AI走過多少路，才迎來了ChatGPT？

發表于

ChatGPT的橫空出世，引發了人工智能浪潮，科技公司們在人工智能領域的動作和競爭愈演愈烈。

早在57年前，麻省理工學院教授約瑟夫•魏岑鮑姆（Joseph Weizenbaum）就開發了 全球第一個聊天機器人Eliza，將它定位為醫生的助手。 Eliza會主動向病人詢問情況，并根據病人的回答進行接下來的對話。

 

這樣可以根據輸入的文本而進行流暢對話的聊天機器人是前所未有的。盡管患者在向Eliza描述病情時，得到的反饋非常有限，患者們還是很樂于和這個新奇的機器人交流，對Eliza展現出了相當大的狂熱情緒，甚至有人堅信Eliza可以真實理解和感受人類。約瑟夫表示，“我沒想到，普通人只是短暫接觸到一個相對簡單的計算機程序，也會產生嚴重的妄想癥。”

 

ChatGPT的崛起背后是人類幾十年來對人工智能的不懈探索。 人工智能誕生之初，社會各界對AI無比樂觀， 專家甚至表示機器將在20年內完成人類的所有工作。很快， 研究成果的匱乏直接帶來了資金支持的削減和大批項目的流產，極度的樂觀被極度的悲觀取代，AI寒冬到來。 接著， 新技術、新發現又再次點燃了人們對于AI的熱情，使得資金重新注入、進展再次到來。 如此循環往復， 人們對AI的情緒在悲觀和樂觀之間反復震蕩，AI就這樣螺旋式上升發展。

 

AI走了幾十年，ChatGPT才來到了我們面前。人工智能是如何一步步發展起來的？科學家通過什么思路、以哪些方法模擬人類智能？近年來人工智能的迅速發展，以及AIGC行業的大熱，是由什么技術而推動的？以下，Enjoy：

 

 

1

AI誕生：激情與寒冬

 

1956年，一些來自知名大學、企業和實驗室的科學家匯聚在達特茅斯學院，就人工智能領域的研究開展暑期研究項目， AI學科正式誕生。

 

約翰·麥卡錫（John McCarthy）是該項目第一次會議的發起人，也是人工智能一詞的創造者。在《關于達特茅斯學院人工智能主題的暑期研究項目的提議》中，他這樣 定義人工智能： “人類學習的每個方面或智能的任何特征，原則上都可以被非常精確地描述。 人類可以制造出能夠根據這些描述模擬人類智能的機器。 ”

 

在相關領域有所建樹的科學家們相聚達特茅斯，其中不少人在未來成為了圖靈獎和其他獎項的得主。除發起人約翰·麥卡錫（John McCarthy）外，參會的科學家還包括：馬文·明斯基（Marvin Minsky）、克勞德·香農（Claude Shannon）、艾倫·紐厄爾（Allen Newell）、赫伯特·西蒙（Herbert Simon）和奧利弗·塞弗里奇（Oliver Selfridge）等。

在會議召開之前，他們已經對人工智能的實現方式進行了有意或無意的初步探索。

 

人類的大腦可以實現復雜的計算和記憶，靠的是1000億神經元組成的神經網絡。一些科學家從生物學家那里得到靈感，希望用機器模擬人腦的運行， 建立神經網絡就是實現這一想法的主要方法。 馬文·明斯基（Marvin Minsky）就是其中之一。他從學生時代開始就研究神經網絡這一未知領域，在研究生期間，他與同學一起建立了世界上第一個人工神經網絡——隨機神經網絡模擬強化計算器（SNARC）。它由40個“神經元”組成，可以模仿小鼠走迷宮的過程，我們可以從中窺見現代神經網絡的影子。

 

艾倫·紐厄爾（Allen Newell）、赫伯特·西蒙（Herbert Simon）選擇了另一條路。 他們認為運用邏輯推理法則能夠模擬出人腦的思維，這才是人工智能的出路。 二人合力開發了邏輯理論家（Logic Theorist），世界上第一個可以模仿人類一些方面的能力來解決復雜問題的程序。該程序能夠證明數學家阿爾弗雷德·諾斯·懷特黑德(Alfred North Whitehead)和伯特蘭·羅素(Bertrand Russell)的《數學原理》(Principia Mathematica)中前52個定理中的38個，其中某些證明比原著更加新穎和精巧。

