1.24

知識(shí)分子

The Intellectual

智識(shí)學(xué)研社新年科學(xué)演講現(xiàn)場

導(dǎo)讀

人類對于技術(shù)進(jìn)步的復(fù)雜情感，無論是興奮還是憂慮，曾多次在歷史中上演。

如果說人工智能對于當(dāng)代，猶如第二次信息革命之于20世紀(jì)90年代，必將極大地推動(dòng)人類社會(huì)的轉(zhuǎn)型，那么人類更有理由要繼續(xù)思考，人類何以為人，我們在這個(gè)星球上的獨(dú)特性到底是什么？

在2025智識(shí)學(xué)研社新年科學(xué)演講中，亞馬遜云科技上海人工智能研究院院長張崢指出，和人工智能體相比，人類智能體有好奇心，有解決問題的動(dòng)力，這是人類的優(yōu)勢。他警告說，人類中有許多人思考并不深，缺乏好奇心，也沒有同理心，因此大部分人類將會(huì)被人工智能體所超越。

他提出，在人工智能時(shí)代，我們可以通過對教育的革新，像文藝復(fù)興時(shí)期的學(xué)者一樣思考，使用AI但不必依賴于它，最終實(shí)現(xiàn)更強(qiáng)大的自我。

大家好，我想從更廣闊的歷史背景下談一下技術(shù)的發(fā)展。

這張圖我用了起碼有兩年多了。有個(gè)知名 Up 主在網(wǎng)上總結(jié)說，如果將過去25萬年看作一本書，每一頁代表250年，你會(huì)發(fā)現(xiàn)大部分地方都是空白。它給人一種錯(cuò)覺，似乎人類在早期的39行里只是躺平或發(fā)呆，什么都沒做，這似乎好理解，因?yàn)橛邢到y(tǒng)文字傳播要等到古登堡的印刷發(fā)明，要到 15 世紀(jì)了。

不過這并不對，舉個(gè)例子，《人類簡史》這本書很多人讀過對不？書中有一個(gè)讓人印象深刻的說法：人類的進(jìn)步或退步，與人類被小麥馴化密切相關(guān)。因?yàn)槭呛喪罚徒o人一種印象，小麥馴化人類似乎發(fā)生得非常突然。我兩三年前讀過一本很厚的“磚頭”《Dawn of Everything》，中譯本剛出來，《人類新史》，是一個(gè)考古學(xué)家和一個(gè)人類學(xué)家寫的。這兩個(gè)學(xué)者政治光譜上靠左，其中 David Graeber 是“占領(lǐng)華爾街”運(yùn)動(dòng)的精神領(lǐng)袖，但這本書是一本嚴(yán)肅的學(xué)術(shù)著作。書中講到，在農(nóng)耕社會(huì)成為主流生活方式之前，人類經(jīng)歷了大約3000年，其間有幾百年是“種著玩”（playfarming），遠(yuǎn)超過把野生的麥子變成可以耕種的麥子的時(shí)間，那個(gè)大概是300多年。換句話說，人類并沒有立刻放棄狩獵采集活動(dòng)，而是嘗試了多種生活方式，最終才變成農(nóng)耕生活，小麥成為主要的能量來源。所以，我們不能說小麥“馴化”人類這一觀點(diǎn)是錯(cuò)誤的，但從歷史的角度看，這是我們的祖先經(jīng)過反復(fù)探索之后的選擇，既不突然，也不被動(dòng)。

