中文字幕无码av不卡一区,亚洲综合AV永久无码精品一区二区,黑人巨大白妞出浆,黄色高清无码免费看,久久久久免费精品国产,久久无码人妻丰满熟妇区毛片,欧美日韩国产综合草草,久久福利网站,亚洲一区二区三区中文字幕在线,av国内精品久久久久影院

“AI 共生時代，重塑未來藍圖。”ChatGPT 的問世，如同開啟了一扇通往全新世界的大門，AI 迅速從科學時代邁向共生時代。在這個偉大的變革進程中，AI 將如何滲透到我們生活的方方面面？又將怎樣重塑我們的未來？讓我們一同深入探討。

商業思維

筆記君說：ChatGPT的橫空出世，標志著AI語言處理能力的飛躍，行業新紀元的開啟；

AI從科學時代到共生時代，AI將如何塑造我們的未來？

在解構了物理世界、語言之后，數學能解構生命嗎？機器真的能與人類共生嗎?

我們不禁會好奇：AI是如何在短短幾十年里，從簡單的計算工具，成長為可能與人類共生的智能伙伴?

今天這篇文章，一起來看看一下AI是如何與人共生的。

一、我們已經進入到一個全新的時代

1.當機器掌握了語言

去年年初，ChatGPT一夜爆火之后，大家看到了一個新物種的誕生。

這是人工智能的新起點，行業間把它稱為“第四次工業革命”。但是我覺得還不足以表達我們對于時代偉大性的一個定義，對此我給出了一個新的提法，叫做“從科學時代到智能時代，未來走向一個共生的時代。”

巧合的是，今年有兩位AI科學家獲得了諾貝爾物理學獎，三位AI科學家獲得了諾貝爾獎化學獎，這無疑從側面證明科學已經進入到了一個新的范式。

眾所周知，科學時代的開啟者是牛頓，他通過《自然哲學的數學原理》，將自然哲學與數學聯系起來，在人類的科技史上這是非常偉大的進步。

此前以康德為代表的“自然哲學”，討論的都是人的絕對理性空間，其核心是精神世界，我們對此是不可知的。

牛頓用數學來解釋世界上的萬事萬物，在牛頓力學的框架下，給予物體一個初始狀態，就可以在這個狀態下通過數學了解萬物是如何運動的，這就將物理問題轉變為了數學問題，用數學解釋物體背后的物理原理幫助我們開啟了一個重要的科學范式。

將物理問題變成數學問題之后，我們可以通過數學計算解釋過去，也可以預測未來，進而掌握客觀世界的規律。牛頓之后的相對論、量子力學等其他大量新的發現，也都是將物理世界變成數學模型的延伸。

人與動物的區別之一就是人會使用語言和工具。

我之前從事了20年輸入法和搜索引擎的工作，每天都和語言打交道。在ChatGPT出現之前，沒有任何一種AI系統或工具掌握了語言。

搜索引擎無法實現我們拋出一個問題就給予一個答案這樣的功能，它只能通過關鍵詞羅列出許多網頁供使用者選擇。

輸入法能夠幫助使用者輸入單詞或短句，但無法做到根據一個既定的主題生成一篇文章。這個過程叫做自然語言處理，可以稱之為處理，但不能認為是理解。

但如今，以ChatGPT為代表的AI應用，面對用戶提出的問題立刻就能給出對應的答案。

18年的時候，我提過一個概念：“當機器掌握了語言，強人工智能就到來了。”當機器掌握了語言之后，語言背后所承載的知識、思考和溝通等內容就變成了數學問題。

維特根斯坦認為，語言的邊界就是世界的邊界。語言承載的是人類對世界的認知。

人類用語言對世界進行了一種分類和類比式的抽象描述。有一位叫做龐加萊的數學家，他曾經說”Given the same name to different things.”中文意思：用相同的名字表達不同的事物。這種語言的解構對我來說是一個巨大的沖擊。