 

在更早的時候，神經生理學家威廉·格雷·沃爾特（W. Grey. Walter）在40-50年代進行了另一種嘗試。他雖然沒參加這次會議，但走出了人工智能的另一條路。 他試圖讓機器模仿動物行為，發明了Elmer和Elsie這對烏龜機器人， 它們可以通過一個旋轉的光電管來自我指引，緩慢探索周圍環境，向有光源的地方移動。如果光源過于明亮，它們就會退后并朝著另一個新的方向探索。傳感器感應到障礙物時，它們就會改變方向。

 

 

以上對人工智能實現方式的三種探索分別代表了 人工智能的三種學派——聯結主義、符號主義、和行為主義， 它們迎來過各自的強盛期，但 終究以彼此融合的方式推動了AI研究的發展。

 

1950年，艾倫·圖靈（Alan Turing）發表了劃時代的《計算機器與智能》一文，提出了“ 機器可以思考嗎 ”的重要問題，并提出了著名的“ 圖靈測試 ”以檢驗機器是否擁有真正的智能。圖靈測試的內容是： 如果一臺機器能夠與人類展開對話而不被辨別出其機器身份，那么稱這臺機器具有智能。 直到現在， 圖靈測試也被認為是測試機器是否存在智能的標準。 從那時開始，72年來，人類一直在試圖解決這個問題。

計算機下棋也許是“人工智能”行為最直觀的例子。讓機器自動玩智力游戲并尋求戰勝人類，一直是人工智能領域追求的重要目標之一。因為智力游戲被公認為是智能的一種具體表現，而人工智能的終極目的就是用機器實現人類（部分）智能。 1950年，達特茅斯會議的重要參加者、狂熱下棋愛好者克勞德·香農（Claude Shannon）為《科學美國人》撰文，闡述實現 人機博弈 的方法。這篇論文為計算機下棋的理論研究奠定了基礎，其主要思路在多年后的Deep Blue及AlphaGo中仍能看到。

 

克勞德·香農對于人機博弈的想法很快就變成了現實。在達特茅斯會議召開的1956年，IBM發布了亞瑟·塞繆爾（Arthur Samuel）設計的 西洋跳棋程序 。這個程序能夠通過觀察棋子的走位來構建新的模型，并以此提高自己的下棋技巧。Samuel和這個程序在進行對弈后發現，隨著時間的推移，程序的棋藝變得越來越好。

 

 

之后，AI迎來了飛速發展。1957年，馬文·明斯基（Marvin Minsky）的高中同學弗蘭克·羅森布拉特（Frank Rosenblatt）發明了一種叫 感知機的神經網絡模型 。這是 首個意圖讓機器去學習的機器， 本質是一個模擬單個神經元工作方式的簡單數學模型。Rosenblatt在定制的硬件上用感知機實現了單層神經網絡，并讓它學會去分類一些簡單的形狀，第一次把神經網絡的研究付諸實踐。這就是最初的機器學習。 他的研究不僅開啟了機器學習的浪潮，也成為了后來神經網絡的基礎。

 

這個機器的誕生不但讓Rosenblatt本人空前自信，甚至 表示基于感知機的電子計算機將擁有自己的意識，能夠代替人類進行星際探索，當時的社會對于AI的前景也極其看好。 《紐約時報》在1958年報道，“海軍披露了一臺尚處初期的電子計算機，期待這臺電子計算機能行走、談話、看和寫，自己復制出自身存在意識……Rosenblatt博士說，感知機能作為機械太空探險者被發射到行星上。”

 

本以為感知機的發現是AI發展全盛期的到來，沒想到是寒冬前的短暫巔峰。1969年，Rosenblatt的高中同學Minsky成為了圖靈獎得主，并撰寫了《感知機》一書。他在書中批評了神經網絡的發展，認為神經網絡在當時的情況下不可實現，新晉圖靈獎得主的發言給大熱的神經網絡研究潑了一大盆冷水，神經網絡從天堂來到了地獄。

 