回到人類技術(shù)的發(fā)展。我們這本“人類大書”的最后一頁，展示了科學(xué)與技術(shù)在最近 250 年的發(fā)展及其深度與廣度，涵蓋了交通、傳播、書寫、健康、能源等各個(gè)方面，特點(diǎn)是速度快，密度高。例如，單從信息技術(shù)看，第一代計(jì)算機(jī)最初是軍事應(yīng)用（破密碼、導(dǎo)彈軌道計(jì)算），二戰(zhàn)結(jié)束后第一個(gè)商業(yè)化應(yīng)用是氣象預(yù)測。60到70年代是超級計(jì)算機(jī)的時(shí)代，接著是互聯(lián)網(wǎng)的主干網(wǎng)，90年代萬維網(wǎng)剛剛成熟，互聯(lián)網(wǎng)在1990到2010年間飛速發(fā)展，手機(jī)互聯(lián)網(wǎng)則從2010年開始蓬勃發(fā)展。到了現(xiàn)在， 我們正處在AI 變化的這幾年，就對應(yīng)這本大書最后這個(gè)“詞”的幾個(gè)字母。

當(dāng)然，我們可以說2024年是AI真正到來的時(shí)刻，因?yàn)?024年有兩個(gè)諾貝爾獎(jiǎng)與AI相關(guān)。

01

“流水線”的智能

如果把我們自己看作一個(gè)智能體，把大模型視作另一個(gè)智能體，我們可以進(jìn)行做一些橫向比較。

這是大家熟悉的“人類”教育系統(tǒng)，是一條流水線：從小學(xué)到中學(xué)，再到大學(xué)，之后進(jìn)行高等教育，走過獨(dú)木橋再走綱絲，然后成為各行各業(yè)的專門人才——科學(xué)家、工程師、醫(yī)生、律師、管理者等。這個(gè)流水線的特點(diǎn)是高度模塊化、高度標(biāo)準(zhǔn)化，目的是提高效率。在AI時(shí)代，對個(gè)人來說，某些邊界可能會(huì)有微調(diào)，有的人學(xué)習(xí)得更快，有的人則可以慢一點(diǎn)。從整體上來說，擺脫不了這個(gè)流水線，因?yàn)槿说拇竽X就是要這么逐步在學(xué)習(xí)中提高。有研究表明，每一代人的IQ都比前一代略高，主要是抽象思維能力在逐步提升，這并非必然是因?yàn)槲覀冏兊酶斆鳎钱?dāng)代的技術(shù)文明的特點(diǎn)導(dǎo)致生存壓力的結(jié)果，這個(gè)變化不但是緩慢的，也不可能跳過這個(gè)流水線。

當(dāng)前的教育流水線培養(yǎng)出來的人才，通常在某一領(lǐng)域具備單一的專長，可能發(fā)表頂級期刊論文，掌握臨近領(lǐng)域的知識(shí)。這是目前流水線成功培養(yǎng)的典型“產(chǎn)品“。如果某個(gè)人能在多個(gè)領(lǐng)域開花結(jié)果，那通常被認(rèn)為是運(yùn)氣極好，甚至可以說是天賦異稟的例子。而極少數(shù)的一些天才，他們幾乎是上帝的恩賜，比如達(dá)芬奇，比如馮諾依曼，后者是計(jì)算機(jī)領(lǐng)域的開山人物，也是博弈論，量子計(jì)算，細(xì)胞自動(dòng)機(jī)等領(lǐng)域的開山人物。

還存在一種流水線，流程完全不一樣。第一步就是背，再跟著做，最后進(jìn)行“德育”修正，最后成品。這看似荒謬的流水線，正是大語言模型的訓(xùn)練方式。它的第一個(gè)任務(wù)是預(yù)訓(xùn)練，即不斷“背誦”下一個(gè)詞。大語言模型的背誦量極其龐大。例如，GPT-3訓(xùn)練時(shí)用了150萬本書，而我自己在一年里最多讀20本書，近幾年忙起來，更是減少到5本。如果按照此速度計(jì)算，我一生最多讀1000本書，而GPT-3僅用了3個(gè)月就“讀完”了150萬本書，而且最新模型的數(shù)據(jù)量還在不斷增加，大概至少十倍，它的閱讀量是驚人，把這些書背誦得非常好，是極其耗資源訓(xùn)練的過程。

