最近几个月，以深度学习和神经网络为主导的 AI 技术正在席卷全球，人们发现 AI 会画画，AI 会写文章，会回答问题，还会解决问题，虽然诸如推荐算法，计算机视觉等 AI 技术其实早已改变我们生活了，但生成式 AI 所展现出的那种创造力，还是几乎让大多数人在惊叹于其神奇后，或多或少的感觉到了一丝隐忧，甚至恐惧。

我过去半年多都在做 6pen，但主要职责是产品，我对 AI 一窍不通，但一直以来，我对它的好奇从未减弱，大约 2 个月前，我下定决心，开始比较正式的学习深度学习和神经网络，并越来越被它的趣味和魅力吸引，于此同时，这个行业也在发生着快速和惊人的变化，我觉得这个时间节点非常微妙，它可能代表这一次转折，因此决定写这篇文章。

这篇文章会分成三个部分，第一部分是对深度学习的原理做简单的说明，这背后其实比很多人预想的要简单很多，了解原理有助于我们了解它的可能和局限，以及部分的实现技术去魅，然后，我会解释为什么我会觉得 AI 最先替代的，可能是 AI 工程师，最后，我会写一下对这个行业的个人拙见。

 

深度学习原理说明-上小学的侄子说他能看懂

对于人工智能，我们知道它能学习，学习了之后它可以识别图像，可以判断对错，可以生成文本或图片，但这个学习到底是什么，又是怎么学的，则是很难理解的，毕竟它没脑子，只是硬盘，GPU和内存。

对人工智能如何学习的理解，我认为是理解这项技术的关键，而这其实可以用小学数学去解释。

我们可以在坐标轴画一条线，y=x，这条线就像这样

我们如果加个参数，例如 y = 2x，那么这条线就会发生变化，变陡一点，如果我们再加个参数，例如 y = 2x +4，那么这条线则会上移一点，看上去是这样

这没有什么难的，但不管你信不信，这就是深度学习的原理了。

y=2x+4，可以看作是一个输入和输出都是一个数字，有两个参数的神经网络层，对于其中的 2 和 4 ，我们可以不断变化，来改变线的斜率和位置，这个过程就是学习。

学习的过程有点类似于用一种笨办法”解”方程式，数据集就是一些x和y的值，例如（x=1，y=6），（x=2，y=10），（x=3，y=14），开始训练之后，模型会随便设置这两个参数，比方说 y = 5x+102，这样一算，x=1的时候，y居然等于107，比数据集中的（x=1，y=6）大太多了，于是模型会把参数调小一点，比方说y=4x+50，这样再算，x=1的时候，y=45，还是太大了，于是模型再把参数调小一点，直到调到y=2x+1，结果发现，这样似乎算出来的y又太小了，于是模型再把参数调大一点。

这里面包含了神经网络深度学习的所有东西，首先是一个模型结构，我们已经设定成了y=ax+b，a和b是两个参数，然后模型会尝试不同的a和b，看差多少，这个看差多少的部分，叫做损失函数，然后，模型又会调整一下a和b的大小，负责调整的部分，则叫做优化器。

真实的神经网络，哪怕是最简单的层，也显然不会只是一个二元一次方程，它会比我们看到的更复杂一点，例如这样

并且它具备很多层，每一层的输出，都将作为输出，传递给下一层，一个神经网络可能有50层，甚至更多，也可能只有几层，这取决于人们想用它解决什么问题。

但总的来说，这就是深度学习 神经网络的大致原理了。当我们的模型只有一层，且只有两个参数的 时候，我们只能得到一个数字，并且它很难有什么实际作用，但是当我们有上百层的模型结构，并且参数有1750亿的时候，事情就变得不一样了。

一个数据集中的样例可能是这样：输入是“你觉得老友记怎么样 ”，输出是“很棒，这是一部非常经典的美剧”，当然，这些句子都预先被某种方式转化成了一大堆数字，所以可以被各个方程式拿去计算，通过调节这一千多亿个参数，比方说第6428412456个参数，增加2.3，第5834728834个参数，减少9，当然这是我瞎写的，实际上有成千上万张显卡，用极其庞大的算力小心翼翼的调整这一千多亿个数字，试图让模型的输出，很接近我们给的数据集的输出。

同时，数据集也有数以亿计的样例，这些样例一次又一次的被模型用来调整自己的这一千多亿个参数，最后达到了一个比较好的效果，这样，在我们给一些数据集所没有的输入的时候，模型将有较大概率，能给一个看上去依然不错的输出，这个时候我们就说训练好了，或者用更专业的说法，收敛了。

