚至高技能的工作将由这些智能工具代劳，劳动力的解放让我们拥有了足够多自由的时间，去呼吸、感受、创新……当我们谈论星际旅行、宇宙虫洞、曲率引擎的时候，这些词语也不再只是脑海中的科幻想象，我们可以驾驭超级智能机械穿行宇宙，曾经的智慧生命将不再只困于一座孤岛，人类的征途是星辰大海就不再只是说说而已。所有在今天被称为魔法的事情，都将因为奇点的到来成为普通的日常。