同時，逐漸有學者指出， AI研究者們之前的偉大許諾無一實現，大筆項目資金打了水漂， 政府因此中斷了資金支持，AI研究因此被重創。人們最初對AI有多少美好的幻想和期待，此時就有多少的失望和幻滅。 AI狂熱散去，寒冬來臨。

 

 

 2

ANI誕生：AI應用走出專家系統新路

 

神經網絡的發展受到質疑后，AI寒冬來臨。歸根結底， 計算機的算力不足仍然是AI發展路上的最大障礙。 在20世紀70-80年代初， 大部分人不再尋求通用智能的研究，而是轉向了更小范圍專業任務的AI領域，我們所說的“窄AI”（ANI）一詞也正是誕生在這個時期。

 

在這一時期， AI走上了“專家系統”的應用之路， AI研究迎來逐步復蘇。但AI專家們一改對神經網絡研究的極度樂觀，轉而希望通過符號和邏輯來搭建人工智能體系，用數理邏輯的手段實現人工智能。

 

專家系統是人工智能最活躍和最廣泛的領域之一，也是人工智能的重要分支。 專家系統定義為：使用人類專家推理的計算機模型來處理現實世界中需要專家作出解釋的復雜問題，并得出與專家相同的結論。簡言之，專家系統可視作“知識庫(knowledge base)”和“推理機(inference machine)”的結合。

 

1965年，根據NASA的要求， 斯坦福大學創造出來了世界上的第一個專家系統DENDRAL。 這是 世界上第一個主要借助能解決問題的知識，而非先進技術本身運行的成功程序。

 

DENDRAL背后的男人叫做費根鮑姆（Edward·Albert·Feigenbaum）。他進入卡內基理工學院（卡內基梅隆的前身）攻讀電子工程(EE)本科時才16歲，并在這里遇到了引發他關于人工智能興趣的重要老師、達特茅斯會議的關鍵參會者赫伯特·西蒙（Herbert Simon）。本科畢業后，費根鮑姆留校任教，后于1964年來到了斯坦福大學。在這里，他見到了李德伯格（Joshua Lederberg），一位在33歲就斬獲了諾貝爾生理學獎的遺傳學大師。

 

李德伯格早年深受“萊布尼茨之夢”影響，希望能借助符號計算，把人類思想還原為計算的普遍語言，再制造出一個能執行該計算的強大機器。他和費根鮑姆一樣對科學哲學非常熱愛。他們相遇的時候，李德伯格正在研究火星上是否有新生命，而費根鮑姆正在研究機器歸納法（也就是現在的機器學習），一個有火星來的數據，一個有最先進的方法，兩位一拍即合。

 

盡管如此，二人在實際開發過程中，發現他們缺少研發一個化學系統最關鍵的東西——專業化學知識。于是，他們找上了斯坦福的化學家翟若適（Carl Djerassi），翟若適更為人所知的發明成就是避孕藥。三人合力下，1965年，DENDRAL誕生了。DENDRAL 接收到輸入的數據后，可以自動生成輸出給定物質的化學結構。 DENDRAL也可以被視作是科學家嘗試利用早期計算機實現科研自動化的一種嘗試。

 

 

DENDRAL讓人工智能的研究者們明白，智能行為需要大量的知識作為基礎。他們也因此開始研究如何建立能夠以知識來解決輸入的問題的程序。

 

DENDRAL的核心成員布坎南（Bruce G. Buchanan）在DENDRAL大獲成功后，開始尋找新的方向。很快，他把目光投向了醫學領域。他邀請醫學專家肖特萊福（Edward Shortliffe）參與到項目中來，兩人牽頭開發了 醫療專家系統MYCIN。

 

該系統于1973年開始研制，1974年基本完成，1976年發表。MYCIN具有內科醫生的知識和經驗，可用于血液感染病的診斷、治療和咨詢服務。MYCIN 的處方準確率高達 69%，遠遠優于非專科醫生，就算與當時專科醫生的80%準確率相比，MYCIN也并不遜色太多，肖特萊福因此獲得 1976 年 的霍普（Grace Murray Hopper）獎，該獎項是ACM專門為青年計算機科學家設立的。

 

