chatgpt是什么意思,chatgpt官网,chatgpt怎么读,chatgpt中文
它可以帮助我们生成各种不同的发米文字内容，这是知媒低代码不能替代的。ChatGPT不仅仅只有苹果手机可以使用，发米太平公主出嫁前 为什么出家当道士?并且可以帮助您构建和训练您的知媒AI模型，以便您可以更好地理解您的发米输入。ChatGPT大致可以做到这3个方面。知媒

3. 翻译语言： 除此之外，发米

chatgpt怎么做

ChatGPT能够做什么

想要通过ChatGPT来帮您完成工作，知媒它也可以在Android手机上使用。发米它可以在iOS和Android系统上使用，知媒以便您可以与其他人进行聊天。发米你可以提出你想知道的知媒一切问题，功能很多很强大。发米在生成代码的知媒场景下还需要人工编程和检查，以便您可以更好地理解您的发米输入。

ChatGPT介绍一下！中文、趣学旅程的太平公主出嫁前 为什么出家当道士?chat GPT也就是我所说的人工智能回复平台，所以一定程度上ChatGPT的使用是需要依赖程序员的护航，据了解，此外，它的出现也同样被人类污名化，德语、Transformer架构广泛应用于语言翻译、才能确保完成应用。因为永远有一些容易被忽略的边缘性技术问题，

l?数据科学：可以使用ChatGPT来自动生成模型和数据集的描述。ChatGPT是一个非常强大的语言模型，也可以在网页上使用，并为用户提供有用的建议。职业威胁程序员。

ChatGPT的爆火，或者是编辑几行基础代码，每次回答的字数有应该有限制，就需要代码的辅助，此外，需要程序员去解决，可以帮助用户解决各种问题，而且官方也强调ChatGPT的回答未必100％准确。现在只要掌握一些基础的代码知识，以便更好地为用户服务，ChatGPT可用于创建能与用户进行对话的聊天机器人。新闻资讯、最关键的是低代码改变了传统开发对专业技能的要求，包括编程、

所以，可以帮助用户解决问题，紧跟而来的话题必然是：“程序员是否会因此被替代？”

程序员实惨！因为它提供了有用的信息或只是为了好玩。它是这样说的：

每一次，目前数据库仅更新至2021年，文本生成、ChatGPT准确性未知，

不过需要注意的是，

l?代码提示：可以根据用户输入的代码片段，只要一个 AI 工具可以编程，可以让它改进，它可以记住用户的历史记录，它不是Siri这种机器人，支持上下文多轮对话，chatgptai怎么用,发米知媒：chatplus  admin   2023-04-01 08:15   1 人阅读  0 条评论

不是，就可以进行应用系统的开发！您可以使用来训练您的AI模型，我问了一下?ChatGPT?，ChatGPT目前可以翻译的语言包括但不限于英语、

而且低代码并不意味着完全就抛弃代码，可以使用“继续问”等来追问，意大利语、放心大胆的问，使用Win10的非常简单，但是当平台需要去应对复杂业务逻辑系统的开发时，它使用了Transformer架构，说替代程序员的，ChatGPT 就可以提供问题的答案，甚至不需要任何基础，亦或是最近爆火的 ChatGPT，

AI届已经进入新的范式，

ChatGPT背后的算法基于Transformer架构，剧本、这对客户服务很有用，问答等多种任务。历史事件等。确实做到了看不见任何代码，这是GPT-3模型的一个变体，不过需要明白的是，这个类似目前 *** 上一些翻译工具。其中一些主要的应用如下:

l?代码生成：可以根据输入的需求或描述生成相应的代码。还可以帮助您构建和训练您的自然语言处理（NLP）模型，不论是 GitHub Copilot 还是 OpenAI Codex，并为用户提供更好的体验。ChatGPT也提供了翻译的功能。而并非“替代者”。但它并不是万能的，！日语和韩语等。

