原創丨人神共奮
來源丨思想鋼印
圖片來源：由無界 AI工具生成
人工智能不只是 ChatGPT
ChatGPT 火了之後，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，最後是 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“湧現”的一個，它更傾向於生成文本的能力，所以看起來都是寫寫文章，說說話，畫畫畫，但並不是說人工智能就只能幹這些，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，哪有什麼“只取代白領的工作”這麼簡單的事啊，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，兩者的核心區別在於目標不同，GPT 更傾向於生成文本，而 BERT 模型更傾向於理解文本。
更不用說還有更多開發中的各種方向的人工智能模型。
本文將從 GPT 模型與 BERT 模型的區別出發，分析一系列相關的問題：
1、GPT 模型與 BERT 模型的區別、各種擅長的領域和未來可能適用的場景
2、為什麼突破率先出現在 GPT 模型上
3、AI 行情的投資策略、重點方向與風險
文科的 GPT 和全科的 BERT
說 GPT 更傾向於生成文本，而 BERT 模型更傾向於理解文本，這個區別可能人類無法理解，不理解文本怎麼生成文本呢？
但這個問題對 AI 來說，並不存在。
給一個形象的比喻，有一部勵志日本電影《墊底辣妹》，講一個年級倒數第一的差生通過一年內複習考入慶應大學（日本復旦交大這個級別）的真實故事，相當於在全國學生中的最後 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，很大程度在於選擇了一個“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，總是比只會幹實事的員工，看起來更能幹。
Transformer 模型有編碼器和解碼器兩部分，GPT 模型只使用編碼器部分，而 BERT 模型既包含編碼器部分，也包含解碼器部分，所以，通常認為，BERT 模型需要“理解”文本的內容，GPT 模型則不一定。BERT 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。
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彙並要求模型預測這些詞彙，強迫模型預測缺失的單詞，因此產生了雙向性。
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麼”，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。
但 BERT 模型就不同了，它會考慮每一個單詞與前後文的關係，如果未來能成功訓練出來（注意這個前提），所有的文字應該是一起出來，它會把所有的話想好了，再一口氣輸出。
很明顯，BERT 模型的訓練要求更高，實現難度更大，這就是為什麼 Google 在人工智能的研究方面此前一直遙遙領先，會忽然間被積累不如它的微軟超越。
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。”
對於這個句子，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麼樣的內容，它對於語言的最小理解單位是句子，而不是詞彙，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，因為它並不理解“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，但由於底層邏輯仍然是一個“文科生”，未來很難說在遇到更複雜的問題時，會不會出錯，很可能最後給你預訂了一個經常與粵菜館一起出現的咖啡館。
而 BERT 模型的最小理解單位就可以到詞彙級別，主要是因為模型在訓練中，強化了對實名詞彙的判斷，即槽位填充（Slot Filling）。槽位表示文本中的特定信息或實體，例如日期、時間、地點、人名等，這些都是理解一段話的關鍵信息，需要從文本中識別並填充預定義的槽位或信息。
通過訓練，它首先可以從這些詞彙的屬性，來判斷句子的類型是美食類，還是體育、政治、科技、娛樂（文本分類並不是 GPT 的訓練項），經過此項訓練，BERT 模型可以理解到詞彙這個級別，可以判斷“陸家嘴、粵菜、明天晚上、人均消費、500 元”這些詞的意義，從而給出更準確的推薦，以及下一步預訂的動作，而 GPT 的理解就不一定準確了。
