1/6 人工智能不只是ChatGPT

（本文前半部分與上周末發在“思想鋼印”公眾號上的文章的前半部分相同，后半部分為新撰寫，討論的是本公眾號最感興趣的思維方式的內容）

ChatGPT火了之后，有一個段子，說：我們過去想象的人工智能是，我們寫詩畫畫編音樂，AI燒飯洗碗修電腦，沒想到，最后是AI寫詩畫畫編音樂，我們自己燒飯洗碗修電腦。

白領危機四伏，藍領暗自慶幸。

然而，ChatGPT實際上只是人工智能歷史上的第一個爆款應用，又是以一對一對話形式展開，效果又超出了我們的心理預期，很容易讓我們產生一個“人工智能能說會道”的錯覺，進而讓我們覺得，它未來可以取代很多白領的工作。

其實，ChatGPT底層的自然語言大模型GPT，只是眾多人工智能大模型中率先“涌現”的一個，它更傾向于生成文本的能力，所以看起來都是寫寫文章，說說話，畫畫畫，但并不是說人工智能就只能干這些，你總不能因為趙本山演小品，就以為東北人只會演小品吧？

所以說，哪有什么“只取代白領的工作”這么簡單的事啊，取代藍領工作的人工智能早晚也會來的。

僅就自然語言大模型而言，最有名的有兩種方向，除了GPT模型外，還有Google的BERT模型，兩者的核心區別在于目標不同，GPT更傾向于生成文本，而BERT 模型更傾向于理解文本，更不用說還有更多開發中的各種方向的人工智能模型。

這個區別可能人類無法理解，不理解文本怎么生成文本呢？

但這個問題對AI來說，并不存在。

本文就從這個話題開始，聊一聊ChatGPT跟人類的“思考方式”有什么不同。

2/6 文科的GPT和全科的BERT

在不理解的基礎上，如何生成內容？大家可以參考一部勵志日本電影《墊底辣妹》。

這部電影講述了一個年級倒數第一的差生，通過一年內復習考入日本一流名校慶應大學的真實故事，相當于在全國學生中的最后2%，進步到前2%。

這個神奇的故事之所以能實現，是因為她只要考“英語、小論文、歷史”這三門強調記憶的科目，她不需要很深的理解，只需要記憶和“生成”，注意重點是——不考數學、物理等注重推理的科目。

而GPT模型的成功，就像“墊底辣妹”一樣，很大程度在于選擇了“語言生成”為目標的捷徑，從而讓它看上去的效果比它實際上的突破更明顯——這一點跟現實中一樣，一個能說會道的員工，總是比只會干實事的員工，看起來更能干。

GPT模型就像文科畢業生，由于其在生成文本方面的強大能力，畢業后最大的“就業去向”是自動生成文章類的“工作”、包括新聞、廣告文案、創意內容、法律文書、文秘、各類咨詢，等等；其次的“就業去向”是作為聊天機器人、虛擬助手、智能客服，等等，進行更加自然、流利的對話。

相比而言，BERT模型雖然也是一個文科生，但也要學習數學、物理這一類注重推理的課程，全面發展。BERT模型需要“理解”文本的內容，GPT模型則不一定。

兩者的區別在一開始訓練時就產生了，GPT的訓練目標是通過最大化下一個單詞的條件概率來預測下一個單詞，從而完成生成任務；而BERT的訓練目標是隨機掩蓋一些輸入詞匯并要求模型預測這些詞匯，強迫模型預測缺失的單詞，因此它的理解是到詞匯這個級別的。

在不理解的基礎上生成的文本，難免會發生胡說八道的情況，雖然大家已經覺得GPT很神奇了，但如果真的大規模投入應用，在那些非生成內容為主的應用上，它還是有缺陷的。

比如你對AI助理說：“幫我在陸家嘴附近訂一個粵菜餐館，人均消費在500元左右，時間是明天晚上。”

對于這個句子，GPT模型的“理解”是從過去的語料訓練中，判斷“陸家嘴、粵菜、明天晚上、人均消費、500元”這些詞的組合而不是詞本身的意義，由此來判斷自己應該輸出什么樣的內容，它對于語言的最小理解單位是句子，而不是詞匯，會導致“模型產生幻覺，編造訓練中從未有過的數據”。所以我們有時看到GPT推薦必勝客等成都小吃的離譜結果，因為它并不理解“必勝客”的屬性，它還會把數學計算中的1995當成年代。

雖然GPT4中，這些現象已經大大減少，但由于底層邏輯仍然是一個“文科生”，未來很難說在遇到更復雜的問題時，會不會出錯，很可能最后給你預訂了一個經常與粵菜館一起出現的咖啡館。

