最近关于人工智能(AI)的讨论很多，不可避免的涉及到一些术语和概念。但是，要用简单易懂的方式向非专业人士解释，是很有挑战性的。作者尝试将AI与人类的学习和成长进行对比，通过AI与熟悉事物的对比，简要介绍AI的原理、进展和意义。欢迎阅读~
自ChatGPT出现后，AI领域再次引起广泛关注。
最近关于AI的讨论层出不穷，不可避免的涉及到一些“样本、预训练、大模型”等概念和术语。
但是，用通俗易懂的方式向非专业人士解释这些概念是相当具有挑战性的。
但这对自己和他人都是很有价值的。
就像爱因斯坦说的，“如果你不能简单地解释，那你就理解得不够好(如果你不能简单地解释，那就意味着你理解得不够好)”。
今天我尝试将AI与人类的学习和成长进行对比，通过AI与熟悉事物的对比，简要介绍AI的原理、进展和意义。
1.“牙牙学语、蹒跚学步”vs“涌现”照顾过孩子的父母会有这样的感觉，有一天突然发现孩子会说话、会走路了。
这个过程不像是“0%、1%、2%……98%、99%、100%”，而是某一天突然变了。
模型的“涌现”是指模型在大量训练数据和复杂模型结构的支持下，突然表现出高性能和新能力。
简单来说就是“量变引起质变”的过程。
当训练样本足够大，算法迭代到一定阶段，模型的能力会突然提高。
“涌现”能力的前提是大量的持续输入。
孩子从出生开始，虽然听不懂，不会说话，但父母要不断地和孩子互动，和他说话。在积累的过程中，总有一天孩子的说话能力会“崭露头角”。
模型的开发过程是相似的。一开始，你可能什么都不知道。即使你能言善辩，也可能表现出“智障”或者“严重胡说八道”。
但在不断的大样本训练和迭代算法的过程中，总有一天它能像ChatGPT和GPT-4一样达到惊人的理解、推理和表达能力。
2.“读万卷书，走万里路，与万人谈”vs“预训，微调”
孩子会说话会走路后，人的学习正式开始。
一个人的学习和成长，通常是从基础教育和广泛学习开始，然后发展到某一领域的专业和深入学习。
我们不仅要广泛阅读，从书中学到很多东西，而且要实践和与他人交流。
在这个过程中，我们学以致用，得到反馈，对大脑中的知识进行修正和提炼，即从“知识到智慧”，实现“知行合一”。
在掌握了基础知识和技能之后，人们需要找到自己的专业领域。
在校期间，硕士生、博士生、教授都需要选择一个细分领域进行深入研究。
每个人也需要找到自己的行业和职业。
对于像GPT这样的大型模型，它们的开发也是通过类似的过程。
首先使用“大规模数据集”进行“预训练”，然后通过强化学习(RLHF)使用标记样本和人类反馈进行微调和迭代。
模型的预训练是指在大量未标记数据上训练模型，学习基础知识。
就像婴儿期和从小学到高中的很多学习。它不局限于某个领域，而是需要广泛、海量的信息输入。
微调是指用特定任务上的标注数据对模型进行微调，以更好地适应特定任务。
这就好比人在读了很多书之后，需要去实践，从实践中得到反馈，成长。
许多伟人和名人，如毛泽东、列宁、马斯克、查理·孟格等。，非常喜欢读书，也愿意和别人交流，在实际工作中多多实践。
只有这样，我们才能获得足够的知识，塑造他人的智慧。
3.“撒娇”vs“过度拟合”我们经常会看到一些“孩子因为琐事做傻事”的新闻，这通常是“撒娇”的结果，类似于模型中的“过度拟合”现象。
所谓机器学习，就是让机器从样本中学习，从而“拟合”规则，进而掌握技能。
在训练模型时，如果样本过于单一或者特征选择不当，很容易出现过拟合。
过拟合是指模型将训练样本中的特殊情况误认为一般情况。
这样，当面对新样本时，模型无法做出正确的处理。
同样，过度拟合导致的心灵(模型)脆弱，无法正确处理现实世界中的各种挫折(预测不准，概括能力差)，也容易导致不幸的结果。
所以要让孩子面对各种情况，并给予反馈，让孩子了解和适应现实世界。
4.“职业教育/基础教育”vs“大模式，小模式”人的教育有两种。一个是从小教他一门手艺。比如“做饭、开车、当铁匠、木匠”等等，让他成为专业人士。此外，首先是漫长的基础教育，然后是高等和专业教育。先打好基础，再选专业方向。模特和人一样。你给他什么，他就会有什么样的产出，他就会有什么样的知识和技能。在大模型之前，大家熟知的猫狗识别、指纹识别、人脸识别等模型都是做具体的事情，类似于职业教育。
这样的模式可以称之为“小模式”。一方面是模型的尺寸小，另一方面是模型的能力范围比较窄。像GPT这样的模型之所以被称为大模型，不仅是因为训练数据集大，训练出来的模型规模大，还因为模型的能力范围广，仿佛“上知天文，下知地理”。读万卷书是大模型，开发一般智力。只读菜谱，练习烹饪技巧，都是小模式，发展特定技能。
5、“脑容量、字典、书籍”vs“大模型”我们可以从以下三个方面来直观地理解大模型。
