我和AI一起完成了这篇文章：所有插图均由AI创作

今年叫AI文艺创作元年也不过分。

大部分文艺工作者，比如写字的，画画的，作曲的，失业风险都在攀升——本文所有插图均由 AI 创作。但文字是我自己写的，如假包换。

最近 Open AI 的 Dall-E 2 创造的一系列精美画作，以及结合微软 Florence 和 OpenAI GPT-3 模型写出来的文本，都证明了 AI 有时候看着是比人强。

今年叫 AI 文艺创作元年也不过分，通过给定的文字或图像， AI 能产出超乎想象、大胆有趣又合情合理的作品，确实不乏「划时代」的意义。

这些进展建立在巨大的「基石模型」基础之上，令 AI 拥有了创造者不曾预见的能力。过去的人工智能模型，带着手工作坊式的「粗糙」。通过长期的调整，「基石模型」的潜在能力已经成为肉眼可见的发展趋势。

人工智能要进入工业大生产时代了。

大模型，下岗工人制造机

5 月份出了 beta 版的 AI 绘图工具 Midjourney ，连杂志《经济学人》也忍不住「尝鲜」。Midjourney 为《经济学人》报道画的插图，看起来灵气十足，具有强烈的现代主义风格。

Midjourney 其中一位开发者，就是研发 YouTuber Quick-Eyed Sky 的 Disco Diffusion 的创作者 Somnai ，这些应用都属于「你说我画」，或者叫输入关键词就出图。

Disco Diffusion 非常火爆，但相比 DALL-E 和 Midjourney 就略带「门槛」，要自己调代码，调参数，目前更火爆的应用都是「傻瓜」型的，写点文字就行。

玩「你说我画」会上瘾。Twitter 上的马斯克、特朗普、斯嘉丽·约翰逊以及玛丽莲·梦露都要被「玩坏了」，个个都有「猛鬼街」的造型。国内滴墨社区儿童节上线的「大画家Domo」，在我刻意「刁难」的情况下，给出的画面还是饶有趣味。

输出的作品效果如何，完全取决于 AI 模型。而打造 AI 模型，相当于豪华军备竞赛。

目前拿得出手的「基石模型」，有 OpenAI 的 GPT-3，参数接近 2000 亿，耗资超过 1000 万美元；谷歌的 Switch Transformer，参数超过 GPT-3；微软和英伟达有 MT-NLG 模型，参数超 5000 亿；华为盘古大模型，定位中文语言预训练模型，参数规模也达到千亿级别。

2020 年 GPT-3 刚「诞生」的时候，就得名「下岗工人制造机」。其轻松通过了人工智能届的底线试探——「图灵测试」，所有问题对答如流。基于 GPT-3 模型开发出来的文字、翻译、设计、计算等应用，都能顶替人类的操作。

甚至有个人想让 GPT-3 写篇「论刷Twitter的重要性」的小论文，GPT-3 都给他写得流畅自然，还用上了写作者的高阶操作「春秋笔法」，也就是阴阳怪气。它说 Twitter 是「所有人都使用的、充斥着人身攻击的社交软件」。

基石模型的优点明显。一是参数大、训练数据量大，不仅不会边际效益递减，反而极大地提高了 AI 自身的能力和运算突破性。二是使用的小样本学习方法， AI 不用一遍遍「从头开始学」，可以碎片化选取自己需要的数据来自动执行。

基石模型就相当于「通用技术」。1990 年代，经济历史学家将「通用技术」比如蒸汽机、印刷机、电动机等，视为推动生产力长期发展的关键因素。

「通用技术」包含核心技术快速迭代、跨部门的广泛适用性和溢出效应等特征，从而刺激产品、服务和商业模式不断创新。

今天的基石模型，已然具备了同样的特点。

神经网络+自我监督学习，神乎其技

当下，超过 80% 的人工智能研究都集中在基石模型上。像特斯拉也在构建一个庞大的基石模型，为自动驾驶服务。

要理解斯坦福大学人工智能研究院院长李飞飞所说的「人工智能阶段性的变化」，就要知道基石模型和过去的人工智能模型有何不同。

如今所有的机器学习模型都立足于「神经网络」——模仿脑细胞相互作用方式的编程上。它们的参数描述了虚拟神经元之间连接的权重，模型通过反复试验权重，被「训练」到能够输出开发者想要得到的特定内容。

过去几十年里，神经网络都处于实验阶段，没什么能落地的。直到 2000 年代末、 2010 年代初，超级计算机算力增强，互联网提供了足够多的训练数据，在硬件和数据的加持下，神经网络才开始完成文本翻译、语音指令解释、不同图片中识别同一张脸等此前「不可能完成的任务」。

