邀请你加入群聊：给ChatGPT降噪｜真格线上分享会实录
从 ChatGPT 中，我看到新一代的 AI 技术随着不同组件走向成熟，已经进入“乐高化”的趋势。比如，我可以在 ChatGPT 里生成适合 Midjourney 的 prompt，把多个 AI 应用打通来使用。当技术出现“乐高化”的时候，意味着迭代的速度会越来越快，原来需要单独开发的部分变成了公用的、可复用、可调用的组件。
互联网底层技术“乐高化”之后，应用开发者的门槛不断降低，所以迎来了消费互联网创业的大爆发。我相信 AI 领域的创新也走在这个阶段。
很多人也在诟病 ChatGPT 会胡编乱造事实，的确是这样。我认为目前 AI 更适合需要创意而非需要精确的商业模式。例如需要对生命负责精确度的 L4 自动驾驶商业化应用的进度就比较慢，而 ChatGPT 很适合需要打草稿和找创意的行业。一些我认为已经做到“经过简单修改可用”的例子包括：
1、为程序员编程和 debug 提供帮助；
2、为公司起草招聘启事、Offer letter，活动预告等日常文本；
3、跨境电商等跨语言的商品描述和客户服务；
4、帮助文案策划从不同的角度寻找论点和思路。给 ChatGPT 一个观点，他能够帮助从正反给出几个不同的论点；
5、帮助创意人士进行头脑风暴。例如我尝试用 ChatGPT 生成虚拟世界里面怪物的描述，写得很好。
Peter 刘欣旸 Magi 创始人
应用成本降低后，ChatGPT 类产品会颠覆未来
体验过 ChatGPT 之后有一个比较直白的感觉，它像是一种写高考作文似的 AI。它的训练是基于非常大量的文本，就好像我们写高考作文的时候，会去找论据，而过程中可能想不起来具体是谁说的，或者具体哪一句话。在看一些 ChatGPT 的回答当中出现了这种感觉，它似乎知道一些来源，有很多的记忆，读过一些东西，但是它把这些东西混成了一篇读起来很通畅的文字。
我觉得它最有可能应用于类似搜索引擎的领域。它带来的颠覆性可能会是 TikTok 对于 YouTube 的颠覆。因为 C 端的用户都非常的懒，如果我得到一篇让我非常满足的答案，就没有动力再去证实这些来源，看它究竟说的对不对。
就像 TikTok 给用户在时间线推满认为你感兴趣的东西，用户就不会主动搜我要的东西了，这是我直观上的体验，也是我觉得 ChatGPT 可能对 C 端的一些行业的影响。
包英泽 跳悦智能 创始人兼 CEO
ChatGPT 可能带来标注服务的创业机会
Amazon 做无人购物的时候，最早期有人在监控器里看着，但是一段时间之后，标注的数据足够多了，它就智能了。早期很多做无人车的公司也都是这套思路，一开始通过 5G 遥控的方式来开，背后有一个驾驶员。
如果 ChatGPT 也是依赖大量人工标注，似乎就产生了一个新的范式：AI 产品前期都会有一个人工重度参与的过程。一个投资的机会就在于提供标注服务。
比如，中国各行各业不可能直接用现有 ChatGPT 的标注。想用中国版 ChatGPT 的企业，都需要花很多钱比如 500 万请 100 个人标注。为大模型做人工标注冷启动，可能会变成一个生意。纯粹追求不用标注员，就做一个能结合场景的大模型，会变得越来越少。想用大模型，前期必须有重金投入做标注。
代码家 真格基金 投资副总裁
ChatGPT 是否能帮助未来 AI 对人类情绪的猜测
如果标注者能够训练出人们预期的文字的数据，未来能不能继续拓展？例如，如果我想要用标记者的方法来训练符合人类预期的情感类的输入输出，或对于某些垂直领域更多专业知识，会不会达到更好的效果？
