AIGC“尖峰系列”丨李维博士：ChatGPT海啸狂飙，谁将被取代？谁将借力跃升？

在上一篇文章

《AIGC“尖峰系列”丨李维博士：人类语言“通天塔”建成，ChatGPT的辉煌与挑战》

中，我们分享了李维博士关于ChatGPT对于人类和机器交互的意义，以及其背后LLM（Large Language Model）语言大模型是如何炼成的等话题。

本篇文章我们将分享李维博士对于“ChatGPT让AI生态重新洗牌”“语言大模型（LLM）的生态和应用”等话题的独到观点，以下为演讲内容精选。

01

经历ChatGPT海啸之后

AI生态面临洗礼和洗牌

ChatGPT海啸引发的直接影响就是，NLP生态面临全面洗礼或洗牌，每一个现存的NLP产品服务或赛道都要在LLM参照系下重新审视。

一开始我们内部AI老友热议ChatGPT的时候，大家首先思考的是，ChatGPT怎么和搜索技术结合起来，它能颠覆搜索吗？

搜索是可追踪的，返回的每条结果都有记录，谈不上信息融合。ChatGPT是不可追踪的，长于信息融合：ChatGPT本质上不存在抄袭的可能性，它给你吐出来的每句话，都是自己消化之后的语言。可见，传统搜索与ChatGPT是两个完全不同的处理方式，各有优缺点。

搜索是信息服务之王，无处不在，有自己的巨头（谷歌，还有中国的百度）和非常稳定的商业模式。自从Web1.0时代搜索崛起以来，搜索的形态和模式基本没有改变，二十多年了。其实，多年来一直不断有新技术和创业者企图挑战搜索，风险投资界也一直关注可能成为“next Google”的潜在的搜索颠覆者，但搜索的地位一直固若金汤。但这一次有所不同，微软携ChatGPT的独家代码授权，大刀阔斧高调发布所谓“new Bing”。躺着赚钱的谷歌不得不紧急动员，正面迎战。一场搜索+LLM的大戏正在上演，像个活话剧，告诉我们虽然融合两项技术还有很多困难需要克服，但大势所趋，重塑搜索新生态势在必行。

除了搜索，那些被打磨得很圆的定向信息产品和服务，现在全部面临被重新审视和洗礼的宿命，包括聊天、功能对话、文法纠错、机器翻译、文摘、知识问答等等，这些方面的代表作品（Siri、小冰、Gramnarly等）以前曾有的技术护栏，一下子被降低了，真好像大水冲了龙王庙。

NLP龙王庙中，虽然不少产品由于多年的打磨以及用户的惰性，还不至于面临灭顶之灾，有的还可能存续很长时间，毕竟都在走下坡的路。这是通用AI对于传统AI的划时代胜利。是我们以前不敢相信的，曾经那么地怀疑通用路线，就等着看鼓吹AGI人的笑话，谁想到人家不笑则已，一笑倾城，甚至“倾国倾球”，所向披靡。

看看13年前苹果就发布的Siri。13年比深度学习革命黄金十年的历史还要长，但搞到现在Siri才刚刚推出两轮或者三轮的对话能力。现在来了个ChatGPT降维打击，苹果怎么办？肯定只有拥抱LLM。亚马逊的风云产品Alexa也是一样，也打磨了好几年了，积累了那么多的用户数据。虽然它在边边角磨得很圆，不可能马上被取代，但依然会面临技术上的调整。

再者是大家常见的电商客服，众所周知，无论是阿里、还是京东的在线售后客服都打磨得很圆了。因为售后服务的问题相对比较集中，问题集不大，在积累了足够数据以后，用户体验就慢慢好起来了。但客服不仅仅局限于售后的问题答复，当客户提出的问题超越了预期的问题集的时候，目前客服常常显得“人工智障”，无论理解和回应都捉襟见肘。面对ChatGPT的问答超能力和多轮对话的丝滑性，怎么办？除了拥抱它，没有别的出路。

