韦青：远取诸物，近取诸身，则近AI之道矣
“风生于地，起于青萍之末”，什么是这个时代的“青萍之末”？
“我总是滑向冰球即将到达的下一个位置”，信息文明时代，哪里是冰球即将到达的下一个位置？
“过了这个村，就没这个店了”，这真的符合创新的第一性原理吗？
今天，韦青老师再次讲述新人机时代的生存与发展之道，拥抱这个时代的不确定性，赋予智能机器以人类的主观能动性，在它们的帮助下应对因连接而高度复杂的人类社会。向机器学习，与混沌为伍。
以下为课程笔记：（篇幅所限，文章内容仅为部分课程内容，请前往混沌APP看完整课程）
授课老师丨韦青 工程师、技术官
编辑丨混沌商业研究团队
支持丨混沌前沿课
青萍之末
亚马逊雨林中的一只蝴蝶振动一下翅膀，就可能引发美国得克萨斯州的一场龙卷风。然而，当我们看到飓风来临时，游戏其实已经结束了。“夫风生于地，起于青萍之末”，我们应当构建出根据“青萍之末”判断“风生”的能力。
严格意义上，你可以把这种能力说成是概率性的规律总结，它可以帮助人类察觉很多以往无法察觉的“青萍之末”，而这恰恰是机器擅长、人不擅长的。既然是概率性模型就一定会有错误，当你接受了世界是不确定的，接受了你永远会犯错误，你只需要关注如何少犯错误。把这些思维整合在一起，我们就有可能成为机器的主人。如果人类过分自大，认为自己不犯错误，那就会丧失让机器的算法能力强化我们的机会。狂奔的技术，需要相应的文明与制度的驾驭。无论何种长技，都需要相应的人才发扬光大。
人类社会因连接而复杂。通讯就是这个时代的“青萍之末”，5G、6G卫星网络全部连接之后，这个世界不可避免地会成为地球村，我们的精力、财力、时间都被通讯连接起来。假设有十个人交换意见，如果彼此单点交叉，差不多有九十种可能。如果彼此实时互联，就有2的90次方种可能。
这种复杂性是不可能被人类个体在没有外力帮助的前提下自己应对，也不可能单单依靠人类群体的能力解决，我们已经因为技术的进步不知不觉、不以人类意志为转移地进入了一个确定性因复杂而消失的时代。我们要习惯这种不确定性，与混沌为伍，利用这种现象打造新的可能性，变成一个无限游戏往下演绎。我们要珍惜彼此间不同意见相碰撞的机会，只有这种碰撞才能打开一个我们都不知道的局面。头脑、资金、数据、知识，各个领域的洞见凑到一起，看看未来到底是怎么回事。
人类社会又因实时连接而失控。信息本身就是模因，它自己也在寻找生存的空间和机会，它会利用人的思想作为模因的载体。原来联结没有建立起来的时候，模因的自复制和传播是短暂的，但由于现在是实时互联，模因也开始进行突变，可能一下子就传开了。
从老死不相往来到现在鸡犬之声相闻，就会形成一种流通和共振。这种共振的力量非常强大，如果用好了，就是一个摧枯拉朽的力量。如果用不好，或者被别人利用了，也将是一个毁灭性的力量。这实际上就是网络效应，因为互联而形成的一种必然的社会现象。
那么，我们有没有准备好应对这种时代？我们要明白，这个时代的信息是“比真还真”的。我们现在看到的绝大多数信息，都是电脑、电视、手机上的像素构成的。当我们还在相信由像素产生的信息时，有没有考虑过这种像素产生的信息恰恰是机器最容易形成的。如果不理解这一点，什么都相信的话，实际上是很危险的。
信息就是用来改变人的思想的，如果有信息说服我们说，未来物理世界不复存在，每个人都将生活在虚拟世界里，而你不加审辨地听信，那么人的思想一旦改变，你对物质世界的感知也会变化，这是认知心理学早已证明的。如果我们不具备一定的抵御能力和审辨能力，我们该怎么去理解这个信息世界？
大家看过很多新闻，谁能够百分百地确信那些事情是真实发生的？我相信现在还没有恶劣到那种程度，大概率这些所谓的信息确实发生着，因为还有很多公共媒体的验证。如果越来越多的媒体使用机器涌现产生的信息，我们如何保证自己能够不中毒？要如何为自己的思想戴一个N95口罩？
《让子弹飞》中黄四郎最后能够被消灭，是因为张麻子把黄四郎的替身给砍头了，让鹅城的百姓看到以为黄四郎死了。实际上黄四郎没死，但他的信息被证明死了，所以他就死了。这就是信息社会的特征。大家要知道，人是多么容易被其看到的图景和听到的故事所欺骗。