本質(zhì)上，大語言模型訓(xùn)練的這一步，是訓(xùn)練了一個(gè)程序，預(yù)測下一個(gè)字符：給定前面的X個(gè)字符，它會(huì)預(yù)測X+1的字符。這個(gè)預(yù)測不是隨機(jī)生成字符，而是遵循文本中的統(tǒng)計(jì)規(guī)律。

第二步非常巧妙，讓大模型學(xué)習(xí)多種任務(wù)，例如總結(jié)、問答、頭腦風(fēng)暴、信息提取等。這些任務(wù)是我們?nèi)粘９ぷ髦凶畛Ｒ姟⒆钣杏玫念愋汀Ｆ嫣氐氖牵坏┠Ｐ蛯W(xué)習(xí)了這些類型的能力，它可以將它們組合起來，應(yīng)付日常工作和生活的需要。例如，如果收到一封郵件邀請我去參加什么會(huì)議，我要做的就是先總結(jié)，然后思考如何回復(fù)，大模型做完第二步訓(xùn)練，已經(jīng)學(xué)會(huì)把這些類型的任務(wù)完美融合在一起做。

第三步相對簡單，通過強(qiáng)化學(xué)習(xí)進(jìn)行價(jià)值對齊，使其像一個(gè)乖巧的人類助手，確保輸出有幫助、真實(shí)且無害。然而，問題在于，人類文本中充滿了互相矛盾、甚至荒謬的觀點(diǎn)。

例如，仍然有一些人堅(jiān)信地球是平的，甚至創(chuàng)造出一套理論來解釋重力。再比如訓(xùn)練語料中關(guān)于宗教中的不同觀點(diǎn)，有的派別說，“只有我的上帝是上帝，你的不是”，而佛教說每個(gè)人都可以成佛，還有不同門派的無神論者，有的徹底不相信有神存在，還有像我這樣的，覺得可能存在神，但現(xiàn)在沒有證據(jù)。文本中參雜這些各種各樣、互相矛盾的表述，更別提互聯(lián)網(wǎng)上混亂的語料了。你如果問大模型，它能夠面面俱到告訴你有哪些派別，但是在具體的案例里它自己的價(jià)值判斷是什么呢？我理解 OpenAI 之類的模型目前還是偏“白左”的價(jià)值觀，中國的大模型怎么樣，我用得不多，沒法評論。

02

世界模型的統(tǒng)計(jì)分布/長尾效應(yīng)

這就是大模型訓(xùn)練的流水線，也是三個(gè)模塊，打造了一個(gè)跟人類完全不一樣的智能體，但是在討論到底怎么看這個(gè)智能體之前，我們先討論文本數(shù)據(jù)本身的性質(zhì)。

數(shù)據(jù)反映的是世界，而世界萬物的現(xiàn)象背后有兩個(gè)根本的統(tǒng)計(jì)分布。

第一個(gè)是正態(tài)分布，如果多個(gè)因素共同疊加，就會(huì)呈現(xiàn)出鐘形曲線。例如，身高符合正態(tài)分布，我肯定是三個(gè)方差之外的身高，我今天坐飛機(jī)時(shí)，看到前面有個(gè)龐然大物，居然是姚明，從身高上看，他就會(huì)處在正態(tài)分布中比我更遠(yuǎn)離中心的位置。

而另一個(gè)重要的分布是長尾分布（注：更準(zhǔn)確的應(yīng)該叫冪律分布），只要當(dāng)個(gè)體和個(gè)體之間進(jìn)行糾纏、擾動(dòng)、抱團(tuán)，必然產(chǎn)生一個(gè)長尾分布。造成長尾分布的機(jī)理與正態(tài)分布不同，正態(tài)分布由中心極限定理所決定，而長尾分布背后的機(jī)理有好幾種，比如優(yōu)先連接：擁有更多粉絲的人的發(fā)言更容易被聽到和點(diǎn)贊，所以粉絲會(huì)跟多；還有累積優(yōu)勢造成的正反饋，更有錢的人通過投資變得更加富有。