除了更高層次的抽象之外，詞匯量對我們認知世界也有著深刻影響。假設一個原始種族只會使用800個單詞，它對世界的認知和表達一定不會很強。

愛斯基摩人對白色有20多種不同的表達方式，中國人在品嘗食物時，對味道也有很多種表達方式。每多一個詞匯，我們的世界就多一份認知。

2.從“科學時代”到“共生時代”

去年，我提出了人工智能的三個突破方向：語言，強化和代碼。

目前我們已經基本解決了語言的問題，強化學習也開始取得突破，讓機器自動編寫代碼并且讓代碼運行業界正在探索。

20年之后，我們會進入更大的時代，我稱之為“共生時代”，這一概念還尚未在行業中討論過，但已經隱隱地出現了一些關于它的跡象。

一個月前，Anthropic的CEO Dario Amodei寫了一篇描繪AGI時代的萬字長文。

他提出了三個未來要實現的目標方向：

① 第一個方向，與醫療健康相關

他希望未來的機器可以進行實驗設計、收集數據、細胞實驗、動物實驗等操作，幫助人類探索更多未知的內容，對身體、疾病進行解碼。他使用了一個非?！靶愿小钡脑~語—生物自由。

就像不缺錢花，不會為錢煩惱的財務自由一樣，他提出的生物自由指的是，不為身體健康所煩惱。

② 第二個方向，對心理學或神經科學的研究

指的是通過機器研究心理學和神經學上的問題，使人類可以避免精神上的疾病。

③ 第三個方向，解決貧富不均和人類分化的問題

Dario Amodei對解決前兩個方向上的問題比較有信心，但對第三個方向，他認為這是他希望達到的，且可能達到的目標。

Dario Amodei大膽預言，在未來5年到10年間，我們將取得過去50年到100年間的科學進步，尤其是在生命科學方面。

我對生命科學同樣非常感興趣。在研究生期間，我主要做的是基因測序相關的工作。在科研過程中我發現基因測序背后的生命，并不在我們今天所討論的物理、化學和數學的范式里。數學和物理都無法解釋生命現象。

因此我非常好奇生命的數學模型是什么？

過去，我們討論了物理的數學模型。

現在我們已經開始使用語言的數學模型。

未來，需要解構的是生命的數學模型。

解開生命的數學模型之后，我們不僅可以獲得生物自由、心理健康，甚至創造出機器生命的概率也會大幅增加。我將未來這種機器生命和人類共同存在的世界稱為“共生時代”。

3.大模型是智能時代的基礎設施，帶來的是生產力的升級

在過去的近兩年時間里，對于AGI美國人最早認為是算法和數據的問題，隨后更多考慮的是芯片和產能。

今年年初的時候，他們則把重心轉向了能源問題，認為掌握了數據和算法之后，能源才是探索AGI最核心的動力。因此，OpenAI、XAI等美國的頭部AI公司都已經開始研究如何發展核能，來保證大模型的電力供應。

我們把過去幾十年稱作“信息時代”，作為信息時代最重要的技術之一，互聯網是一種連接和傳遞導向的技術，是從信息層面去解決問題的。

在互聯網時代，我們更多關注的是生產關系的改變，例如滴滴、美團、淘寶等平臺都是通過連接實現供需匹配，使我們獲得更多的服務，在這個過程中機器并未體現出智能。

大模型通過壓縮和預測將海量的數據轉化成了知識，當信息轉變為知識之后，機器在掌握知識之后便帶來了一種新的范式變化，直接構成了生產力的升級。

隨著以GPT為代表的大模型技術持續突破，在AI應用層面，我們最終會得到一種數字人員工的形態，逐漸進入“造人”的范式。

機器不僅是人類的工具，更是人類的伙伴。我認為這是一種時代上的劃分。

去年4月份的時候我創立了百川，那個時候我問ChatGPT：“如何找到更多優秀的人才？”ChatGPT表示，第一件事需要凝練你的想法，并把這個想法公開。

我遵循了ChatGPT給我的意見，發布了一封公開信，表示我要入場大模型創業，希望有更多的伙伴加入進來。這就是我對ChatGPT的使用，將其當做一個工作上的伙伴和顧問。