这时候还能再靠人脑抵御信息的迅速流转吗？这是不可能的。Satya（萨蒂亚·纳德拉）常常引用的一句道格拉斯·恩格尔巴特所述：“应对复杂性和紧迫性的能力是衡量人类组织与制度的标准，但是复杂性和紧迫性已经超越了人类可以应付的程度。”我们要用技术手段帮助人类应对这种复杂性的挑战。人工智能的作用绝不仅是生成文字、图片或视频，它可以帮助我们应对信息时代的所有挑战。
篇幅所限，本文内容仅为课程十分之一
点击海报，看完整课程！
趋势：“冰球的下一个位置”
应对时代我们还是要创新，或者说创变。其实创新从逻辑上来讲不够完备，它讲的是从旧到新，中间有个过程没说。而“变”有一定概率是要失败的，有很多次失败才会由新到旧。
什么是创新（创变）的第一性原理？有的科技树可以长到200层，很多时候我们都是被直升机直接送到技术树的一个分杈上，直接到了100层，但是这个分杈可能最高也就101层，这就陷入到了本地最优解。那么如何破这个局呢？这时候我们就要回到原点，往下走看看这颗树到底怎么长的。就像爬山一样，走着走着发现没路了，为了达到更高的地方，还得再下山，找别的路上山，因为可能性越往根部越大。
落 地
微软对自己的定位是生产力和平台公司。原来是以Windows为平台，现在是指智能云平台。生产力就是减轻人的负担，帮助人更高效地干活。因此，对于微软来讲，如果不解决生产力的问题，是没有人会投入资源去做产品开发的。去年二月，微软推出了和Bing结合的GPT服务。虽然说有了新的宝刀，但大家却没有被这个工具迷惑住，工程师们考虑的还是我的痛点是什么？我要解决什么问题？
篇幅所限，本文内容仅为课程十分之一
点击海报，看完整课程！
建 议
建议一：知识的力量
还有一种知识叫做领域知识。这个领域包括公司、行业、民族、国家。每一个领域都要知道哪些数据是需要分享出去的，让未来的地球知识体系占一份你的味道。比如技术行业，开源既是一种分享，也是一种参与，更是一种影响和促进。
上一世纪五十年代，人工智能概念初始发端，诺伯特·维纳在《人有人的作用》一书中特意在告诫当时趋于信息保守的行政体制“在变动不居的世界中，能把信息储藏起来，而不使其严重地贬值，这种想法是荒诞的。信息更重要的是流通”。咱们都是从农业社会、工业社会过来的，不可避免地带有成长过程中各种文明范式的影响。因此，我们要小心，要随时通过反馈的方式告诉自己，信息文明该怎样生存和发展。
在机器“以数据为食”的时代，需要具备数据能力、知识丰度、文明贡献和文化影响。数据能力既要满足数据合规的要求，也要提升数据管理、利用与分享的能力。知识丰度是指多样性的数据形成多元化的知识。文明贡献是指，知识生成与分享的程度决定了对人类文明的影响力与领导力。文化影响则是数据的有效分享产生对社会文化的有效影响。
数据管理的本质是不能分享的绝不分享，能够分享的必须分享。数据生成、管理、应用与分享的实力决定了各个民族、国家、机构与个人的全球影响力。
建议二：流程的挖掘
在信息文明的时代，所有的决策都会依据知识而做出判断，因为流程而被实现。无论做什么事情，都是从A点到B点，中间有很多变量。我把人要做的事情标记为红色，机器帮我们做的事情标记为蓝色。从早上睁眼起床到晚上闭眼睡觉，我们要用电饭煲、咖啡机、手机、电脑、汽车，机器在知识的积淀和流程的执行上面有很多先天的优势，咱们已经进入了一个人和工具无缝结合的状态。
没有数字化，也不会有智能化。你会发现数字化改革，人才、组织、流程、产品和产业链缺一不可。
·人才（转型-纳新-代谢）
人才应当具备成长型思维，思想解放，愿意接受新鲜事物，尤其是目前还不成熟的新鲜事物。当一件事已被证明百分百能成的时候还轮得到你吗？所有的成功人士都是在成功率为百分之六十的时候按下按钮。
·组织（改造-适配）
