人工智能的五張面孔

木鐸書評之《AI 的五張面孔》 在我最近的讀的AI相關的書中，這本書算是一本視角比較全面的書，作者試圖描繪AI的五張面孔：歷史面孔，技術面孔，商業面孔，社會面孔，和哲學面孔。可以說作者試圖從各個維度來介紹AI。這種介紹方式可以說是非常有用的，可以讓我們理解AI尤其是這輪的生成式AI在各個方面造成的影響，但是這種試圖“面面俱到”的描述方式必然又帶來面過廣而不夠細的難題。 這本書中有很多不錯的觀點，比如它提到了靜態知識和動態知識的區分，還提到了AI對社會結構造成的影響等等，所以我還是推薦大家可以讀一下這本書。我不想像作者一樣試圖對這本書進行面面俱到的描述，我只想從技術角度出發來解釋一下這波生成式AI的底層邏輯，然後我們從這個底層邏輯來推導出一些必然的結果。 很多人在ChatGPT出現之後驚爲天人，認爲這是技術的重大進步。很多時候普羅大衆理解的技術進步並不是真的技術進步，最近開發出Kimi3的月之暗面的創始人說OpenAI和ChatGPT並沒有什麼技術創新，這句話讓很多人破防，不過從這句話能看出來這哥們是真正的圈裏人，是真正研究過技術的人，因爲他說的是真相。 我最近一直在琢磨各種機器學習的算法，經過我的研究發現ChatGPT和更早的用於序列預測的算法本質上並沒有太大的區別，都是在一個已知序列的基礎上算出這個序列的最有可能的下一個是什麼。至於這個序列是文本，圖片還是音頻，視頻本質上是一樣的。所以無論是回答問題的ChatGPT還是比較圖片的Vision Transformer都是基於一個已知的序列來預測序列的下一個單元，這個單元有可能是字符，也有可能是圖片的塊，或是視頻的幀。 在ChatGPT出現之前，序列的預測就是一個比較成熟的機器學習領域，比如循環神經網絡（RNN）和RNN的各種變種（LSTM：Long Short Term Machine）就已經能夠很好地完成序列的預測工作了。既然這種序列的預測工作別的神經網絡已經可以做了，那麼問題是“爲什麼是ChatGPT基於的transformer架構最後能夠得到廣泛的商業應用？” 答案其實很簡單：“以空間和計算量換時間”。無論是哪種RNN在訓練和計算的過程中都是串行計算的，也就是說先預測第一個單元，然後再預測第二個單元，以此類推。這種神經網絡的問題就在於一個字：慢。無論是訓練和推理都是串行的，等需要計算的序列很長的時候必然有很長的等待時間，所以造成這種神經網絡根本無法用於聊天等場景，因爲在用戶等到全部答案之前就已經放棄了。 Transformer架構的改進就一個：以空間和計算量換時間，Transformer架構把串行計算改成並行計算，這帶來了兩個後果：計算量猛增和存儲需求猛增。Transformer架構不像是RNN的各種變種一樣先計算第一個單元再接着預測下一個，它用注意力機制來計算出序列中已經出現的內容對下一個內容的影響，這就造成它的計算量是序列上下文長度的平方，同時還需要大量的計算和存儲。 從ChatGPT和其他Transformer架構模型的爆火，我們也目睹了GPU和存儲需求和價格的暴漲，Transformer架構對GPU和TPU等計算模塊的需求來自於這些計算模塊是可以做並行計算的，大大降低了海量運算需要的時間。Transformer架構也增加了對存儲的需求，因爲一個個地計算KV是不經濟的，因爲一個序列如果很長的話，前面的很多內容是不變的，每次都計算序列前面的KV是浪費計算資源，所以就需要增加存儲把這些KV存起來。 互聯網上很多人都在說“智能即壓縮”，他們這麼說是因爲他們只看到了ChatGPT等大模型把互聯網上的海量知識變成了一個幾十個G的文件，但是他們沒看到這個文件在工作的時候並不是壓縮，而是過濾，根據你傳入的上下文序列過濾出訓練數據中和這個上下文序列匹配概率最大的幾個結果，所以我同樣也可以說“智能即過濾”。 如果我們比較一下生物智能，我們就能發現壓縮和過濾是一體的，壓縮爲體，過濾爲用。任何生物包括人類在內都不是從外界獲取所有的信息，而是過濾出對自己生存和繁衍最有用的信息，比如人類用的是視覺信息但是蝙蝠用的是超聲波信息。在從外界海量信息到內部有限信息的過程中當然發生了信息的壓縮，只不過這個壓縮是以過濾的形式發生的。 我們一旦明白了“壓縮爲體，過濾爲用”，就能推導出ChatGPT等大模型和更發達的模型的進化路線。 ChatGPT和類似的大語言模型是對互聯網上的大量文本，音頻和視頻進行壓縮，然後才能根據你提供的上下文過濾出有用的信息。這套技術最大的好處就是可擴展性強，可能並行計算並處理海量的用戶請求，但是這種可擴展也是有它的基礎：算力，存儲和數據。算力能讓這套模型能夠服務更多的用戶，存儲可以緩存KV從而避免重複的計算，數據是這套架構的根基，沒有互聯網浪潮催生的海量數據就沒有現在的ChatGPT和大語言模型。 這套架構最大的依賴就是數據，可以說“成也數據，敗也數據“。互聯網上的海量數據提供了訓練的基礎，但是我們都知道互聯網上的數據質量是良莠不齊的。互聯網上包含了很多有用的信息，也同樣包含了大量虛假的，錯誤的信息。我們平時遇到的大模型幻覺很多時候都是我們的上下文恰好過濾出來了這些錯誤或虛假的信息。幻覺問題的另一個技術原因是現在大語言模型的訓練過程不重視數據質量和模型對信息的置信度的預測。大模型只能通過匹配上下文和訓練數據得到最有可能的下一個序列單元，但是它永遠不需要關心這個預測的可信程度如何。 現在Transformer架構的三駕馬車是算力，存儲和數據。現在正處於熱潮初期的世界模型同樣也需要算力，存儲和數據，只不過是不同的模型可能需要的數據不一樣。隨着算力和存儲生產能力的增加，未來決定人工智能發展的就是數據。比如說現在新出現的世界模型，很多底層的算法都是複用了大模型的技術，但是因爲它要預測的不僅僅是下一個token，所以就需要不一樣的數據，單純的互聯網數據已經無法滿足這種模型的需求了。 未來隨着算力和存儲的生成投入增加，必然是一個數據決定模型架構和質量的時代，現在爲了省一點算力的預算把自己的數據拱手讓人的公司未來肯定會後悔莫及的。真正理解人工智能的公司比如特斯拉都在打造數據飛輪和數據閉環，也就是把自己產品生產出來的數據用來給自己的模型進行訓練，然後用模型來優化自己的產品。未來像安卓這種開源的生態可能會越來越少，因爲大家都需要控制整條產業鏈的數據從而不斷地優化自己的模型。 現在Transformer架構爲基礎的大語言模型肯定不是AI的全部未來，我也不相信什麼AGI的神話，或者就像Yan Lecun說得那樣大模型不能產生AGI。未來更有可能是不同的模型基於不同的數據結構和算法來預測不同的數據，各種世界模型會越來越普遍，模型的準確度會提高，模型對更復雜數據的依賴會加強，我們也會看到一個產品和數據閉環越來越普遍的世界。

