今天想到做个小结，以“玩”的心态，回顾一下前两年的AIGC旅程，以及一个NLP老兵一路走来的心路历程和感受。‍‍‍

大模型爆发前，最痴迷的是当时就有的 txt2img 文生图模型。当时尝试过很多种工具，“小雅”就是那个阶段的产物。不仅人物，也做过各种绘画风格，在群里和博客也分享多次。后来疲劳了，就不怎么玩了。

开始对数字人感兴趣，2D 的 talking photo，2.5D 的有姿态虚拟主播，以及 3D 舞蹈等。因为是自家产品「奇妙元」，玩起来没限制，作为“产品体验官”，疯玩了一阵子。

可惜数字人的黄金时期转瞬即去，还没来得及起飞，就开始鱼龙混杂、遍地开花了，市场给卷的。

紧接着对于超拟人/超写实配音，以及跨语言的突破，包括最近“双工”的突破，各大头部模型开始显摆自己的语音亲民能力，与普通真人无异，不再是板着腔调的播音味了。 咱们自家的AIGC拳头产品「魔音工坊」赶上了这波语音tokens化的端到端大模型浪潮，也实现了超写实，那是大约半年前的事儿。意义重大，因为语音是所有copilot类大模型应用的最自然的接口，也是数字人和短视频的必要赋能点，但语音从可玩性上，不如音乐生成。

Suno 惊艳登场，我入迷了几个月，实现了自己也做“音乐人”的梦想。当然，现在也淡化了，不是不好，是没时间玩了。

时间被中国的 Sora，快手可灵AI的视频生成大模型占用了。视频生成疯玩到今天，我用它做了很多儿时的回忆，定格和再现了人生的高光时刻，虚拟了超生活的场面，最 high 的时期也过去了。这一通尝试，包括三分钟视频连续生成的极限试验，以及种种提示词工程探索，对当前视觉大模型的优点短板看得比较清晰了。

视觉模型的重要应用形态之一就是“一键成片”，也是自家产品了，叫「元创岛」。 目前还很粗糙和简陋，但的确做到了“傻瓜”制作能力，零门槛，任何人都可以用它来生成视频。显然有落地场景和起飞的迹象。 

这种对多模态体验和迷恋，想起来与一辈子只做文本NLP得经历，本来是格格不入的。但背后有个大模型的宏大背景。原来，LLM炸平了NLP后，马不停蹄，又开始炸平多模态。这种通用性让人觉得这一切有着共同的主线贯之，是自然的技术汇合之流。这是从模型研究的心路历程看。

从人文和科技结合的角度看，我们这种“老文科生”与生俱来对于人文、艺术的追求本性，并没有因为在工业界的码农环境“挖煤”几十年，而（被）湮灭，应用到如今又是一个自然汇聚。这有点像乔布斯当年的说法，他追求的就是人文意味的科技产品，工程结合美学品味，嘲笑微软产品的粗鄙，no taste。

想想这一路走来挺有意思，无论研发还是应用，冥冥之中都在汇聚。而我们何等有幸见证、经历和投入到这种汇聚的潮流中，虽然这个汇聚也同时意味着颠覆自己、碾压自己、否定自己的过往，抛弃很多过去的“绝技”，例如曾经做到世界顶尖的符号解析（symbolic parsing）的庖丁解牛之术。 靠的是终身学习，不至于掉队太远。但一切的一切，更需要一种 精神，尤其是 passion：passion 所驱，乐此不疲。 

下一个passion点 应该是 to b 场景，因为最终的应用大期待，大概率在垂直。To c 虽然很卷，但路线图和态势，能做什么，包括 aigc，已经基本清晰。但 to b 还在泥潭里挣扎，方向都还隔雾看花，闪闪烁烁，但也看到高人。例如白硕老师，感觉他就在捻须微笑，坐在金融交易的莲花池上，仗着to b 积淀。

个人而言，垂直赛道，最喜欢是教育，其次是法律，这都在大模型知识能力的路上：既容易最终被通用大模型碾压，又立即能对齐场景呈现价值。金融太繁琐，水更深。水利、电力、汽车等非常专门，行外人感觉枯燥。但医疗和心理，却很诱人，虽然比教育、法律更难涉入。看命运之神领我何往吧。