产业布局

　　2022年底ChatGPT的横空出世，带来了AI大模型的热潮，一个全新的AI时代的到来，有人欣喜，有人焦虑，有人跃跃欲试。每一个新技术时代的到来，先知先行者总是能第一批吃到红利，那我们企业、个人甚至孩子该如何拿到AI大模型的船票呢？

　　一年多来技术层面AI大模型还在高歌猛进，捷报频传，但AI大模型如何在企业落地并真正发挥生产力，却尴尬地面临着无数的问题。

　　为什么令企业老板感到振奋积极拥抱的大模型，却频频遭到基层员工的嫌弃，迟迟无法发挥效果？如何才能让员工真正了解大模型、用好大模型？

　　如何让有着强大推理能力、掌握良好通识知识的AI大模型做好进入企业的在职培训，让它充分发挥生产力，提升我们的工作效率？

　　今天，明略科技创始人吴明辉先生作客混沌学园，为大家带来精彩一课，《AI如何赋能职场人——大模型落地企业方》。

　　2022年，当我在北大写博士论文的时候，才发现自己的综合资格考试报告白写了，很多知识都发生了更新。今天在读的AI领域博士非常惨，因为以往全世界所有从事人工智能一年的工作量，都不及今天一周的工作量大，大家如果不抓紧做出课题发表出去，基本上没有毕业的机会。

　　今天，我要同大家分享很重要的一个观点，就是不要着急。计算机刚刚出现的时候，每个人都说要从娃娃抓起，那时大家就很焦虑。事实上，我身边许多在世界500强企业工作的CEO，几乎都是跟我同龄时期才开始写代码的。所以，每一项新技术的出现都是有红利的，最终大家也一定都会使用到，只是接触早的人会比别人多一些机会和时间。如同《异类》一书中提出的1万小时定律，只要比别人多花一些时间做某件事情，未来就有机会享受到某领域的竞争红利。

　　我创办的公司名为明略科技，早期叫做秒针系统，是我在北大读研究生时候创办的，开始是做互联网大数据的用户分析，后来转型做广告分析。我们是国内最早用分布式计算系统处理海量用户行为的数据公司，这也成就了今天我们在国内互联网广告数据分析的江湖地位。

　　大家都很熟悉彭博社，彭博社是全世界最大的金融信息服务商，而秒针是中国最大的广告领域信息服务商，两者颇有渊源。彭博社的创始人迈克尔·布隆伯格创业初期，立志将电脑卖个每一位投资基金，希望帮助大家快速地获取互联网上的金融信息，这也成就了彭博社今天在全球金融信息服务领域的霸主地位。所以，很多公司都在拥抱新技术，它们可能是将某一项新技术用到了极致，或者是第一个使用新技术从而颠覆了上一代产品，最终走出了新的曲线。

　　为什么要研究大模型？因为这是当下最大的机会，这是我的切身感受。明略科技在过去十几年时间里发展的很顺利，但是过去三年中，资本市场发生了非常大的变化，整个商业逻辑也发生了改变，我们不得以也得裁员。2023年一年时间里，我每天都在思考如何带领团队突破困局，如何提升士气，在我面前非常大的一个机会就是大模型。

　　我们团队研究大模型也经历了非常曲折的过程。开始的时候我每天看Paper，然后转发到员工群中，大家的反映很平常，时间一长甚至没有人回应了。有一天我突然意识到，天天喊大模型是没有用的，我自己都没有真正地用好大模型，所以我注册了GPT，开始真正使用大模型，并带领团队做了一个能够帮助大家更好使用GPT的小工具，叫做“小明助理”，员工使用后的反响非常好。

　　2023的10月，公司还举办了黑客马拉松大赛，我在场上向大家分享了十一期间使用大模型的经历，包括带着女儿用GPT写作业，用大模型思考公司战略，以及向大模型询问为退休同事准备礼物的建议，大模型的确给了我很多启发。我把使用案例分享给团队后，大家都惊讶地发现“小明助理”的用途如此广泛。今年，公司员工已经做到了广泛使用大模型，平均每个员工一天使用10次以上，大家不仅可以用GPT解决工作生活中遇到的一些问题，甚至可以放到自己的生产环境中用于提升生产效率，可以说，公司团队绝大多数的同学都已经拿到大模型的船票。

　　大家都很容易理解函数公式y=f(x)。大模型本质上就是一个函数，就是要设计、训练、学习出来一个函数。人工智能大模型领域常见的几种任务，比如语音识别，就是把一个声音的波形文件转化成一段文字，语音识别的函数x就是波形文件，y就是转写的文字。比如图像识别，图像识别的函数x就是照片，更高级的函数x可能是视频，它的y就是识别的任务目标。GPT其实也是一个函数，GPT的x就是Prompt，y就是给予你的回复，GPT本质上仍然是一个函数。从这个角度看，所有的人工智能都是一个函数。