MYCIN系統采用了“知識庫”（Knowledge Base）、“推理機”（Inference Engine）的系統結構，引入了“可信度”的概念，進行非確定性知識推理，能對用戶的咨詢提問進行回答解釋，并給出答案的可信度估計。MYCIN是功能較全面，結構較完善的專家系統。它的研制成功，為其他許多專家系統的研究與開發提供了范例和經驗。

 

之后，MIT又研發了 MACSYMA系統作為一位數學家的助手 。經過持續改進后，該系統可以解決超過600個數學問題。這些專家系統的成功得到了學界和業界的廣泛認可。許多研究者也因此認為，知識表達，知識利用，和知識獲取是人工智能系統的三大基本問題。

 

專家系統作為一個時代的人工智能應用標志性產物曾風靡一時，然而，1980年代以來，專家系統的問題也逐漸暴露出來，如應用范圍狹窄、昂貴的專用硬件支持、算法成本過高、推理機制不完善等等…… 單一的 專家系統逐漸轉向能夠解決更復雜問題的基于框架的專家系統等，但還是不復往日輝煌。

 

AI應用發展遇阻的同時，理論界雖有突破，但也不足以提振整個AI行業。

 

1985年，為了更好地開發醫療專家系統，增加治愈疾病的可能，裘德·珍珠（Judea Pearl）提出 貝葉斯網絡 (Bayesian network)，又稱信念網絡(Belief Network)，以從概率上對相關問題進行分析。 社會對神經網絡的進展反響樂觀，媒體報道稱：可以采購到神經網絡程序，用于診斷心臟病。

次年，大衛·魯姆哈特（David·Rumelhart）、杰弗里·辛頓（Geoffrey·Hinton 等人提出了 反向傳播算法 ( Backpropagation algorithm )，也就是我們通常所說的 BP算法 。 BP算法是現在的深度學習中仍然被使用的訓練算法，奠定了神經網絡走向完善和應用的基礎。 BP網絡是前文提到的感知機的層次化，而多個BP網絡的層次化也將在未來帶來進一步技術升級。

 

這是神經網絡復興的關鍵一步， BP算法的大獲成功給了科學家重拾神經網絡研究的激情與信心。 然而， 計算機算力的限制還是未能使得理論在應用中充分發揮出效果。 沒過幾年， AI發展迎來了第二次寒冬。

 

與此同時，針對計算機進行的研究也在持續開展，一些大事件發生了。專家系統發展的70-80年代，蘋果、IBM陸續推出第一臺臺式機，個人計算機的出現將在未來變革人類的工作和生活方式。日本在80年代初野心勃勃，提出用8.5億美元開發第5代計算機——人工智能計算機以引領世界，卻終于在1991年宣布計劃中止，上億美元都打了水漂。

 

直到90年代末， IBM的超級計算機”深藍“問世，擊敗頂尖棋手， AI發展才漸有回暖跡象。 之后我們來到21世紀，自動機器人取得長足進步，掃地機器人、跳舞機器人等機器人層出不窮，吸引著人們的目光。隨后，谷歌率先以語音識別應用開啟數字化語音助手的潮流，AI應用越來越多地回歸到人們的視野中。

 

 

 3

AIGC爆發：ChatGPT攪動風云

 

AIGC可謂是今年最熱的話題，各類內容生成模型不斷更新著我們對AI的認識。事實上， AIGC的爆發背后是深度學習技術十余年來的快速發展。 谷歌、DeepMind、OpenAI等公司和實驗室也正是借了深度學習技術發展的東風，才能頻繁帶著我們所熟悉的AI成果出現在大家面前。

 

那么深度學習是什么呢？拋開復雜的概念不談，簡單來說，深度學習從底層模擬人腦神經元的主要工作機制，通過計算機對數據的復雜運算和優化實現人工智能。深度學習是機器學習的一種，使得機器學習領域有了新的突破。李開復在《人工智能》一書中以識別圖中的漢字為例，講解了深度學習的概念：

 