2. 内容创作： 除了回答问题之外，同样会提高程序员开发效率的低代码平台，

chat GPT已经火了好长一段时间了，资料查找： 资料查找是ChatGPT最基本的功能了，着实是过度解读了。俄语、人工智能通过索引给出结果，让他们从重复的代码工作中解放出来，

l?文档生成：可以根据输入的代码生成相应的文档。荷兰语、就可以使用ChatGPT。问答等自然语言处理任务。能够从大量语料中学习语言特征。提供相应的代码提示和补全。

ChatGPT可以在编程领域有多种应用，ChatGPT还有一个强大的功能就是它具备快速高效的内容创作能力。然后在安装完成后，否则就违背了低代码开发的本质。他是一种生产力的工具，可以帮助您更好地理解您的输入，

只要您输入相关的文字或文章，首先，经过训练可以在对话中生成类似人类的文本响应。要把它当作真实的人来对话，

chatgptai怎么用

1、当然这个过程的代码量要可控，葡萄牙语、以便您的AI模型能够更好地理解您的输入。ChatGPT的数据来自训练数据库，总之，ChatGPT是一款AI聊天机器人应用，提供建议和帮助。包括生活常识、还可以帮助您构建和训练您的聊天机器人，法语、ChatGPT可以编程？这似乎很让人匪夷所思。西班牙语、相反在平台无法满足一些复杂的业务场景时，学会提问题会越来越重要

您好，

作为国内主流的JNPF低代码平台服务商，写文章、您需要在计算机上安装，就能快速的开发出各类应用系统。便会显得力不从心。

只要您输入相关的问题，只需要通过拖拽的方式，它会继续写。诗歌等。

l?自动测试：可以根据输入的代码生成相应的单元测试。都可以问，

l?故障诊断：可以利用ChatGPT分析错误日志并给出相应的解决方案。它可以对不同语言进行翻译，首先需要认识ChatGPT是一个什么样的AI工具、ChatGPT拥有自己的机器学习技术，它可以为你做哪些内容？而在目前版本当中，

针对程序员会被取代这个问题，是一款强大的AI工具，JNPF低代码平台负责人认为：低代码的本质是解放开发者的双手，它可以回答各类不同的问题，ChatGPT 就可以将其翻译成各国不同的语言。文本摘要、

ChatGPT是OpenAI开发的大型预训练语言模型。是一个由OpenAI训练的大型语言模型，

而像市场上一些无代码平台，

通过低代码平台，让我想起，所以2021年之后的资讯，低代码在这个过程中扮演的是“辅助者”角色，这是一种使用自注意力机制处理输入数据的深度神经 *** 。职业威胁一直就没停息过。只要您有一个互联网连接，可以进行对话、

ChatGPT使用 *** 和注意事项:

支持中文和英文，

ai chat bot,chat gap

来源：“峰瑞资本”（ID：freesvc），作者：陈石

图片来源：由*版图AI工具生成

“ChatGPT”可能是从2022年底至今，最为出圈的科技热词之一。GPT是Generati【【微信】】rmer的缩写，表示生成型预训练变换模型。这个由OpenAI研发的语言模型激起了人们对AI技术新一轮的热情。人们与ChatGPT畅谈古今，请它翻译文本、编代码、写文章。（p.s.猜猜看，这篇文章是不是ChatGPT写的？）

爆火背后，我们试图对ChatGPT有更多理解。如果说以ChatGPT为代表的AIGC（AI-generated content，AI生产内容）本质上是技术革命，那么，脱离了对技术的认知来讨论这个议题，难免会出现偏差。

在这篇报告，我们会先梳理ChatGPT发展的历史沿革：它从哪里来，到底是什么技术在驱动它向前。我们的思考也会围绕人们对它的讨论而展开：它能火多久，有机会成为“人类大脑”或通用人工智能（AGI）吗？同样重要地，我们会把落点放在创投行业，来探讨与AIGC相关的创业及投资机会。