　　大家在中学期间学习的第一个函数就是线性函数，y=ax+b，当你知道函数过的两个点，就可以得出a和b。将这个函数解出来之后，再带进去一个新的x，就可以直接求出y了，这是我们学函数的核心目的，找出x和y之间的关系，这也是今天AI在做的事情。AI就是我们做任何一个人工智能领域的任务，这个任务本身就是一个函数。这里面的（1，2）和（-1，6）是什么？就是训练的数据。

　　当然，GPT的函数要比以往的函数复杂很多，现在全世界最火的语言模型是GPT3.5和GPT4.0，GPT3.5有1750亿个参数，GPT4.0估计有上万亿个参数，这个参数就是线性函数里面的a和b。由此可见，GPT非常厉害的，它列了一个有千亿甚至上万亿个参数的函数，然后代入了大量的数据和点，最后把里面的参数解了出来。

　　我认为OpenAI是一家非常伟大的公司。OpenAI公司的创始人是Ilya，之后是前YC的总裁SamAltman，很多人在讨论，到底是Ilya重要还是Altman重要，因为OpenAI的核心算法都是Ilya带着研发团队做的，但是我认为Altman更重要一些，因为他解决了一个核心问题，即钱的问题。解一个万亿参数的方程，少则几千万美金，多则几亿美金。Altman的伟大之处，在于他可以让有钱的投资人敢于投资未知的事业，并且最终将方程式解了出来，这是一个改变世界、改变人类的伟大发明。

　　回到企业视角，明略科技是做ToB业务的，在同企业CEO、CIO、CMO聊天的时候，我发现大家对于大模型的出现都感到很兴奋，很多公司都建立了人工智能小分队，但尝试几次后发现效果并不理想。有一些人认为是因为国内的模型不行，他们尝试使用国外的，结果也并不好。我认为，一个想真正落地大模型的企业，如果还保持着上述思路，你与大模型就今生无缘了，因为大模型并不是参数越多，推理能力越强，越能解决自身的业务问题的。

　　现在，OpenAI已经把参数做得非常高了，它拥有的是互联网上的通识知识，如果训练得足够好，它可以拥有清华、北大优秀本科毕业生同等的认知能力。但即使拥有了这种认知能力，就能确保大数据在企业中可以做好很多工作？答案是否定的。实际上，现实生活中很多优秀的本科毕业生在企业里发挥的作用并不理想，这是我们需要特别思考的。

　　值得注意的是，并不是模型的参数决定了它是否能在工作中有效转化成生产力。有一些任务，即使用很小参数的模型也能解决，还有很多的问题，即使发展到GPT7.0阶段也未必能解决。GPT3.5、GPT4.0的参数一直在上升，其主要目的在于自身迭代，要持续更新自身的核心能力。

　　在同清华大学计算机系教授、智谱AI首席科学家唐杰老师聊天的时候，我提出了一个问题，智谱AI需要在哪方面着重加强，才能追赶上OpenAI？唐杰老师的回答是加强推理能力。推理能力是什么？其实，人类所有的智慧工作都可以称之为推理能力。当不知道一个模型好坏的时候，我建议大家可以向大模型提出一个问题进行检测，“美国的哪一个州跟其他的州不接壤”，这个问题的正确答案是阿拉斯加和夏威夷，它需要大数据知道美国的地理情况以及州和州之间的关系，但是很多模型的答案都是答非所问。这方面，国外LLaMA2等几个开源模型做得还比较好。

　　难道国内的大模型无法使用？我的答案是可以使用。比如人们向大模型提出问题，“湖南和湖北这两个省会，哪个人口更多一些”，国内的大模型往往会卡住，因为它根本没有理解这句话的意思，但如果通过操作把它的CoT能力调出来，大模型就有能力将答案推理出来。这如同一名新员工刚刚入职一样，只要公司给它的任务拆得足够细，他就能干好，甚至完成的情况不比清华、北大的毕业生差。我深切地感到，大模型的学习、发展和应用的过程，同人类从小的学习发展过程非常相像，两者是完全可以类比的。

　　我们讲大模型的迭代能力，就是要提高它的推理能力，而推理的过程需要信息。今天人们想将大模型应用到公司之中，但是大模型并不知道公司原有的生产资料和信息系统。人们花费大量资金，要解决的问题是什么？是它想不断地学习知识，从而提高自己的推理能力，它的最终形态是模型，而不是信息。它在企业中的价值是提供一个好的模。