從歷史的長鏡頭看，我們正處在工業化、信息化之後的“智能化”節點，人工智能作爲“生產力的加速度”正在把其他技術平臺推向新的高度，這一趨勢不可逆。站在這一時間座標上，我對自身位置與方向的思考如下： ​​1. 歷史維度——認清窗口​​ • AI 由“工具”升級爲“加速器”，意味着所有行業都將被重寫；我若置身事外，就會成爲被動承受者。只有把個人生涯與 AI 潮流對齊，才能獲得乘數效應。 ​​2. 技術維度——打造個人“AI 能力棧”​​ • 我目前對 AI 的掌握停留在基礎辦公自動化和簡單腳本，大模型使用尚屬嚐鮮。要從“使用者”升級爲“駕馭者”，必須持續訓練 AI 素養，把“工具嚐鮮”轉化爲“流程再造”。 • 具體路徑：每月完成一門系統課程，實踐一個完整項目，並將經驗沉澱爲可複用的知識庫。 ​​3. 商業維度——尋找不可替代的價值​​ • 重複性、標準化工作佔比高，易被替代；我需要把 AI 當作“增效槓桿”，把時間釋放出來去做策略、關係和創意——向“意義創造者”轉型。 • 主動在工作中引入“人機協作”：機器承擔 70% 的數據與模板任務，人類負責 30% 的決策與情感連接，以此提升服務溢價。 ​​4. 社會維度——從用戶到參與者​​ • AI 的社會影響巨大且複雜，作爲普通個體，我不僅要適應，更要參與治理與倫理討論，爲算法透明度、數據安全發聲。 • 計劃加入行業小組、開源社區或倫理審查小隊，通過寫作和科普傳播負責任的 AI 觀。 ​​5. 哲學維度——回答“我爲何存在”​​ • 技術可以回答“如何做”，但唯有人才能回答“該不該做”。我需要把價值判斷和人文關懷置於技術應用的核心。 • 每週留出時間進行非功利性創作或反思，把技術學習與生命體驗、審美感受、社會責任結合，形成完整的自我認同。 ​​綜合行動藍圖​​ • 設定“AI 上車者”目標：用明確的素養提升計劃和項目實踐完成從使用者到駕馭者的轉變。 • 把 AI 視爲“外腦”而非“替代”，在每項任務中設計人機協作環節。 • 在價值鏈上尋找並創造情感連接、複雜判斷、跨文化溝通的機會，打造個人不可替代標籤。 • 積極參與社會與倫理治理，使技術應用符合公共利益。 • 以哲學思考校準內在驅動，確保技術服務於人的完整發展。 沿着歷史潮流、技術槓桿、商業機會、社會參與和哲學思考五條座標持續校準，我將在 AI 時代找到自己的獨特賽道並穩步前行。