也就是 NLP 会脱离文本本身，它用 ChatGPT 的训练方式能够训练出来更多更情感化的东西。这次大家看到它生成了很多创造性的内容，它其实本身就是一个内容的创造者，能不能衍生和泛化到更多更抽象的东西上？
未来当你说话的时候，用标记者这个方式去拓展，它可能能够用大量的数据来猜测你的情绪。虽然过去有很多情绪上的猜测，但很多还是基于文字本身以及视觉（比如看脸的动作，眉毛的抖动等）。标记者这种方式能不能用一个更泛化的方式去猜测情绪，把对人的理解提升到一个新的维度？
包英泽 跳悦智能 创始人兼 CEO
如果 ChatGPT 能继续“模糊的问答”，会提高到新层次
现在我觉得 ChatGPT 的问答，更像学术论文式的交流，比如你问：XXX 病毒是什么，起源是什么？ChatGPT 可以严谨给出学术回答。但是，普通人与人之间的互动其实是“一个模糊的提问，对应一个模糊的回答”，但结果是可以统计量化的。
我们需要积累大量的数据，让 AI 能用一种模糊的回答对应到一个模糊的问题，促成商业化的结果。这要么需要花费大量资金做数据标注，要么做一个形成数据闭环的产品。在中国的商业化场景落地，需要 ChatGPT 的数据再提高一个层次。
刘超 一面数据 联合创始人
中国AI在应用层面上领先于海外
在技术上面坦白讲，在中国的 AI 的技术应用是领先于国外的。这点也许大家认知不一样，但根据我们过去 5 年的经验来讲，很多海外企业都把中国的 AI 应用场景翻到国外去；很多创业者做的事情也是把场景场化的 AI 迁移到海外去。
落地的时候，可能中国比国外要快一些，因为试错成本要比国外要便宜。伴随着 To C 端的发展，我觉得可能全球网络的监管会变得更谨慎。
ChatGPT 对我来说是非常震撼的新的科技，最直观一点就是这个模型知道自己什么东西不知道。但是从一个 knowledge graph（知识图谱）和 search engine（搜索引擎）从业者的角度来说，我觉得目前它仍然存在一个比较大的问题。
举一个例子，如果大家玩游戏可能知道，上个月宝可梦系列发售了一个新作《宝可梦:朱/紫》，如果你问 ChatGPT 关于《宝可梦:朱/紫》的信息，它会直截了断的告诉你，宝可梦系列里没有这个游戏，这是网友瞎编的不要去信。
这是因为 ChatGPT 用的是截止到 2021 年第四季度的语料去训练的，这个模型是静态的，训练完的那一刻，所有的信息都被这些参数以某种人类无法理解的形式保存在这个模型中了，它对这个世界的认知也就停在那一刻。
随着轮次的增加，回答的性能会下降
另外还有一个问题，很多人讨论 ChatGPT 多轮对话能力很强。但你会发现，随着轮次的增加，你的上下文会越来越长。我们知道 Transformer 模型计算时的渐进时间复杂度是指数级的，拿到过长的文本就不得不开始剪裁，而剪裁就会导致性能丢失下降。目前 efficient Transformers 和 context 压缩等研究都比较活跃，多轮对话仍然是有很大的提升空间的，可能会诞生一个真正可用的实时大模型。
刘超 一面数据 联合创始人
相较于 To B 端，更适用于 To C端的内容创作
我们公司是做 To B 的，之前也给很多大的公司做过一些 AI 语料，用来做企业数据服务。在 To C 端，它的内容创作、营销或对话上是好的，但在 To B 端，它可以被理解为一个非常废话的回答者，To B 端的人往往不太会喜欢这种东西。
但它确实是在迭代的，对于反复回答的体验是有质的提升的。所以我们也很关心未来会有怎样的技术发现，或者通过更多 labeler 的加入，让它的话题质量继续提高。如果数据端的质量能搭配上，以后可能会出现更多的 To B 端的应用。
