现在好多媒体都在鼓吹AI无所不能，说得神乎其神。又是要替代人类，又是引发大面积失业，还有的说“不是AI淘汰了你，而是淘汰了没有掌握AI的你”。吧啦吧啦，跟直播间带货一样。

我本人就是做AI应用开发的，可能是才接触到皮毛的原因，我从一开始就没有感觉到，有什么值的震惊的地方。

因为我感觉东西还是那些东西。它就是个任务式生成。不管是写文案的文字创作，还是智能对话，或者封闭、开发式问答，这些都是老生常谈的功能。当川普还是总统的那年，这些东西就有很多Demo了，我也一一尝试过。只是现在，有人愿意花钱了，愿意买GPU了。并且从全球的网络上，搞到了足够多的训练数据，再加上算法确实优化了，所以才让AIGC水到渠成地脱颖而出。

但是，上面的这些话，我可不敢说呀。

因为说了就是逆着潮流，现在大家对ChatGPT可谓是好评如潮。我一说，相信网友的唾沫就能把我淹死，我的罪过比哥白尼轻不了。

博士的言论

后来，还是有一位老前辈说了，他就是吴军博士。

吴军博士说完后，好像也被网友攻击了。媒体给起得标题是“吴军说ChatGPT没什么”。

为了保命，我表达观点之前，先真心地肯定一下ChatGPT。ChatGPT确实很强大。在内容创作领域来讲，他确实起到了革命性的作用。AIGC爆火后，相信大家也看到了很多新闻，比如游戏公司裁掉了一些美工，电商店铺也不再聘请一天四五万的服装模特，取而代之的是改用了AI来生成效果图。

其实，吴军也没有否定它的价值。

我仔细分析了吴军说的内容，其实，跟我上面的见解也差不多。当然，这不排除是因为我喜欢读他的书，受他的影响。

他说，ChatGPT是一个语言模型，语言模型并不是新产物。另外，复杂模型的成败受算力的影响很大。这一点，以前是没有人愿意不计成本地花钱研究的。但是OpenAI这次舍得花钱了。这一火爆，会引发大家都舍得花钱。最后，他说ChatGPT在内容创作领域确实有用，但是人类的涉及的领域何其广泛。他提醒其他领域的同学们，不要盲目跟风，小心被卖课程的割了韭菜。

我觉得他说的没啥毛病。

文末如果有人想继续怼他或者怼我，请恕我无力回复。咱们萍水相逢，犯不上有这般的冤仇。如果愿意平和地探讨，我乐意彼此交换一下想法。

我只是想说一下自己遇到和看到的事情，仅此而已。

电力哥

最近，我遇到了很多人找我，有公司的领导，也有外界的朋友。

他们找我，无非就是想搞一搞人工智能，给自己的产业稍微加持一下AI能力，然后期望在行业内，能火上一把。

很遗憾，我帮不上他们的忙。或者说，他们有些乐观了。

有个做电力的老哥，他经朋友介绍，找到我。他见我第一面就跟我讲ChatGPT。然后，给我讲大语言模型，他还知道Transformer（一种神经网络的架构）。他说，他有个哥们在澳大利亚研究ChatGPT的源码。

介绍人跟我说，这哥们有AI需求，想咨询一下。怎么我这一来，他开始给我讲课了呢？

后来他说，他对AI是有接触的，但是太忙，没时间研究。

我点了点头说，是的，您连Transformer都知道。

他说，现在ChatGPT很火，又是开源的。能不能帮忙在私有云部署一套，他想自己再训练一下。他的要求不高，就是想实现电力数据的AI诊断。就是把一个工厂的电力信息给到ChatGPT，然后让ChatGPT提供一份详细的分析报告。包括哪个设备耗电多，哪个设备运行不正常。然后，再综合起来，评价一下这个工厂整体的电力布局，有什么优势，存在什么隐患，并给出一些优化建议。

他差点就开口问五千块够不够了。我赶紧说，我干不了。

我除了自己无能以外，我也给他分析了其他的几点客观原因。

大家也都看到了，像ChatGPT 4.0，铺天盖地全是新闻，但是国内还没有普遍使用。而且，ChatGPT它是以API的形式提供的，也就是花钱买一个账号，每次都去问它，它现场回答，要是断网那就芭比Q了。对方也能随时让你的账号失效。自从ChatGPT开始好用的那个版本开始，它就不开源了。一方面他开源了你也用不了，因为硬件成本太高。你自己训练一次需要上千万人民币。很多企业接触ChatGPT都是想要挣这上千万，并不是花这个钱。

