|AIGC元年，全球巨头进入人工智能决赛圈？( 二 )

哪怕对于一些比较抽象的概念， ChatGPT也会先向人询问这些概念到底指什么，再做出自己的回答，真是个小机灵鬼。

这么看的话， ChatGPT是不是有点通过图灵测试那味儿了？
当然，由于预言与注册程序的原因，国内用户想要体验这两类AI应用还是比较困难的，但国内对于AIGC的研发也完全不落下风。
比如百度的文心一格可以用来AI作画，文心NLP大模型ERNIE可以写诗、可以撰文。而且国内的产品也往往对于中文有更好的支持，在写描述的时候也不用翻译来翻译去的了。

在此前几轮的AI热潮中，不论是下棋还是驾驶还是机器人，主角都是决策式AI 。
而“AI作画”和“AI聊天” ，它们的名字叫生成式AI 。
生成式AI擅长的是归纳后演绎创造，根据人给出的条件进行缝合式创作、模仿式创新。英伟达的CEO黄仁勋相信，生成式AI会成为一项革命性的技术。
不过在10年代的机器学习教科书中，早已就有了这两类AI 。为什么在2020年后出现有了显著突破呢？
真正的关键是，大模型的突破。
2019年 3 月，强化学习之父Richard Sutton发文表示：“短期内要使AI能力有所进步，研究者应寻求在模型中利用人类先验知识；但之于AI的发展，唯一的关键点是对算力资源的充分利用。 ”
神经网络模型在上世纪90 年代出现，但在2010 年前，基于统计的学习模型仍是主流，所以在打败人类象棋高手多年后，迟迟无法攻克变数近乎宇宙级的围棋。
后来得益于GPU算力的高速进步与深度神经网络、卷积神经网络等等算法的进步，深度学习模型逐渐成为主流，摆脱了穷举法的限制， AI能够用来学习训练的参数也越来越多，充分利用了GPU 擅长并行计算的能力，基于庞大的数据集、复杂的参数结构一次次刷新人类对AI智力天花板的想象。
简单来说，早期的AI就像个刚出生的小婴儿，什么也不懂。爸爸妈妈就要拿着一张“猫”的图片然后跟他说“这是一只猫” ，建立起图像和语言的联系。 AI也是如此，我们需要大量的“识图卡”来训练AI 。
在十年前，由于芯片的算力有限，人类使用的方法非常笨拙：
找出一张主体是猫的图片，然后人工打上“猫”的标签，喂给AI来学习，效率非常低下，而且训练出来的AI只能识别特定的物种。经过大量的训练， AI虽然能识别几千类物品，可一旦遇到复杂的情况就蒙了。比如给一只狗带上猫猫的头套， AI大概率就出错了，因为它只认识0和1 ，但不认识0.5 。
但大模型就不一样了。
随着算力的提升， AI能处理的样本数量也突飞猛进。
工程师们反而可以化繁为简，直接把大量的网络图片丢给AI去学习就好了。
因为网络上的图片一般都是自带描述的，而且画面还更复杂，比如“一只狗在草地上玩飞盘” ，包括多个主体还有动作，一下子让AI接收的信息量暴增。
比如， DALL-E 2采用了6.5亿张图文配对，这种庞大的样本数量就构成了AI的“大模型” ，也是这两年AI发展的大趋势。从结果上来看，大模型也的确让AI从量变达到了质变，比如我们不仅可以画“猫”和“火焰” ，还可以画“用火焰构成的猫”这种现实中不会存在的幻想生物。

所以，大模型便是样本参数量达到一定量级的产物，一旦突破某个质变点，比如十亿级的参数量，就能实现在小模型无法实现的泛用性。
因为无论是AI作画、AI聊天还是AI写小说、写诗歌，其背后最大的共同点是，可以分析识别人类的自然语言。而语言和人类的知识、思维整体相关，所以AI学习势必需要庞大的参数来支撑。