林东生 悉之智能 算法负责人
ChatGPT 缺乏严谨计算推理的能力
我们公司主要做的是数学自动解题，当 ChatGPT 出来后就紧锣密鼓做了尝试。数学是一个很严谨的事情，错了就是错了，没有任何可商量，不可能让它有随机性。这其实就是大模型在强逻辑推理情况下比较难受的点。相较于大模型，我相对更坚定地用小模型去做数学解题，一定程度上对端到端能够“完美的完成数学求解”不抱期望。
第一，训练之后，整体的求解思路其实都是对的（主要是初高中的数学非应用题），讲解过程也像模像样。但是对于数学严谨推理来说不太能应用，经常一遇到计算就开始胡说八道，中间的计算过程一旦错了，后面的思路就开始出现偏移了。
图中两道数学题仅仅是一个数字的改变
左图正确求解，右图的结果却是错误的
另一个很有意思的是，感觉 ChatGPT 在应用题的表现是好于非应用题的，测试的过程中 ChatGPT 对于常识的表现是很惊艳的。在数学解题领域，如果它对于语义理解的要求高于对计算的要求的时候，在短期而言能达到的效果其实是更好的。
陈郢 十荟团 创始人
ChatGPT 还需要其它专项性更强的 AI 模块的支持
我最近有什么不懂的问题，就开始在 ChatGPT上问，它很快会给我一些回答。我觉得作为一个私人助手来讲，不管是帮我学习和了解一个东西，还是一个工作上的助手，它现在已经是合格的。作为一个工作助理，已经很接近一个有价值的产品了。
当然，ChatGPT 作为一个自然语言模型，它的专业能力不是很强，在数据真实性、严谨性、复杂专业问题的处理等各方面，还需要其他 AI 模块的支持，如 OpenAI 自己的 Davinci ，WebGPT 等。作为一个工作助理来讲，我觉得理想搭配是 ChatGPT 作为自然语言的交互界面，同时背后有其他专业领域的 AI 的支持。
宋嘉伟 笔神作文 CEO
大模型训练的成本高，用户付费意愿有待挖掘
我们目前在商业产品中还主要在用小一点的模型，大模型训练一次的成本对于创业公司来说太贵了。我们的 APP 里有一个 AI 自动批改作文的功能，就是用 Albert 来训练的，而模型的推理放在阿里云上。因为我们用户量比较大，所以还是要尽量转成 CPU 可以跑的模型才敢上线正式服务，否则从商业角度考虑，成本会超过收益。
另一方面是 C 端的付费意愿还不够，每一个用户到底愿意为一个更加聪明的AI多付出多少成本，这个商业的假设还有待挖掘和验证。
Peak 季逸超 Magi 创始人
将这样的大模型应用在缺乏训练样本的垂直领域
我认为大模型最大的能力在于，以后对数据或者对 in house 的 labeler 的要求会越来越少。这提供了一个新的思考方向，当我们要为某一个垂直领域服务时，如果这个垂直领域缺乏训练样本的数据，这时候可以多往大模型方向去想一想，转化成一个 zero-shot 或者对话式的问题。
代码家 真格基金 投资副总裁
给未来虚拟世界带来因人而异的体验
这次 AI 的进化，其实能够很大幅度地降低创作的门槛。不论是 AI 生成图片，还是 AI 生成内容，让以前有想法但没有办法的人把想法实现掉。我们也观察到一些 AIGC 的团队，尝试着让用户去编写有意思的内容、驱动的故事情节，又可以观看，又可以体验。
其次，我觉得它有可能会给未来虚拟世界带来因人而异的体验。大家玩游戏的时候经常看到 NPC 都是一模一样。NPC，如果它有很强的对语言的理解，我是不是能走到 NPC 面前主动地说话，它可以主动地回复我，我们俩可以有不同的交互，但最终达到类似的目标，我觉得这里会有非常多创业的机会。
孙宇光 真格基金 投资经理
AI 能够以辅助的身份弥补人的机械能力
