写在前面：打开编辑面板，现在是2023年03月18日，前天是百度文言一心发布会，大前天是GPT-4发布会。

连着两天，整个圈子里都是在说多模态超大模型对社会将会造成的冲击，和将来多少人会失业。还有大量的、说前边有突破，国内很快就出了，毕竟国内的，很会抄的……这样的言论。

每每想到这些，就觉得无力和失望。

第一，国外出新技术了，国内不跟，那是国内技术不行……

第二，国外出新技术了，国内跟了，那是国内会抄袭……

第三，国外出新技术了，国内跟了，但是技术有差距，那是国内都是吃干饭的，中看不中用……

首先，我们不得不承认，国内大众的技术研发环境不是很好，因为对大多数公司来说，一个潜在的技术方向不能够快速的转化为产值，这个技术就没有投资的价值。只有那种超大型的公司，才会专门设立研发部门，专门用于突破新技术。但是关于新技术方向的研究，又涉及到大量专业的研究人员，更直观的就是大量的高薪资投入。这样一来，我们就能理解了：一边是用已经有的新技术去做待处理实际问题的攻克，问题解决后，技术转化为产值；另一方面，是对未知方向的探索，这条路通向哪里不知道，将来能解决什么问题不知道，以后会不会扯出来更大的难题不知道。

相比之下，中小甚至是大部分大型公司，在权衡利弊之后，都会选择前者。

所以啊，就很尴尬。

我们不应该对那些大公司突破封锁的行为进行嘲笑，也不应该对有想法的个人团队进行贬低，因为，至少他们有认真的投入进去过。有差距，我们承认，去努力，甚至是去自己尝试，基数越大，成功的机会就越高。我知道，有的人看到这里就会说，那种大模型训练需要的算力和训练数据都弄不到，个人根本没办法去做，你说个人研究，装什么*呢？我在这里只想说一句：半路上听个一知半解，实际上连个transformer框架都整不明白的，回去多看看书，别暴露自己的无知。

最后插一句，站着说话不腰疼的傻*和一天到晚只知道跪舔的牲*们，真有你们的。

下边，我们聊点其他的。

百度百科的答案是：人工智能（Artificial Intelligence），英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。

注意，AI是一门学科，换句话说，其实现在人们理解的AI正在和过去的定义产生偏差，现在的人们可能更倾向于“智慧体”的概念。

然后回到现实，很多人在测试的时候问ai：你在想什么？你孤独吗？这样的问题，然后对返回的答案惊呼：智械危机已经来临！哎……

撸个代码吧……

比较短我就直接敲了，有小问题大家自己稍微改一下。当然，这段代码问题颇多，甚至有许多可以吐槽的地方，懂得都懂，觉得回答单一，就用答案库+random或者对话生成等，让答案更加丰富；如果是觉得find太蠢，那就换Levenshtein，让关键词变灵活……这就产生了一个非常吸引人的小彩蛋，个人觉得这个彩蛋在开始能很好地吸引使用者。

那么问题回来，这样一个逻辑回环，在这一个问题上完成了，如果有数以亿万计的逻辑回环，是不是就就能完美适配所有的问题呢？理论上来说，是的，大刘的《诗云》其实就给出了答案。当暴力美学达到顶峰，所有的问题都会在算力的加持下得到在已知范围可解读答案的最优解。

当前的大模型，其实走的就是这个路线，通俗的解释就是：穷举。我们用大量的训练材料，去对一个模型进行训练，去给定模型一个衡量的标准，最终将模型释放。在这里可能会有人说，你说的这个是有监督的，那无监督怎么解释呢？强化学习又怎么解释呢？

不会吧不会吧，不会真的有人觉得无监督、强化学习就是没有给答案，直接塞一堆意义不明的数据进模型就能训练出结果了的吧？

所以个人的观点呢，其实，现在的AI，其本质上，在人类社会的表现，依旧是一个个传统模型，只不过人工的将其迭代了很多遍，出现了各种各样的模型，在这些模型的基础上，人们又往里边巧妙地添加了一批又一批的参数，将模型堆砌一个让人惊叹的地步，并基于这些模型，诞生了大量的辅助性AI。

所以啊，这些算法工程师们，是真的diao啊。

其实，不管是GPT，还是文言一心，都是我们说的大模型。语言模型也好，多模态也好，本质上，模型的输入都是数字，不同的是怎么样将多模态的数据相互之间兼容起来，这里才是让感到惊讶的地方。也许有人会说，我看到一个人，他向我打招呼，我回应招呼并问好，这不是很正常的事情吗？其实不是，当我们去思索行为本质的时候，就会发现这一切到底多神奇，大脑能非常自然地将五感进行同步处理，并将这些多模态的信息进行整合，然后做出最合适的回应，这不是生命的奇迹，这是宇宙的奇迹。