再说，人家OpenAI投入几十亿美金，搞出一个成果，很难白送，只会馋哭隔壁的小孩。所以，它有什么功能，你就用什么功能，想打造自己的GPT，难度很大。到目前为止，我还没听过它能为某家工厂诊断电力的问题。所以，大哥您无法使用。

这哥们似乎有些郁郁寡欢，他感觉我说的不符合“人人皆可用AI逆天改命”的论断。他表示让我再研究研究，他也再找澳大利亚的那个哥们问问。

眼镜哥

我还接触过一个人，他文质彬彬戴眼镜。他没有透露自己的单位，但我感觉他应该不是在小私企。

我问：“您也想搞一个，自己行业定制的ChatGPT吗？”

这位眼镜哥，连连摇头：“不，不，不！ChatGPT我们不敢搞。他不支持私有化部署。我们要的平台，一定要能在内部网络中封闭使用”

我忽然有种遇到知己的感觉。

眼镜哥继续说：“其实，ChatGPT还有一个价值观导向的问题。如果它成了全民的知识大神、精神导师，它又是通过API方式调用，那么很难保证他不胡说乱说。除此之外，我们也不想，把关键数据送给它去训练，那样信息安全就无法保障了”

他问，有没有一种功能类似于ChatGPT，但是可以私有部署、内部训练的开源平台？

我问，预算多吗？

他回答，预算不少。

我说，你可以试试一个号称是ChatGPT的平替方案，是在4月中旬刚发布的。它就是Databricks公司发布的Dolly 2.0。据说它可以达到ChatGPT 3.5的水平。它完全开源，成本也低，从技术上来说是零门槛。人家官方也说了，可以随意用。这个公司就是看不惯ChatGPT打着Open的旗号搞Close的事情。Dolly在做1.0时，那时GPT-3还开源，因此就借用了它的一些数据，结果OpenAI就限制它不能商用。到Dolly 2.0时，因为这个公司本身就是做大数据的，这次他们就自己花钱做了训练数据集。并且他们还声明“任何人均可出于任何目的使用、修改或扩展这套数据集，包括商业应用程序”。它起名叫“Dolly”，其实指的是曾经的克隆羊多莉，就是希望大家多Copy，让老树发新芽的意思。

眼镜哥问：“成本大约得多少？”

我回答：“如果想跑得流畅，硬件起码得8块A100 GPU。这就80万了。再加上制作行业数据集，程序员开发部署。我觉得，少100万下不来”

后来，眼镜哥给了一个红包，就没再联系过我。

老领导

有一天，我的一个老领导也找到我。

老领导请我吃烤鱼，他说：现在ChatGPT很火，我很想借一把力。

老领导的公司是做教育行业的。我虽然不在那里干了，但是我们的私人关系一直很好。

我太了解原来的公司了：愿意投多少钱，有什么机器，有什么数据，有多少人，想达到什么目的。我门清儿。

我说，好啊，当初在你手下时，我就一直撺弄公司搞AI。但是你连一台物理机都不舍得买。现在终于主动了。

老领导说，咱也不搞大的，就搞一个又小又实用的。我们不是靠AI生存，只是想用AI给我们的平台点缀一下。

这样吧，我们就搞一个类似ChatGPT的功能。不用比它强，有那么点意思就行。可以中英文翻译，让学生不用上网查询。可以知识问答，让学生不用查书就能快速获取到答案。可以文案创作，让学生可以根据关键词就能学习如何写一段作文。

就这点功能吧，嵌入到我们的一个趣味问答的页面。学生闲暇时，可以跟它聊聊天。也算是增加了用户的粘性。但是，要注意关键词和敏感信息的拦截，这个和算法无关，我让他们从业务接口过滤就行了。

对我来说，这些需求很Easy。

于是，我就在我的电脑，搭建了一套清华大学的ChatGLM-6B模型。然后跑起来，给老领导看。

老领导喜欢看效果，而且还喜欢体验结果。

老领导问，这是你从GitHub上找的吧，哪个开源项目，叫什么名？

我说这是清华大学出的大语言模型，它用的训练数据集非常优质。所以，在中文的回答上，它表现很好，比百度那个强。而且它开源，可以自己部署，也可以自己微调训练。

“叫什么？”老领导问。

我说叫“ChatGLM-6B”。

“哦，ChatGLM-6B。哎，6B是什么意思？”

我说，B指的是billion，就是十亿的意思，6B就是60亿。这个数量，指的是大模型神经网络的参数。

这个参数就像是一个公司的部门。如果一个公司具有采购部，行政部，人力资源部，财务部，后勤部，部门越多，看问题的角度就越多，对于一个问题的表决就相对更精确。如果一个公司就一个人，老板、保洁全是自己干，那他回答的是很快，也省成本，但是结果全看他的心情。