拿游戏来举例，大家如果之前玩过 RTS 游戏知道你要有很强的大局观，同时你要有特别强的操作能力。为什么 RTS 衰落了？一个主要原因是因为它的操作门槛太高，对普通人上手难度太大。
所以 AI 在这里我觉得会有一个方向，无论下棋时通过脑子去硬算，还是打游戏用键鼠快速的操作，其实都是一种劳力。在早期可能没有好的工具的时候，“劳力”是乐趣的一部分，或者是区分人与人水平的一部分。但是当我们现在用辅助工具之后，一定程度一定是让游戏变得更好玩的。AI 会识别你的个人的模式，把模式转变为你的一种能力。
代码家 真格基金 投资副总裁
AI 可能会以 mentor 的身份出现
AI 可以作为 mentor 存在，mentor 本身要比你懂得更多，它才能成为你的 mentor，AI 的 mentor 到底长什么样子？它学了足够多的东西，它能收集到你足够多的反馈，它引导你成为更厉害的自己。我觉得玩家其实是很愿意有一个 AI mentor 去带自己。
如果再把这个东西泛化一下，未来会不会有一个 AI 的 mentor 引导你学瑜伽，引导你学数学。
戴雨森 真格基金 管理合伙人
从 ChatGPT 看商业拐点的重要性
大家看 ChatGPT ，可能会觉得一夜之间竟然出现这么好的东西，其实它是经过了非常长期的发展。人类想解决机器对话这件事，严格来说可以追溯到 1960 年代。几种大思路的突破，以及每个思路里面的小突破也花了很长的时间。我觉得这里面体现了拐点的重要性，如果在拐点之前做这个事情，基本上都是做不出来的。
可以说在 GPT 发明之前， NLP 这件事似乎没有什么可用的。尽管 GPT-3 出来时大家觉得很震撼，但因为多轮对话的不可用，导致它的作用其实不大。
所以我觉得第一点，我们要尝试去找指数增长的拐点。因为一个新技术刚出来的时候，你去投资，你去做，其实风险都很大。互联网的拐点也差不多是在 95 年左右发生的，但是其实互联网是 80 年代出现的。在拐点的时候其实弹性是最大的，投资也是有大机会的。
第二点，从新技术来说，往往要先做那些人类目前还不是那么熟练的地方，要做那些对精确度要求不是很高的地方。为什么自动驾驶做了这么久，现在还是很难产出商业价值？第一是因为它对精确性要求非常高，一个新技术你一上来就要求精确性其实蛮难的。第二是驾驶是人类已经很普及，且日常使用频率很高的技能领域，如果要把这个领域直接替代掉，阻力会很大。
但是 ChatGPT 属于创造性比精确性更重要的领域，比如你让它去写一个营销文案或者招聘启示，它可能有些事实错误的地方，但你改改就没事了。所以它的这种特点，就导致像已有的 Copilot 、 Jasper.AI 这种没有多轮对话的生成型 AI，都已经能获得不错的商业化收入。
第三点，不同的人对新技术出来的态度还挺不一样的。我基本上看到对 ChatGPT 的态度是挺二元的，有的人觉得特别革命，也有人说这其实也没什么。我觉得对待新技术的态度还是要往前看，很多颠覆性的技术出现时，比如 iPhone 出来的时候，也有很多传统做手机的人说这个也没什么。因为很多时候都是身在此山中，有的时候要用自己置身事外的直觉来看。
过去的很多技术其实基本原理都在，但是你没有用“用户能够去用”的包装来打包，就导致会觉得技术上没什么大的突破。在这个过程中，我自己的感觉是 ChatGPT 确实是这几年来见到最惊叹的一个技术突破，不只是惊叹于它的难度本身，而是它真的到了一个“对于普通人友好”的阶段。我觉得这点是很重要的，在这个时候，真的能基于此产出大量的应用。
沐曦 | 驭势科技 | 芯耀辉 | 森亿智能 | AutoX
微信扫码关注该文公众号作者