由此看來，GPT模式不會是終點，AI代替人類的工作，文本類只是一個“開胃菜”。

很多人可能會想，GPT模型的進化速度如此之快，年底就要發布GPT-5了，那未來會不會真的“理解”人類的語言呢？

這就要涉及到，到底我們應該如何定義“理解”？人類又是如何“理解”的？

3/6 相關性不等于因果性……嗎？

熟悉邏輯學的讀者一定知道，它有一個著名的說法：相關性不代表因果性，相關性只是對現象的描述，因果性才是現象之間的內在聯系。

所以有人說，人類與人工智能的區別在于，人可以判斷因果關系，而人工智能只能判斷相關性。

這個觀點的后半段是正確的，目前所有的人工智能模型，都是通過學習數據中的相關性來進行預測和推理。

GPT模型完成任務的方法就是“猜猜下一個概率最大的詞是什么”，根據輸入的一段文本，預測下一個單詞出現的概率分布。比如給定前面的句子“我喜歡吃？”，模型可能預測下一個單詞為“蘋果”的概率是0.2，“香蕉”的概率是0.3，“披薩”的概率是0.1，等等，這些概率值的總和為1，代表了所有可能的下一個單詞的概率分布。

根據這個概率分布，選擇最有可能出現的單詞。所以ChatGPT都是一個字一個字地蹦出來的，跟剛剛學會說話的小孩子一樣。

BERT模型的復雜之處也在于概率判斷，它會考慮每一個單詞與前后文的關系，還要反向預測“喜歡吃蘋果？”，所以更準確，也更需要更多的訓練。

而人類認為，自己的判斷靠的是因果關系，先學習各類事件之間的因果聯系，再去推斷出某個事件是另一個事件的原因或結果。所以，早期人工智能的方向是模仿人類的思維，去建立因果關系。

可當專家們想用計算機語言描述因果關系時，才發現此路不通——人類自以為嚴謹的因果關系，可能并不存在。

看過《三體》的讀者，都應該對其中哲學家羅素的“農場主假設”有深刻的印象，農場里有一只火雞科學家，通過長期觀察，發布了一個科學規律，每次農場主來，就會有食物，兩者之前存在因果聯系。結果復活節前，農場主帶來的不是食物而是屠刀。

不要以為“把相關性當成因果性”只是普通大眾缺乏科學常識導致，我們所認為的因果性，正是站在火雞科學家的角度，從科學的角度，想要證明兩件事之間存在嚴格的因果幾乎是不可能的。

抽煙與肺癌的因果關系，現在醫學已經廣泛認可，但這只是“認可”，認為抽煙與肺癌存在高度的相關性，而不是“證明兩者之間存在因果關系”，因為你無論用什么方法，都無法嚴格證明。

哲學家大衛·休謨早在300多年前就稱之為“因果關系幻覺”，他認為：“我們無從得知因果之間的關系，只能得知某些事物總是會連結在一起，而這些事物在過去的經驗里又是從不曾分開過的。”

更糟糕的是，基于經驗的因果判斷并不是人類獨有的能力，比如人工智能學家最喜歡研究的動物——烏鴉。

4/6 人工智能，從鸚鵡到烏鴉

烏鴉喜歡吃堅果，但它弄不開堅硬的外殼；烏鴉發現汽車可以幫它壓碎外殼，可行駛中的汽車又太危險了；烏鴉還觀察到，有一樣東西可以讓汽車停下來——紅綠燈。

于是烏鴉建立一個策略：叨著堅果在路邊等候，在紅燈時，把堅果丟在汽車輪子前，等綠燈能行后，汽車就可以將堅果壓碎，再等下一次紅燈，它們就可以吃到堅果了。

但我們知道，烏鴉不可能懂“因果律”，做不了數學題，它們只是像人類一樣，觀察到紅綠燈閃爍和汽車的運行，汽車開過與堅果破碎，這兩組現象之間存在著相關性。

2010年，人工智能專家約瑟夫·魏茲提出了烏鴉與鸚鵡的比喻，來描述人工智能未來的方向。他認為，鸚鵡是一種高度訓練的動物，它們可以通過反復模仿來掌握特定的技能，但是在新的情境下，它們就無法產生新的解決方案；而烏鴉是一種具有高度自適應和學習能力的動物，可以通過試錯的方式不斷學習，從而能夠在各種不同的情境下靈活應對。

于是人工智能科學家們產生了一個共識：相關性就是因果性，是一套描述因果關系的語言體系，它的單位是“概率”，因果關系不是0和100%，而是15%、60%、99%，等等。

于是就有了貝葉斯算法，有了聲音模擬信號變成數字信號，才有了手機通信，才有了郵件反垃圾系統，以及更復雜的大數據推薦和人工智能算法。

人類之所以自詡“理解因果關系”，恐怕是因為數學，這是人類唯一掌握的建立在嚴格因果性上的方法，而計算機運作恰恰是基于嚴格邏輯推理，所以，過去的人工智能專家總是希望能基于這種嚴格的因果關系實現人工智能。