老领导点了点头：“清华的这个是60亿参数。你原来说的那个什么克隆羊，它多少参数？”

我说，Dolly 2.0是12B，120亿参数。

“ChatGPT呢？”

“ChatGPT4.0……它的参数是B前面多个零，x00000B是百万亿级别的参数”

老领导想了想，他问，那我们这个6B会不会有点low啊？

我说，应对你提的那些小问答，绰绰有余。最关键的是，我的电脑就能跑，不用买服务器。就算是想要自己个性化训练，万元之内也能搞定。

老领导听说不用花钱，便饶有兴致地继续试用。

最后，领导说，它回复的还行，但是不符合行业特征。

我问：“什么行业特征？”

老领导说：“拿文本生成来说，我给它几个关键字，让它生成一段文本。我想让它给出学生作文的那种风格。但是，它输出的却更像是商品描述，或者新闻报道，而且文笔太过老道，没有稚气，更像是大人写的。我想要的是学生写记叙文、议论文的那种感觉”

我说，这个好办呀，我们可以训练自己的数据，这叫做“微调”。

老领导说，那你微调看看！

我说，我调不了。这种风格类的东西，得由专业一些的人来制作，像制作课件一样。

我给他展示了一条ChatGLM-6B中关于广告文案生成的训练集：

输入: 类型#上衣颜色#黑白风格#简约风格#休闲图案#条纹衣样式#风衣衣样式#外套。

输出: 设计师以条纹作为风衣外套的主要设计元素，以简约……带来大气休闲的视觉效果……不容易让人觉得它过时。

人工智能并不是天生就这么聪明的，其实它是经过海量数据训练出来的。

训练数据就是人工标记好的一些已知答案的数据。一般成对出现。比如训练识别猫，那这条数据就是先有一张猫的图片，然后再有一个猫的结果。经过上万条这样的数据训练。最后，再给一张猫的图片，人工智能就能分辨出来了。其实它的底层也是阅片无数，最终才能修成正果。

就跟教孩子叫爸爸一样，你得先朝着她喊几百声“爸爸”，她才能学会怎么叫。

训练文案自动生成也是一样，需要先有一组关键词作为输入，然后再来一段相匹配的最终结果作为输出。最后把它交给算法模型，告诉它：“你看，如果有人这么问，你就这么回答，好好体会下”。

最后，她就像孩子学话一样，她不但会说“爸爸”，也会偶尔冒出一句“哔了狗了”。这句话你并没有教她，是她自己从抖音上听的。她离开了你，也会学习了。

老领导说：“嗯，我明白了。我找人整理一下你说的训练数据。大概要多少条？”

我说：“先尝试2000条吧，这点数据量，效果可能也就一般。ChatGLM-6B能达到这个效果，那是使用了十万多条数据，才训练出来的！”

老领导最终还是放弃了。

他叹了一口气说：“大家都挺忙的，可能没有人去干这件事。就算有人，估计公司也没有途径，去弄那么多优质的学生作文数据”。

成本、通用和定制

上面三件事，提到了一个限制，那就是人工智能有三驾马车：算法，算力，数据。

对于算法，其实好多年才更新一次。类似ChatGPT这么优秀的NLP模型，它上一次的霸主还是Google推出的BERT，那还是2018年。

当然，只有算法这一架马车，其实没法跑。这不叫缺一条腿，实际上是只有盆骨，你想单腿蹦跶都立不起来。

因此，得花钱，搞算力，得买训练设备，买机器。就跟当年比特币挖矿一样。

这个投入，五位数入个门，上不封底。马斯克前段时间疯狂抢购了1万个GPU，少不了上亿人民币。这点GPU，不一定够用。

那位问了，我不求快，不搞你们那些个并行运算，我排着队行吗？行！设备不够，倒是也能跑，就是时间的问题，需要等。

需要等多久？举个例子。普通三五千的GPU训练Dolly 2.0，7.5个小时一轮。训练10000轮是3125天，训练结束需要八年半的时间。训练完了，最后工程师说，哎呦，不好意思，忘了加一个参数，得重新再来一遍。你说，这个企业还活不活了。

你要是用集群的英伟达A100，几天搞定。你用好设备，可以反复调试，调一点看一点，这样才能获得好的结果。A100，十万块钱一个，国内还买不到。兄弟，都是钱啊。

有人说，我为啥要训练呢？我花那个冤枉钱干啥？人家ChatGPT不都训练好了吗？我一块钱买5000个字符，也能跑起来。

这就不得不说第三辆马车，那就是数据。

数据是模型的灵魂与核心。人家拿自己手头的数据，训练出来的模型，那是人家的。类比到养孩子的话，数据就像是家庭、学校和社会对孩子的教育。培养出的孩子是勇敢担当，还是胆小怕事，全看平时的所见所闻，并由此形成的人格。虽然训练的数据都是通用的，但是细分到每个行业，却又有自己独特的需求。

