大多數(shù)人實(shí)際上并不了解人工智能和我們每天接觸的人工智能之間的區(qū)別。

我們使用的工具，例如 ChatGPT、圖像生成器和寫作助手，不僅僅是“人工智能”。它們是生成式人工智能 (GenAI)，一種非常特殊的機(jī)器學(xué)習(xí)類別，旨在通過預(yù)測下一步的內(nèi)容來生成內(nèi)容。

作為一個在研究和創(chuàng)意工作之間游走的人，我并不認(rèn)為GenAI是什么神奇的工具。我更把它看作一個 導(dǎo)航系統(tǒng)。每次我們啟動它，它都會給出方向，但并非在開放的地圖上。我們研究的路線，都是前人已經(jīng)走過、繪制過、優(yōu)化過的。

人們越是遵循這些路線，它們就越是固定不變。所以，雖然感覺像是在探索新事物，但大多數(shù)時候，你只是被引導(dǎo)著走上最熱門的路線。除非你了解模型是如何訓(xùn)練的、如何預(yù)測的，以及它的局限性，否則你只會在熟悉的道路上兜圈子。

這就是為什么我認(rèn)為我們應(yīng)該停止將通用人工智能（Gen AI）視為巡航控制系統(tǒng)，而應(yīng)該開始學(xué)習(xí)它的實(shí)際工作原理。如果你感覺提示讓你陷入循環(huán)，那不是你的想象，而是你只是在沿著一條已經(jīng)鋪好的路走。讓我們看看它從何而來，GenAI 是如何運(yùn)作的，以及當(dāng)我們的大多數(shù)道路都通向同一個目的地時，它意味著什么。

歷史：從邏輯機(jī)器到語言模型

“人工智能”一詞誕生于1956年的達(dá)特茅斯夏季研究項(xiàng)目中。早期的人工智能系統(tǒng)專注于符號推理和邏輯問題解決，但受限于有限的計(jì)算能力。想想莫騰·泰杜姆2014年執(zhí)導(dǎo)的電影《模仿游戲》中的密碼機(jī)。這些限制導(dǎo)致了20世紀(jì)70年代第一個人工智能寒冬，當(dāng)時人們對人工智能的興趣和資金急劇下降。

到21世紀(jì)初，計(jì)算能力、算法開發(fā)和數(shù)據(jù)可用性的進(jìn)步開啟了大數(shù)據(jù)時代。人工智能從理論模型轉(zhuǎn)變?yōu)閷?shí)際應(yīng)用，自動化執(zhí)行結(jié)構(gòu)化數(shù)據(jù)任務(wù)，例如亞馬遜和Netflix的電商推薦引擎、早期的社交媒體排名算法以及谷歌自動完成等預(yù)測文本工具。

2017年，谷歌研究人員在開創(chuàng)性論文《Attention Is All You Need》中提出了Transformer架構(gòu)，標(biāo)志著一個變革性的里程碑的到來。 這項(xiàng)創(chuàng)新促成了大型語言模型（LLM）的發(fā)展，并奠定了當(dāng)今生成式人工智能系統(tǒng)的基礎(chǔ)結(jié)構(gòu)。

功能：Gen AI 如何以平均值來思考

一切都始于訓(xùn)練數(shù)據(jù)：海量文本，經(jīng)過清洗、過濾，然后分解成稱為“token”的小部分。一個“token”可能是整個單詞、單詞的一部分，甚至是標(biāo)點(diǎn)符號。每個“token”都被分配一個數(shù)字ID，這意味著模型實(shí)際上并不讀取語言，而是處理代表語言的數(shù)字流。

一旦被標(biāo)記化，模型就會通過反復(fù)預(yù)測序列中的下一個標(biāo)記來學(xué)習(xí)，這個過程要跨越數(shù)十億個示例。但并非所有數(shù)據(jù)都會被平等對待。高質(zhì)量的來源，例如精選書籍或同行評議文章，比隨意的網(wǎng)絡(luò)文本擁有更高的權(quán)重。這會影響某些標(biāo)記模式被強(qiáng)化的頻率。