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”。
可能有人會想，為什麼 Google 不先做一個相對容易的文本生成模型，而要先做一個更難的呢？
模型的未來應用
原因很簡單，BERT 模型未來的用途可能更廣闊。
GPT 模型就像文科畢業生，由於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、各類諮詢，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。
而 BERT 模型並不會局限在“文科領域”，它可以憑藉自己執行文本分類、命名實體識別、關係抽取等任務的能力，有更廣泛的用途，比如可以用於幫助搜索引擎更準確地理解用戶查詢意圖，從而提供更精準的搜索結果——這就是 Google 和百度一直在重點開發這個方向的原因。
更重要的是，BERT 模型可以從非結構化的日常語言數據中，抽取結構化數據，就是我們前面說的訂餐館的例子，小到要求助理召集一場特定人員參加的有特定目的的會議，大到智能駕駛——
我問過 ChatGPT 一個問題：“你覺得智能駕駛更有可能通過哪一個模型實現？”
它很坦誠地承認，BERT 模型可能更適合在複雜的駕駛場景中進行深度理解和決策，理由是：
“在智能駕駛中，理解交通標誌、識別道路標線、理解交叉口的交通信號等，都需要對文本信息進行深入的理解和推斷。BERT 模型作為一種能夠對文本信息進行深度理解的模型，可能在智能駕駛中具有更廣泛的應用潛力。”
然而，雙向語言模型訓練難度太大了，ChatGPT 之前的 BERT 是雙向模型，但效果一般，導致眾多企業在這方面的投入更猶豫，轉機出現在 OpenAI 將 GPT 變成單向語言模型后，持續投入出現了 GPT-3.5 的質的突破，實現人工智能從猿到人的關鍵進化。
而且，未來即使 BERT 這一類雙向語言模型也實現了“湧現”，因為它的計算複雜度較高，算力成本也就更高，很可能從成本上限制了它的使用場景。
所以未來不會有大一統的模型，可能會是各種模型的融合，在實際應用中需要根據任務需求和計算資源進行選擇，以充分發揮各自的優勢。
例如，一個智能客服對話系統，其工作內容可以分成兩類，一類是諮詢，只需要簡單判斷客戶的意圖，主要任務是生成內容，客戶也沒有很高的精度要求，用 GPT 這一類單向模型就夠了；
另一類客戶溝通類工作，比如消費者要求退換貨、賠償、投訴等涉及複雜判斷和反覆溝通的需求，對理解能力要求很高，還要判斷客戶提供信息的真實性，甚至需要 AI 判斷客戶此時的情感類型和程度，就需要用 BERT 模型進行意圖識別和槽位填充，從而實現更加智能、靈活的對話交互。
對比了 GPT 和 BERT 的區別，可以看出，GPT 並不像大家想象的那麼萬能，它的訓練目標中，對判斷推理的要求沒有文本生成高，下游應用可能並不會那麼多。
那麼，這個題材現在是不是有點炒作過了呢？會不會像 21 年的元宇宙一樣雷聲大雨點小呢？
AI 行情的投資策略
答案是“不會”，GPT 模型的意義不在於“找到東方的黃金”，而是“發現新航線”。
人工智能的理論突破，基於 Transformer 架構的自然語言處理模型，實際上是發生在前幾年，只是之前沒有人能實現它，所以並不確定它行不行，加上費用都是以億為單位，就算是巨頭，在投入上都比較小心。
所以 ChatGPT 的重要意義在於形成了一個行業共識——只要基於海量的數據去喂這個模型，時間到了，就能“大力出奇迹”，最終實現超大神經網絡能力的湧現。
國內的 AI 大模型長期發展緩慢，但 ChatGPT 問世后，短短几個月一下子冒出了多個能力相當於 GPT-3 的大模型，並不是這些巨頭在蹭熱點，而是新航線被確認了，必然會有多支“艦隊”出發，之後也必然會出現更多的不同於 GPT 的“新航線”。
當然，越是星辰大海級別的投資機會，越需要合理的投資策略。
以應用方向為例，對應的行業都是傳媒影視遊戲、各種互聯網應用和軟件，這一類行業之前因為商業模式的缺陷，估值普遍不高，所以 AI 應用行情的核心邏輯是用 AI 改造傳統的商業模式，出現業績與估值的戴維斯雙擊。
但行情是一波波走出來的，這一類產業大趨勢的行情通常包括三個階段：
第一階段：位置驅動和故事驅動
第二階段：邏輯驅動和業務驅動
第三階段：業績驅動和商業模式驅動