在ChatGPT之前，小冰算是把多轮聊天推到了极致，据报道有人痴迷于与她聊天，聊一个晚上还意犹未尽。它打造具有人格化的形象，可以与人做情感上的交流。在前ChatGPT时代，小冰是聊天的绝对天花板，多轮交互的能力把对手远远抛在后面。谁料想半路杀出个程咬金，ChatGPT出来后，小冰的地位就显得非常尴尬。ChatGPT可不是为了闲聊设计的，chat只是它为了达到多任务的一个桥梁，本质上是人机接口，聊天只是它的副产品，即便如此，通用大模型还是实现了降维横扫定向产品的效果。在ChatGPT的丝滑度和通用性面前，一个人格化的聊天机器人跟它不在一个层次上。除了去拥抱它，仍别无他法。

在国外，怎么修改作文的拼写、语法错误这一块，用户体验做得最好，唯一活下来站稳市场的只有Grammarly，有上亿用户了。现在它的地位也极为尴尬，因为同样的辅助写作，ChatGPT也是拿手好戏。长远一点来看，Grammarly的选择也终将如此，要么去拥抱ChatGPT，要么就走向末路。

谷歌MT是机器翻译领域的代表，国内的有道、搜狗和百度也是用的神经机器翻译，但同属神经路线的ChatGPT出来以后，仍然是一种降维打击。用ChatGPT去做机器翻译，译文更加地道而且多样化。生成大模型的随机本性使得每次翻译出来的结果都有所不同，你可以拿同一个文本不断的试它，然后挑其中一个你最满意的。专项机器翻译系统显然面临如何拥抱LLM的问题。

最后谈谈教育。ChatGPT大模型降维碾压所有的教育产品，是很显然的。在教育赛道，搞生态产品应用的人，都需要在大模型的框架下重新审视一遍怎样拥抱这个LLM新时代。教育本身是跟语言打交道的，无论文理。虽然现在的大模型理工科能力不怎么强，但这个知识短板应该很快就会得到不同程度的弥补。ChatGPT必然对教育带来颠覆，同时也为教育现代化提供了一个最大的机遇。语言学习与电脑编程教育就不用说了，ChatGPT本身就是一个语言大模型。虽然目前它的编程还不到专业工程师的水平，但是常用的代码形式已经学得很好了，至少它能辅助你的编程，实际上，GPT赋能的Co-pilot已经成为越来越多码农的辅助工具了。

往后退一步，我们同时也面临着一个巨大的风险，比如说假新闻。如果你希望吹捧一家公司，你可以让ChatGPT生成出五花八门的软文来，讲得头头是道。那些大众点评将来也会被真假莫辨的评论所掩盖，因为制造假新闻的成本趋近于零。如果没有很好的防范措施，这一切就会把人类置于真假莫辨的世界之中。我们现在一直在讲它的好处，LLM怎样赋能新生态，相信在新生态下，今后的五到十年一定会出现新的阿里、百度等等，这是从发展的角度看技术生态的大转变。但我们面对的LLM滥用的危险同样巨大，人类准备好了吗？显然还没有。当然，这是另一个话题，我们这里就点到为止。

02

大模型：万众创业的浪潮正在到来

以ChatGPT为巅峰的LLM好比核弹，有了它，还有更多的产品形态和赛道等待创业者开拓和落地。

关于这个话题，我们需要特别强调ChatGPT带来的前所未有的创业条件：ChatGPT本身已经成为一个产品的试验场，它就是一个门槛无限低、人人可玩的playground（游乐园）。门槛低是因为前面提到的人机接口的范式改变（paradigm shift）。AI历史上第一次，机器开始迁就人，而不是人迁就机器。是人类语言，而不是计算机代码成为人机交互的工具，这个改变对于NLP新生态大爆发的意义，怎么强调也不过分。实际上，这是为“万众创业”提供了条件。

AI创过业的人应该都有这个体会。创业团队要有成功的机会，最基本的一条是产品老总与技术老总能够密切配合和沟通。产品老总凭着自己的市场直觉和对于客户需求的了解，努力寻找技术转化为服务的最佳市场切入角度，形成产品的设计方案。这个设计方案的可行性需要技术老总来验证和背书。然而，很多时候，由于不同的专业背景和知识结构，产品老总与技术老总鸡同鸭讲的情况也不罕见，一旦出现这种情况，这个创业公司基本上注定没戏。