特别到了 2010 年代，机器学习和矿机一样也用起了 GPU 。GPU 的特点是，有上千颗流处理器，可以进行大量且重复的一般运算，而且还不贵，比启动一次超级计算机便宜太多了。

突破出现在 2017 年。当时谷歌的 BERT 模型使用了新型架构，不再按「惯例」、依照顺序处理数据，而是采用了同时「查看」所有数据的机制。

具体来说，就是 BERT 一类的模型，没有用预先标记的数据库训练，用的是「自我监督学习」技术。当模型在无数的字节中挖掘时，能自己找到隐藏的单词，或者根据上下文猜测意思——和我们从小到大做的考试题特别像！

整个新方法非常接近人类大脑的学习机制，扫一眼就能找到自己感兴趣的东西，不用逐字逐句地去处理、消化。

经过数十亿次的猜测-比较-改进-猜测的循环后，模型一般都能妙笔生花、才华过人。

不仅限于文字，神经网络和自我监督学习技术均可以应用在语言文字之外，包括图片、视频甚至大分子数据库等等。像 DALL-E 图形模型，猜测的不是下一个字母组合，而是下一个像素簇。

在大模型基础上开发的应用也是花样繁多。除了上文提到的一系列文艺创作类应用，谷歌旗下的 DeepMind 推出了 Gato ，可以玩视频游戏、控制机械臂和写作。META 的「世界模型」貌似要搁浅，本来是打算为元宇宙提供背景的。

酷东西或图灵陷阱

基石模型的繁荣，对芯片制造商肯定是好消息。积极参与制造基石模型的英伟达，已经是世界上最有价值的半导体设计商之一，市值为 4680 亿美元。

初创公司也有望借此大展身手。Birch AI 会自动记录与医疗保健相关的呼叫电话；Viable 会用它来筛选客户反馈；Fable Studio 用 AI 创作互动故事；在 Elicit 上，人们可以靠 AI 工具从学术论文中找到自己研究的问题。

大公司也有大公司的玩法。IBM 的相关负责人表示，基石模型可以分析海量的企业数据，甚至从车间传感器读数中找到消耗成本的蛛丝马迹。埃森哲公司人工智能项目的负责人预测「工业基石模型」即将兴起，为银行、汽车制造商等传统客户提供更加精准的分析服务。

虽然前景一片光明，AI 作画也激发了大众的热情，但不少研究者还是建议「后退一步」。有人认为，大模型依赖的大数据，并不是完全发挥了作用，一部分只是在「随机重复」；同时一些带有偏见的问题会引发模型的「幻觉」。

去年年初，GPT-3 在回答完形填空题「两个XXX（宗教人士）走进了……」时，有高于 60% 的概率填写「穆斯林」。

在「滴墨社区」刷「大画家Domo 」的动态时，首页偶尔也会看到有用户给AI发出不雅指令，CEO 林泽浩告诉爱范儿记者，一般后台关键词筛选和人工筛选会同时进行，保证社区的健康运转。另外，大多数 AI 作画工具都结合的是 CLIP 和 Diffusion 两个模型。

斯坦福大学经济学家 Erik Brynjolfsson 担心，对拥有类人能力的大模型的集体痴迷，很容易把整个社会带进「图灵陷阱」。计算机做到了很多人类做不到的事情，如今也做到了人类能做到的事情——还比人类做得好，越来越多的人失去工作，财富和权力会更加集中，不平等逐渐加大。

他的担心也有道理。大模型耗资巨大，一般人也投资不起，背后的支撑者，不是科技巨头，就是国家。基石模型会成为一系列服务的基础平台，而平台也有「马太效应」：赢家通吃，就算没全吃掉，也给别人留不下什么了。

艺术家们是真心喜爱这些「酷东西」的。英国作曲家 Reeps One（Harry Yeff） 就给模型喂了几小时的节拍器节奏，该模型学完后能对他的声音做出节奏化的反应。他预测「许多艺术家会使用这个工具来更好地完成自己的工作」。

「数字炼金术士」 Nekro 在 Twitter 用 AI 用了两个月，然后在画作的基础上进行二次创作。他说：「The aritist’s hand will always be the part that makes the difference.」

作为一名记者，我也真心喜爱「科大讯飞」的语音转录应用。在过去，整理两小时的人物访谈录音，足以令一个心智健康的成年人当场崩溃。如今只需要坐等软件出一个文本文档即可，不能直接拿来当「对话」，但当素材看完全够了。

最近我也在研究如何使用 GPT-3 来训练自己的写作模型。说不定，下次的「近未来」栏目，就是我的 AI 写的。