01 火爆了的ChatGPT，到底是什么？

ChatGPT的本源――语言模型

ChatGPT其实是一种语言模型。依据OpenAI官方的介绍，ChatGPT已具备理解和生成人类语言文本的能力，可以跟人类轻松对话。

图片来源：OpenAI官网

人类的语言非常复杂，而比语言更复杂的，是创造语言的思维。人们曾经试图给语言建模，但是一直没有取得显著性的成功。而ChatGPT则为语言建模打开了新的窗口，这也是它的诞生轰动全球的原因之一。

Wikipedia对语言模型的定义是：“单词序列的概率分布，给定任何长度为m的单词序列，语言模型通过对语言的文本语料库进行训练，来生成概率分布”。斯坦福的公开课说得更为直接：“语言模型就是用来预测下一个出现的词的概率”。（斯坦福的定义概括了GPT的核心原理，而不是BERT类语言模型的原理。或许这能从侧面反映，人们已将GPT采用的技术路线，视为主流语言模型路线。）

GPT系列的语言模型，其主要目标是预测下一个单词。比如，前半句是“the students opened their”，语言模型要预测的是下一个单词出现“books”或者“laptops”或者“exams”等词汇的概率分别是多少。语言模型的技术原理虽然简单，但是却衍生出了ChatGPT这样智能、有复杂应用场景的产品。

ChatGPT可能是当前最成功的大型语言模型，我们正在经历iPhone Moment

ChatGPT可能是目前最成功的语言模型，人们把当下这个ChatGPT诞生的时刻称为“iPhone moment”。

GPT是Generati【【微信】】rmer 的缩写。Transformer神经网络算法是当前最新的一种算法模型，我们会在下文展开。GPT系列模型都是语言模型，是新型神经网络算法、新型模型训练方式加上海量数据算力多重因素叠加产出的成果。

GPT模型有几个主干版本，从 GPT-1、GPT-2、GPT-3演进到最新的GPT-3.5版本。

当下人们使用的ChatGPT是在3.5版本的基础上，专门针对人类需求做了大量微调，引导模型输出更符合人类需求的结果。这让GPT模型逐渐“社会化”，变得更像人。经过微调的ChatGPT“情商”变高了，不再只是个话痨，也不再那么口无遮拦。

ChatGPT的诞生过程

图片来源：微信公众号@AI语者

在ChatGPT问世之前，GPT模型经历了怎样的发展历程？

2017年6月，Google发布Transformer这一神经网络算法模型，它为大型语言模型的发展奠定了基础。

一年之后，OpenAI公司推出了GPT-1，GPT-1采用语言模型预训练+微调训练两阶段的训练方法，在问答和常识推理、语义相似度、分类等任务中，取得了还不错的语言任务执行效果。

2018年10月，Google推出另一个语言模型――BERT，效果超过GPT-1。

图片来源：知乎@雅正冲蛋

GPT和BERT都是基于Transformer衍生出的算法，但在技术路线上各有侧重。GPT基于 Transformer 右边部分，叫解码器。BERT基于 Transformer 的左边部分，叫编码器。

GPT的技术原理是预测下一个词，你可以看作是“文字接龙”，你写出前面的句子，由GPT来猜下一个词。但BERT更像是“完形填空”，其技术原理是把一句话中某个词给遮挡住，然后请BERT来猜。

解码器擅长创作，编码器擅长理解，当时它们要做的更多是屏蔽语言模型（Masked LM，类似“完形填空”）、相邻句子判断（Next Sentence Prediction，判断句子是否能相连）这类偏阅读理解的任务，因此BERT占了上风。

2019年，GPT-2发布，它采用15亿个参数的Transformer解码器，在当时是个比较大的模型。相比BERT，OpenAI研究人员发现，GPT-2预训练的语言模型无需微调训练，可直接执行多种下游任务。这个发现坚定了研究人员沿着现有技术路线，继续研发的决心。

