2023年开年，ChatGPT顶替元宇宙的地位，从技术圈成功破圈，站上了C位。它验证了AI算法是可落地的，给了AI、互联网等领域新的故事，有了新的想象空间，在当下很难说这种现象的好坏。
关于ChatGPT的技术架构和实现方式，公开资料已经很多，就不再班门弄斧的赘述了。在这里，会从价值和问题的角度出发，尝试去拨开ChatGPT的迷雾，尽力去找出真相。
从发展上看，ChatGPT既重要也不重要。
重要的是，它不仅是AIGC方向的重大突破，在应用层上的亮眼表现也成功做出AI领域2C方向的表率，消除了社会对AI应用和商业化的疑虑；不重要的是，ChatGPT并不是AI革命，只是模型和场景应用的一次飞跃，底层三要素（算法、算力、数据）没有改变，且当前尚存在诸多问题，例如数据集的限制，投入产出比远不合理，单独的ChatGPT仅覆盖文字和图片，无法适用于多模态信息，更不用说跨模态生成，不仅难以推动社会整体发展，甚至有可能造成社会混乱。
ChatGPT已经带来了极大的价值
最大的价值在于，它向一直找不到2C场景并逐渐对2C方向失望的AI从业者们证明了，奇点已到，AI已经可以和人类展开有效互动了。
ChatGPT能够理解的人类意图，产生有效互动，依旧离不开数据、算力、算法、模型、场景等五个要素，这次主要是在模型和场景上做出突破。
ChatGPT通过以机器学习、神经网络等为主的算法，以及Transformer模型的多种技术模型积累，得以在文字/图片交互上极大提升了用户的对话体验。在对话中，ChatGPT会主动记忆对话内容信息，实现上下文理解，用于辅助假设性的问题的回复，进而实现连续对话。简单讲，会在对话中，通过Transformer预测下一个词语/短语的概率分布，并基于在大型文本语料库上学习到的语言模式来生成自然语言文本，最终实现一问一答的交互。在此过程中，将人类的反馈纳入模型训练过程，更好地使模型输出与用户意图保持一致。
2月11日，斯坦福大学计算机科学家米哈尔·科辛斯基（Michal Kosinski）在一篇名为《心智理论可能从大语言模型中自发涌现》的论文中，通过心智理论的验证，证明ChatGPT已经有9岁孩子的心智，这标志着AI已经进入一个崭新阶段。
ChatGPT尚且存在诸多根本问题
01
数据集的局限性导致AGI只是走出关键一步，远未成熟。模型数据集的来源是维基百科、书籍、期刊、Reddit链接、Common Crawl以及其他数据集（如论坛对话、视频字幕等），只包括了人类创作的部分数据，以文字为主，尚未涉及其它模态数据，更不用说非人类创作的数据了。以此种数据集为根，结果大概率会出现偏见。
02
ChatGPT答非所问、似是而非的回答层出不穷，目前只能作为娱乐使用，远达不到工具层次，更不用说替代人类了。
从生成结果看，ChatGPT得出的结论更多是按照一定逻辑的信息重新组合，没有实现知识创造，这必然会引发一系列问题，如知识产权、剽窃抄袭等。从产品角度来看，用户仅是因为尝鲜而使用，使用粘性和使用生命周期有待商榷。很难想象，如果用户主动使用ChatGPT后，会完全信任它给出的结论，使用这些结论去做决策。
03
将对社会稳定造成极大影响。
对于处在“信息鸿沟”中的人群而言，ChatGPT的答案泛滥并不是什么好事情，安全隐私受到冲击、谣言层出不穷、欺诈难以监管、信任不在、信念动摇等现象大概率会出现。
04
在新的商业模式未出现的时候，当前商业模式会受到冲击。
当前的商业模式建立在价值流的基础上，即价值生产流向价值消费，其中价值生产的稀缺性，提升了价值从生产到消费的势能，推动了商业发展。但ChatGPT的出现，使价值生产，尤其是信息的价值生产大众化，降低了价值生产到消费之间的势能，导致价值流动形成新方式，从而影响旧方式下的商业模式。
例如，当用户在搜索页面可以直接获取精准结果时，搜索所建立的竞价排名将会无用武之地，如果广告进入生成式AI，那么不仅需要从数据集开始进行改变，模型也需要相应调整，当进入的品牌达到一定规模的时候，结果混乱将随之产生。
05
