猎豹CEO傅盛：ChatGPT将带来交互革命和生产力革命

本文为混沌“一”思维创新嘉年华大课笔记第二篇

授课老师｜傅盛，猎豹移动董事长兼CEO、猎户星空董事长

编辑丨混沌商业研究团队

一直以来，我认为创业是时代、机会和个人努力三者的结合，是有方法论的，通过不断地迭代才能够持续找到成功的路径。

6年前我开始投资人工智能，到今天为止，猎豹移动+猎户星空在人工智能投资的研发费用已经超过1亿美金，走了很多弯路。但是我一直坚信，人工智能是一个改变时代的机会。当ChatGPT出来的时候，我也非常兴奋，认真学习了很多，比如远程观看硅谷创投机构YC的路演。我发现，硅谷一半以上的项目都在做ChatGPT相关的应用创业。

作为一位创业者，我们应该深入底层逻辑思考它的原理是什么？为什么ChatGPT可以改变世界？以前为什么没有这样的应用？

通用人工智能即将到来

实际上，从原理来讲，语义理解是人工智能技术的皇冠。今天是2.0时代，但是在我投人工智能的时候是1.0时期，那时做图像识别，觉得计算机能够识别人脸已经很厉害了。现在想想，能够识别不是人类独有的智能，动物也具备这样的能力，因此识别只能算智能，把智能和人类智能分开尤为重要。

人类智能和动物智能的核心区别是语言，在于能够描述虚拟事物的语言，即逻辑语言。但语言到底是什么东西，人类自己都没有研究清楚。在ChatGPT出现之前，我们认为语言的规律已经被总结完了，只要按照这些规律就会学会语言，后来发现ChatGPT根本不需要那些规律去学习语言。我们的语言虽然有主谓宾定状补这些语法，但是语言实际上是浩瀚大海。

100年前，图灵在计算机几乎还没有出现的时候就提出了一个思维假设，如何证明机器有人类智能？

于是进行了对话测试，把机器放在黑屋里与成年人聊天，其中30%、40%的人觉得它是一个人，有人类的对话能力就意味着有人类的智能。攻克语义理解的难度，高于最初做出图像识别的难度。这是由于两个斯坦福大学的研究生用电脑把人类30年的识别成果提高了十几个点。人工智能如果能攻克语义理解，基本意味着通用人工智能很快出现。

语义理解的两条技术路线

语义理解有两条技术路线，第一条路叫做“教育”神经网络。因为人类有语言学，总结了很多的逻辑。所以最开始大家的本能反应是我教会你，最常见的一个词是知识图谱，把知识整理出来告诉你要学习。

这个模式更符合我们对语言学习的逻辑理解，像人学习外语，开始投入就能见到效果，所以绝大部分公司选择这条路线。但问题是系统达到一定语言能力后，无论如何优化，依然有大量的问题的回复完全是答非所问，人工智能瞬间成为“人工智障”。这条路线有条隐含大BUG：人类学外语时已经通母语，对世界有了逻辑认知。

第二条路是神经网络“自学”，像人类学母语，给神经网络海量文本，让神经网络自己发现文本之间的规律给它文本，让它自己去找文本的规律。母语路线其实是没有严格的理论支撑的，在ChatGPT3.0之前，几乎只有OpenAI坚信第二条路线，最后成功了。ChatGPT通过对海量文本的学习，自动构建了一个含有千亿参数的大模型，建立了对这个世界基本的逻辑认知，“涌现“出了基于逻辑的推理能力，产生了人的智能。

我给大家列举一个关于大模型推理能力的案例。

有一天我问ChatGPT，我家的狗为什么叫三万这个名字？我给它一个提示：这只狗是我在宠物医院收养的，被前主人送过来的时候手术费要三万，因为被撞骨折了。后来，那个主人就消失了，但是三万块钱没有人付。ChatGPT能够依据我给的信息，推断三万这个名字是由于手术费需要支付三万元。它能够回答出这么一个简单的问题，说明它具备了对社会的常识。然后我又问了很多尖锐的问题，比如穿山甲能不能穿山，它说土包可以；我说能不能穿钢板，它说钢板太硬了；我说能不能穿木板，它说取决于木板的厚度。你会发现，它具备了对这个世界的理解力。

ChatGPT下的对话系统

在ChatGPT出来之前，对话系统就像鹦鹉学舌，虽然能够部分匹配内容，但是系统并不完全理解具体的含义。比如对小爱同学，诸如下一首、上一首这样的指令词，可以泛化出上百种问法，最后只能用模板式的指令。ChatGPT出现以后，对话系统是建立在语义理解的基础上。尽管也会说错，但都是“一本正经”地胡说八道。

ChatGPT的回答原理是当用户键入一段话，系统会根据这段话形成一个数学表达式去和大模型里的参数做匹配，产生关联概率最大的一个词，然后再以这个词和上面那段话合在一起，继续以上过程。