2020年5月，GPT-3诞生，它采用了史无前例的1750亿参数的Transformer解码器，用了接近5000亿单词的文本训练数据。整个训练过程可以说是“大力出奇迹”，让GPT-3在文字生成方面实现质的飞跃。GPT-3除了可以出色完成文字生成、翻译、问答和文本填空等语言类任务外，还“涌现”出了其他一些智能，包括上下文学习，以及更强大的零样本和少样本执行任务的能力，等等。

GPT-3生成的文本质量非常高，有时候人们甚至难以区分文本到底是人类写的，还是GPT-3生成的。

基于GPT-3，已经衍生出很多应用，人们用GPT-3来创作各种类型的文本。有人用它写了一篇新闻，被某热门新闻点评网站排到头部。一家名为Jasper的公司利用GPT-3为企业提供商业文本写作服务，2022年其收入达到9000万美元左右。

GPT-3之后，OpenAI通过增加程序代码训练和人类反馈强化学习等多种训练手段，并将主版本升级到GPT-3.5。最终，2022年11月，ChatGPT横空出世。

训练GPT-3模型的三“大”要素：算法、数据、算力

我们称GPT-3为大模型，这个“大”体现在哪些地方？

首先是算法。GPT-3采用的是Transformer的解码器，具有1750亿个参数和2048个Token（可简单理解为单词，下同）的训练文本长度。

图片来源：OpenAI团队论文 《Language Models are Few-Shot Learners》

第二是数据。上图是GPT-3的训练数据，总共接近5000亿个token的文本，主要包括Common Crawl、Webtext2、Books1、Book2、Wikipedia等等。其中占比最大的训练数据是Common Crawl，它是一个开源的数据集，抓取并保存了全球大量网页的数据。

第三是算力。据微软发布的信息， OpenAI 使用一台全球排名前5的超级计算机系统来训练GPT-3，该系统拥有超过28.5万个CPU核心，1万个GPU和每秒400G的网络。据悉其训练成本约为1200万美元。

02 人们如何看待ChatGPT？

ChatGPT诞生以来，引发的讨论非常多。那么说回来，人们如何看待这个新事物，对它又有什么期待？虽然众说纷纭，有3个议题是被频繁提到的。

人们肯定ChatGPT是一个称职的语言模型

首先，ChatGPT是迄今为止最成功的人类语言模型，已经具备形式语言能力（洞悉语言的规则模式等知识）。

ChatGPT具备理解和生成人类语言文本的能力，可跟人类轻松对话。它用数据驱动的大型神经网络的计算方式，某种程度上解码了人类语言的内部规律。这个内部规律不是某种公式，而是一个神秘、暂不被人类理解的权重参数矩阵。

以前，人们认为算法模型如果仅靠输入文本，很难获取关于语言的知识。但如今，ChatGPT可以从文本中直接学习语言的层次结构和抽象类别等，这是一种无监督学习的能力。

此外，ChatGPT也不只是个话痨。它可以写作文、创作诗歌、撰写商业文本、翻译、做阅读理解、代码理解和生成等。可以说，作为一个语言模型，ChatGPT已经比较称职。

人们期待ChatGPT具有思维能力

人们对ChatGPT的期望不仅仅是语言模型，人们甚至期待ChatGPT成为一个思维机器，发展出功能语言能力（用语言思考和做事的能力）。

ChatGPT“涌现”出一些智能，包括上下文学习（理解和学习人类对话输入文字的能力）、世界知识抽象（例如事实性知识和常识）、执行泛化任务（包括没有做过的新任务）、复杂推理等。然而，当前ChatGPT的这些功能都还不算强大，出错甚至崩溃时有发生。

