2022年底ChatGPT的横空出世，带来了AI大模型的热潮，一个全新的AI时代的到来，有人欣喜，有人焦虑，有人跃跃欲试。每一个新技术时代的到来，先知先行者总是能第一批吃到红利，那我们企业、个人甚至孩子该如何拿到AI大模型的船票呢？一年多来技术层面AI大模型还在高歌猛进，捷报频传，但AI大模型如何在企业落地并真正发挥生产力，却尴尬地面临着无数的问题。为什么令企业老板感到振奋积极拥抱的大模型，却频频遭到基层员工的嫌弃，迟迟无法发挥效果？如何才能让员工真正了解大模型、用好大模型？如何让有着强大推理能力、掌握良好通识知识的AI大模型做好进入企业的在职培训，让它充分发挥生产力，提升我们的工作效率？每个成熟公司都已拥有多种办公软件系统，AI大模型怎么和这些软件协同发力？数字化做得不够好的公司，为什么大模型反而提供了追上的机会？今天，明略科技创始人吴明辉先生作客混沌学园，为大家带来精彩一课，《AI如何赋能职场人——大模型落地企业方法论》。
我的个人经历：充分拥抱新技术红利
2022年，当我在北大写博士论文的时候，才发现自己的综合资格考试报告白写了，很多知识都发生了更新。今天在读的AI领域博士非常惨，因为以往全世界所有从事人工智能一年的工作量，都不及今天一周的工作量大，大家如果不抓紧做出课题发表出去，基本上没有毕业的机会。今天，我要同大家分享很重要的一个观点，就是不要着急。计算机刚刚出现的时候，每个人都说要从娃娃抓起，那时大家就很焦虑。事实上，我身边许多在世界500强企业工作的CEO，几乎都是跟我同龄时期才开始写代码的。所以，每一项新技术的出现都是有红利的，最终大家也一定都会使用到，只是接触早的人会比别人多一些机会和时间。如同《异类》一书中提出的1万小时定律，只要比别人多花一些时间做某件事情，未来就有机会享受到某领域的竞争红利。我创办的公司名为明略科技，早期叫做秒针系统，是我在北大读研究生时候创办的，开始是做互联网大数据的用户分析，后来转型做广告分析。我们是国内最早用分布式计算系统处理海量用户行为的数据公司，这也成就了今天我们在国内互联网广告数据分析的江湖地位。大家都很熟悉彭博社，彭博社是全世界最大的金融信息服务商，而秒针是中国最大的广告领域信息服务商，两者颇有渊源。彭博社的创始人迈克尔·布隆伯格创业初期，立志将电脑卖个每一位投资基金，希望帮助大家快速地获取互联网上的金融信息，这也成就了彭博社今天在全球金融信息服务领域的霸主地位。所以，很多公司都在拥抱新技术，它们可能是将某一项新技术用到了极致，或者是第一个使用新技术从而颠覆了上一代产品，最终走出了新的曲线。
大模型是当下的最大机会
为什么要研究大模型？因为这是当下最大的机会，这是我的切身感受。明略科技在过去十几年时间里发展的很顺利，但是过去三年中，资本市场发生了非常大的变化，整个商业逻辑也发生了改变，我们不得以也得裁员。2023年一年时间里，我每天都在思考如何带领团队突破困局，如何提升士气，在我面前非常大的一个机会就是大模型。我们团队研究大模型也经历了非常曲折的过程。开始的时候我每天看Paper，然后转发到员工群中，大家的反映很平常，时间一长甚至没有人回应了。有一天我突然意识到，天天喊大模型是没有用的，我自己都没有真正地用好大模型，所以我注册了GPT，开始真正使用大模型，并带领团队做了一个能够帮助大家更好使用GPT的小工具，叫做“小明助理”，员工使用后的反响非常好。2023的10月，公司还举办了黑客马拉松大赛，我在场上向大家分享了十一期间使用大模型的经历，包括带着女儿用GPT写作业，用大模型思考公司战略，以及向大模型询问为退休同事准备礼物的建议，大模型的确给了我很多启发。我把使用案例分享给团队后，大家都惊讶地发现“小明助理”的用途如此广泛。今年，公司员工已经做到了广泛使用大模型，平均每个员工一天使用10次以上，大家不仅可以用GPT解决工作生活中遇到的一些问题，甚至可以放到自己的生产环境中用于提升生产效率，可以说，公司团队绝大多数的同学都已经拿到大模型的船票。
AI大模型的本质是一个函数，小朋友都懂
大家都很容易理解函数公式y=f(x)。大模型本质上就是一个函数，就是要设计、训练、学习出来一个函数。人工智能大模型领域常见的几种任务，比如语音识别，就是把一个声音的波形文件转化成一段文字，语音识别的函数x就是波形文件，y就是转写的文字。比如图像识别，图像识别的函数x就是照片，更高级的函数x可能是视频，它的y就是识别的任务目标。GPT其实也是一个函数，GPT的x就是Prompt，y就是给予你的回复，GPT本质上仍然是一个函数。从这个角度看，所有的人工智能都是一个函数。大家在中学期间学习的第一个函数就是线性函数，y=ax+b，当你知道函数过的两个点，就可以得出a和b。将这个函数解出来之后，再带进去一个新的x，就可以直接求出y了，这是我们学函数的核心目的，找出x和y之间的关系，这也是今天AI在做的事情。AI就是我们做任何一个人工智能领域的任务，这个任务本身就是一个函数。这里面的（1，2）和（-1，6）是什么？就是训练的数据。