因此，如果某個短語在高質(zhì)量的語境中反復(fù)出現(xiàn)，模型就更有可能將該短語內(nèi)化為可靠的模式。本質(zhì)上，它學(xué)習(xí)的是“平均”響應(yīng)的樣子，不是數(shù)學(xué)平均值，而是通過收斂到統(tǒng)計(jì)上最穩(wěn)定的延續(xù)。這種平均過程并不局限于訓(xùn)練。當(dāng)你使用模型時，它會再次出現(xiàn)。

你輸入的每個提示都會被轉(zhuǎn)換成詞條，并經(jīng)過模型的層層傳遞，每個詞條都會使用所謂的自注意力機(jī)制（一種實(shí)時上下文加權(quán)平均的方法）與其他詞條進(jìn)行比較。這些權(quán)重不會透露給輸入提示的用戶。然后，模型會根據(jù)它所看到的所有模式，輸出它認(rèn)為最有可能的詞條。

這使得系統(tǒng)嚴(yán)重傾向于中位數(shù)，即分布的安全中間值。這就是為什么答案通常感覺精雕細(xì)琢卻又謹(jǐn)慎小心，它們經(jīng)過優(yōu)化，力求找到最有可能正確的答案，從而避免出錯。

您可以使用名為“溫度”的設(shè)置來更改“平均值”，該設(shè)置控制模型對中值結(jié)果的關(guān)注程度。在低溫下，模型會接近統(tǒng)計(jì)中心：安全、可預(yù)測，但略顯平淡。

隨著溫度升高，模型開始將概率從中值向外分散，從而允許一些不太常見、更令人驚訝的標(biāo)記混入其中。但這種變化也帶來了波動性。當(dāng)模型輸出偏離分布中心時，得到的是隨機(jī)性，而非創(chuàng)造力。

因此，無論是在訓(xùn)練中還是在實(shí)時生成中，Gen AI 的構(gòu)建都是為了復(fù)制中間結(jié)果。它的智能（如果我們可以稱之為智能的話）在于它能夠?qū)?shù)十億種可能性提煉成一個標(biāo)準(zhǔn)化的輸出。雖然這非常強(qiáng)大，但它也揭示了系統(tǒng)的根本局限性：它不會創(chuàng)造意義，只會對意義進(jìn)行平均。

人工智能提示：無需看路即可操控系統(tǒng)

提示不僅僅是提出問題，而是要縮小模型在訓(xùn)練過程中所映射的精確統(tǒng)計(jì)范圍。當(dāng)我們編寫提示時，我們會在標(biāo)記空間中導(dǎo)航，觸發(fā)模型之前見過的模式，并從系統(tǒng)中嵌入的平均值中提取。

提示越具體，圍繞特定詞條及其學(xué)習(xí)概率的聚類就越緊密。但我們常常忘記，用戶界面正在平滑層層復(fù)雜性。我們看不到詞語選擇的加權(quán)影響，也看不到那些影響響應(yīng)隨機(jī)性的隱形溫度設(shè)置。

這些模型是為服務(wù)普通受眾（另一種平均水平）而構(gòu)建的，這使得精準(zhǔn)引導(dǎo)他們變得更加困難。因此，雖然提示看起來似乎是無限的，但實(shí)際上它實(shí)際上是在與隱形分布和系統(tǒng)默認(rèn)進(jìn)行協(xié)商，而這些默認(rèn)設(shè)置比我們想象的要具有更大的決定性。

像 PICO（角色、指令、上下文、輸出）或 RTF（角色、任務(wù)、格式）這樣的快速框架可以幫助塑造結(jié)構(gòu)，但值得記住的是，它們也是建立在對大多數(shù)人最有效方法的假設(shè)之上的。這仍然是一個平均值。有時你會很幸運(yùn)，模型的輸出會超出你的認(rèn)知范圍，聽起來可能很精彩、很有見地，甚至可能很新穎。但當(dāng)你把它交給一個對這個主題很了解的人時，就會很明顯：它聽起來很像人工智能。