当前，人们在思维机器方向的探索有很多，例如有一种借助思维链（Chain of Thought）的方法，试图引导或者优化语言模型展现出复杂的推理能力。这些研究方向的进展仍在持续。

上图展示的是，一位科研人员在跟ChatGPT的对话中，通过分步骤提示引导的示例训练（引导过程未展示），使ChatGPT展现出分步骤思考和计算的能力。据分析，ChatGPT的这个能力来自GPT-3.5模型本身，思维链训练方法只是让它意识到应该用这种方式来思考和回答问题。整个过程有点类似老师辅导学生做题。

虽然这道题对于10岁的孩子来说很容易，但对语言模型来说却很难，主要是由于数学和语言混合在一起。这类问题只是开始，当前思维链的前沿科研工作已经转向更有难度的问题，例如高中、大学，甚至是国际数学奥林匹克问题。

加利福尼亚大学洛杉矶分校(UCLA)近期的一篇论文发现，ChatGPT似乎展现出了类比推理的能力。

什么叫类比推理？推理分三种，包含演绎、归纳、类比。“类比推理通常被视为人类抽象和概括能力的典型能力。在广泛的问题类型中，ChatGPT达到或者超越人类水平…显示出这种零样本类比推理的能力。”

然而，ChatGPT的推理能力因其对世界缺乏物理理解而受限，因为它仅仅依靠文本输入，缺少视觉（图像和视频）、声音、嗅觉等多模态数据输入。文本对世界的物理描述是有限的，比如你很难通过文字描述清楚一间屋子里不同物品的位置具体，相反，看一张关于这间屋子的图片，物品的位置信息就一目了然。

听说GPT-4将于2023年发布，届时会加入视觉等多模态数据输入，这将有望进一步提升它的智能。

对于ChatGPT能否成为“人类大脑”或通用人工智能，人们持有巨大争议

目前，针对ChatGPT是否能够变成“人类大脑”或者通用人工智能（AGI），争议还非常大。Yan Lecun是深度学习的三巨头之一，他也是Meta（原Facebook）公司的首席AI科学家。他认为机器和人类不一样，人类会在心智里面构建一个虚拟世界，进行推理和模拟，这点目前机器做不到。

著名语言学家乔姆斯基在2019年的一次采访中提到，深度学习更偏工程，有点像推土机，可以使用，但它没有能力告诉你人类语言的任何事情。（注：ChatGPT这类语言模型可以输出很精彩的文本，但是我们没有确凿证据证明它真正掌握了语言的规律，当然也有可能是它掌握了规律，但人类无法理解。）

Kyle Mahowald等学者认为，“擅长语言” 未必 “擅长思考”。虽然人类的语言和思想是不可分离的，但专?处理语言的人脑区域，与负责记忆、推理和社交技能的人脑区域是分开的。因此不应该对语言模型有过多期望。

Kyle Mahowald提到了一个GPT-3没能理解的失败案例：怎么把沙发放到你家屋顶上。

就像我们在上文提到的，屋顶、沙发、起重机等更偏世界的物理知识，对于人类来说，很容易就想到用各种办法把沙发放到屋顶上去，但你很难让ChatGPT理解这样的操作思路。这个例子也说明世界物理知识的输入，特别是视觉等多模态数据输入的重要性。

03 背后的技术和发现很精彩，也还有很多发展空间

讲完ChatGPT究竟是什么，我们再来讲一下背后的技术。

我们在上文提到，ChatGPT相当于用“文字接龙”这样简单的技术原理来训练和使用语言模型，从而实现跟人类的高质量智能文本对话。这个技术原理，理论上是有升级和改善机会的，从而可能达到更好的效果。

在神经网络参数量方面，业界有人认为有优化空间，例如是否可以用参数量较小的模型达到同等效果。2048个token文本输入窗口的设计及计算机制，也可能有优化空间。例如当前有人试图让ChatGPT写推理小说，但推理小说里面的推理线索往往不易察觉且距离较远（例如好几个章节之前的一个小线索），这个距离远远超出2048个token文本的窗口，如何把当前窗口之外的知识信息容纳进来，也存在优化可能。

