阅读笔记——生成式人工智能AIGC的逻辑与应用读后感

阅读笔记——生成式人工智能AIGC的逻辑与应用读后感

我们不会被人工智能所取代，但极大可能会被善于使用人工智能的人所取代

时至今日，我都忘了我是怎么与这本书结缘的了。

是见猎心喜吧，当时看出版日期挺新的

大约是23年12月的时候，我就知道这本书，当时一直想在z-library上找电子书，下载到微信读书上慢慢看，愣是找不到

连市图书馆都只有一本，还不能外借，最后在学校图书馆发现，一直拖延到24年的5月份才读，不过也只读了我想要看的部分…

本书共有五章，只读了第二，第五章，想来收获也有了些，所以便记录一下

第二章：AIGC的底层逻辑

带着我的问题去读第二章：

1. AIGC底层逻辑有与人的思维逻辑有区别吗？
2. 了解底层逻辑对我来说有什么用？
3. 为什么大模型有优劣性以及专业度不一样？

丁磊老师的这本书的第二章的标题就是AIGC的底层逻辑 ,丁老师对这章的介绍是希望读者能够通过理解这些生成式AI基础模型的底层逻辑，从而更好地应用生成式ai为自己服务。

书中的这个关系图，我觉得还是有必要保留，只有理解其一件东西底层驱动力才能更好地掌握它。就像用水灭火一样，水能灭火，因为水是氢气在氧气中燃烧的产物，不会再燃烧。水受到火焰的烤炙，变为水蒸气，吸收大量的热，迅速降低火焰温度。同时，水蒸气笼罩在火源四周，隔绝了空气中的氧气，使火熄灭。底层逻辑是隔绝了火生成的条件之一——氧气，顺着这个底层逻辑，用沙子或者盖子同样可以灭火，我们对灭火就有着更好的应对手段，更有信心去使用火。

也就是说若想更好地应用人工智能为自己服务，就需要大致了解机器学习，深度学习等概念

再回到对第二章的内容，在本章节中，作者先是从时间线上梳理了AIGC的发展脉络，如深度学习起源于人工神经网络，通过模仿大脑神经的运作模式，令机器学习形成自主学习和逻辑思考的能力，此后不断地完善，造就如今强大的人工智能。再通过介绍chatgpt等现象级应用，探析其背后所运用的基础模型，向读者介绍了大致的运行逻辑。我印象较深的是作者在文中提到的注意力机制，在我看来，注意力机制很好地解答了我第三个问题，通用大模型在运用注意力机制时，在回答相关专业领域问题时，可能由于训练语料的权重会被其他领域所平均，导致回答不够专业。而专业大模型则深耕某一专业领域的训练，回答更具有针对性和专业度。还有一个就是扩散模型，也叫Diffution模型，因为我之前用过的midjourney，它的图像生成是由模糊到清晰，是分步走进行的，当时认为理所当然，如今阅读本章节后，再看midjourney图像的生成过程不难看到扩散模型的身影，虽然其本身肯定不止扩散模型的作用。结合整个章节，作者开头先介绍深度学习的发展历程，后又通过对几个现象级AIGC程序背后的经典模型解读，让读者可以大致了解到AIGC的运行逻辑，就像是吃快餐你只能看到服务员交给你的成品，现在通过阅读，你加装了透视镜，可以看到制作快餐的后厨的大致制作过程了，但不代表你就可以做后厨掌勺，但你可以看到大致流程，如果后厨放了不该放的东西，你总能比那些看不到后厨的人知道是怎么回事。

第五章：主动还是被动？决胜AIGC

读第五章，第一节的部分我印象比较深的就是AGI（artificial general intelligence）,这区别于AIGC（Artificial Intelligence Generated Content），AGI对于人类的创造力与生产力才是具有降维打击，会对人类社会产生颠覆性影响，也是未来的发展方向。但目前仍将是概念性产品，因为要达到真正的AGI，跨模态能力还有情感理解能力等等问题还未得到有效解决。其次印象较深的就是人工智能给业务流程带来的新的变革，一些重复性，机械化的业务将会被进一步优化（关系户除外）

举个身边的例子，比如现在的电话客服，电子商务客服，已经基本优先人工智能回答，无法解决客户诉求才会进入下一个流程，也就是人工客服环节，因为加多了一个智能回复，在人工成本上就可以有优化空间，现在未全面优化或许是有成本上的考量，但在技术层上随着时间的增加，业务流程优化是必然的，润物细无声，感知不一而同，也或许是灰犀牛。

本章节还谈到了一个我比较感兴趣的点，那就是我们是否会被人工智能所取代？
丁老师介绍了Cral Frey和Michael Osborne分析人工智能对人力的可替代性时引入的三个维度，我觉得很有启发性

游离于这三个维度之外的大多都是重复性高，不需要创造力，可具体执行的的工作容易被替代，而在需要与人情感交流，创新性强的，专业性强的工作则难以被人工智能替代。

还有一个观点就是，人工智能在抹去一些岗位的同时，也会带来新的岗位，新一轮的技术革命更多是新旧岗位的交替，文中提到，人工智能真正能替代的岗位很少，更多的是提高工作的效率，让更多的人从重复性劳动中解脱出来。

最后我认为本书最重要的提炼句子就是：AI思维的底层逻辑，其基础在于数据，核心在于模型，实现在于算力，具体应用在于业务场景。

文章最后，丁磊老师和现如今大多数观点一样，人工智能技术发展已是不可逆，与其消极对待，不如直面挑战，将AI当作提高自己效率的优秀助手，深挖技术价值，为我所用。

如何应对AIGC

丘成桐先生说:“培养年轻人问问题的能力，问好的问题，问重要的问题。”

在人工智能快速发展的今天，我们要多问，学会如何去问，问人工智能所不能回答的问题，增强提问题的能力，然后去思考如何去解决。就像我下面引用的B站的视频里提到的Prompt Design，其实也是着重于提问题的能力，但Prompt Design是通过学习如何去向AIGC提问，从而更好地让AIGC为我们服务，一种工具思维。而丘成桐先生所说的问问题，问可以改变学科方向的问题，离不开独立思考的能动性思维。

现阶段人工智能还将是以人类为主，这意味着这在当下以及未来的一段时间内，人工智能都将是我们最大的机会，对于非专业人士而言最大的限制不是技术，而是想象力。

正如我开头所说，我们不会被人工智能所取代，但极大可能会被善于使用人工智能的人所取代。

补充阅读

在补充阅读后，我注意到了这句话：很多AI模型的精度在参数规模超过某个阈值后模型能力快速提升，其原因在科学界还不是非常清楚，有很大的争议

看来大模型训练也契合量变质变规律，读后只觉后脊背发凉…

这么看来，人工智能技术说是颠覆性发现一点都不为过

视频：
一张图读懂生成式人工智能各种概念之间的关系！_哔哩哔哩_bilibili
文章：
大模型炼丹指南：信则灵，不信则妄_澎湃号·湃客_澎湃新闻-The Paper
中国工程院院士孙凝晖：人工智能与智能计算的发展_腾讯新闻 (qq.com)