关于 AI，现在哪些方向太乐观，哪些方向还可以更坚定一些？

原创丨人神共奋

来源丨思想钢印

图片来源：由无界 AI工具生成

人工智能不只是 ChatGPT

ChatGPT 火了之后，有一个段子，说：我们过去想象的人工智能是，我们写诗画画编音乐，AI 烧饭洗碗修电脑，没想到，最后是 AI 写诗画画编音乐，我们自己烧饭洗碗修电脑。

白领危机四伏，蓝领暗自庆幸。

然而，ChatGPT 实际上只是人工智能历史上的第一个爆款应用，又是以一对一对话形式展开，效果又超出了我们的心理预期，很容易让我们产生一个“人工智能能说会道”的错觉，进而让我们觉得，它未来可以取代很多白领的工作。

其实，ChatGPT 底层的自然语言大模型 GPT，只是众多人工智能大模型中率先“涌现”的一个，它更倾向于生成文本的能力，所以看起来都是写写文章，说说话，画画画，但并不是说人工智能就只能干这些，你总不能因为赵本山演小品，就以为东北人只会演小品吧？

所以说，哪有什么“只取代白领的工作”这么简单的事啊，取代蓝领工作的人工智能早晚也会来的。

仅就自然语言大模型而言，最有名的有两种方向，除了 GPT 模型外，还有 Google 的 BERT 模型，两者的核心区别在于目标不同，GPT 更倾向于生成文本，而 BERT 模型更倾向于理解文本。

更不用说还有更多开发中的各种方向的人工智能模型。

本文将从 GPT 模型与 BERT 模型的区别出发，分析一系列相关的问题：

1、GPT 模型与 BERT 模型的区别、各种擅长的领域和未来可能适用的场景

2、为什么突破率先出现在 GPT 模型上

3、AI 行情的投资策略、重点方向与风险

文科的 GPT 和全科的 BERT

说 GPT 更倾向于生成文本，而 BERT 模型更倾向于理解文本，这个区别可能人类无法理解，不理解文本怎么生成文本呢？

但这个问题对 AI 来说，并不存在。

给一个形象的比喻，有一部励志日本电影《垫底辣妹》，讲一个年级倒数第一的差生通过一年内复习考入庆应大学（日本复旦交大这个级别）的真实故事，相当于在全国学生中的最后 2%，进步到前 2%。

这个神奇的故事之所以能实现，是因为她只要考“英语、小论文、历史”这三门强调记忆的科目，她不需要很深的理解，只需要记忆和“生成”，注意重点是——不考数学、物理等注重推理的科目。

而 GPT 模型的成功，就像“垫底辣妹”一样，很大程度在于选择了一个“语言生成”为目标的捷径，从而让它看上去的效果比它实际上的突破更明显——这一点跟现实中一样，一个能说会道的员工，总是比只会干实事的员工，看起来更能干。

Transformer 模型有编码器和解码器两部分，GPT 模型只使用编码器部分，而 BERT 模型既包含编码器部分，也包含解码器部分，所以，通常认为，BERT 模型需要“理解”文本的内容，GPT 模型则不一定。BERT 虽然也是一个文科生，但也要学习数学、物理这一类注重推理的课程，全面发展。

两者的区别在一开始训练时就产生了，GPT 的训练目标是通过最大化下一个单词的条件概率来预测下一个单词，从而完成生成任务；而 BERT 的训练目标是随机掩盖一些输入词汇并要求模型预测这些词汇，强迫模型预测缺失的单词，因此产生了双向性。

GPT 模型完成任务的方法就是“猜猜下一个概率最大的词是什么”，所以 ChatGPT 都是一个字一个字地蹦出来的，跟刚刚学会说话的小孩子一样。

但 BERT 模型就不同了，它会考虑每一个单词与前后文的关系，如果未来能成功训练出来（注意这个前提），所有的文字应该是一起出来，它会把所有的话想好了，再一口气输出。

很明显，BERT 模型的训练要求更高，实现难度更大，这就是为什么 Google 在人工智能的研究方面此前一直遥遥领先，会忽然间被积累不如它的微软超越。

虽然大家已经觉得 GPT 很神奇了，但如果真的大规模投入应用，在那些非生成内容为主的应用上，它还是有缺陷的。

比如你对 AI 助理说：“帮我在陆家嘴附近订一个粤菜餐馆，人均消费在 500 元左右，时间是明天晚上。”

对于这个句子，GPT 模型的“理解”是从过去的语料训练中，判断“陆家嘴、粤菜、明天晚上、人均消费、500 元”这些词的组合而不是词本身的意义，由此来判断自己应该输出什么样的内容，它对于语言的最小理解单位是句子，而不是词汇，会导致“模型产生幻觉，编造训练中从未有过的数据”。所以我们有时看到 GPT 推荐必胜客等成都小吃的离谱结果，因为它并不理解“必胜客”的属性，它还会把数学计算中的 1995 当成年代。