我需要说明的是，事情远比以上的描述更加复杂，但原理确实就是这么简单。

我想我们不可能通过阅读几篇科普文章，就去干那些苦学了五六年才毕业的医生们做的工作，但我们至少要知道，生病的治疗方式可能是住院，补液，吃抗生素等等，而绝不会是吃水银，放血和跳大神。同样的，知道深度学习的大致原理，离着手从事相关工作，也有非常非常遥远的距离，但我们至少知道，噢原来是这么一回事。

 

 

为什么 AI 工程师可能是会被最先替代的

在几年前，或者更早一点的时候，模型不会太大，也不会有一个放之四海而皆准的模型，即便是新的模型结构或者方法被提出来，也需要许多不同领域的 AI 工程师，用自己所在领域的数据，来 finetune（微调）这个模型，甚至自己修改模型结构，尝试各种各样的优化办法，才能达到为自己所用的目的。

经验，技巧，和一些独家数据，在这个时候都是有用的，甚至很有用，学术界和开源界都乐于发现和创造新的模式，结构，然后无数个领域的 AI 工程师，在此基础上进行大量的优化，训练，从而让一个学术概念，变成能解决实际问题，创造价值的新模型。

在这个时候，提出一个模型结构，或进行创新，依赖的更多是人的智慧，包括了巧妙的思考，对数学的理解，以及一些运气（但不多），因此，有才能的人，包括学者，研究人员，以及一些杰出的工程师，乐于分享他们的研究成果，各个领域的公司里的 AI 工程师，则会将这些成果转化会实际需求的解决方案，某些时候，在学术成果解决实际问题的时候，会产生新的问题，或者诞生新的方法，而这也会很快转化为一个新的学术成果，被大家了解。

由此，一个活跃，繁荣，不断互相推动向前的行业（结合了大学，研究机构和商业公司），在过去的许多年里蓬勃发展，新的概念，理论层出不穷，虽然很难被圈子之外的普通人或非技术人员了解，但任何人把头探入这个圈子时，都会被其活跃的氛围所感染。

大模型，尤其是LLM(大语言模型)的出现，让这个配合良好的系统首次出现了一丝裂纹，大模型，顾名思义，就是参数特别特别多的模型，一个参数，如我们上面所写，是一个数字，在计算机里，一个数字会占用4个字节，那么1000万个参数，会占用4000万字节，这大约是38M，听上去还好，相当于一个小视频，但参数如果增加到比方说60亿，那就会占用22G的空间，由于参数是会被计算，随时变化的，所以放在硬盘甚至内存里都不够快，需要放到GPU的显存里，60亿个参数，需要显存22G以上的GPU才能运算，这已经有点贵了。

而我们熟知的 GPT3，是 1750 亿参数，光是凑够能够把这些参数全部放下的显卡，已经非常昂贵了，但这只是放下，如果还要进行训练，即让这1750亿参数进行很多变化，来找到更好的组合，则对应的算力成本可以称得上是天文数字。

这个成本个人研究者肯定无法承担，即便是中小公司，研究机构，大学，也依然难以承受。

对于行业的很多研究人员来说，这是第一个问题——拿到这样的大模型，似乎很难做优化，或者做研究，因为首先根本没钱把它跑起来（即便它开源），其次即便能跑起来，把它优化的更好，也需要比以往多得多的数据，这个数据在某种程度上更难获得。

这有点像我们养宠物，你可以在家里养猫或者狗，你家肯定放得下，你随便找点吃的，也饿不着它们，然后你可以训练它们坐下或者绕圈圈，大模型则相当于一只霸王龙，体重七吨，长12米，就算你把家扩建了，勉强能放下，喂它吃饱也很困难，这样还怎么训练它转圈圈呢。

紧接着而来的是第二个问题，随着大模型的参数越来越多，大模型的效果也越来越好，好到甚至让人觉得不可思议，不仅如此，这些大模型见了鬼，居然在每一个领域，效果都那么好，例如传统的文本生成模型，会根据擅长的任务分为聊天，问答，摘要，翻译，情感分析等等，并且在每个专业领域，例如互联网，金融，医疗，都需要额外再做一些特殊训练，才能取得比较好的结果，但 chatgpt 出现之后，它不需要做任何处理，也不需要做额外训练，就超越了绝大多数(或者所有)传统的文本模型，且无论是在聊天，问答，摘要，翻译，还是别的什么任务，也不论是在任何领域，它都更好。

第一个问题意味着人们对大模型做任何事情，都要付出非常昂贵的代价，第二个问题，则意味着即便你付出昂贵的代价，也不一定能获取更好的结果，虽然我们现在很难说这些大模型真的就能比得过所有通过预训练-finetune（其他优化）产出的模型，但应该没有人会否认，这的确是大势所趋，可能在某些极其细分的领域，有一些模型在特定任务处理上比 chatgpt 更好，但我们都知道，这很快就会被改变。