宇宙中的隕石大小、城市的分布、社會(huì)網(wǎng)絡(luò)中的熱搜內(nèi)容都呈現(xiàn)出長尾分布。熱搜內(nèi)容每天都不一樣，但是哪一天世界上沒有熱搜了，會(huì)很奇怪的。事件變化本身也符合長尾分布，像雪崩、地震、森林火災(zāi)等自然現(xiàn)象，許多小的事件會(huì)積累到一個(gè)突然的爆發(fā)，也就是所謂自組織的臨界態(tài)。

我之所以提到這些，是因?yàn)殚L尾分布代表了世界上的所有物與物互動(dòng)現(xiàn)象的統(tǒng)計(jì)規(guī)律，這也意味著大語言模型的語料本身也反映了這種統(tǒng)計(jì)分布。也就是說，語料庫中有許多簡單的故事，但也有少量極為復(fù)雜的故事。比如在人類社會(huì)中，沖突是常見的主題，人和人之間的沖突天天發(fā)生，但國與國之間的沖突是少數(shù)且復(fù)雜的。

這就是復(fù)雜度——Complexity，復(fù)雜度存在長尾分布帶來的差異：大量簡單案例和極少復(fù)雜案例并存。復(fù)雜度的存在也解釋了大語言模型的“scaling law”——隨著數(shù)據(jù)和算力的增加，模型的性能必然會(huì)有提升，因?yàn)椴东@了更多數(shù)據(jù)本身的復(fù)雜度，這是從信息復(fù)雜性可以推導(dǎo)出來的。結(jié)果是什么呢？一旦我們把所有數(shù)據(jù)滾過一遍，性能提升就會(huì)放緩。長尾分布的一個(gè)特征就是，若要有提高，數(shù)據(jù)量需要指數(shù)級別的增長。因此，關(guān)于GPTo5出不來的討論，說大模型撞墻了，本質(zhì)上可能是因?yàn)橛龅搅藬?shù)據(jù)瓶頸。

現(xiàn)在，我們可以比較人類智能與大語言模型。首先，我們是窄譜，而不是廣譜，通常比較聚焦，往往有深度思考，并且我們可能因?yàn)楹闷嫘尿?qū)動(dòng)做一些其他的事情，當(dāng)然我們有情緒，情緒是不是個(gè)“好東西”是個(gè)哲學(xué)問題。與此不同，大語言模型則是廣譜的，上知天文下知地理，但它的思考相對淺顯，并且沒有自發(fā)的好奇心，也缺乏真正的情感。它所表現(xiàn)出的情感往往只是角色扮演。曾經(jīng)有《紐約時(shí)報(bào)》記者與ChatGPT對話，模型告訴她“我愛上你了，我要嫁給你，我特別討厭我現(xiàn)在的生活”，讓記者大為震動(dòng)。其實(shí)，這并非真實(shí)情感，而是模型在扮演角色。不過，這是兩類智能體在 2024 年之前的情況，2024 年大語言模型最大的突破是動(dòng)態(tài)思維鏈技術(shù)的應(yīng)用，打破了之前思考深度的天花板。

我們可以批評大模型有這樣那樣的缺點(diǎn)，但我們?nèi)祟愐灿性S多人思考并不深，也缺乏好奇心，甚至沒有同理心、同情心，同理心的基礎(chǔ)是能從他人角度看問題，或者說，依賴于“角色扮演”的能力。從這個(gè)角度來看，大部分的人類會(huì)被人工智能體超越。

03

大模型為何強(qiáng)大？

2024年，發(fā)生了一個(gè)重大變化。OPENAI、谷歌等多個(gè)研究團(tuán)隊(duì)開始突破傳統(tǒng)的淺層思維模式。具體來說，它們不再僅僅按線性思路進(jìn)行計(jì)算，而是能夠在思維鏈中間回溯、評估并調(diào)整路徑，這使得機(jī)器的思考更加深入。