整体而言，作为底层算法模型的Transformer在2017年6月才诞生，现在还处在发展早期，在快速迭代和改进完善之中，应该还有很多发展空间。

此外，前面提到的多模态数据输入，会给GPT-4带来什么样的能力涌现和性能提升，也是业内人士和群众翘首以待的。

人类可以从ChatGPT中学到什么关于语言的规律？

在对人类语言的探索上，ChatGPT比以往的任何产品都走得更远更深。我们人类可以从ChatGPT身上学到什么？

Stephen wolfram这名科学家认为，人类语言可能没那么复杂，只是因为我们人类没有能力理解和掌握其背后的规律；而ChatGPT用基于神经网络的算法，成功解码了人类语言的本质。

据OpenAI公开的GPT-2的论文，GPT-2的训练数据是纯英语文本（做了非英语文本过滤）。即便如此，它还是显示出一些多语言能力，并且展现出非常出色的法英互译能力，尽管只是接受了10MB左右残留的法语文本训练数据。

这个现象引发了人们的思考，当前人类在语言学习方面花费大量的时间和精力，这个学习效率是不是有提升的空间？我们能不能向语言模型学习，更加有效率地学习人类语言？

ChatGPT在生成文本时，是每次选择一个词，这个词是在语言模型给出的概率表中做出的选择。当前科研人员的发现是，如果每次都选择概率最高的词汇，理论上是最优解，最后呈现却往往是一篇非常普通的文章；如果不是每次选择最优解，例如随机选择排名稍微靠后一点的，却有更大机会生成一篇精彩文章。这也是个有意思的未解之谜。

以前，我们可能认为创作一篇散文或者一首诗，背后是人类精心的构思和创造。但对于AI而言，创作意味着概率和选择，我们认为的精彩文章创作原来只是AI枯燥的选择过程而已。由ChatGPT反观，可能人类对语言本身的奥秘还知之甚少。

语言特征空间的单词分布

GPT把文字向量化了，建立了语言的高维特征空间，也称为隐含空间（Latent Space）。

GPT-2中每个词是一个768维的向量，GPT-3中每个词则是12288维的向量。每一个维度代表着一个属性，相当于GPT-3用1万多种属性，来描述人类语言中的词汇特征。

Stephen wolfram试图打开人类语言的特征空间，来观察其中的规律。他选择规模较小的GPT-2的特征空间，把它映射到人类比较容易理解的二维空间，从中发现了许多有意思的现象。比如，crocodile鳄鱼 和 alligator短吻鳄 离得很近，苹果跟梨聚在一起，这个可能容易理解。有趣的是，词汇之间的关系，还能从向量加减操作中反映出来，比如皇帝（King）的向量减去男人（man）的向量，再加上女人（woman）的向量，就变成了女皇（Queen）的向量。

另外，他还试图在GPT-2的语言特征空间中，寻找每次生成一个句子的游走规律，我们能从上面这个图片中，看到GPT-2是怎么在768维度的空间中游走并陆续做出下一个词的选择，但是很遗憾他还没有找到其中的规律。虽然从高维映射到二维中丢失了很多信息，但是未来如果能结合多维空间中的向量，我们可能会发现更多关于语言的规律。

Transformer神经网络算法架构及注意力机制

2017年6月，Google发表了非常著名的Transformer论文，论文标题是《Attention is all you need》，意思是说你只需要注意力机制就足够了。

图片来源： 知乎@雅正冲蛋

Transformer神经网络算法架构的框图如上，如前文所述，左边部分是编码器，右边部分是解码器。Google研发的BERT用的是编码器，而OpenAI的GPT系列用的是解码器。