根据康威定律，一个系统化组织所开发的产品与服务必定带有该组织的部门分割属性。而逆康威定律则尝试描述如何利用技术反向影响分割孤立的部门墙局限。组织中有部门墙会导致数据流通不畅，好多没下水的组织会尝试把部门墙打碎，但是有人在的地方就有江湖，很多公司刚打破一个部门墙，又建立起一个新部门墙。在数字化真正到位的组织，各个部门可以有自己的方法，甚至自己的语言，但是每一个部门或个体都是一个在数字化系统中以API方式输入输出的服务单元。在企业平台层面只能有一种数据和接口标准，但允许每个部门内部独立，要求对外的任务输入和能力输出以API的方式开放，通过标准化的输入输出接口协同工作。通过技术本身的能力应对部门墙，而不是打碎部门墙，在包容多样性的前提下实现“书同文，车同轨，行同伦”。
·流程（优化-再造-建模）
十几年前Web3.0就存在了，那时它的目标是达到“人能理解，机器能处理”。早期Tim Berners Lee这批前辈们发现光有文件网络服务还不够，要建立一个知识和数据的网络，用一个资源描述框架把人世间的各种现象描述出来，做到人能理解，机器能处理。
·产品/服务（赋能-反馈-定制）
为了应对越来越复杂的社会与用户需求，未来的产品和服务都需要一种可以实时反馈的信号进行纠偏，这既有数据安全和隐私保护的挑战，同时又有实时反应的先进性，核心还是数据分级和治理的能力和执行力，既不能因强大而滥用，也不能因数据治理的懒政而一刀切的封闭。由于都是新生事物，还是一个“认错-知错-改错”的纠偏前行过程。
·产业生态链（优化-纳新-重构）
开源为什么那么重要？因为你的技术再先进，别人不用你的，就没有用。信息文明时代知识的价值取决于别人愿不愿意用你的东西。API将会是信息文明时代能力表征的语言方式，你把你的API分享出去并且被大家所接受，你会发现世界就跟着你的习惯前行了。
为了智能化而进行的数字化转型产生的数据，才是真正为信息文明而生的数据，从中才能最高效地提炼出人类能理解、机器能处理的知识，再到Copilot作为智能助理。有些人纠结到底是Copilot还是Autopilot，我认为只要是以人类目标为目标，决策与行动链中人类保留一票否决权的机器功能，就是Copilot。因此真正的问题是有人类设计出来的机器机制中有没有“人在决策/行动链中”(Human-in-the-loop)和“人在机器优化/改进链中”(Human-on-the-loop)。
什么是加法逻辑？什么是乘法逻辑？有技术是加法逻辑，但有作用一定是乘法逻辑。一旦把技术内化，融入到每一个环节、步骤、流程，它就是一个乘法概念。萨蒂亚经常说，模型不是产品，模型可以成为产品的一部分。当模型内嵌到用户体验产品的每一个环节之中时，模型就有用了，而模型一旦有用，就变成了产品的一部分。
执法依据流程，流程重在执行。人擅长创建流程，也擅长破坏流程，但不擅长遵守与受制于流程。而机器擅长严格遵守与执行流程，也擅长通过反馈学习以优化流程，但不擅长创建流程。在人机协同的时代，人干人的事，机干机的事，最终我们一定能让自己的智慧升级。
建议三：落地的次第
技术平台的成熟度也遵循着有，用和有作用的逻辑。一般来说，都是先要拥有技术，而有能力彻底改变一个社会运作范式类型的产品或服务的一个特点是，需要全社会都使用它，它才有作用。比如今天咱们总是谈ChatGPT，实际上在当前这个时代，这种以大语言模型为基础的人工智能的使用率是极低的，大部分人都没有在用，就算有些人用了也只是浅尝辄止。为什么呢？因为它必须是在你工作、学习、生活方式改变的情况下才能起到作用。模型是没有用的，它必须要成为你产品的一部分。
其实这三个环节没有一个是容易的，关键还是在于你适合什么样的业务方式、生活方式、工作方式以及逻辑方式，然后再选择适合自己的。希望大家能成为剧烈动荡时代中技术的主人，而不是被它牵着到处跑。
在落地的时候，大部分公司专注于有，就是买技术、买产品、买设备，实际上第二步培训和流程再造是非常困难的工作。公司的决策者一定要知道，你花了100块去买一个能力的时候，最好还要准备另外100块让你的机构能够享受到它的好处。第三步就是让你的客户能够接受。知道这个客观规律之后，我们就可以知道这是小马过江还是小马过海，从而在精力投入、资金投入和回报期望上，能够比较理性一点。