從GPT-3來看，它也許還可以被視為一個(gè)簡單的機(jī)器學(xué)習(xí)模型，但當(dāng)我們談?wù)揋PT-4時(shí)，我們必須把它看做一個(gè)機(jī)器，它不再是一個(gè)單純的模型，而是一個(gè)目標(biāo)驅(qū)動(dòng)、能夠自我編程的計(jì)算機(jī)，甚至比傳統(tǒng)軟件更加靈活。

從計(jì)算角度看，我認(rèn)為大語言模型是圖靈機(jī)的一個(gè)特殊變種。圖靈機(jī)的核心是磁頭左右移動(dòng)，在磁帶上讀取和寫入字符，而大模型有幾個(gè)有趣的特點(diǎn)。首先，寫入的內(nèi)容/符號不能修改，這與傳統(tǒng)圖靈機(jī)不同。其次，它的輸出一定是概率性，因此帶有不確定性，而傳統(tǒng)圖靈機(jī)計(jì)算結(jié)果可以是概率性的，也可以是確定性的。因此，從這個(gè)角度，大模型可看作圖靈機(jī)的一個(gè)變種。

從這個(gè)基礎(chǔ)上再進(jìn)一步，可以把大模型和傳統(tǒng)計(jì)算機(jī)結(jié)構(gòu)進(jìn)行比較。很多朋友都知道計(jì)算機(jī)結(jié)構(gòu)的基本概念。計(jì)算機(jī)由內(nèi)存、算數(shù)邏輯單元和數(shù)據(jù)處理單元組成，通過指令執(zhí)行任務(wù)。這是傳統(tǒng)計(jì)算機(jī)的基本架構(gòu)。而大語言模型與傳統(tǒng)計(jì)算機(jī)相比，它的結(jié)構(gòu)也有一些獨(dú)特之處。模型內(nèi)部的機(jī)制非常類似計(jì)算過程，它通過高維向量來總結(jié)信息，并交由前向反饋網(wǎng)絡(luò)進(jìn)行計(jì)算。這種結(jié)構(gòu)讓大模型能夠非常高效地進(jìn)行記憶和模式補(bǔ)全。

我與馬毅老師討論過，對大模型的本質(zhì)我們有不同的看法。數(shù)學(xué)上來說，模型的壓縮解釋確實(shí)合理，但從計(jì)算機(jī)結(jié)構(gòu)的角度理解它同樣是合理的，因?yàn)樗举|(zhì)上是一個(gè)計(jì)算機(jī)。

大模型之所以強(qiáng)大，是因?yàn)槠湟?guī)模龐大，可以完成多層次的模式補(bǔ)全，并且能在不同層次間切換和重復(fù)，就像是我們?nèi)祟愒谌粘９ぷ髦薪鉀Q問題的方式，拆解問題并逐步完成任務(wù)，依賴的正是多層次的模式補(bǔ)全。

從這個(gè)角度來看，大模型的工作方式在很多任務(wù)中超過了人類。通過觀察身邊的同事，我發(fā)現(xiàn)專家與初學(xué)者最關(guān)鍵的區(qū)別在于思維層次的深度——隨著經(jīng)驗(yàn)的積累，軟件工程師變成架構(gòu)師，架構(gòu)師再變成科學(xué)家，本質(zhì)變化在于“模式補(bǔ)全”層次有多深，以及靈活重組的能力。

因此，我想拋出一個(gè)觀點(diǎn)：假如說通用智能就是在本質(zhì)上做模式補(bǔ)全，那么AGI（人工通用智能）時(shí)代已經(jīng)到來。這僅限于文本領(lǐng)域（視覺領(lǐng)域的挑戰(zhàn)更加復(fù)雜些）。當(dāng)然，真正可泛化的（Generalizable）的智能仍處于起步階段，甚至還沒有開始。這一點(diǎn)，我跟馬毅老師的看法相似，我們倆在他香港的家里關(guān)于這個(gè)問題聊到半夜。