ChatGPT根本上杜绝了鸡同鸭讲的问题。以前只有技术老总和码农可以验证一个方案的可行性，现在好了，产品老总/CXO、工程技术人员、数据分析员、用户这些不同背景和专长的人，都有一个统一的平台ChatGPT，可以交流产品的创意。大家可以在上面去做模拟的服务。不仅是人机之间，而且人类之间的交流障碍都被克服了。这个东西的发生，就是一个产品大爆发和万众创业的先机条件。

在美国，有好几百家初创公司，现在跟着大模型去做，你上游的大模型还没有完全理顺，他们在下游做的东西就是正在进行时了。还有无数的普通大众，不断的在网上现身说法，告诉大家如何两三个小时就能利用ChatGPT赚到5000块钱，这一类分享越来越多，这意味着草根群众的创业积极性被调动起来了。每个人似乎都可以利用这个机会去找到一个创业视角。归纳总结这些草根的创意，也可能找到可以流程化规模化的满足市场需求的信息服务的新赛道。

ChatGPT这样的大模型最终是一种操作系统级别的存在，每一个与AI有关的，特别是语言和知识有关的信息产品和服务，都离不开它。当年英特尔主导的时候，那个著名的logo是Intel Inside，将来就是Chat-Inside，这还不够准确，应该叫Chat-In&Out。怎么讲？ChatGPT这样的大模型赋能产品的时候，它既是服务员也是大厨，服务员可以跟你接单子，对话交互，了解需求，同时，它还自己去做工，满足你的信息需求，交付也还是它。既有表又有里，既用到它的语言天才，也要用它的知识技能。

这就是我说的在未来的五年可能是最大发展的一个新生态形式，叫做LLM专家坐台，它或许会打开了无数的创业大门。基本的服务形态就是各行各业的在线信息服务，不管是在线教育、在线律师、在线顾问、在线金融、在线旅游，都是奔着大幅度提高服务的效率去的。有了ChatGPT之后，你只需要雇一个专家，来代替以前需要10个专家甚至100个专家才能应对的任务，最后迎来的就是生产力大爆发。

至此，应用生态很清晰了，也靠谱。原则就是对结果要专家最后把关（human judge as final filter）。这是最基本的设置，当然也不排除专家对于输入做提示词的调配，以便激发LLM回应更好的结果。

对几乎每一个场景应用，都有一个打造专家工作台（“坐台”）的任务。下游创业沿着这个思路去，有无数切入市场的机会，包括补充现有产品或服务的不足，例如在线教育的每一个细分场景，还有在线医生，在线律师，在线金融咨询，等等，也包括去开拓以前不敢想或没想到的业务场景。这是看得见的即将发生的生态形态的大变革，或重新洗牌，提供的是高效专家建议（expert-in-loop services）。

说到坐台，国内电商大厂都曾经打造过有相当规模的客服坐台，那是在用户需求和满意度无法用全自动方案满足，更无法用全人工应对的压力下出台的。现在有了LLM，继承这种形态推广到所有在线服务领域的条件已经成熟。这件事所能带来的生产率大爆发，超出想象。

“Human as judge”的设计理念在近几年的低代码平台（例如RPA平台、parser-enabed信息抽取平台等）已经验证了其有效性和有效率性。我的最新几个专利就专门讲的这个过程（human as judge to replace human as coder），但这是说的低代码快速开发环境，这个human虽然不必要手工写代码，但还是要熟悉软件开发的流程，例如单元测试、回归测试和debug等等，不是仅仅就做个judge。这里说的是全新的形态，human只需要做judge即可完成服务。现在完全有可能打造针对各种细分赛道或场景的在线信息服务“坐台”。具体说，专家的作用只是在最终go or no-go 的当口，以他的知识和经验做出判定。做裁判比做运动员，效率要高太多了。