技术真正做深了之后，必谈你的技术信仰，你到底为什么做技术。比方说我就一直说我是工程师，是一个Maker，一个Builder，我的人生观、价值观就是以造物为享受。你的初心是什么？你的人生使命是靠“面子”就能活，拥有一个技术去评个奖就搁置一边了，还是不管怎样一定把这“里子”拿到，要实现技术为人类社会增添福祉为终身追求，或者既要有“面子”，也得有“里子”，这也是技术选择的不同取向。我觉得，在当下的时代，无论是面子、里子，咱们都别耽误了，但始终别忘记，大众要咱们贡献的是“里子”。
建议四 智能的本质
人类有目的，机器有能力，它就根据人的要求把事儿给做了，基于这个结果，人还会再反馈给机器，告诉它下次还可以做得更好。这也是机器本身不断纠偏、优化、完善的流程，这就叫做强化学习模型。
我对这个模型做了一个微小的调整，给它加了一个更大的环境，一定是跟环境不断互动交流，才能形成一个智能体。它的基本范式是智能机在一个环境中，并且产生了一些交互关系，再通过观察外部状态，学习比对数据，形成一个结果。数字化的目的就是让你知道每一分每一秒你离你的目标差多少。
把这几个系统综合就是I-P-O-F，这是系统工程的一种元模型。输入一个目的，对长期记忆中的知识进行思考以形成理解、推理、规划，再通过人体与工具组合的行动输出一个结果，最后将输出结果反馈至输入，不断纠偏完善。
微软开源了一个大语言模型开发框架，称为Semantic Kernel，非程序员初看可能有点复杂，但实际上你是不用去管内核的，你只需要知道把你的提问放进去，期待有个结果就够了。最多你把你的判断返回给提问，让它不断纠偏，这恰恰是提示词工程建议大家做的，就是不断提问，多问几轮。一旦明白I-P-O-F这个不断循环的过程，你就能够大致体会怎么去和机器打交道，你怎样嵌入到机器的I-P-O-F中，你怎么让机器嵌入到你自己作为人类的I-P-O-F中。
大家有没有这种体会？准备让员工去干活，但是想了想算了，自己干吧，自己干得快得多，但是如果有100个这样的活让你干呢？你还是得交出去。机器也是一样，它一开始一定没有你做得好，那你有没有这样的信心、耐心和决心在未来五到十年训练出一个可以分身的孙悟空，帮你应付信息时代的挑战？
早期人类文明什么都没有，后来有了工具。再后来形成集群，进入农业文明。之后又进入工业文明，人们越来越聚集，知识越来越可重复，工具越来越复杂。再往下走就是信息时代，自动化程度更高，出现了互联网、移动互联网、人工智能、大语言模型服务以及多模态、多模型和智能体集群。未来冰球要滑到哪里？我们应该锻炼一下这种想象力，不能因为我们跟在冰球后面就认为它没有规律，它是具有概率性规律的，我们要发挥人的主观能动性来进行判断。
向机器学习
选好大致方向而不是终点，在行动中缓慢、坚定地纠偏前行。我们能不能稍微改变一下自己的判断分析逻辑，让我们能够敢于下水实证，同时要加一些保护机制，也别淹死了。让机器告诉我们离悬崖边还有多远，训练出自己的一些分身，往前走就完了。至于会怎么样，没人知道，但我们知道，这道门一旦打开，严格意义上应该关不上，所以咱们还不如就拥抱变化，与时俱进。
微软的使命是让地球上的每一个个人和组织成就不凡。这不是口号，而是真实在发生的，根据我的亲身经历，微软的很多工程师、科学家真的是以这个为愿景，而且因为有积极的助力，其产出也会越来越大。
其实，今天我就是把微软工程师从去年开始到现在的亲身经历跟大家又重新演绎了一遍，我坚信每个人都会走这么一个过程，就算不是大语言模型，也会有其它东西。现在这道门是真的打开来了，我们可以选择不理它，我们也可以选择什么都信，我们也可以选择审辨式、批判式地去理解、吸收和改变自己的行为方式，走出一条自己的道路出来。我觉得如果能达到这个目的，就善莫大焉了。
篇幅所限，本文内容仅为课程十分之一
点击海报，看完整课程！
微信扫码关注该文公众号作者