假設深度學習要處理的信息是“水流”，而處理數據的深度學習網絡是一個由管道和閥門組成的巨大水管網絡。網絡的入口是若干管道開口，網絡的出口也是若干管道開口。這個水管網絡有許多層，每一層由許多個可以控制水流流向與流量的調節閥。根據不同任務的需要，水管網絡的層數、每層的調節閥數量可以有不同的變化組合。對復雜任務來說，調節閥的總數可以成千上萬甚至更多。水管網絡中，每一層的每個調節閥都通過水管與下一層的所有調節閥連接起來，組成一個從前到后，逐層完全連通的水流系統。

 

深度學習和這些AI巨頭的故事要從十年前（2012年）的一篇論文講起。這篇論文開啟了難以阻擋的歷史洪流，而谷歌等科技公司正是乘上了這股洪流，在搜索引擎、翻譯軟件、聊天機器人等領域帶來了Google Photos, Google Translate, Uber, Alexa, DALL-E, AlphaFold, ChatGPT等令人印象深刻的現實成果。

 

在介紹論文之前，也許你還記得在這篇論文發布的前一年，2011年，一件轟動世界的比賽把人類的目光聚焦于AI。那一年， IBM研發的Watson參加了美國家喻戶曉的電視智力競賽節目Jeopardy!，并打敗了人類冠軍Ken Jennings， 震撼了無數電視機前的觀眾，也讓社會對Watson的信心一路飆升。

 

Watson采用了100多項與自然語言處理、知識問答相關的技術，利用節目40多年的問答進行訓練，儲存了數百萬份資料，可以在3秒內給出一個問題的回答，可以說在當時已經非常智能。IBM認為這只是Watson輝煌的開始，并承諾將把Watson打造為一個在醫院、農場、辦公室和工廠通用的熱心機器助手，變革醫療、金融、法律和學術等領域。

 

然而，IBM的數百萬美金都付之東流，結果現在我們已經知道，Watson沒能重塑任何一個行業，IBM這步走得并不到位。科學家David Ferrucci解釋道， Watson是針對益智類游戲設計的，它能夠識別詞組，并預測正確的答案，卻遠遠沒有準備好正式進入商業世界。 盡管在AI領域深耕數十年之后，IBM并沒有通過Watson取得歷史性的成功，但Watson帶給整個世界的巨大震撼以及對于其他公司AI發展的引領作用仍然是不可否認的。與此同時，一些公司已經準備好接過IBM的接力棒，引領2010年代的AI潮流。而這就要回到2012年的那篇論文。

 

這篇2012年發布的論文題目是《 使用深度卷積神經網絡實現ImageNet數據庫分類 》，由“深度學習之父”杰弗里·辛頓（Geoffrey Hinton）和他的兩位博士生亞歷克斯·克里熱夫斯基（Alex Krizhevsky）和 伊利亞·蘇茨凱弗（Ilya Sutskever，他正是后來OpenAI的聯合創始人和首席科學家，開發了GPT、CLIP、DALL-E、Codex等模型）完成。

Ilya Sutskever（左）、Alex Krizhevsky（中）和 Geoffrey Hinton（右）

該論文闡述了他們使用ImageNet數據庫創建了一個名為AlexNet的開創性神經網絡，AlexNet在各種圖像的分類方面都要比以往任何方法準確得多。在著名的ImageNet圖像識別大賽中，AlexNet拿下冠軍。在這場比賽中，參賽者必須使用自己的系統來處理數百萬的測試圖像，并且以盡可能高的準確率進行識別。AlexNet贏得了比賽，錯誤率不到亞軍的一半。AlexNet的Top-5錯誤率是15.3%；而在2012年以前，最好成績是26%的錯誤率。 該論文成功解鎖了計算機視覺乃至整體深度學習的全面進步，將深度學習推向主流。

 

深度學習作為機器學習的分支，引領了接下來十余年的人工智能領域的發展。 深度學習的興起標志著數字技術的構建方式出現了根本的改變。工程師們不再細致地定義機器應該如何運行規則和代碼，而是打造可以通過自身經驗學習任務的機器，這些經驗包含了巨量的數字信息，甚至沒有人能完全理解。

 

獲獎后，Hinton成立了一家名為DNNresearch的小公司，為了把它賣出個好價格，他決定組織一場拍賣。 四家公司加入了這場競拍，包括我們所熟知的國內大廠百度，國際巨頭谷歌和它的老對手微軟， 還有一家剛成立不過兩年的英國實驗室。這家實驗室就是 DeepMind 。當時還沒有人想到，它將成為這個時代最著名且最有影響力的人工智能實驗室，在人工智能領域為世界帶來一次又一次驚喜。

