本文分享自華為雲社群《華為大咖說 | 企業應用AI大模型的“道、法、術” ——道：認知篇》，作者：華為雲PaaS服務小智。
本期核心觀點
- 上車：AGI是未來5～10年內，每個人都無法迴避的技術革命，建議就近上車。
- 迭代：眼下的AI大模型應用都還只是過程稿，仍在快速迭代，切忌刻舟求劍。
- 預判：AI大模型的演進哪些是“不變項”？不要在AI大模型前進的車輪下“繡花”。
- 思考：AI大模型的底層邏輯是什麼？緊跟第一性原理。
- 成長：AI應用的機會窗才剛剛開始，當下是最佳的成長週期，無論是組織還是個人。
PS.我雖然儘可能把得到多方佐證的資訊和觀點拿出來分享，但也不能保證完全準確，歡迎留言討論，兼聽則明。
01 上車：AGI是未來5～10年內，每個人都無法迴避的技術革命，建議就近上車
在大變局面前，常見幾種態度是 “看不見、看不懂、看不起、來不及”。
“看不見”目前可能性不大，“來不及”也還言之過早，可能更多是中間兩者，夾雜著一些焦慮或是牴觸，其實這很正常，誰不是呢。
關於AGI定義很多，問題就因為這個詞兒太通用，不夠具體，我覺得就以“AI智商超過人，能幹好聰明人能幹的事兒”為佳。
我最近觀看了好多國內外大佬的採訪，基本上對於AI的智商超過人這事兒是沒有分歧的，只是如何實現、多久實現有些爭議，至少可以說明一點，這個事兒靠譜，沒必要再懷疑其真實性。至於是3～5年，還是5～10年，我覺得已經不再重要。哪怕短期高估一點也無所謂，長期不能低估就對了。
以後會發生啥，沒有人能說清楚。只是基於每個人的風險偏好不同，給出不同的處置方式。但是，這就是現實，滾滾而來，認清和接納現實也是一種態度。
講個真實的段子：前陣子，Hinton老爺子(加拿大計算機學家和心理學家)在演講上，建議安排人在關鍵時刻負責“資料中心斷電”，認為低階智慧掌握高階智慧在自然界從未有過。（大劉誠不欺我，這不就是《三體》裡的“執劍人”？）
不管怎麼樣，最近5年，對我們最重要的，就是積極擁抱AI大模型，理解AI大模型，並在生命中應用AI大模型。
從去年開始，我對自己的職業發展做了重新定位，就是專攻AI大模型2B應用，我認為這是我未來十年唯一值得做的事兒。從讀書開始，前前後後小20年的技術積累，在這一刻有了新的意義。
我甚至給我家五歲的孩子搞了個數字人，設定成五年後的她，希望能夠在日常生活中給她一些幫助和指導。
所以，這裡我建議“就近上車”，也就是說，不管你的生活、工作是什麼樣的，都應該積極設想，我該怎麼在我的日常生活中加入AI大模型？能用哪些AI工具來輔助和加持？未來還有哪些場景AI可以幫助到我？
02 迭代：眼下的AI大模型應用都還只是過程稿，仍在快速迭代，切忌刻舟求劍
當下哪怕是ChatGPT，也都只是AGI的過程稿，這個很關鍵：
- 一方面，這會影我們對未來的判斷，拿著ChatGPT或是Mid-Journey當下的水平來對標未來、構思應用場景，可能有點刻舟求劍了。
- 另一方面，容易跟風地學，別人做了個啥，咱也要做個啥，都得是對話方塊、都得輸入、能聊天、能生成......