ChatGPT無疑是智能時代的開山之作，但5年或10年之后，還會誕生更加顛覆性的產品。今天如果還不會與大模型進行協同，這就與過去不會使用搜索引擎類似。

今天我們討論AI，主要有以下幾個方向：

第一，使用ChatGPT一類的AI應用來提高企業效率；

第二，AI為個人提供服務，幫助我們在未來的旅游、購物等方面建立新的生態，包括幫助使用者操作手機并完成復雜任務；

第三，AI幫助每個人更容易地將自己的想法轉化為圖片、視頻、音頻等作品。

我喜歡使用《紅樓夢》中的一個詞語，叫做太虛幻境。我們可以用AI打造一個“太虛幻境”，在其中提升生產力，讓個人變得更強，也可以營造一個良好的氛圍，讓大家在這個虛幻的世界中娛樂身心。

對于AGI一定會到來，現在業界都有著一致的預期，但是在技術路徑上大家還有比較大的分歧。我認為，DIKW是實現AGI的核心路徑，是我們逐步走向智慧的原因所在。

在國內，大數據已經談論了很多年，大數據的內容很廣泛，但我認為其中真正有價值的地方是信息對真實世界的反應。

通過數據構建工作，我們將海量的數據梳理成了各種各樣的信息，基于搜索引擎技術我們可以隨時查找并使用這些信息，而大模型更進一步將信息壓縮成了知識，有了知識和語言之后，機器開始產生推理和思考能力。在此基礎上，通過強化學習和思維連技術，今年我們已經看到了一些智慧的苗頭。

此外，還有幾個技術與大模型相關。我在與字節跳動公司的人聊天的過程中，他們表示：模型完成后，我們想做的第一個事情是在掌握事實的基礎上，通過搜索將知識與信息相連接，用搜索對大模型進行補充。

搜索引擎使用的是已經發生過的數據，如果只是將搜索引擎的數據與大模型的能力結合，那么效果不佳，大模型的智能將缺乏應變能力，很難應對未曾發生的事情，大模型的顛覆性優勢不會超越整體的人類，只能超越個人，因此大模型需要基于這種方式進行學習和強化。

4.強化學習讓大模型具備思考能力

所謂“讀萬卷書，行萬里路”，這句話對大模型也很適用。讀萬卷書能學到很多東西，但這還不夠，還需要行萬里路，在實踐中去強化學習。

2016年，有一個震撼AI圈的事件，谷歌推出了AlphaGo，它通過自己與自己下棋的方式來學習圍棋，最終戰勝了人類頂尖棋手。

然而，AlphaGo有很大的局限性，它應了我們的一句古話“思而不學則殆”，它停留在圍棋領域，無法融匯更多的外部知識和信息。

AlphaGo的第一代產品使用了人類6000萬局的數據進行訓練，AlphaGo的第二代叫做AlphaGo Zero，AlphaGo Zero是什么意思？

就是沒有學習過人類的任何一場棋局，卻表現得比AlphaGo更好。它的關鍵不是學習，而是自己思考。

Open AI做的事情在某些程度上與AlphaGo和AlphaGo Zero有些類似。一方面他們希望用更多的數據提升GPT模型的知識能力，另一方面又希望用更少的數據提升O1模型的思考能力。

O1不是一個systems，它比較model，它不是由很多個系統組成的一個更大的系統，而是一個整體，因此在它自我進化的過程中，我們可能不能搞清楚這其中具體發生了哪些事情，它的能力可能開始超過人類了。

機器進行強化之后，它就開始能夠行萬里路，能夠開始進行思考，就可能會打開更大的世界。

另外，今天沒有展開講關于代碼的內容。

我提出代碼和強化學習的原因是使用搜索和數據來驅動的系統，只能在人類已有的知識范圍內進行工作，但當一個系統具有強化能力，能夠自己寫代碼并且運行的時候，就能走出原有數據的分布。