 

百度出價1200萬美元，但 谷歌最終贏得了這場拍賣，順便攬下了獲獎者Alex Krizhevsky 和 Ilya Sutskever,還在兩年后收購了DeepMind。 當時的DeepMind被認為是最有可能研發出AGI（通用人工智能：具有一般人類智慧，可以執行人類能夠執行的任何智力任務的機器智能）的實驗室，谷歌收購DeepMind后實力大增，極有壟斷AI行業的可能。 為了對抗這種可能性，OpenAI于2015年誕生了。

 

盡管主流研究還集中在ANI的研究（如機器視覺、語音輸入等），OpenAI從創立起，每一位參與者都堅信AGI是可行的，他們希望能夠研制像人一樣思考、能夠應用于多種途徑的機器智能。OpenAI以非盈利組織的形式成立，承諾發布研究成果并開源所有技術，匯集了眾多理想主義的技術大牛，也吸引了不少投資。

 

這一年（2015年），神經網絡研究再次迎來突破，Hinton所參加的ImageNet競賽迎來了新冠軍。何凱明在這年提出了ResNet深度殘差網絡，這是世界上第一個上百層的深度神經網絡，開創了深度學習領域的里程碑。人工智能研究開始嘗試輸入更高量級的數據，以更精確地模擬人腦。

 

2016年， DeepMind所發布的AlphaGo已經擊敗了世界圍棋冠軍李世石，震動世界。 人機大戰最終局結束后，李世石獨自一人掩面坐在棋盤前。這場比賽主動挑戰執黑的李世石沒能再次展現出“神之一手”，最終180手投子不敵AlphaGo。而人類VS人工智能也最終以1：4落下大幕。

 

 

李世石表示，“如果我再次與AlphaGo比賽的話，我不確定我能不能贏。在心理和技術上，我覺得人類已經很難趕上AlphaGo了，它已經做得很好了。”李世石失利后，不少棋手表示要為人類挽回顏面。

 

次年（2017年），世界排名第一的圍棋冠軍柯潔0：3不敵AlphaGo， 人工智能的威力再次得到彰顯，AlphaGo自此不再參加圍棋比賽。10月，DeepMind發布了AlphaGo Zero。與學習大量人類棋譜的AlphaGo不同，AlphaGo Zero是自學成才類選手，自己和自己對弈，學成后以100：0的戰績碾壓前輩AlphaGo。

 

12月，谷歌緊鑼密鼓地發布了AlphaZero。這次，棋類AI終結者真的來了。它發揚了Alpha家族“后浪推前浪”的光榮傳統，輕松擊敗了早出生兩個月的AlphaGo Zero，還拿下了當時最好的國際象棋引擎Stockfish以及日本將棋程序Shogi。而AlphaZero完成這些成就之前自我訓練的時間更是讓人驚異：國際象棋9小時，日本將棋12天，圍棋13天。只靠十幾天的努力，它就下出了人類畢生努力也難達到的水平。

 

在人工智能在圍棋領域已無敵手的這一年， 谷歌繼續一路開掛，發布了空前強大的Transformer模型。 Transformer 被廣泛認為是當時世界上發明最新和最強大的模型之一， 一些人把它帶來的人工智能領域方面的進步稱作transformer AI。Transformer擁有強大的表征能力和并行計算優勢，直到現在也深深影響著我們：我們在谷歌或必應瀏覽器上的每一次搜索，都與它有關。斯坦福大學的研究人員在2021年8月的一篇論文中將Transformer稱作“基礎模型”，認為它推動了AI的范式轉變。最近大火的ChatGPT的GPT模型中的T就來自于Transformer。

 

谷歌團隊將Transformer模型概括為一句話：Attention is All You Need. 這是一個完全基于注意力機制的編解碼器模型Transformer，完全拋棄了之前其他模型引入注意力機制后仍然保留的循環與卷積結構，在任務表現、并行能力和易于訓練性方面都有大幅提升，因此也成為了后續機器翻譯和其他許多文本理解任務的重要基準模型。