当然，GPT的函数要比以往的函数复杂很多，现在全世界最火的语言模型是GPT3.5和GPT4.0，GPT3.5有1750亿个参数，GPT4.0估计有上万亿个参数，这个参数就是线性函数里面的a和b。由此可见，GPT非常厉害的，它列了一个有千亿甚至上万亿个参数的函数，然后代入了大量的数据和点，最后把里面的参数解了出来。我认为OpenAI是一家非常伟大的公司。OpenAI公司的创始人是Ilya，之后是前YC的总裁SamAltman，很多人在讨论，到底是Ilya重要还是Altman重要，因为OpenAI的核心算法都是Ilya带着研发团队做的，但是我认为Altman更重要一些，因为他解决了一个核心问题，即钱的问题。解一个万亿参数的方程，少则几千万美金，多则几亿美金。Altman的伟大之处，在于他可以让有钱的投资人敢于投资未知的事业，并且最终将方程式解了出来，这是一个改变世界、改变人类的伟大发明。
AI在企业落地：大模型产生生产力的根本逻辑
回到企业视角，明略科技是做ToB业务的，在同其它企业CEO、CIO、CMO聊天的时候，我发现大家对于大模型的出现都感到很兴奋，很多公司都建立了人工智能小分队，但尝试几次后发现效果并不理想。有一些人认为是因为国内的模型不行，他们尝试使用国外的，结果也并不好。我认为，一个想真正落地大模型的企业，如果还保持着上述思路，你与大模型就今生无缘了，因为大模型并不是参数越多，推理能力越强，越能解决自身的业务问题的。
现在，OpenAI已经把参数做得非常高了，它拥有的是互联网上的通识知识，如果训练得足够好，它可以拥有清华、北大优秀本科毕业生同等的认知能力。但即使拥有了这种认知能力，就能确保大数据在企业中可以做好很多工作？答案是否定的。实际上，现实生活中很多优秀的本科毕业生在企业里发挥的作用并不理想，这是我们需要特别思考的。值得注意的是，并不是模型的参数决定了它是否能在工作中有效转化成生产力。有一些任务，即使用很小参数的模型也能解决，还有很多的问题，即使发展到GPT7.0阶段也未必能解决。GPT3.5、GPT4.0的参数一直在上升，其主要目的在于自身迭代，要持续更新自身的核心能力。国内的大模型不能用吗？
在同清华大学计算机系教授、智谱AI首席科学家唐杰老师聊天的时候，我提出了一个问题，智谱AI需要在哪方面着重加强，才能追赶上OpenAI？唐杰老师的回答是加强推理能力。推理能力是什么？其实，人类所有的智慧工作都可以称之为推理能力。当不知道一个模型好坏的时候，我建议大家可以向大模型提出一个问题进行检测，“美国的哪一个州跟其他的州不接壤”，这个问题的正确答案是阿拉斯加和夏威夷，它需要大数据知道美国的地理情况以及州和州之间的关系，但是很多模型的答案都是答非所问。这方面，国外LLaMA2等几个开源模型做得还比较好。难道国内的大模型无法使用？我的答案是可以使用。比如人们向大模型提出问题，“湖南和湖北这两个省会，哪个人口更多一些”，国内的大模型往往会卡住，因为它根本没有理解这句话的意思，但如果通过操作把它的CoT能力调出来，大模型就有能力将答案推理出来。这如同一名新员工刚刚入职一样，只要公司给它的任务拆得足够细，他就能干好，甚至完成的情况不比清华、北大的毕业生差。我深切地感到，大模型的学习、发展和应用的过程，同人类从小的学习发展过程非常相像，两者是完全可以类比的。我们讲大模型的迭代能力，就是要提高它的推理能力，而推理的过程需要信息。今天人们想将大模型应用到公司之中，但是大模型并不知道公司原有的生产资料和信息系统。人们花费大量资金，要解决的问题是什么？是它想不断地学习知识，从而提高自己的推理能力，它的最终形态是模型，而不是信息。它在企业中的价值是提供一个好的模型，所需要的是人们将信息找过来。
大模型在企业落地的好工具：Agent&Copilot