訣竅就在于理解你觸發(fā)的平均水平，并判斷它是否符合你的目的。誰會讀這篇文章？他們期待什么？他們需要什么程度的深度或原創(chuàng)性？這些才是你寫作主題的核心。無論你使用結(jié)構(gòu)化框架，還是自由寫作，重要的是明確目標(biāo)，并了解你所處的領(lǐng)域。

有時，最好的策略是：關(guān)閉聊天窗口，打開一個新窗口。之前的標(biāo)記、緩存路徑和上下文歷史記錄的權(quán)重可能會影響結(jié)果。這不是你的錯。只是平均值有點(diǎn)雜亂。重新開始，重新校準(zhǔn)，爭取獲得更好的中位數(shù)。

結(jié)論：當(dāng)平均值成為界面

讓我擔(dān)憂的一件事是，GenAI 背后的公司是如何學(xué)習(xí)針對平均水平進(jìn)行優(yōu)化的。越多人使用這些帶有快捷工程模板和框架的工具，系統(tǒng)就越會開始圍繞這些模式進(jìn)行自我塑造。這些模型經(jīng)過訓(xùn)練以適應(yīng)，而它們適應(yīng)的正是我們，我們的習(xí)慣、我們的捷徑、我們的結(jié)構(gòu)化格式。

那么，當(dāng)界面本身開始強(qiáng)化這些相同的平均值時，會發(fā)生什么呢？任何超出可能、預(yù)期和熟悉范圍之外的東西都變得越來越難。那些奇怪的、原創(chuàng)的、統(tǒng)計(jì)上不可能的，這些都開始逐漸淡出人們的視線。

當(dāng)我們考察代理型人工智能時，情況就變得更加復(fù)雜了。這種人工智能似乎能夠自行做出決策或提供強(qiáng)大的輸出。它或許非常令人信服。但問題在于：它仍然建立在平均值之上。我們不僅要承擔(dān)寫作或研究的任務(wù)，還要承擔(dān)思考本身的風(fēng)險。當(dāng)機(jī)器被調(diào)整以反映最常見的情況時，我們不僅僅是在外包智力，我們還在外包我們對細(xì)微差別的感知，以及持有非中立觀點(diǎn)的能力。

所以，下次當(dāng)人工智能給你一些感覺異常精彩或顯而易見的東西時，停下來想想到底是怎么回事。它并非創(chuàng)造性的。它只是在導(dǎo)航，從它之前見過的最常見、最被接受、最重復(fù)的路徑中抽取靈感。你的提示觸發(fā)了這條路線，而這條路線反映了成千上萬個像你一樣的人的提示。

一旦你理解了這一點(diǎn)，你就可以開始更有意識地駕駛。你可以識別出你的方向何時被改道，穿過熱門車道，何時該離開高速公路。有時，當(dāng)輸出結(jié)果平庸得讓人感覺不正常時，最明智的做法很簡單：關(guān)上窗戶，重新設(shè)置路線，然后重新開始。因?yàn)橛袝r，找到新事物的唯一方法就是停止隨波逐流。

免責(zé)聲明：

本文所發(fā)布的內(nèi)容和圖片旨在傳播行業(yè)信息，版權(quán)歸原作者所有，非商業(yè)用途。 如有侵權(quán)，請與我們聯(lián)系。 所有信息僅供參考和分享，不構(gòu)成任何投資建議。投資者應(yīng)基于自身判斷和謹(jǐn)慎評估做出決策。 投資有風(fēng)險，入市需謹(jǐn)慎。

關(guān)注我們，一起探索AWM！

近期熱

2025-05-08

2025-05-06

2025-05-06