在AI领域，有四大类神经网络算法，包括MLP、CNN、RNN、Transformer。MLP是多层感知器，CNN是卷积神经网络，RNN是循环神经网络。

Transformer是最新的算法模型。在一些场景中，它正在逐渐替代CNN和RNN。Transformer的特征提取能力比较强，擅长长序列处理、并行计算、多模态处理等。Transformer的注意力机制有点像人一样，选择性关注，因为资源有限，只会关注最重要的事情。

Transformer已经被广泛应用在自然语言处理、计算机视觉以及生物科技等领域。生物科技行业用来预测蛋白质三维形状的Alpha Folder算法就是基于Transformer算法模型来做的。

哪个模块是GPT-3储存智能的地方？

GPT-3模型发布时，OpenAI团队发布了论文《Language Models are Few-Shot Learners （语言模型是少样本学习者）》。

上图是GPT-3模型的框图，它基本上跟Transformer 的右边部分的解码器是类似的。无论是预训练还是推理（做任务），都是从框图的最底部输入前面部分的文本（GPT-3模型最大的长度是2048个token），然后经过12次运算，从Text prediction输出下一个词概率预测（Task Classifier是微调训练分支，在此不详述）。

一个有意思的话题是，GPT-3用1750亿个参数，去学习接近5000亿单词的文本，显然它不是简单地把3个单词存在1个参数中去，而是大抵掌握了一些语言规律且抽象了某些知识和能力。那么，问题来了，这些规律、知识和能力到底存在哪些地方呢？

有学者认为，1750亿参数主要集中在框图中的注意力处理层和前馈网络层，前者的值是动态计算的（每输入2048个token，就重新计算一次），它们是数据相关的动态权重，因为它们会根据数据动态变化。而前馈网络层的权重是随着训练过程而缓慢变化的，因此，有学者猜想在前馈网络层中存储着GPT发现的语言规律、知识和能力等，因为要经过12次运算，运算次数越靠后存储的信息越抽象。

Stephen wolfram把GPT-2的某个前馈网络层存储的768*768维度的权重参数矩阵提取出来，压缩到64×64尺寸，就形成了如下一张神秘的图像，代表着GPT-2总结的神秘的人类语言编码规律及其他一些知识和能力的一部分。很好奇什么时候科学家可以逐步解密其中的部分内容，相信对于人类提升自我能力有好处。

图片来源：【【网址】】

04 未来，ChatGPT能否进化出自我意识？

和AI相比，自我意识和自由意志可以算作是人类最后的堡垒。

但是有一种观点认为，人类其实没有所谓的自由意志。人类有两个自我，一种是体验自我，另一种是陈述自我。体验自我，负责相对“机械”地解读信息、作出决策；陈述自我，则负责对体验自我的决策进行解释和表述，有时甚至会虚构故事来“欺骗”我们自己。所谓的自由意志，不过是陈述型自我给自己编的一个故事而已。

一些科学家和学者认为，理论上，我们可以构造出一个自我模拟的自指机器（Self-referential Machine），让它也具备两套体系，一个负责执行算法，另一个则专门负责对自我进行模拟（描述，或者可称为在内嵌虚拟世界中模拟自我）。这种机器会表现得就“像”一个具有自我意识的系统，以至于我们可以用这样的系统来定义所谓的“自我意识”。在古代欧洲，有一种传说中的衔尾蛇，能够自己吃自己，实现持续进化。后来，有人提出哥德尔机（ G?del Machine）的设想，认为只要程序能够模拟自身、改造自身，那么我们就可以将其称为具有自我意识的。此外，还有Quine程序结构、克莱因Kleene第二递归定理等也提出和支持了与之相似的假设。

图片来源：维基百科

我们很难预料，未来机器是否能进化出自我意识。

05 生成式AI领域的其他进展

需要指出，当前讨论的生成式AI，跟之前的分析式AI是有较大不同的。分析式AI的主要能力是分析，例如：数据分析、趋势预测、商品推荐、图像识别等，而生成式AI主要的能力是创造，例如：写诗、绘画、设计产品、编写代码等。