第三个问题则是，因为大模型的开发极其昂贵，大模型的效果又非常好，所以。。它往往就不开源了，不开源的背后也有另一个原因，如果开源，往往需要对数据集做出说明，而大模型的数据集往往庞大到超出想象，对这些数据的来源，合规，隐私做出合理的说明，显然是很困难的，所以闭源是最简单的处理方式，闭源的大模型，通过出售 API 或周边服务，反而能有更大的商业想象空间，虽然和其训练成本相比依然很难说是个赚钱的买卖，但这个想象力和因此而来的可能性，至少已经让微软愿意掏腰包了。

在这样的背景下，90% 的 AI 工程师将会处在比较尴尬的位置上，因为他们努力所解决的问题，用大模型会解决的更好，而大模型也没有微调，优化，或做别的什么底层处理的必要了，就只有用和不用的选择而已。

绝大多数 AI 工程师没有千亿参数大模型的调教经验，也很难有这样的机会，这会让数据飞轮（更多人用，效果更好，效果更好，更多人用）前所未有的集中在极少数的那么一两个大模型上，从而让它们和别的模型拉开越来越大的差距。

在我们担忧 AI 绘画替代画师的时候，其实画师是没有那么容易被替代的，因为即便是刚入门的画师，也可以有远胜于最先进的 AI 的可控性，更别说艺术风格的创造了。其它的一些“AI替代”说也有类似的情况，所以虽然隐忧重重，但还不是那么快会发生的事情。

更快会发生的替代，可能是 AI 工程师，尤其是非顶级的，没有大模型调教经验的 AI 工程师，因为在暴力的大参数，大算力，大数据前面，个人经验，技巧甚至某些行业数据，都很难与其匹敌，而由于大模型的成本，和不开源的特性，连做这些尝试的可能性也被无限降低了。一个更接近通用的人工智能，正在马不停蹄的向我们赶来。

 

好事还是坏事

首先我觉得我们肯定不需要为 AI 工程师们操太多心，因为他们本来就是世界上最聪明的一群人，他们都有极好的教育背景和工程能力，放到任何地方都可以发光发热，另一方面，我所写的，可能也有局限，或者在未来被完全打脸，这是有可能的，人类智慧永远是给我们带来惊喜的原动力，如同量子计算可能会让之前牢不可破的加密方式被轻松破解一样，反过来，石破天惊的算法或结构创新，可能也会让大力出奇迹的大模型再次落后。

看上去，大模型的流行，会让我们这样的上层的应用开发者和公司获益，因为无需自己搭建和优化模型，可以以相对低廉的成本（模型的创造和训练很昂贵，但使用不那么贵，且因为用的人多，成本还可以进一步降低），使用最先进的技术。

但从另一个角度看，在这样的生态中，无论是做应用的开发者，上层应用，还是用户，其实最终都会成为大模型的养料的一部分，它在不断进化，我们对其了解却越来越少，最终可能会有的局面是，其他公司和开发者只能选择用或不用，而不用就会落后于所有竞争对手，这种情况发生时，其实也就意味着所有开发者和公司已经没有别的选择了。

而此时的大模型持有者，则会成为某种意义上的极权，它可以制定任何规则，它可以凌驾于商业，道德，甚至法律之上，因为那个时候我们已经对其极其依赖了，就像我们依赖今天的互联网一样，但所幸互联网不是任何一家公司的，它属于全人类。

话说回来，比如说人家openai，花了十亿美金训练出来的模型，非要让人家贡献给全人类，好像也不太合适，在模型之外，背后还是商业规则，如果我们能让被贡献给全人类作为知识的大模型的开发者，获得比自己闭源，只是拿去卖API多得多的收益，那么，才有可能有人把大模型搞出来，然后开放给所有人，也会有更多的钱进来，支撑起越来越昂贵的模型的创新。

现在我们处在这样一个节点，花最多钱做的大模型，效果确实是最好的，也确实是闭源的，它已经好到让人震惊的地步，但目前也还没有被完全让人依赖，与此同时，一些别的努力也在进行，例如huggingface 做的 bloom 大模型完全开源，stable diffusion 也完全开源，目前来看，闭源的大模型仍然牢占上风，开源行为获得了广泛的赞誉，和大量不遵守开源协议的的使用，这某种程度为整个行业带来了繁荣，但这繁荣是否能反哺开源大模型，让它和闭源大模型有一战之力，则依然有待验证。

技术本身可能没有对错之分，开放和封闭，都是一种策略，而这背后，都有人类智慧的体现，但假如要让我来做选择，我肯定希望，我的选择，最终不会让我没有选择。

 

我的微信公众号~