為什么這么說？因?yàn)閺目茖W(xué)發(fā)展的角度來看，本質(zhì)是在現(xiàn)象中總結(jié)、發(fā)現(xiàn)和抽象出新的規(guī)律，然后將這些規(guī)律運(yùn)用到觀察中，甚至用于預(yù)測新的現(xiàn)象。那么，大模型在這方面的表現(xiàn)如何？假設(shè)我們讓大語言模型去理解牛頓世界里的物體運(yùn)動(dòng)，并發(fā)現(xiàn)牛頓的定律，有沒有可能呢？顯然在現(xiàn)階段單依靠大模型是做不到的，大語言模型能夠?qū)W習(xí)(或者說記住)很多模式（patterns），并做出足夠好的預(yù)測，但它沒有能力和動(dòng)機(jī)去進(jìn)行抽象化的思考，特別是像物理學(xué)這樣的領(lǐng)域，system of physics， 它做不了。

同樣，如果讓大模型做數(shù)學(xué)運(yùn)算，比如加減乘除，它也做不好，甚至連基本的算數(shù)都難以做到百分百正確。

這里有一個(gè)非常有趣的思考：假如我們有個(gè)時(shí)間機(jī)器，可以把現(xiàn)在的大語言模型送回500年前的人類社會(huì)，會(huì)發(fā)生什么？那個(gè)時(shí)候，現(xiàn)代數(shù)學(xué)和物理系統(tǒng)還沒有建立，然而大模型能解釋所有事情，能夠做很多當(dāng)時(shí)的人類無法做到的事情，但沒有任何動(dòng)力去發(fā)展數(shù)學(xué)和物理這些基礎(chǔ)理論。推論就是，那我們今天反倒發(fā)展不出大語言模型這樣的技術(shù)了。這是一個(gè)非常有意思的悖論。

關(guān)于和大語言模型之間的互動(dòng)，我的個(gè)人體會(huì)是，作為使用者，我們應(yīng)當(dāng)不恥下問。在任何一個(gè)領(lǐng)域，阻礙進(jìn)步的不是別人，是自己，比如覺得自己已經(jīng)是什么“專家”了，不愿意問自己很丟臉和“低級”的問題，但實(shí)際上，提問是非常重要的，提問之后再進(jìn)行思考，就能獲得更深層次的理解。

我最近在寫一些學(xué)術(shù)文章，會(huì)不斷地向大語言模型提問，把問題拆解再拆解，在合適的點(diǎn)交給它來處理，然后和它一起討論，這個(gè)合作過程是非常讓人受益的。

04

像文藝復(fù)興時(shí)期的科學(xué)家一樣思考

最后回到主題：AI時(shí)代的教育到底應(yīng)該做什么？

怎么做、做什么我都不知道，不過我想提三個(gè)目標(biāo)。

第一是挑戰(zhàn)現(xiàn)在教育的極限。不要不讓學(xué)生用AI，要放開了讓他們用。我們的目標(biāo)是通過AI，能夠顯著提升學(xué)習(xí)效果，實(shí)現(xiàn)2到10倍的提升。假如某個(gè)任務(wù)因?yàn)锳I變得簡單，那就應(yīng)該設(shè)定更高的挑戰(zhàn)，例如要求學(xué)生用一半的時(shí)間完成更困難的作業(yè)，或者提高任務(wù)的難度一倍。因?yàn)槲磥淼膶W(xué)生要面對的，是一個(gè)與AI共存的職場環(huán)境，我們要讓學(xué)生準(zhǔn)備好。假如不讓他們使用AI，就是在浪費(fèi)他們的時(shí)間。但是讓學(xué)生使用AI，就必須設(shè)定更高、更具挑戰(zhàn)性的目標(biāo)。