我就遇到过一个关于行业特性的事儿，挺有意思的。

当年做教育软件的时候，给学生做了一个用手写笔做试卷的功能。学生拿笔在设备上写，考试答题。然后系统根据轨迹转成汉字。

结果老师找来了，有的学生写了这么一个字。

这个字就是武术的“武”啊，只不过是右下角多写了一撇。

对于输入法来说，这个字和武很像，就很合理地被识别成了“武”。

但是，对于老师来说，这是学生写错了，要保留原字图像，让我知道他写错了。写对了，你蹦出来个字没问题，写错了你就别再把正确的字给出来了。

这个问题，我们就解决不了。算法是人家的，人家怎么提供，我们就怎么用。人家也不会因为我们一家，去修改他们的程序。要是我们的改好了，写错了不出字，那么你让其他人怎么办？还有人想着写一横就出来个“武”字，他们感觉这样方便。

这可能不是特例。

那是厚积薄发，投机需谨慎

通用数据训练出来的模型，在垂直领域内使用时，往往会不够精确，或者侧重点有偏差。

因此说，行业数据很重要。

我们看，其实AIGC各有不同，也是有所侧重的，分为了很多方向。他们各自坚守一方，并不是啥都干，啥都能干。

Adobe公司推出了一款叫Firefly的软件。它能利用AI，实现对话式修图。下面这个图，你输入“把景色换成冬天”，咔一下，夏天变成冬天了，还能变成带有雪花飘飘的视频。

有人看到这个新闻就感慨了：“快看，人家很快都搭上AI的快车道了，我们公司得追上才行！”

其实，他们可能不知道Adobe公司是1982年创办的，到现在也40多年了。我们熟悉的Photoshop就是他家的产品。他们在图像的处理、设计、印刷等领域，深耕了几十年。类似的功能，我从2018年就看见他们提过，只是效果不好。

他们不是搭上了AI才火的，相反，是他们搞火了AI。

再个举例，微软搞的那个Office365 Copilot。说一句话就能自动制作PPT。你输入“给我添加一张PPT，内容是关于再生材料的好处”，咔咔就自动蹦出来一张设计好的PPT。

那么，谁又知道，这一项功能背后的算法、算力和数据呢？得是微软近50年来的沉淀吧。

我也听到过很多老板，甚至产品经理都说，他们说“管它爱啥啥的，都扔给ChatGPT，让它去自己想去，我们喝茶”。

说这么多，我始终没有否定AI的快速发展和巨大作用。我能去研究那么多AI平台和框架，还写这么一篇千字长文，说明我并不是一个科技保守派，顽固派。

我只是想说，蹭热度要适当，要量力而为，脚踏实地才是成功之道，千万不能脑袋一热就陷进去了。

作为一个普通人，我们可以利用AI让生活和工作更加便利。目前来看，基本免费用，因此你也不用投入太多。我们就是普通用户。对我们来说，哪种技术当道，跟我们关系不大，这家关了，我们就再换一家。

作为一个中小企业，如果不是以AI为生的，可能机会也不是很多。只有大模型才有惊人的效果，但是你自己又训练不起。如果仅仅是调用人家的API，使用别人训练好的模型，那么你与其他千千万万都调用的，又有什么区别呢？核心竞争点在哪里？可能就是开头一段时间火，会招揽一些普通用户注册个会员。但是，如果投入太大，后面还是得自谋生路。

对于大企业，尤其是大企业中有海量行业数据积淀的，有财力的，还愿意搞研究的，可能是一个机会。花个千八百万，可能会省去一些人工成本，并且有机会实现集团的智能化转型。

没啥别的意思。就是感觉过火了，唠一唠，希望能降降温。身边有很多连linux和windows还分不清的朋友，都想着自己搭一个ChatGPT赚钱。赚啥钱？赚到了吗？可能最赚钱的还是那些卖课的。

正如吴军博士说的，这有点像当年的淘金潮。大家都听说这里有一座金山，等着自己去挖，因此大批人涌来淘金。最后淘到金子的人很少，路边卖水的人却发财了。就连吴老师也去卖课了，因为卖课确实赚钱，需求量大。他提前提醒过大家，也算是讲些武德。

这次AI在一个领域内的突破，就好像是研究出来一种能根治艾滋病的解药。却引得糖尿病人、老年痴呆等一众患者纷纷疯狂抢购。可能他们也清楚，抢到了药并不意味着就能改变自己的命运。但是，距离他们的解药成功研发出来，应该也不远了。