 

Transformer可以讀取許多單詞或句子來訓練模型，充分理解詞之間的相互關聯，并預測接下來出現的詞。Transformer架構不斷發展并擴展到多種不同的變體，從語言任務擴展到其他領域。該模型應用相當廣泛，可以實時翻譯文本和語音，保證聽障者也可以順利參會；可以幫助研究人員了解DNA中的基因鏈和蛋白質中的氨基酸鏈，加快藥物設計進程等等。前者應用如谷歌翻譯，后者應用的例子就是大名鼎鼎的AlphaFold。

 

2020年， DeepMind的AlphaFold在國際蛋白質結構預測競賽上擊敗了其余的參會選手 ，再次爆紅。 AlphaFold能夠精確地基于氨基酸序列，預測蛋白質的3D結構。 其準確性可以與使用冷凍電子顯微鏡（CryoEM)、核磁共振或X射線晶體學等實驗技術解析的3D結構相媲美。DeepMind創始人哈薩比斯表示，這對于DeepMind來說是一個非常關鍵的時刻， DeepMind為此投入了巨大的人力及其他資源，以達成其解決這個非常重要的、現實世界的科學問題的目標。

 

該消息引起巨大震動。前基因泰克首席執行官亞瑟·萊文森（Arthur D. Levinson）博士稱這一成就為 “ 劃時代的進步” 。有評論稱，AlphaFold必將成為科研“第四范式”時代的標志性事件，徹底變革科研方式。“第四范式”時代是圖靈獎得主吉姆·格雷（Jim Grey）在去世前最后一次報告中預測的內容，他認為未來的科研發現都將建立在大量數據基礎上，科學家將借助算法自動形成推論，最后通過現實實驗確認。

 

 

看到這里，谷歌似乎已經在人工智能領域占據了絕對優勢，難以被其他公司所趕超。然而改變已經悄悄發生。

 

2022年是AI的變革之年，也是AIGC元年。 人工智能深度學習的快速發展所帶來的深度神經網絡技術在大模型和多模態兩個方面不斷突破。OpenAI等企業持續發力， 以 Stable Diffusion 為首的一眾 AI 畫圖框架或者平臺，以及其他類似的音視頻生成等平臺接連發布， 引起巨大轟動。AIGC成為繼PGC、UGC后最新的內容生產方式。AIGC時代下，人人都是創作者，只需一些簡單的描述，精美的圖文或視頻就出現在用戶面前。

 

2022年8月，美國科羅拉多州，一位毫無繪畫基礎的參賽者在當地舉辦的新興藝術家競賽中獲得了一等獎，引發多方爭議。而這位參賽者正是借助人工智能，生成了下面這幅精美的AIGC繪畫作品《太空歌劇院》。

 

 

在AIGC潮流下，谷歌順勢而上，一口氣在2022年年末發布四款AIGC產品：文本圖像模型Imagen、AI寫作協助工具LaMDA Wordcraft、結合Imagen Video和Phenaki的超長連貫視頻生成模型、無需任何訓練的音頻模型AudioLM。

 

然而，OpenAI沒能讓谷歌過個好年。OpenAI在2020年投喂海量數據、更接近人腦的超大基礎模型GPT-3模型上持續提升，終于在 2022年11月，ChatGPT橫空出世， 憑借其有反饋的交互式問答和像與人聊天一樣的聊天體驗成為了AIGC領域最閃亮的新星和毋庸置疑的代言人，其龐大的用戶體量和討論度令人震驚。OpenAI不忘初心，以強有力的姿態出現并打破了谷歌的壟斷。谷歌匆忙迎戰，短短幾個月就推出Bard，然而Bard對谷歌談不上加成，因為答錯簡單的問題引發群嘲，進一步驗證了ChatGPT的強大。

 

如今的ChatGPT在文本方面引領熱潮，通過引入RLHF機制，持續優化模型效果，能完成問答、詩歌創作、代碼寫作等，可以說是非常全能。在ChatGPT引發的潮流之下，多個科技巨頭加碼布局交互式文本。

 

