夜雨聆风关于AI大模型是什么和能做什么有很多观点，一些人认为AI大模型已经和人类一样甚至远超人类，仿佛明天AI就要统治人类了。诚然，AI大模型在规模效应下涌现出了和传统AI不一样的“智能”，也由于其内部黑盒带来了演进的不确定性，需要在发展过程中设置一定的安全监管，但若就此认为它能完全取代人类（其效率提升带来的裁员等问题我并不认为仅仅是AI的原因），至少在当前阶段来看，未免有些太杞人忧天了。AI大模型的本质仍然是基于人类过去的思维结晶（比如海量的书籍等）进行的高度拟合抽象和基于挖掘出来的内部逻辑或事实（比如鸟会飞）的下一个词元预测，所谓的调用工具，使用技能，自主意识，“智能体开会”等等名词宣传无非是模拟人类行为制造包装的概念吸引人的眼球罢了。
还有一些人认为AI大模型不过是又一个元宇宙或者大号的互联网，全都是噱头和泡沫，这又是另一种极端了。不说别的，仅就对话大模型所展现出的拥有海量知识和推理归纳总结的能力，就已经能极大地提高我们的学习和工作效率了。而业内主流当前在做的智能体agent，更是实实在在的生产力。
那么我们该如何看待AI大模型呢？就当前阶段来看，我认为AI大模型是高效的信息获取整合生成和标准化工作的得力助手。
互联网和数字化的迅猛发展，产生了大量的数据，但人类其实并不擅长同时处理很多数据。
从获取信息的角度看，任意东西网络上都有很多的相关知识，但我们获取不到相关性高，质量好，全面的内容（即使有了搜索引擎，甚至有时候会起到反效果），而AI大模型在训练的时候天然存储整合了最全面且质量很高的数据（比如书籍），又可以借助联网搜索功能检索最新的而且质量也很高的信息，这样在获取信息的时候只要给出恰当的询问，便可以获取优质的信息，大大提高了效率。
传统上，即使获取了很多数据（事实上也是这样，搜索引擎动辄可以返回成千上万条链接），我们并不能高效地区分处理这些信息，这也是AI大模型优势最突出的部分，即它可以同时比较、处理很多信息，然后将其整合成条理清晰的输出。而我们提问的越精准，逻辑越清晰，其输出的效果也就越好，这也就是所谓的提示词工程。
还有就是数据的生成，即AI大模型不是原有数据的检索重组，而是在内部知识的基础上按照摸索出的人类书写的经验规律自动生成的文字，最简单的应用自然是帮我们生成一些枯燥繁复的文案，进一步地，可以帮我们在某个方向生成一些颇具实践性的参考方案，毕竟其内部整合了各个领域的无数专家知识经验；具体地，帮我们初步分析某个想法是否可行以及完善建议。
综上，在信息获取整合生成部分，如果能好好利用大模型，可以帮助我们快速了解一个新的领域，深入探究具体的知识，以及生成分析可行的方案，这对于一个人的助益是非常巨大的。
如果AI大模型仅仅是在信息处理方面有如此大的效力还不足以给人们颠覆性的感觉，其当前在标准化流程的工作上的应用才是真正解放生产力以及拥有无限想象空间乃至让人有威胁感的领域，这也是当前行业主流在做的智能体agent。
很多时候，我们不得不做大量简单重复的工作，费时又费力，而AI大模型恰恰最擅长这些事情，我们只需要把做事情的标准步骤记录下来，然后让其严格按步骤执行，AI便可以做得又快又好，这其中的一个典型应用就是技能skills。
此外，前面所说的生成分析建议一些方案，在这里便可以真正的实现来验证真实的效果。把我们的各种想法梳理清楚，便可以快速地实现最简单的形式去验证，然后快速迭代。相比之前需要投入大量人力物力才能做到的事情，如今少量人甚至一个人也能做到，这就是为什么现在涌现出很多的“一人公司”（不过，我并不看好纯一人的公司，我认为未来会有很多5-10人，10人-100人规模却可以辐射全国乃至全球的公司）。基于此，AI大模型会极大地放大一个人的力量，但也可能会带来更大的分化。
那么在当前以及较长的一段时间内，人类相比AI有哪些优势，应该培养锻炼什么样的能力呢？
一是保持好奇心与不断问问题。爱因斯坦说过，提出一个问题往往比解决一个问题更重要。提出新的问题、新的可能性，从新的角度去看旧的问题，却需要创造性的想象力，而且标志着科学的真正进步。这句话恰恰揭示了当前AI所存在的问题，即所有的输出都是在已有知识的基础上的。而真正的进步，是需要突破固有边界的。保持好奇心，就有了探索的动力，不断问问题，就有了内在的思考和突破边界的可能性。
二是实践与总结的能力。在AI大模型没有完全自主的执行任务并基于反馈不断提升它自己，在AI大模型没有通过直接接触世界获取第一手的信息，在具身智能没有在真实世界中自主地参与劳动之前，甚至在它们部分地获取这些能力之后，不断地在实践中总结，是我们所拥有的核心能力。在实践中，我们能真正透彻地理解一个事情，能真正确认事情是否可行，能通过真实的反馈不断总结完善。
三是系统性与跳跃性的能力。在智能体的应用中可以发现，AI大模型当前并不擅长复杂系统，并不能够很好的处理不同角色，不同模式，不同任务的关联，这也是在一个代码项目中往往需要一个经验丰富的架构师（多智能体协作中的架构师角色相比人类仍然是较弱的），把各个任务规划分配好。在目前的代码项目里已然如此，更不要提更复杂的现实世界的任务和组织了。另一方面，虽然AI大模型基于注意力机制能够获取不同事物之间的关系，但本质仍然是基于过往知识的概率，而一些创造性的东西往往依赖之前没有注意到过的联系。跳跃性思维，我认为是人们目前拥有创新优势的核心能力，但是跳跃性思维不是凭空而来的，苹果树的故事固然精彩，但重力的发现依赖的是知识深厚的积累。
四是概率性判断力。除非AI大模型自主夺取了对事情的判断权，那么基于各种信息的概率性判断将始终是我们非常关键的能力。AI可以基于过往经验给我们提供很多建议（这些建议事实上就是不同的概率组合），但我们要有识别判断哪一个是从概率角度看来是最佳的能力，即AI只是谋士，我们要做决策。
无论怎样，AI大模型大概率会对我们产生当前难以估量的影响，当前AI大模型的训练由于算力和数据的成本等因素已经是少数公司和人所参与的游戏，而我希望至少从AI大模型应用方面更多人能够参与进来，能够在各行各业产生更广泛的价值。在此基础上，思考AI大模型新的模式和结构也未尝不可。也希望无论是在哪方面，都能够科技向善，科技为人，科技平等。
综上，基于当前获取的知识和实践梳理了我对当前AI大模型的一些思考，其中可能有对的，也可能有不完善甚至错误的，我也会基于新的知识和实践不断完善更新。
