AI时代下的品质（上）

上一期我们聊到一个趋势——AI正在从“弱人工智能”的束缚中挣脱，朝着“强人工智能”的方向演进。在这个背景下，那些重复、简单、无意义的脑力工作，大概率会被取代。更关键的是，那些善于利用AI工具加速学习的人，很可能会把那些拒绝使用工具的人远远甩在身后。

当然，目前受限于能源和底层能力，生成式AI还远没到能全面替代人类的地步。但就像20世纪初互联网的诞生一样，它彻底重塑了我们的生活。AI很可能在互联网的基础上，再次改变我们习以为常的工作与生活方式。那么，面对这样的变局，我们该做些什么来适应？

不妨先从AI与人类之间的本质差异入手，看看哪里是我们的短板，哪里又是AI够不到的长处。

AI与人类之间的区别

就拿眼下最火爆的ChatGPT来说。它的底层算法，确实是模仿人类语言理解的编码与解码。但人脑的复杂性，以及算法本身的局限，决定了即便参数再大、层数再深，基于Transformer架构的ChatGPT也很难真正取代人脑。

试试从最基本的回答开始类比。人类说话，靠的是大脑的思维。当我们接收到一个问题，大部分情况下是依靠潜意识自动完成回应的。只有极少数时候，我们才会调动主观意识，比如“这个问题让我再想想”。因为主动思考极耗脑力，高强度集中一段时间后，人就会感到疲惫。

而ChatGPT的说话方式，本质上是一个“超级填词器”。它接收问题后，会把这堆文本作为上下文，然后计算下一个字最可能是什么。输出一个字后，再把这一个字也加入上下文，接着猜第二个字。就这样一直循环，直到猜到一个特殊的“结束符”，整段输出才算完成。

从这里也能看出另一个关键区别：处理信息的方式。ChatGPT这类深度学习模型，本质是靠海量数据训练和统计学习来“理解”语言。它的输出，只是基于学习过的模式。如果把模型的随机性设为0，那么同一个问题，它永远会给出完全相同的回复。

人类则不同。我们依靠经验、情感、直觉等多维度的复合因素进行表达和推理。同一个问题，我们可以根据不同的场合、氛围、环境给出不同答案。这种强大的可塑性，以及对从未面对过的场景做出合理决策的能力，AI目前还望尘莫及。

还有一个不容忽视的差异是情感与意识。人类的情感复杂而深刻，深深影响着我们的每一个决策。自我意识的存在，让我们能够自我反省、主观体验。而AI所谓的“情感”，不过是根据训练数据模拟出来的反应，它无法真正理解或体验。

不过，虽然AI的回复模式比较固化，它的学习能力却极其惊人。比如用大语言模型总结文章，几秒钟就能读完所有上下文并给出一个不错的总结。而人类读完同样厚度的书，可能需要好几天。这种效率差异，是硬实力上的碾压。人脸识别也是如此——人类几秒钟才能审核一张图，AI只需要几毫秒。所以，和AI比拼死记硬背、比拼遵循规则的任务，人类必然落入下风。

总结一下：AI在快速阅读、学习及处理信息的能力上远超人类，但在情感、意识以及创造性方面，人脑依旧拥有绝对优势。AI更适合在已有规则下做深挖和拓展，即从1到100的工作；而从0到1的创新，还需要人类去探索。

弄明白了这些本质差异，我们再来聊聊如何与AI取长补短，在如今极度内卷的环境里，占领属于自己的一席之地。

需要掌握的品质

掌握AI工具的使用

在迅速发展的AI时代，找到适合自己的AI工具至关重要。每个职业、每个行业，甚至不同地区，都可能有一款能提升生产力的AI工具。现在市面上已经有成百上千款大小各异的模型，无论是微软、谷歌这样的大公司，还是月之暗面这样的初创企业，都推出了自己的产品。面对这么多形态各异的模型，我们需要做的，是了解它们的基础能力，然后根据自身需求选择最合适的，最后形成自己的工具链。

大家可能会觉得：模型不是越多越好吗？从某种程度上说，越多模型确实能促进行业繁荣，但真正使用时，我们只需要“够用”即可。太多的选择反而会把精力消耗在挑选上，让真正该专注的事情效率下降，得不偿失。

以文本生成模型为例，无论Claude3还是Gemini Pro的推出，都很难撼动OpenAI的GPT-4。一方面是因为GPT-4的能力在各项测试中确实领先，另一方面是它有着先发优势。一旦人们习惯了将ChatGPT作为日常工具链的一部分，这种习惯就很难被改变（除非网络问题用不了）。从理论上讲，越大越强的模型通用性就越强。GPT-4能做的事几乎覆盖所有NLP相关领域，效果还往往更好。很多人会担心它的中文能力不如国产大模型（比如Kimi、ChatGLM、文心一言），但从实际体验看，GPT-4在绝大多数中文问题上表现得相当不错。只有在很专业的文言文、古诗等场景下，可能稍逊一筹。总体而言，认准最强的模型来用，基本不会错。

当然，文本生成模型中也有一大批开源产品，它们能力相对较弱，更多是娱乐性用途，比如书生浦语实战训练营中的一些微调项目（八戒、嬛嬛等角色扮演），或者用于数据生产方面的工作。虽然没有GPT-4那样强的日常对话能力，但在特定任务里也很实用。

除了文本生成模型，常见的AI工具还包括艺术设计领域的Stable Diffusion、MidJourney，以及OpenAI的DALL·E。每个工具都有其擅长之处。Stable Diffusion因为是开源的，可以自己训练特定风格模型；MidJourney绘画能力很强，但不能定向修改部分内容，而且收费较贵；DALL·E与GPT-4深度绑定，只要购买Plus会员就能用，操作简单——用自然语言对话即可，还支持定向区域修图，但出图效果不如MidJourney。

此外，生成式AI正在蚕食搜索市场。现在很多人有问题，不再去搜索引擎一个个翻找，而是直接交给专业的AI搜索引擎，比如New Bing、Perplexity。文本生成模型能直接给出答案，极大提升了搜索效率。但需要注意的是，对于一些事实性信息和实时信息，最好还是审核一下——毕竟大语言模型基于概率回答，出错的概率并不低。

以上只是一些常用工具。对于我自己而言，主要工作是文本生成，所以日常主要用GPT-4或Kimi来完成文字润色、写作以及资料搜集、提问。如果希望模型在某个背景下与我进行长时间对话，只需要构建一个GPTs专业模型就行。其他模型只是尝试体验过，并没有真正融入生活。但这就足够了——真实需求下，我们只需要在任务实施时，想到到底哪个工具最好用。

说到底，AI只是一个辅助我们日常工作的工具。真正需要关注的，是任务本身，以及如何解决问题。无论是最基础的工具，还是最新潮的AI工具，能完成任务的才是好工具。就像做手术一样，不是工具越多越好，而是找一把合适的手术刀，精准地切开就行。找到标杆型产品，才能形成一套稳定的组合，减少思考负载。太多选择，反而容易让你迷失。