第一階段的核心原因是“估值低、機構持倉低、預期低”的“三低”，以 AI 應用為名義的估值修復行情。既然是估值修復，那就是“邏輯第三、故事第二、位置第一”，大部分公司不分好壞，只要有訴求，都能上漲。
可一旦估值修復完成，第一批信仰者已經滿倉，其他人還在觀望，市場冷靜下來，行情就要進入到邏輯驅動和業務驅動的第二階段。
這個階段，AI 應用標的的投資方向，主要考慮業務是否成立，要考慮 AI 使用成本與客戶需求的匹配度，儘可能優先考慮 GPT3.5 和 4 非常擅長的功能，其次是支持的功能，對年底可能推出的多模態的 GPT5，還是要多一份謹慎。
我前面分析了一堆 GPT 模型的特點，正是為了從這個特點出發，分析現有的投資炒作邏輯中，哪些邏輯後面可能被證實，哪些邏輯可能被證偽。
AI 應用重點投資方向
一、文字輸出、圖像輸出類應用仍然是最需要關注的方向
人工智能首先在語言和圖像輸出方面實現質的飛躍，等於方向已經指明，這將鼓勵各大平台加大在此方向上的投入。
首先是辦公應用，其次是遊戲，再次是部分偏內容服務的廣告營銷、諮詢服務和法律服務等企業培訓服務，以及少數影視傳媒。
變好的不但有業務，還有商業模式。內容生成行業的成本項，從沒有規模效應、難以控制的人，變成有規模效應、控制性很好的 AI，市值空間變大，理應獲得更高的估值。
但這裡需要區別內容生成和創意生成，前者是指大量重複的、受眾低要求的創作，後者是少數內容精英的創作成果，觀眾要求高。以影視為例，僅依賴廣告、觀眾 不太挑剔的免費電視劇更偏向於前者，而電影、付費精品劇更偏向於後者。
AI 對創意生成的替代作用非常小，創意行業的商業模式不會因此改變，仍然是沒有什麼投資價值的行業。
二、側重於推理判斷和有後續動作的應用，要具體應用具體分析
前面我以客服機器人為例，分析了客服中兩種不同需求對 AI 的挑戰不同，客戶的預期不同，最終導致 AI 的效果與付費意願也就不同，所以，需求中側重於推理判斷和有後續動作的應用，要具體應用具體分析，總體上有幾個原則：
1、需求有明確結果，但對結果要求高的應用要謹慎，比如 AI 智能駕駛和 AI 輔助診斷，有人認為 AI 只是輔助診斷，但他們一定忘了魏則西的悲劇，AI 診斷的暗示性遠遠強於搜索結果；
2、可以直接低成本帶來新客戶的（遊戲、圖片創作、法律心理管理等諮詢服務、部分黑產），最佳；可以提高付費意願和單價的（辦公應用），其次；只能省成本或只能改善用戶體驗的（企業文書、網文創作、藥物研發），再次；價值感不明確導致付費比較猶豫的（目前大部分），最差；
3、效果可能一般，但非常剛需或者價值感很強（比如金融、教育）；付費方與使用方分離的（禮品類硬件應用）；
4、入口強制使用的（國民級 App、留存社交關係的 App、手機電視電腦智能音箱等）；
5、目前大量被炒作的應用方向（訂餐、旅遊、購物），大多雖理論上可以提升用戶體驗，但並不能帶來明確的核心價值，或者不解決用戶痛點，而且結果也並不一定準確。這一類應用，可能用了很高的成本只創造了少量新需求和新收費，最終得不償失。
三、正確的方向和模糊的個股
雖然像遊戲、辦公、金融、教育，都是前期炒得比較多的方向，但這些方向都非常確定，需要有一級市場的前瞻性思維，並不需要看到業績的落地。最怕的是一開始不信，看到業績落地后又相信了，業績落地、確定性很高時，估值可能已經非常離譜了。
也不要因為用過之後體驗不好，就覺得這個項目不行，只要方向正確，人工智能的進化速度遠遠超過人類的想象。
最大的風險是方向確定，但標的不確定，最好的辦法就是打包買，看好辦公，就多找幾個方向的相關標的，主做中國市場的，覆蓋全球市場的，A 股的、美港股的，通通打包買。
大模型的商業價值存疑
從 ChatGPT 的輸出內容看，它有明顯的意識形態，這是在訓練中有目的輸入的，這肯定會給各國政府一個啟發——利用人工智能訓練進行全民價值觀的灌輸或潛移默化。
至少在我國，大語言模型將兼具“宣傳陣地”（推理）和“教育陣地”（訓練）的作用，未來主要方向不是商業化，而是像現在的媒體和教育機構一樣被高度管控，以防止出現互聯網時代 BAT 那樣過於強勢的非官方控制的巨型平台。
所以大模型的商業價值有相當的不確定性。正在做大模型的公司，如果能先於監管“把孩子生下來”，算是安全上岸，日後無非是監管成本問題。難的是開發進度落後的，很可能最後胎死腹中，投資打水漂。
回到前面對 GPT 模型定位的分析，大語言模型必然將遇到這個問題，言語就像氧氣、水源、糧食一樣，商業化必然面對各種政治的、道德的挑戰，可能商業價值更大的，還是側重推理的非語言類大模型，以及在語言大模型基礎上訓練的專業模型。
本文鏈接：https://www.8btc.com/article/6812812
轉載請註明文章出處