我特意问过ChatGPT，参数是不是能理解词和词之间的概率关系？它说，对，是在一个巨大的空间里面形成了各种词之间的关系，当你一句话由很多的词组成的时候，就根据这句话形成的数学表达式去猜下一个词。

这个原理很重要，因为这意味着你所有的问题都和你上面问过的问题具有相关性，是根据上面的整个语境去完成下面的输出。

《这就是ChatGPT》帮助你更好理解ChatGPT原理

OpenAI CEO盛赞“我见过的最佳解释”

基于以上原理，我们可以把GPT看成一个大号计算器，不断计算下一个词的概率。这种词的概率的推断符合人类的预期，因此产生了人一样的思维逻辑。我们经常说机器没有温度，但它可以表现得非常有温度。根据你的需求去产生答案，如果你揭开它神秘的面纱，它就一定有很多的不完美。但是它产生的逻辑思维能力，是绝大部分人在脑力劳动当中能用上的，如果你的逻辑思维不够缜密或足够浅，它就能够替代你。这是底层范式的变化。

一本正经地胡说八道，重点在一本正经，而不在胡说八道。一本正经说明它的逻辑是正确的，胡说八道可以通过plug in专用系统来矫正。

比如数学做不好，可以给予数学小模型，把题解析出来。正是因为从原理层理解，所以逻辑和推理能力会越来越强，因为参数可以不断扩大。理论上，芯片只要足够便宜，大语言模型参数量可以不断扩大。

但是它没有意识、欲望和好奇心，更重要的是它不会自然而然的知道你是谁，你要什么。所以它不会是上帝，只会是copilot，需要应用生态，需要人来驾驭。比如你让它提供一个好的策划案，但是不告诉它你的产品、目标用户群、期望的结果，它在没有意识的情况下就不会产生策划案。

 ChatGPT带来的变革

我认为ChatGPT带来的变化有两类，一类是交互革命，GUI跨向LUI时代，第一次机器可以自适应人的表达，所有的软件、设备，都值得重做一遍。乔布斯说过：“每一次交互的变革都是一次工业变化的机会”。苹果有幸抓过两次机遇，一次是键盘图形界面，第二次是iPhone。无论怎样在图形化界面上使用，人都是要学习的，比如程序员，将很多时间用来学习如何把人类的语言翻译成机器语言。

第二类是生产力革命，人类智能水平不仅取决于人口数量和教育程度，也取决于大模型的智能化水平。数字化员工会成为公司标配，比重越大者越能胜出。以前硅谷的科技公司融钱全部用来雇人，现在一半用来雇人，一半用来购买大数据、向量数据库、三件套服务，建立自己的数据模型。行政工作也已经大幅减少了，因为把内部的规章文档做成了模型接口。

未来行业的变化，第一是平台“核战争”，中国已经有超40家大模型，都号称千亿参数。没有超级大模型的大公司，不再会是平台公司。如果没有生产力变革，作为平台公司就会被淘汰。大家做的效果本质上都差不多，基于算法、数据、场景，基本上都会做数据标注。

第二是垂直私有大模型会“白菜价”，随着行业垂直模型能力普及化，成本急剧降低，不再是20亿美金才能做一个私有化大模型。

第三是人人都是程序员。“码农”作为独立的工种可能会消亡，因为让ChatGPT帮助写一个程序，它可以完成从推荐程序、搭建环境及安装等工作，甚至于每一行代码如何贴，如果贴过去出错了，告诉它出错点，它会告诉你纠正的方法。

第四是自然人语言的交互模式将成为核心交互，正如《Her》这部电影描述的一样，未来设备交互的终端形态基本上是“有事您吩咐”的状态。

第五是企业的HR会变成IR，人力资源变成智能资源，数字员工越多效率越高。如果我们再不努力，可能会被人工智能所替代。正如Sam的采访一样，以后人工智能的终极形态可能是你跟它说，需要一个1万亿美金的公司。ChatGPT就会去开始分析市场，创建公司，写商业计划书，然后组建团队，进行融资等活动，在3年以后将一家1万亿美金的公司呈现在你的面前。

加入共学营，把握AI时代未来发展趋势

未来的人族只有两类人，米卢在执教中国足球队的时候说过，态度决定一切。《正念领导力》这本书对我的影响很大，核心是为什么创业者不快乐？总的来说，由心态决定，一个是积极的心态，一个是消极的心态。在正念领导力线上的人，被称之为AI的驾驭者，不断突破自我，不断以当下为乐趣，做了很多成就，但是他们不快乐。

那些想要躺平享受生活的人，未来一定能实现，但在此过程中会经历一段阵痛期。而正好，OpenAI的愿景便是发行世界货币，把钱给到那些不能驾驭AI的人手中。在《未来简史》中，作者也提出了同样的观点：在未来，大约有少部分人需要掌握知识，因此，“体验和敏感度”将是未来最稀缺的能力。