可偏偏人工智能最終突破的方向，是基于貝葉斯概率的相關性，第一個爆款級人工智能應用ChatGPT最不擅長的就是做數學題，因為數學題的解題步驟和方法通常需要基于因果關系的邏輯推理，而GPT模型在生成文本時只是一種概率判斷，你變著法子問它同一個問題，它可能有十種不同的答案，這顯然不是數學的思維。

結果，還是概率戰勝了邏輯推理，相關性戰勝了因果性。

事實上，人類也是擅長概率判斷的，只不過，我們通常稱之為“經驗”。

5/6 人類也會貝葉斯計算

如果你是一個非常有經驗的售貨員，面對一位走進店鋪的客戶，你要時刻不停地根據客戶的舉動，判斷客戶的成交概率，才能決定花多長時間去向客戶推銷，有經驗的銷售員從不會干巴巴地介紹產品，而是進一步詢問客戶的需求，選相應的推銷重點，并且決定給出多大的折扣把客戶拿下。

你判斷客戶成交概率的過程，與人工智能猜下一個單詞的貝葉斯算法，其實是一回事。

想象一下，一位中年男性走進你的店，你首先根據經驗知道，所有進店的中年男性，有20%會買東西——這就是貝葉斯算法中的“先驗概率”。

你觀察到，他在店里看了一圈，超過10分鐘以上，此時你開始把成交概率修正到29%，并開始主動詢問。

你是如何修正成交概率的呢？實際上就是貝葉斯計算：

以往的經驗告訴你一個條件概率：在所有最終買東西的人中，停留超過10分鐘以上的占50%；那些最終沒有買東西的人中，停留超過10分鐘以上的，僅占30%。

根據貝葉斯算法：此人成交概率為：20%*50%/(20%*50%+80%*30%)=29.4%（不知道怎么計算的，可以看我的文章《職場戀情成功的概率有多大？這個算法告訴》）

接下來，客戶開始咨詢，根據咨詢這個行為對應的條件概率，這個成交概率猛得上升到60%；

可此時，他接到了一個電話，不好，歷史證明這種情況下的成交概率會下降，于是降到了50%；

還好，這是一個垃圾電話，他掛掉電話，直接開始談價格，很好，根據談價格的行為，最終成交概率又上升到85%……

在這個過程中，雖然一開始你只有一個與實際結果相差很大的先驗概率，但通過掌握更多的信息，這個概率會越來越接近實際情況——0或100%，你就可以作出應對。

這些條件概率，都是在以往大量的銷售實踐中，漸漸總結出來的，并且始終不斷更新，比如今天的這個中年男人，在85%的成交概率下，最后竟然沒有買，這個經驗就會改變你前面的那些先驗概率和后面的一系列條件概率。

所謂“有經驗”，就是在某個專業方向，掌握了大量的條件概率。

很多人可能會說，可我根本不知道條件概率是什么，也不知道怎么進行貝葉斯計算，我只是憑感覺罷了。

那么，這個感覺又是什么呢？

6/6 人腦，也是一套特殊的算法模型

人類的學習方式中有一類特殊的隱藏學習，學習者并不知道自己在學習，也沒有人教，也不知道自己什么時候學會了，就算學會了，也無法總結其中的一些規律。

心理學家稱之為“內隱式學習”，最經常被引用的例子是“母語學習”。母語學習都是在上學之前完成的，幾乎沒有正式的學習過程，習得后，也無法總結語言的一般規律。

這就是前面所說的“感覺”的來源，實際上就是大量的貝葉斯計算。

人際關系、情感關系處理的學習，育兒與親子關系的學習，欣賞品位的提升，等等，一切規則模糊領域的學習，都至少有一部分需要內隱式學習。

我們在上學前的學習方法，基本上是內隱式學習，上學后就變成了主動式學習，工作之后，內隱式學習的重要性又開始漸漸提升。

人到底是如何進行“內隱式學習”的呢？不知道，因為人腦是一個黑箱。

就像GPT的人工智能訓練過程，也是一個黑箱，都說它突然間就“涌現”了，就像兒童有一天忽然開口說話了、站起來走路了，其中到底發生了什么，沒有人知道。

人腦，也是一套特殊的算法模型，跟人工智能沒有本質的區別，只是復雜得多——黑箱設計出的黑箱，難怪馬斯克會擔心，不知道它在無數次迭代后，會出現什么。

當然，關于人腦與人工智能在認知上的區別，還有人提出一些標準，比如情感、自我意識、還有頓悟時刻，這些我以后有機會再分析。