例如，我在公司內部進行了一個思想實驗：對大模型說，請你學會下圍棋，大模型可以查詢圍棋規則，根據這個規則來寫出一個判斷圍棋輸贏的程序，然后再運行這個程序，大模型就學會了下圍棋。

這樣大模型就實現了從學習到思考的過程，派生了一種思考能力出來，未來它就擁有了一條向AGI發展的路徑。

二、醫療是AI應用的重要領域之一

1.造醫生：得醫生者得天下

諾貝爾物理學獎得主Hinton表示，醫療將是AI應用的最重要領域之一，將發揮AI的最大潛力。

英偉達CEO黃仁勛也表示，學計算機的時代過去了，生命科學才是未來。Dario也提到，AI將幫助人類可靠預防和治療幾乎所有自然傳染病，消除大多數癌癥。

對我自己而言，我對生命科學有很深的情感。

我之前提到2000年的時候我從事的是基因測序相關的工作，當時清華計算機系的5個所分別是人工智能、軟件、多媒體、網絡和體系結構，我們所做的是體系結構，主要進行高新運算。

我們進行高新運算一定會找一個應用場景進行驗證。那時候有個大家聽起來很性感的著名場景，叫做天氣預報。

天氣預報對計算機算力的消耗特別大，它實際上是一個大型仿真系統。它的做法非常粗暴，將空間劃分成一個個標記了濕度、溫度等數據的小格子，來預測下一個時刻的天氣變化、太陽轉動等活動。

格子分得越細，計算結果就越準確。但格子每增加2倍，計算力需要增加32倍，因此預測得準確細致就變得非常困難。

美國之前舉辦亞特蘭大奧運會的時候，它需要計算出一個體育場的面積是否會下雨，這需要巨量的算力，是當時計算力的巔峰應用。

天氣是一個非常復雜的系統，《三體》小說中三體世界的三個恒星就是一個最小的復雜系統，當三個太陽在相互引力的作用下運動的時候，它們的軌道就不確定了。

因此，即使三體星人的科技非常發達，但是他們依舊無法預測和掌控自己的命運，所以他們要移民。雖然三體的問題代表一種不確定性，但是生命比三體復雜多了。

人體內有23000個基因，這23000個基因僅占DNA5%的面積，還有95%的調控網絡。我認為非常有趣，在那時開始對生命產生興趣。

2018年的時候我講的兩件事情：

第一件，我之前提到過的機器掌握語言，強人工智能就到了。

另一件，向基層醫療賦能，打造家庭醫生。

我們經常說科學是浮在天上的事情，但醫學是少有的科研和服務為一體的事情。

有醫生朋友的都知道，醫生需要進行科研才能晉升，醫生既是臨床工作者，也是科研工作者，并且優秀的醫院背后都有其附屬的醫學院。

物理、化學、數學等領域的科研進展、創新突破可能比醫學領域更多，但它們距離應用是非常遠的，例如我們在NATURE上發表一篇關于材料科學的文章，它可能需要10年或者15年后才能夠變成應用。

但醫學不是，醫學從實驗中產生，比如某位老師發表了一篇臨床醫學相關的文章，也許一年之后就為大家提供了應用方向。因此在醫學領域中，科學和應用這兩個問題的聯結非常緊密。

如今我們在生命的數學原理方向有任何的進步，隨時可能會變成具體落地的健康服務，因此我認為這個行業非常性感。

22年的時候，語言并未被突破，當時我們只是從生理上的血壓、心跳、呼吸等信號中尋找規律。

到23年的時候，我們創建了一個叫做百川智能的公司，當時我考慮的是如何將模型與醫療相結合。

百川的百，英文單詞對應的是BIO，生物的意思。我一方面好奇的是生命的數學模型是什么？另一方面是如今語言的數學模型已經被找到，我們可以借助語言的數學模型的能力，來支撐醫療服務和后續的科學發現。