但是，不管那个未来以何种形式到来，学习仍旧是今天最重要的事情，因为世界的变化实在太快了。

结合办公场景，使用ChatGPT提高办公效率

应该学习的技术点是什么？

现在我提一个问题：如果你只学习大模型的一个技术点，你会选择学什么？怎么能赚到钱？

我的答案是Prompt。Prompt十分重要，它指与大模型的对话能力，这个看似简单的能力却涉及到很复杂的技巧和技术。吴恩达专门开设了这门课程，他用了非常浅显的方式去教学，适配不同学历层级的人。但有天我发现我们公司的绝大部分程序员都没有上过这门课，这让我感到意外和愤怒。由此反映出一个现象：对投资人来说Prompt太薄弱；对工程师来说Prompt太浅显。

但其实，Prompt既不薄弱也不浅显，相反，它尤为重要。为了说明这些人心里的偏见，我特意翻出了牛顿写的一本书，名叫《自然哲学的数学原理》。在这本书里，牛顿把Prompt定义为：自然语言天然的压缩性导致的天然歧义性。以及每个行业的专业属性，使得Prompt是嫁接大模型逻辑能力和应用需求的桥梁。因此它不可或缺，非常重要，一点也不浅薄。

我们今天提到“苹果”，我脑海里出现的是“苹果手机”，你脑海里出现的是“ipad”，而农民想到的是水果。因此，语言具有歧义性，我今天提到的Prompt与你解压而成的信息会有一定出入，造成了理解上的误差。

这也是为什么“在工作中，80%以上的问题都出在沟通不畅方面”，因为自然语言天然的压缩性。压缩完后，你在脑海里的信息还原与我是不一致的，需要一定的时间进行沟通。

还有一点是不同行业的专业属性。比如小红书文案工作，做咖啡的内容和做酒的内容会很不一样。这种属性怎么处理？只能靠Prompt。

我和《哪吒》的导演聊了聊电影和AI，他提到，现在的AI发展得不错，但还没有达到他的要求。比如，让它把一张图弄成张艺谋的风格时，明显效果不如人工设计师。我承认现在AI的水平还有待提升，但是他在命令AI把图片做成张艺谋的风格时，对“张艺谋的风格”并没有明确的指标。他心中的“张艺谋的风格”跟AI知识库里“张艺谋的风格”肯定很不一样。而他的设计师跟他至少一起工作了两三年的时间，自然很熟悉他的审美，知道他想要什么。他与设计师之前存在着很深的Prompt。

所以，我们怎么理解Prompt这件事？其实我们每天大量的工作就是在做Prompt，Prompt并不简单，需要你告诉员工该怎么做。大家不妨想一下：公司为什么要推OKR？也是Prompt。

1）在我看来，Prompt首先是不可或缺的行业知识定义。今天每一个行业都有差别，今天每一个创业者真正的价值就来自于了解行业。大模型始终存在一个问题——它学的全都是公开文本。公开文本里面叫做冰山上的角，最后露出水面的东西，但是有大量知识是在公开文本里找不到的。比如说我们学牛顿，只能学智能科学的那些哲学原理，但如果牛顿还活着，天天去跟他喝咖啡，才能真正地快速进步。

所以，大量的行业知识是宝贵的，你应该思考怎么能把大模型能力用起来。

2）其次，Prompt是撬动生产力的杠杆。因为它是为所有人准备的，它能给你一个所有人都觉得正确但是没什么用的答案。因为它不知道你是谁，不知道你的实际诉求，因此它可以作为一个知识点的考核，但不能做出一个真正的方案解决。

3）Prompt是人工智能时代的编程语言。我跟很多工程师说过，以后可能真的不太需要写C++了，以前工程师有很多所谓的经验是在了解语言特性上，未来每个人只要会说话、会写字，就会写Prompt，再也不用去学专用的编程语法了。但还是要把这些东西写的很好，就像写本书、毕业论文和好的结构目录一样，如果把这个东西阐述的好，大语言模型就能助你一臂之力。

你觉得它浅薄是应用理解的浅薄。我们有一个项目，制作了一款人工智能角色吵架的产品，如果跟它说：“需要一个调研报告，不能少于1000字。”这款产品能写出几十上百页，多种角度代表不同角色。这个项目很有意思，就看着一群机器人在那里吵架，大概10分钟后，给到你一篇报告。这个项目让团队很有成就感，把它视为大家智慧的结晶。在此过程中，我切实感受到了Prompt对编程提供的便利，但是却发现中国创业者当中重视的人不多，对此我深感遗憾。

科学作家万维钢和图灵联合创始人刘江总编将于图灵社区直播间分享对ChatGPT的看法，欢迎预约

点击阅读原文，查看傅盛演讲全文。