理性和感性的区别是什么？从哲学讲，最大的区别是理性是有目标的，而企业最核心的就是要有目标。正是因为企业是有目标的，企业中绝大多数的生产活动也都是理性的活动，而所有的理性决策、理性活动都需要有对应的理性决策模型和信息。现在，参数在不断提高的过程中并没有增加信息，不断提高的参数只是让模型的推理能力变强大了。做个类比，模型是f，信息是x，只有把正确的x给到强大的f模型，才有可能算出正确的y，才有可能辅助企业的理性决策和下一步行动，这是企业大模型不好用的核心原因。除了大模型，当然还有更高级的用法，比如Agent。Agent的本质就是模型和信息，好的Agent可以把语言模型跟Memory、Tools、Planning的能力有机地组织起来。所以，Agent是今天做大模型创业或者企业去落地大模型使用的非常有效的一种手段。OpenAI也好，国内的大模型也好，它们都如同优秀的大学毕业生，虽然它们都是文科生，但胜在足够聪明，阅读理解能力非常强。Agent本质上就是通过大模型的Planning能力，把大模型本身的语言能力、推理能力跟外部的信息系统和知识全部连接到一起的综合性系统。对于拥有大模型的企业而言，将公司信息跟语言模型有机结合起来，相对便捷的方法就是使用Agent。几个月前，OpenAI发布了GPTS，它是一个用来生成Agent的工具，其核心就是连接了一些常用的信息或者知识，把这些信息和知识给到OpenAI的标准接口，OpenAI就可以基于这些知识去解决一些问题。在企业中，真正想把信息系统整理好，并且能够跟大模型连接起来，需要解决诸多难题。最简单的方法就是使用Copilot。Copilot是什么？它跟Agent有何关系？pilot的意思是驾驶员，Co-pilot的意思是联合驾驶或者副驾驶，即开车时旁边坐着的那个人。人们最理想的状态是让汽车变成无人驾驶，但成本和代价很大。在Copilot中，主驾驶还是人，副驾驶的职能是协助人做一些决策和操作，甚至完成主驾托管的任务，但最后的决定权仍在人类手中。小明助理存在的意义就在于此。
哪些行业可以使用大模型？首先是服务业
哪些行业可以使用大模型？哪些工种可以使用大模型？这也是一个很重要的问题。任何行业要想真正用好大模型，真正地创造生产力，都需要把大模型本身产生决策的能力跟最终的行动有机联合起来，如果两者无法链接，是无法产生生产力的。人们称呼人工智能为下一次工业革命，到底是谁革谁的命，这是一个很重要的问题。蒸汽机和电机的发明，让工厂革掉了手工作坊的命。我自己有一个观点，首先开始的将会是服务业革命。比如我们从事的是软件和分析咨询的专业服务领域，而GPT的出现带来了大量复制的可能性，它可以让人们的脑力劳动被机器自动化或者半自动化地生产出来，像软件公司、市场研究公司甚至律师事务所等专业服务机构会出现一些兼并、收购、整合甚至革命的情况。在人工智能发展的今天，制造行业、广告行业都可能面临重构，人工智能会让过程更加高效，并且打破中间环节的很多瓶颈。但这并不意味着人工智能会造成大规模的失业，能力提升后，需求也将随之增加，大家还是有工作可以做的。
企业迎接大模型时代的第一个命题，就是要解决公司的知识工程问题。同时，人们也要思考每个人自己的知识工程是什么。现代认知心理学将知识分为两类，一类叫陈述性知识，一类叫程序性知识。编程知识属于程序性知识。例如，大象是一种动物，这是陈述性知识。把大象放到冰箱里面分几步，这是程序性知识。Prompt（提示工程）和CoT（思维链）技术是大模型革命性能力发现的重要组成部分，其意义可以媲美人类文字和印刷术的发明。CoT的重点是把程序写清楚。在小明助理中，只要简要地表明你的目标，它就可以将Prompt模板写出来，非常方便。管理大师野中郁次郎的《创造知识的企业》一书中提出，每个企业中有暗默的知识，也有显性的知识，企业最核心的就是要把这些知识管理好。在大模型时代，这些知识不仅存在于每名员工的大脑中，存在企业的文档库中，甚至存在于每次会议的录音之中。甚至有一天，大语言模型可以直接执行录音里面的知识。这就如同一个非常聪明的清华、北大毕业生在你身边当助手，你需要做的就是每天拿资料同它交互，就可以高效地提升效率。未来，企业的知识管理逻辑也将发生巨大的变化。Prompt和CoT的出现，实现了大模型和大模型之间互相学习的设想，只要读懂了你的指令，大模型就可以将这些指令执行得非常好，并且下一个人可以立足训练成熟的AI继续发展。每个人都站在巨人的肩膀之上，未来的人工智能发展速度会非常快。今天大语言模型出现后，很多AI拥有了通用能力，这种通用能力可以赋能各行各业，为每一个人服务。OpenAI是为全世界服务的，中国基础模型公司做出的产品也是为所有用户服务的，每一个做垂直应用的企业，每一个企业里面想用大模型的员工，都可以将模型拿过来直接使用，这是一项非常伟大的变革。
企业在整理数据和知识的时候，不仅要考虑如何规划数据、知识，同时也要考虑权限问题，如果企业将所有权限全部交给OpenAI，容易引发商业机密泄露。我的建议是选择两个维度四象限的逻辑进行分析，包括数据的公开程度、执行任务的推理复杂性等。对于一些低密集又需要高难度推理能力的，可以直接使用在线大模型；对于一些高密集且推理能力不高的，例如财务信息、HR信息、研发产品信息等，可以部署一个私有化模型。企业要做的，就是把对应的密集问题想明白、分好级。