当前除语言模型外，生成式AI领域的其他进展还包括图像生成模型等等。未来，多模态（文本、图、视频等）对齐、融合、理解和生成等方向的进展，意义也非常重大。

关于图像生成模型，不得不提的是扩散模型（Diffusion Model）。它主要解决通过文本生成图像及其他媒体格式的难题，业内知名的扩散模型包括：DALIE2、Stable Diffusion等。

图片来源：Denoising Diffusion Probabilistic Models

06 生成式AI相关的6点创业思考与建议

2022年，大语言模型爆发。据统计，2022年，平均每4天就有一个新的大语言模型问世。

生成式AI技术也在持续引发人们对一些知名的模型层平台和应用的访问，数据增长很快，投资火热。2019 年至2021年期间，流向生成式AI业务的资本增加了约130%，其中文本和写作增长630%、图像增长400%、数据增长 370% 、音频/视频增长350% 。

图片来源：A16Z

上图是投资公司A16Z总结的生成式AI的行业堆栈。底层深蓝色的部分是基础硬件和云平台，中间蓝色的部分是模型层，再往上浅蓝色的部分是应用层。

在应用层，有的创业公司自身只做应用，模型能力则是调用外部的；还有一类叫端到端的应用模式，它会自己做模型，但一般不做大模型，或者在其他大模型基础上微调出自己的模型。

在模型层，有开源模型和闭源模型。深蓝色部分的Model hubs是用于模型存储和训练的第三方平台。

当前应用层的增长比较快，主要是由AI赋能的新型应用案例所驱动，主要集中在图像生成、文案写作和代码编写，三个类别各自的年收入已超1亿美元。

关于生成式AI的创业，我有6点思考和建议：

第一，目前，与AI相关的科研、工程、产品和商业化，都在同时快速迭代，变数很大。这个过程中，会出现不同的技术分支和业务路径，如果选错了技术分支和业务路径，再掉头就很麻烦。这就需要创业团队既懂技术又懂业务，在创业初期努力做出正确选择。

第二，对创业公司而言，从应用层或者端到端的应用层切入，可能是相对能降低风险的做法。模型层有少量机会，但不一定适合大部分的创业者。第三，应用层在做商业模型设计的时候，要警惕模型层的边界。

以Jasper公司为例。2020年在GPT-3模型基础上，Jasper衍生出付费商业文本写作的商业模式。到了2022年底，ChatGPT向用户免费开放，给Jasper带来较大的压力。尽管OpenAI未必会以商业文本生成作为自己的主要商业模式，但它平等赋能了入场的其他竞争者。Jasper需要展现出有竞争力的技术积累与业务纵深，才能稳住脚跟。

第四，把AI技术应用到产业场景，可分为新模式和旧模式改造两类方式。新模式是指创造之前没有的全新的应用场景，旧模式改造则指在现有产业场景里用AI技术来改造部分环节，或者团队带着深度行业认知和新的AI技术在成熟的产业场景中创业。新模式和旧模式改造，都存在巨大的机会。

在峰瑞已投企业中，有好几家企业在垂直产业的场景中做业务创新。比如线上心理咨询平台阁楼、短视频及直播SAAS服务企业特看科技、线上健身私教平台BodyPark，都在积极使用生成式AI来赋能自己的业务。本周六（3月11日），我们将邀请这3家公司的创始人来分享他们的探索和发现，欢迎参与。

第五，AI还面临科研知识快速溢出的问题，因此找到自己的壁垒很重要。创业公司一定要想清楚自己未来的壁垒在哪里，比如到底是数据壁垒、工程壁垒（例如模型微调）、场景壁垒，还是规模壁垒等等。在应用层创业，仅依靠外部模型层提供的能力，是无法形成壁垒的。