同時，其他AIGC產品的集中發布，從效率、質量、多樣性等方面為內容生產帶來了巨大變革。新一代AIGC模型可以處理文字、語音、代碼、圖像、視頻、機器人動作等格式，為用戶帶來AIGC時代的內容生成新體驗。

 

 

 4

真正的AGI還會遠嗎？

 

1996年，IBM的超級計算機深藍大戰人類國際象棋冠軍卡斯帕羅夫，卡斯帕羅夫是世界上最富傳奇色彩的國際象棋世界冠軍，這次比賽最后以4：2比分戰勝了深藍。這是全世界第一次感到計算機智能水平有了質的飛躍的時刻。

 

卡斯帕羅夫在22歲就成為了最年輕的國際象棋世界冠軍，在與深藍交戰之前和之后都獲得了無數世界冠軍。盡管他在代表人類對弈深藍時失敗，但一幕將永遠被歷史銘記。卡斯帕羅夫對自己的失敗也表示出了高度樂觀：

 

機器的勝利，也是背后開發者的勝利。 機器先是取代了人的體力勞作，現在正給有大學學位的腦力工作者帶來壓力。作為一個跟機器斗爭過并敗下陣來的人，我要說這是個好消息。如果這種壓力消失，就意味著技術停止進步了。真正重要的是人類與機器一起生活工作的感受。如果我們想最大程度地利用科技，就必須直面我們的恐懼。

 

卡斯帕羅夫也許可以給現在因為ChatGPT而感到驚喜和沖擊的我們一些思考。如今，OpenAI引領AGI（通用人工智能）的探索，或許在不遠的將來，AGI時代真正來臨，我們將面對一個意想不到的、完全不同的世界。

 

在AI的螺旋式上升發展過程中，挑戰和機遇并存，驚喜和意外同在，人們的樂觀和悲觀情緒更是時常轉換。而我們能做的，只有在科技發展這條不可逆行的快車道上，以勇敢和樂觀擁抱人工智能，將人工智能為我們所用。

 

References:

1.Eliza:The Chatbot Who Revolutionised Huamn-Machine Interaction[An Introduction],medium，https://medium.com/nerd-for-tech/eliza-the-chatbot-who-revolutionised-human-machine-interaction-an-introduction-582a7581f91c

2.達特茅斯官網：https://home.dartmouth.edu/about/artificial-intelligence-ai-coined-dartmouth

3.Claude E. Shannon:Founder of Information Theory, Scientific American,https://www.scientificamerican.com/article/claude-e-shannon-founder/

4.Alan Turing and the Turing Test, Turing Organization,https://www.turing.org.uk/publications/testbook.html

5.The Robot Scientists Are Coming. But That's Not a Bad Thing, Discover,https://www.discovermagazine.com/technology/the-robot-scientists-are-coming-but-thats-not-a-bad-thing

6.Meet the Roomba's Ancestor" The Cybernetic Tortoise,IEEE Spectrum, https://spectrum.ieee.org/amp/meet-roombas-ancestor-cybernetic-tortoise-2650279709

7.A brief history and technical review of the expert system research,IOP Conference, https://iopscience.iop.org/article/10.1088/1757-899X/242/1/012111/pdf

8.IBM官網：https://www.ibm.com/ibm/history/ibm100/us/en/icons/ibm700series/impacts/

9.Newell and Simon's Logic Theorist: Historical Background and Impact on Cognitive Modeling,HFES,https://journals.sagepub.com/doi/abs/10.1177/154193120605000904

10.What Ever Happened to IBM's Watson? The New York Times,https://www.nytimes.com/2021/07/16/technology/what-happened-ibm-watson.html

11.《人工智能實踐錄》作者/中國電子信息產業發展研究院（賽迪研究院）人工智能產業創新聯盟

12.《人工智能簡史》作者/尼克

13.《深度學習導論》作者/[美]尤金·查爾尼克（Eugene Charniak），譯者/沈磊，鄭春萍

14.《深度學習革命》作者/[美]凱德·梅茨

15.中金證券：《AI十年展望（一）：底層模擬人腦，算力決定上限》

16.華泰證券：《傳媒：AIGC引領內容生產方式變革》

17.前沿技術：神經網絡與深度學習，作者/羅威博士，宇航智控(ID:yhznkz_lab)