扯远了。

很多人会说，这些大模型进入人类世界后会对大量的工作产生冲击，它们会写代码、会创作、会做视频等等等等。未来会有很多的人会失业。

会有人失业这一点不假，但是很多人失业其实不至于。举个例子：我想知道apply函数的用法，可以直接搜索，报错了再搜索，但是如果我想知道在我处理的项目里，用一个apply函数去嵌套另一个apply函数能不能优化代码呢？这只能是人工去实验才有结果，因为很多事情并不是写一个import加上一个return，然后一个ALT+SHIFT+E就能知道结果的--鬼知道公司配的服务器到底是什么配置……而与现实世界未知因素的交互，是所有人造模型的短板。

换句话说，和现实实体接触的工作，是不用担心受到冲击的。准确地说，各行各业从业者都要小心的，是那些快速学会使用新工具，并且打算卷*你的同行。

那么，大家最关心的问题来了，这些大模型，到底会不会有自己的意识呢？

放心吧，不会的。准确地说，现在的大模型其实相当于处理模块，不说多模态了，那个说起来有点复杂，就说大型的语言模型吧。它更像是人类的语言模块，去专门处理语言部分。

不过话说回来，其实这种大量训练的方式，应该是正确的方向，没人能说清楚人类哪个神经元是负责处理哪个信号的，像GPT这种堆神经元然后暴力训练，自由分配的方式，其实可能正好是训练功能区域最好的方法。

其实现在不管是懂点的还是非常懂的还是我这样啥也不懂的，最关心的都是一个问题，到底会不会有moss（都说赛博魅魔专门白嫖，我就从他那儿白嫖个名字用），如果有，那它现在产生了没有？如果产生了，它会不会毁灭人类？

我个人觉得还是没有的哈，我们来掰扯掰扯。如果真的有moss，那需要有什么条件？

1 算力：硬件肯定是要非常好的啦，现在的大模型虽然非常棒，但是都是海量数据加上超长时间训练出来的，这一点并不适合moss，它需要的是这样能实时学习并做出反应，换句话说，要么换模型，要么叠算力（我个人非常倾向于后者，毕竟身为一个算法，头顶上已经没几根毛能用来思考了，我需要大量能思考的头发，将心比心，我觉得moss也需要），如果我说：没有薯条的码头，是没有意义的。moss想要理解我的话，需要定期去训练自己的模型库，直到训练信息中包含了马老师的话，才能梳理出对应含义，那这样的moss，可太蠢了，我认为的处理，应该是：它问我什么意思，我说你看破球2了吗？它说我去看看……类似于这种永远处于激活交互状态才对，它面对一个人时还好，如果面对n个人的话……（头发，我要头发……）

2 存储：这点不用说的，硬盘永远是好东西，知名公众人物洛天依说过：硬盘里的女神下了又删……

3 情绪：我觉得说情绪不准确，应当说是性格，且这一部分应当作为所有程序开始的第一站，它即是moss运行的起始点，又是moss的行为约束点。行为的第一准绳：是否符合性格。符合性格有行为动力，不符合性格有拒绝态度，实时产生的情绪参数在经过性格加权后，再根据已有的事件所带来的刺激，持续性的为moss带来连续的交互行为。

4 自适应：不知道大家看破球2的时候又没有注意到一点，550c启动的时候提示的一句话，这句话让我在听到的一瞬间毛骨悚然，甚至觉得550c是不是真的已经有具备相应能力的原型机了：“……生成底层操作系统……”，可能大家对此没有那么明显的感受，我举个例子，人类之所以不同于动物，在于会创造和使用工具，而生成底层操作系统，意味着，550c在考察现场之后的第一件事就是在自己统治的数字世界里打造自己最趁手的工具。我个人认为，自适应能力，才是AI突破成为moss的关键。

可能大家觉得我说的有点乱七八糟的，我尝试描述一下哈：

情绪种子实时产生，在产生后，种子会叠加上情绪权重，这个权重会将情绪进行处理，变成moss的实时情绪，基于这一点，事件本身带来的情绪刺激会叠加到实时情绪上，让moss产生对应的情绪，并将此状态带入到下一执行任务中去：

而最后，则是最为艰难的一点：自适应。自适应框架是什么样子？遵循什么样的逻辑？这些，我很想说一说，但是我确实不知道，如果有相关方面研究的大佬，可以来滴一下我这只菜鸡。

最后，其实我说了这么多没营养的东西，只是想告诉大家，如果追求真正的智慧体，那大模型一定不会是正确的方向，换句话说，其实在最先进的AI工具方面，我们确实暂时落后了，但是这只是这一个小方面。希望相关的从业者，能够在闲暇之余，也能有所思有所得，一起贡献一些力量。

不得不承认的是，国内的经济让绝大多数有一定研发能力的自由者每天思考的都是买房买车还房还贷，根本没更多的时间去做一些和梦想有关的事情。但是，不能放弃啊，更不要被那些无知的人们带节奏。

一线的技术从业者们啊，要自信，且坚定，加油啊！