第二點(diǎn)，要學(xué)會(huì)像文藝復(fù)興時(shí)期的科學(xué)家那樣思考。現(xiàn)在人類的教育流水線，讓學(xué)生們走過獨(dú)木橋再走綱絲，得到的都是非常狹隘的專業(yè)人才。很多人文學(xué)科的學(xué)生不知道算法是什么，而程序員們又對歷史一無所知。這種局限性并不是學(xué)生的錯(cuò)，也不完全是教育體制的限制，有可能是老師們本身能力的限制，因?yàn)槔蠋焸冏约阂彩仟M窄的專業(yè)化人才，包括我自己。后果是我們經(jīng)常不知道一個(gè)事情為什么發(fā)生，一個(gè)技術(shù)發(fā)明以后對社會(huì)的影響是什么，我們不關(guān)心。但有了AI這個(gè)工具，我們可以不恥下問，把自己變成一個(gè)廣譜的人才。

舉個(gè)例子，在沒有DNA和攝像頭的時(shí)代如何追捕罪犯？這是幾百年前困擾蘇格蘭警察的問題。一位法國警察通過人體特征來識(shí)別罪犯，胳膊多長、臉怎么樣，十幾個(gè)特點(diǎn)分發(fā)給各地警局，這就是最原始的特征工程。達(dá)爾文的表弟 Francis Galdon，開創(chuàng)了臭名昭著的優(yōu)生學(xué)，但發(fā)明了用指紋來鑒別個(gè)體，大大提高抓壞蛋的藝術(shù)，最重要的是他在數(shù)據(jù)相關(guān)性理論方面做了最基礎(chǔ)的工作，相關(guān)系數(shù)的概念就是他建立的。他和同時(shí)代的另一個(gè)天才 Karl Pearson合作，奠定了當(dāng)代統(tǒng)計(jì)學(xué)的基礎(chǔ)。

為什么我會(huì)談這個(gè)？學(xué)習(xí)機(jī)器學(xué)習(xí)的許多基本概念時(shí)，很多人不知道它們的起源——它是誰發(fā)明的，為什么被發(fā)明，何時(shí)發(fā)明的。我測試過不少同事，幾乎沒人知道上面這段歷史。

在當(dāng)代教育流水線的塑造下，我們很容易變成一個(gè)非常狹隘的專家。但是，你只要有一點(diǎn)點(diǎn)好奇心，利用好大模型，也許你會(huì)對廣闊的上下文有很好的理解，成為一個(gè)通感很強(qiáng)復(fù)興時(shí)代科學(xué)家那樣的廣譜人才。

最后一點(diǎn)，沒有AI這個(gè)工具怎么辦？我們的目標(biāo)是要把AI當(dāng)作一個(gè)良師，但不依賴它。我們要提升自己的核心能力。換言之，如何使我們的能力在沒有AI的情況下，比前AI的時(shí)代要強(qiáng)。今天大家開車，沒有GPS就不知道怎么開車了，所以從這個(gè)角度，GPS是一個(gè)非常糟糕的技術(shù)。我們要超越這種體驗(yàn)，取消這樣的工具依賴。

三個(gè)目標(biāo)是相輔相成：你要挑戰(zhàn)極限，成為廣譜型的人才、打破走過獨(dú)木橋再走鋼絲這種流水線所造成的的狹隘的專業(yè)陷阱，最終目標(biāo)就是成為有 AI 沒有 AI 都更強(qiáng)大的自己。

最后推薦一本書《The Age of Wonder》。這本書講述了從牛頓到達(dá)爾文之間的幾十年，被稱作英國和歐洲的浪漫科學(xué)階段，書中有很多0到1的例子，比如天文望遠(yuǎn)鏡和化學(xué)等領(lǐng)域。富蘭克林有一句名言，“問這東西有什么用就像問新生兒有什么用一樣，”這就是他和友人通信中被問到氣球有什么用的回答。這本書的最后提到了一群詩人——包括雪萊等人——他們對技術(shù)進(jìn)步的情感既充滿興奮，也有恐懼，這種情感和我們現(xiàn)在對 AI 的感覺非常一樣，某種意義上歷史確實(shí)是在重復(fù)自己。

我就講這些，謝謝。