此外，值得關注的是，這並不意味著當前的AI過程稿“微不足道”，實際上其已經開始顛覆一些具體場景，比如Sora與短影片，Suno與音樂，MJ與插畫，微軟Copliot（New Bing）與搜尋，Devin與程式設計，ChatGPT與很多很多瑣事，等等，就在當下以肉眼可見的程度佔據一席之地。（我自己也是AI工具的高頻使用者，也確實變懶了，今天數了下，手機裝了不下十款各式AI軟體，最近常用的是ChatGPT、文心一言、微軟Copilot、Kimi Chat。）
03 預判：AI大模型的演進方向預判，不要在AI大模型前進的車輪下“繡花”
AI大模型演進非常快，說是“日新月異”一點也不誇張。但這對於我們這些用AI大模型的人來說，除了一驚一乍地看熱鬧，可能更重要的是從變化中，找到其中的不變性。
因此需要對AI大模型的演進方向，有個大致的預判，這樣可以避免我們在大模型前進的車輪下“繡花”。不然好不容易搞點小突破、小創新，繡了個花，基模型一升級，就啥也不是了。
我有幾個基本的邏輯判斷 ——“五更”：
- 更快
- 更準
- 更長（上下文）
- 更便宜
- 更多模態
這一切從GPT、Claude、Gemini等TOP選手的演進上就看得出來。
04 思考：AI大模型的底層邏輯是什麼？第一性原理是什麼？
這裡我不敢說自己完全理解，我只能把我聽到、學到的分享出來：
1、scaling law，大力出奇跡： 我想這基本上就是搞AGI的公司唯一信奉的真理了，簡單說就是“大力出奇跡”，scale發生在幾個方面——資料、算力、引數，在算力恆定的情況下，目前最優先增加的是資料。就在這周，Databricks開源的DBRX模型，引數比Grok小3倍，資料量出奇的大，效果超過GPT3.5。（Scaling Law是指模型的效能與計算量、模型引數量和資料大小三者之間存在的關係。具體來說，當不受其他因素制約時，模型的效能與這三者呈現冪律關係。這意味著，增加計算量、模型引數量或資料大小都可能會提升模型的效能，但是提升的效果會隨著這些因素的增加而遞減。）
2、Next Token Prediction，生成式： 當然這裡不僅是生成文字和影像token，還是生成影片patch。這裡用illya（OpenAI 首席科學家）的話說，就是如果大模型能很好地預測下一個字，就意味著能對世界建模。說人話，就是如果我能猜到你打算說啥，我肯定也就很瞭解你。目前大模型因為學到了很多通用知識，所以對我們這個世界確實有一定的瞭解。（Next Token Prediction（NTP）是一種文字補全能力，或者說是文字接龍。它是自然語言處理（NLP）中的一個概念，具體指的是給定一段文字的前幾個詞（或稱為tokens），預測並生成下一個詞或tokens的過程。）
3、資料第一、算力第二：這句話我忘記具體出處，但是這句話一直在被證明。雖然AGI的路還不清晰，但是怎麼搞出GPT3.5甚至GPT4這樣的模型，我感覺頂級玩家之間已經沒有太多護城河了。不然不可能一個個地都開始揭榜了。當然算力背後，除了卡，還有能源，所以微軟的核能超算中心是極有可能的。
4、人才密度：與傳統IT產品的外包方式不同，這波AI大模型初創公司主打的就是團隊人才密度。如下是Sora的團隊畫像：小於10人、95後主導、北美計算機名校、AI Native。如果打算搞搞AI大模型、要組建團隊，用好招新的機會，非常重要，最近幾年的應屆生質量也是非常高的。反觀我們自己，這些技術老兵，就更要緊跟技術發展了，好在事物很新，有一些後發優勢。
5、未來：一個更好的架構、一個自學習的AI：現在無論GPT背後的Transformer也好，Sora背後的DiT也罷，都沒辦法很好地把整個世界的各種模態統一起來，這可能需要一個更好的架構。然後就是一個不需要人類資料，透過跟世界互動就可以學習的AI，這樣AI就不會侷限於人類訓練的資料量限制。
當然，除了這些，還有很多我沒搞明白的，也有很多工程上的問題，但是我認為底層邏輯大致如此。我自己的認知迭代方式是，把每一個新事件套在這些邏輯上，如果能套進去，說明還沒有超出認知，如果不能，那就再重新認識、迭代。
05 成長：AI應用的機會窗才剛剛開始，當下是最佳的成長週期，不求短期建功立業
我認為AI大模型帶來的應用側改變，一切才剛剛開始，甚至還不能說已經到來。理由很簡單，因為基建還沒穩定（無論是大模型，還是底層算力資源）。
所以我認為，當下是非常好的時機，來賦能使用者、組建團隊、培養人才、賦能業務、開始做知識管理和治理、開始積累AI大模型應用的經驗和教訓，持續迭代，一個場景成熟了就推廣一個能力，不能指望短期內能建功立業。
《道德經》有云：“道可道，非常道”。關於AI的本質認知，其實還遠未到清晰的程度，但是人認識世界不就是這樣嘛，人們到現在也沒有完全理解大腦是怎麼玩兒的。
這輪AI大模型之所以稱之為顛覆性創新，是因為桌子掀得太快。每個人在這輪變化中，都是迷茫和無助的，唯有重新整理認知、重新定位，方能在5~10年後留下更多選擇權。以上皆為個人觀點，與君共勉~~
點選關注，第一時間瞭解華為雲新鮮技術~