首先，拿脑容量做个比喻。模型的大小就像动物的脑容量，脑容量越大通常意味着智慧越高。拥有更多神经元和神经元之间连接的大脑可以存储更多的知识。
其次，以字典为比喻。如果一种语言的字典里只有十个单词，那么这种语言所能表达的意义就会非常有限。但是，如果字典里有几万个单词，就能表达更丰富的信息。
最后，用书打个比方。为什么大模型更强大？
以GPT三号为例，其型号有800GB，即8000亿字节，大致相当于4000亿字。假设一本书有20万字，相当于200万本书。
可以说，这“浓缩”的200万本书，基本上可以涵盖人类几乎所有的知识，没有重复。
需要认识到，几千年来，人类知识的记录和传承基本上都是通过语言和书籍来进行的。)
所以可以看出，足够大的模型可以覆盖足够多的知识。
大模特有大智慧。
6.「写作能力的训练」vs「语言模型」常规的语言模型能力相对有限，如分词、词性判断等，最多能完成翻译等任务。
GPT作为一个“大型语言模型(Large Language Model，LLM)”，之所以如此强大，是因为它一开始就没有特定的目的。不是预设模型来完成某项任务，而是对模型进行广泛的输入和训练。
培养学生的写作能力有两个途径。
一个是提高写作能力，让孩子看各种写作技巧的书，参加各种写作培训班。但是，这样急切的方法，效果其实并不理想。
另一方面，一些家长鼓励孩子养成阅读的习惯，广泛阅读。
这样，孩子的阅读能力、知识面、思维能力都会大大提高，写作能力自然也会提高。
而且由于阅读速度和理解能力的增长，孩子阅读和审题的速度和准确率也会提高，从而提高数学、物理、化学等其他学科的成绩。
更重要的是，读书不仅可以提高成绩，还可以塑造一个人的世界观和气质，增强内心的力量。
可以说会对一个人的一生产生深远的影响。
所以不要急功近利，要培养“大榜样”。有了大模型，各种能力自然会出现。
7、“思维能力、写作能力”vs“性格预测”人们常说人如其言。一个人的文笔能体现出他的思维能力、表达能力等综合素质。
模型也是如此。ChatGPT的能力体现在它的答案上，体现在输出的单词上。
首先需要说明的是，ChatGPT在回答问题的时候是一个字一个字跳出来的，不是因为网速的原因，而是因为模型是这样工作的:它根据当前的情况不断推断下一个应该输出的单词(输出概率最大的单词)。
因此，“准确预测下一个要输出的字符”是模型能力的关键。
让我举一个例子来更好地理解这个概念的重要性。
假设有一部推理小说，情节跌宕起伏，线索错综复杂。
小说结尾有一句话:“凶手是_ _ _ _ _。”
如果AI在读这个的时候能输出正确的字符，证明这个模型非常强大。
表面上是性格，实际上是聪明。
8.“变形金刚”和“变形金刚”GPT是“生成式预训练变形金刚”的缩写，其中变形金刚是一种深度学习架构，特指一种基于自我注意机制的神经网络结构。
这个概念很关键，但是真的很难理解。
现在，试着解释一下。
可以用电影《变形金刚》做类比。
变形金刚分解一个汽车零件，然后变成一个人。
这个过程就像《变形金刚》中“编码解码”的过程。
将输入序列(如汽车)解码成不同的部件(零件)，并记忆部件之间的连接关系(通过自我注意机制)，然后根据相关信息组装输出序列(如人形机器人)。
在这个过程中，Transformer可以捕获输入序列中的长距离依赖，从而实现更高效、更准确的序列处理。
9.“终身学习”vs“机器学习”人与人最大的区别在于，有学习能力的人要跟上社会发展，不仅要在学生时代努力学习，更重要的是在日常工作生活中不断学习，终身学习。机器之所以这么厉害，AI之所以这么厉害，是因为人在不断学习。
更何况机器的记忆和学习速度是人的几百倍。
看看我们，一边担心“我会不会被AI取代”，一边懒洋洋地整天拿着手机打游戏刷视频。
懒惰的人类，努力吧！
10.“人脑，道”vs“可释”科技发展到今天，人类对大脑有了一定的了解，但还远未彻底、透彻。
同样，深度神经网络技术创建的AI模型也存在“可解释性”的问题。
虽然模型很强大，可以识别猫狗，可以回答问题，可以写代码，可以画图，但是即使是模型的开发者也无法准确解释某个结果是如何产生的。
可以说，人类用大脑开发出了原理未知的大型模型。
老子说，道可不凡。
AI也是如此。
过于简单的模型不具备强大的功能。
专栏作家
朱柏宁，微信微信官方账号:8: 35，人人都是产品经理专栏作家。前百度品牌总监、蚂蚁产品总监，《自我沟通》作者，现专注于人工智能和产品设计。
本文原载于《人人都是产品经理》。未经许可，禁止转载。
题图来自Unsplash，基于CC0协议。
本文仅代表作者本人，大家都是产品经理。平台只提供信息存储空间服务。