值得强调的是，这次ChatGPT横空出世带来的新鲜事儿是，ChatGPT既是后台也坐前台。这就好比找对象娶媳妇，通常都是漂亮的见识短，能干的不漂亮。突然来了一位既“万能”又漂亮的，这无法不激发无数追求者的想象极限。我们信息产业的创业者就是ChatGPT的追求者。上得厅堂下得厨房，说的就是ChatGPT，这是因为chat只是ChatGPT的表，本质是人机接口，而能够完成NLP各种任务才是它的里子。有表有里，就可以围绕它建立下游生态的产品或服务。英特尔时代，电脑产品的品牌广告记得是Intel inside，今后的新生态应该叫chat in&out，指的就是LLM赋能的新生态，不仅赋能人机交互的表面，同等重要的，或者更重要的（看具体落地服务的性质了），是也赋能产品服务的内涵，只是要让专家最后把个关。在这种形态下，专家也还是隐身在台后的。就是说，活交给它做，出面交付也还是它，只是后面安插一个专家督导和裁决而已。再打个比方，LLM既是服务员也是大厨，只是出餐前需要一个经理过一下目，为服务质量把关，也承担责任（例如在线医生、在线律师、在线咨询师等）。

在这样的生态下，今后5年会是在线服务的大爆发时期。赶巧的是，三年疫情也极大推动了在线服务的草根意识（awarenss），帮助养成了用户的在线习惯，培育了市场。例如我个人疫情前从来不用外卖的apps，也不用在线医生，可是现在二者都用了，比以前自己到餐馆点外卖，为个伤风感冒自己去预约诊所，不知道方便了多少，再也不想回到以前的低效率线下服务了。天时地利，借着这个东风，新生态不可能没有机会。

怎样建造坐台？既然已经LLM in&out了，听上去好像这个坐台谁都可以建，每个坐台配上专家，明天就可以在线开业服务了，那还有创业者什么事儿？当然不是这么简单。这是因为ChatGPT这样的LLM作为工作引擎（work horse），显示出各种专业知识的潜力，但这种潜力却是漏洞百出、有内伤的。这些内伤前面论过，按照现在的路线是不可根治的。就是说，表面光，里子并不扎实，结果不可靠，甚至会要人命的。坐台的建设就是要试图解决这个问题：如何加强内功，使得其在线服务，仅仅需要expert的流程化介入，而不是专家的生产性投入（例如RPA）。要的是坐台部署以后output一端的结果审核（go/no-go及校订post-editing），这都是在线的介入，而不是离线的调教（fine tune）。离线调教是坐台建设者的任务，这就开始有点渐入新生态的深水区了，其中有些路线图是蛮清晰的，有些是可以预见不久会解决的，还有较少的一些点，目前不够清晰，还需要探索和进一步验证。

细看一下这里的主要问题在哪里，有哪些可能的突破点和解决方案呢？首先，论专业知识的广度，LLM很厉害。没办法，人家记忆力强，肚子大，消化的材料多，这些都超出了专家，你可以用一个领域的专有术语去试试就知道了，LLM对任何一个很偏很狭窄的主题都会有自己的消化总结，成套成套的，可能细处有错漏，但在面面俱到方面碾压专家。为什么这一点也很重要，因为LLM弥补了人类包括专家的缺陷，用软件的话说，人类precision（精度）有余，recall（召回）不足；而LLM正相反，precision不足，recall有余。LLM可以把可能遗漏的东西，从大数据的黑洞翻上来，随时提到人类认知的雷达上。因此，坐台建设的重中之重就是要克服LLM的precision瓶颈。

我们并不企图彻底解决这个问题：话说回来，如果彻底解决了，就没有人类什么事儿了，前景很诡异，不论。我们是要把精度提高到这样的程度，其结果不至于严重影响坐台的在线专家的工作效率。LLM如果用一堆垃圾轰炸专家肯定是不行的。只要LLM输出的结果有1/4可以达到手工专家自己调研所能达到的水平，这个坐台的效率就得到了保障，这个在线服务就可能站得住。因为专家不过就是4个go/no-go的裁决而已，由于这4个结果的最优解的出场是随机的，对于专家的实际工作体验，大约也就是每看两个结果，就可以放行一个，GO！这不是负担，也不会降低在线服务的效率和竞争性。1/4是一个容错性很大的预期，现在的求精方案达到这个门槛，总体是具有可行性的。正因为有了这个总体具有可行性的基本判断，才可以结论说：LLM新生态下的创业大门的确是打开了。

https://new.qq.com/rain/a/20230310A01FH200