2.從“找醫生”到“造醫生”

我經常說的一句話叫做“找醫生不如造醫生”，我們都知道醫生資源是非常有限的，而且是在醫院體系里面，在之前的生產關系結構下，健康問題想要取得跨越式的發展非常困難。

在醫療領域有一種說法叫做，醫生是“藥品的流通渠道”，對患者而言生病了一定要去找醫生開藥，而藥廠想要把藥品賣給患者是也是找醫生。

醫生在這個系統中處于最核心的位置，但就效率而言以醫生為中心是不夠的，它的可獲得性、價格和質量已經陷進了僵局。

如果我們通過AI醫生，解決醫生的供給問題，就把醫療的模型從找醫生變成了造醫生，這個是我們的破題的解法。

因此，對于我們而言，不是先去搞定蛋白質或者基因等基礎生命科學問題，而是用“造醫生”的方式來解決當下醫療領域最迫切的需求。

在無人駕駛領域，有一個從L0到 L5 的劃分，L3就是一種輔助駕駛機器，關鍵決策依舊需要開車的人來做，L5就是機器比人開得更好。

今天我們的輔助醫療系統在L1到 L2之間，明年會進入到L3的水平，能夠開始輔助醫生進行診斷，再往下會逐漸達到像人類醫生一樣好的水平。

我們期待未來醫療服務能夠從院內走向院外，從醫生為中心轉換患者為中心，甚至將醫療健康問題從被動治療變成一種主動健康的模式。

3.新的醫學研究范式：從“循證醫學”走向“精準醫學”

醫學的進步需要大量數據觀測，不像物理學和數學靠底層計算推動，它一定要基于真實觀測，收集到足夠多高密度、高質量的數據，才能夠模擬患者的病情發展，才有機會解開我們的生命健康問題。

除了線上的AI醫生之外，未來還會有居家的智能的穿戴設備，我們叫“AI檢測設備”，借助AI檢測設備，用戶在家里就能夠精準、高頻地檢測自身健康狀況，收集身體的真實數據。

現在的患者的身體數據都是通過基層醫療的方式來收集，數據收集的頻次低，過程不連續，健康數據是很稀疏的。

今天大家倡導的是叫做循證醫學，就是要講證據（avidence），指的是通過大量統計不同人的數據，做成一個平均值。雖然相比經驗醫學，有據可依的循證醫學范式更合理，但現實中每個人生活環境不同，身體情況各異，又產生了個性化的問題。

在我們的暢想中，未來的醫療服務是能夠清楚的知道，你到底要看什么病癥，你想要什么，給你個性化的醫療服務，從循證醫學走向精準醫學， AI醫療將促進醫學范式的發展。

4.醫療增強 + 強化學習，持續提升診療專業能力

造醫生，和模型訓練有類似之處。在中國培養一個醫生，要先培養出一個通才，什么都懂，然后再開始學習醫學知識，最后到醫院里面去實踐去做強化學習。

大模型在學習時也是類似的路徑，首先是通過全量的數據學習，成為一個通用的模型，同時在醫學上做增強，學會看病例，再做強化的反饋，通過這些方式來“造醫生”。甚至是在醫院場景里，通過AI醫生-AI患者-AI裁判的模擬診療，博弈學習去提升它的能力。

大家看醫生的時候，受限于現實狀況，醫生分給每個患者的時間非常有限，無法一一解答患者的全部問題，很多人都會有一種焦慮感。但有了AI醫生之后，它會非常耐心地聽患者描述問題，然后給患者一個解決方案，減緩大家平時就醫的焦慮和壓力。

比如我們和北京兒童醫院在共同研發一個兒科模型，孩子生病時絕大多數父母都焦急萬分，選擇第一時間帶孩子去醫院，實際上兒童疾病80% 是不用去醫院的，但是問題是：如何得知哪個是80%，哪個是20%？

有了這種模型之后，就可以幫助你做判斷，避免一些焦慮。