人工智能是當下的熱點，似乎發現可怕的能力，就是把人類不能解決多年的數學難題給出了 yes or no 的結果，當然作爲各種解題的似乎還是人類給於，特別是 n-s 的千禧難題，從這個角度來說 ai 已經在對於抽象的理解超越了大多數人類，同時根據人類的想法來進行證明，只是我們還是沒有辦法判斷 ai 是不是完成了證明，同時對於 ai 證明數學問題的模式也不完全被接收，因爲 ai 可能更加關注於命題的結果的證實和證僞，但是對於過程似乎關注的沒有那麼多，也就是如何發展工具與手段建立起來不同學科之間的內在聯繫，使得數學體系之間變得更加緊密，這個也就是所謂若干菲爾茨獎獲得者發佈的公告，ai 解題失去了人類的情緒價值，可能感覺對於國際象棋棋手和圍棋棋手被 ai 所打敗產生的情緒也是非常類似的，只是 ai 在人類的不斷訓練過程中，產生了超級能力，那些本來可以自我品味的數學家似乎感覺到了一種孤獨求敗失落感，另外一個方面大家都在 ai 是最容易創造流行詞的領域，因爲自我遞歸演化似乎又是當下流行的內容，給我們帶來的感受就是 ai 自己來演化，完全不需要人類的干涉，一旦達到一定時間之後，其中規則的分析似乎只有 ai 自己才能理解，可能這個也是減少 ai 快速發展的理由，其實在 ai 賽道上國家選手總是在不斷減少的，而且 ai 帶來危機感似乎對於每個國家和每個人都感覺到了壓力，讓我們不確定在未來我們怎樣適應 ai，而不是反過來，可能這個也是我們文明演化的一個結果。

作者意圖是宏大的，企圖用AI的五張面孔來表達歷史，技術，商業，社會，哲學五個緯度的思考。一旦全面就容易失焦，作爲通識讀物是合適的。在技術，商業和社會三部分都有亮點。技術上的自注意機制，商業邏輯的開放分層到一體化邏輯，人工智能帶來的科研範式突破與精神文明衝擊都很有洞見。哲學角度也很有企圖心，把能源，宇宙，進化，智能納入一個解釋框架。整體而言給個四星吧

剛344#7日子的7i費*.發**負責。無法ｉ可以【工時填報提醒】本週（2026-05-11至2026-05-16）共有5個工作日，您少填了5天工時，請儘快在今天完成填報。（如已填報請忽略本消息£..:*&m*rH*u..x(上海市徐彙區虹梅路街道漕寶路漕河涇印象城3樓10號()）7

硅基邏輯對人類社會的影響，不僅停留在生產力上，它還對精神世界產生了巨大的衝擊，特別是信息過載、信息繭房等問題中斷了人類大腦應有的認知循環，加劇了精神問題。但是走出非洲的智人，擁有最強的學習能力和適應能力，進而遍佈全球，我們相信對於這次深刻的智能變革，智人同樣可以適應，文中提到兩個關鍵解決方案，一個是信息控制，另外一個是用真實世界對齊認知循環。 這本書最動人之處，是它在揭示智能變革對精神世界的衝擊之後，仍把希望交還給人：即便未來我們只能是智能網絡中的一個感知單元，我們也不能失去主宰世界的勇氣。它提醒我們，適應不是被動退場，而是在新秩序中重新確認人的位置與尊嚴。