生成式AI的模型黑盒可能会使人类失去对AI的控制。对比人类学习，人类学习的路径是清晰的，可干预、可测量、可考核的，换句话说，在人类的学习上，过程是可控的。但是对于生成式AI，我们尚不清楚它们的学习机制和过程，也就难以把握它们的学习最终结果。
ChatGPT成本也不容小觑
根据UBS分析师Timothy Arcuri的观点，ChatGPT使用到了至少1万块英伟达的GPU来运营这一模型。而一张40GB的A100 PCIe卡，目前在亚马逊上的单价为8000多美元，而80GB的A100 PCIe卡价格在15000美元左右浮动。根据Semianalysis分析师Dylan Patel的推算，如果只负责在服务器上部署ChatGPT的OpenAI无需考虑设备购入成本，而是只考虑GPU云服务器的定价。ChatGPT每次查询的成本为0.36美分，约合2.4分人民币，每天在硬件推理上的成本高达70万美元。
从2022年ChatGPT的公开数据来看，年总支出在5.44亿美元，375名员工的工资2亿美元，GPT3的训练成本在460万美元/次。如果考虑到未来音频、视频等多模态数据的进入，那么成本还会大幅增长。
ChatGPT潜力极强，生成式AI也必然会成为人类手中的有力工具
考虑到当前存在的技术问题，它们的发展方向有可能如下几种：
AGI方向不变,必然对底层数据集有更高要求
一是数据会延伸到更多模态，二是将囊括环境及机器产生的数据，以环境数据为基础提供答案，或实现机器之间的交互，三是ChatGPT自我产生的数据进入数据集，形成自闭环，开始具备知识创造能力，不断提升AI的学习能力。
以通用为目标，以垂直领域为切入口，先垂直再通用
先对垂直领域的各维度各模态数据进行整合，针对垂直领域特征进行模型调教，在垂直领域中实现AI工具化。而后连接各垂直领域，逐渐实现通用化。
通过工程化技术，大幅降低成本
包括数据成本、算力成本、训练成本等。
以工具为起始点，逐渐形成新的商业模式
生成式AI将会率先赋能生产型企业，在客服、广告方向提升效率。而对于平台型企业来讲，需要打造生成式AI能力，并赋予生产型企业更强的能力，降低企业成本，在平台上价值势能降低的情况下，提升价值流动的动能，为平台上的用户提供更有效的价值消费。
国内企业在LLM上存在弯道超车的可能么？
目前来看非常困难。在追赶的这条道路上，资金反而是最不重要的因素。从云到LLM模型，到平台层，再到应用层，国内还有很漫长的道路要走。
从时间上看，2015年OpenAI成立，2018年推出GPT-1，2020年推出GPT-3，2022年ChatGPT上市，期间经过将近8年。即使AI三要素没有突破，随着规模应用，训练成本大幅降低，国内想在短时间内在模型上追齐国外，困难程度不可谓不大。而且，算力还是被卡脖子之一，算法也难以做出突破。
最重要的是，国内的内容数据集规模上存在短板，质量上参差不齐。
从规模上看，国内的用户主动生成的内容数据还不能与海外相比，尤其在文字上，原创的知识类内容占比不高。
从质量上看，优质内容、内容维度、内容标注等方面还有缺陷，以致使用模型效果不佳。
完备数据集、超强算力、优秀的算法是根本，模型开发能力和调教能力是突破口，场景应用是表象。
有扎实根基，有突破欲望的企业才能有可能经过长时间蛰伏，与海外一较高下。只拿应用场景说事儿，而忽视根基的打造和突破的决心，最大的可能是一地鸡毛。
另外，企业对于LLM模型的定位和目标也是必要因素之一。如果不能持之以恒，确立明确方向，做出有效规划和风险规避手段，仅希望短时间内就能产生商业化价值，形成卖点，赚个吆喝，那么所谓的弯道超车仅是个市场营销手段罢了。
但是，借助ChatGPT的能力，在应用层上进行包装后的商业化，则存在极大可能，这也是中国企业擅长的领域。
例如，ChatGPT与数字人结合，陪伴用户或协助用户解决问题；赋能更多有创作天分的用户，来生产更多内容等等。尽管如此，还是衷心希望我国有更多企业能够锚定根技术，形成我们自己的技术壁垒，推动我国AI的发展，不断提高AI生产力。
