能夠把一件事情做成功不容易。在實現(xiàn)的過程中，會有很多局限。在這個新生事物層出不窮的時代，有一個常見的根本性局限，就是人的思想局限，體現(xiàn)為對事實真相辨析不明和經(jīng)常用舊的邏輯嘗試解決新的問題。

在這個世界上，對于事物真相的判斷，存在著事實、現(xiàn)象和觀點這三個不同的維度。

獲取大家公認(rèn)的事實非常困難，理論上講是不可能的。因為每個人都是通過自己的“有色眼鏡”，也就是感覺器官來觀察事物，得到的是感覺器官所感受的現(xiàn)象。人們會基于個人經(jīng)歷、背景和認(rèn)知偏差對所觀察到的現(xiàn)象進(jìn)行解讀，從而形成自己的觀點。由于觀點都帶有主觀色彩，因此既代表現(xiàn)象，也不代表事實，只可用作討論的素材。人們有可能從基于觀點的辯論，而達(dá)成對于現(xiàn)象和事實的一致意見。

如果你看過電影《骯臟的哈里》中的演員克林特·伊斯特伍德，他在該片中有一句著名的臺詞：“觀點就像<人體的排泄出口>，每個人都有。（都有怪味，但每個人都認(rèn)為自己的比別人的好聞）”。

理解了這個道理之后，我們在聽到社會上的某種流行說法時，先要明確這是某種觀點，還是大家已經(jīng)達(dá)成共識的現(xiàn)象，以及它背后所指向的事實大致是個什么樣子。不要過早地受觀點的影響，以避免陷入“看不見的大猩猩”的陷阱，被信息誤導(dǎo)，只關(guān)注到媒體讓我們看到的事物，而不是正在真實發(fā)生的事物。例如，現(xiàn)在我們在網(wǎng)上、在朋友圈里看到的許多現(xiàn)象，很可能都是一些具有引導(dǎo)性的關(guān)注點。但真正的事實是什么呢？我們需要超越表面現(xiàn)象，深入探究事物的本質(zhì)。

在技術(shù)實踐中，我發(fā)現(xiàn)人的問題其實是最復(fù)雜的。雖然技術(shù)難題很難攻克，但技術(shù)畢竟是人創(chuàng)造的。一旦我們的思想方法出現(xiàn)問題，那么無論多么優(yōu)秀的人，再怎么努力，其做事的結(jié)果也非常有限。但是思想轉(zhuǎn)型是最難的，要改變思想，我們需要采用成長型思維的方式，不斷學(xué)習(xí)，不斷糾偏。這意味著我們必須認(rèn)識到，我們的思想都是有偏差的，我們常常錯誤地將所觀察到的現(xiàn)象視為事實的全部，并迅速形成一種觀點，認(rèn)為別人是錯的，自己是對的。在這個時代，還沒有人能夠爬上山頂，看到未來。在這個不確定性主導(dǎo)的世界里，未來只要還未發(fā)生，對其判斷就是一個概率問題。

人工智能的實現(xiàn)依靠計算機(jī)器基于數(shù)據(jù)而學(xué)習(xí)，數(shù)據(jù)的問題就像是一個房間里的大象，也可以說是看不見的大猩猩。說它是一頭房間里的大象，是說這個問題很明顯，但是很麻煩，大家都不愿意主動指出來。針對優(yōu)質(zhì)數(shù)據(jù)的積累，它無法簡單地靠堆砌資金和人力，或者只要有海量算力就可以解決，它需要漫長的文明積累，不是所有的數(shù)據(jù)都具備可以被學(xué)習(xí)的知識，只有那些能夠表征一個文明特征的數(shù)據(jù)才能夠讓機(jī)器學(xué)到代表這種文明的知識與價值觀。說它是一頭看不見的大猩猩，是說明這個問題經(jīng)常被媒體所誤導(dǎo)，被大眾所忽視，人們看到的都是有關(guān)算力、算法的探討，而人工智能的實現(xiàn)是一個復(fù)雜的系統(tǒng)工程，各種前提條件缺一不可，就像一個水桶，不管構(gòu)建水桶的木板有多長，它的存水量由最短的那塊板決定。人工智能就像一個孩子，是被數(shù)據(jù)培養(yǎng)出來的。如果提供給它的數(shù)據(jù)是有偏差的，那么它的行為和決策也一定是有偏差的。如果數(shù)據(jù)來自他人，那么訓(xùn)練出的模型的行為和偏好也將是別人的。

對于所有企業(yè)來說，我認(rèn)為第一步是顯而易見的，今天現(xiàn)場發(fā)布的報告《中國生成式 AI 開發(fā)者洞察 2024》（后臺回復(fù)「開發(fā)者洞察」即可下載）已經(jīng)給出了答案。但有時候，我們需要關(guān)注的是那些顯而易見，但大家不愿意去觸及的麻煩。例如，人才問題、數(shù)據(jù)問題、流程再造問題，這些都是我們所說的“硬核”問題。這些問題并不是多么新鮮或者偉大的問題，它們都有一個共性，就是跟腳踏實地的作風(fēng)和漫長的積累相關(guān)，跟保持獨立的思想和不盲從潮流相關(guān)，與每個個體與組織愿意耐心花多長時間取得成就相關(guān)，它們需要因人、因時、因地制宜，不能簡單地復(fù)制粘貼。每個個體、每個組織都有自己的數(shù)據(jù)特征、流程特征、人才儲備和資金儲備，以及行業(yè)特征。

我們不僅應(yīng)該學(xué)習(xí)別人做事的正確方法，更應(yīng)該借鑒別人犯錯誤的教訓(xùn)，而不是一味的想找到所謂的“最佳實踐”。因為在探索期間，就像踩雷區(qū)一樣，或者像查理·芒格所說的——智慧不是在于做對每件事，而是在于知道哪些事情是錯的。在一個極度不確定的時代，使用這種方法可能不能保證我們成功。但它能讓我們成功的概率稍微高一點，哪怕只是一點點。

如果大家仔細(xì)觀察業(yè)界所謂的成功公司，你會發(fā)現(xiàn)它們的成功大多都概率性的，只是因為活下來了，是幸存者，這種經(jīng)驗的總結(jié)很容易陷入“幸存者偏差”的陷阱。沒有人在微軟、OpenAI、英偉達(dá)、谷歌、華為、阿里、百度、騰訊等公司成立之初就敢說他們一定會成功。成功是因為他們在重要的事情上犯的錯誤少，只要不死，你生存下來的機(jī)率就變大了。因此，不是說不要向成功者取經(jīng)，一是不必照搬，二是還要看看這些公司沒有做什么。

什么才是真正的思想變革？我們每個人的思想實際上都是非常固化的。特別是那些越成功、經(jīng)驗越豐富、過去成就越多的人，他們的思想往往更加難以改變，這是一個公認(rèn)的事實。

在計算機(jī)歷史上，有一位非常著名且直言不諱的人物，他就是艾茲格·W·迪科斯徹。上世紀(jì)，當(dāng)有人問他計算機(jī)是否能夠思考時，他回答說：“提問'計算機(jī)是否能思考’就像問'潛艇是否能游泳’”。他的回答正確與否并不重要，重要的是那一代計算機(jī)科學(xué)家所展現(xiàn)出的探索精神，他們不受經(jīng)驗的束縛，能夠洞察事物的本質(zhì)，這種精神在當(dāng)今時代尤為重要。

我再舉一個與今天更相關(guān)的例子，那就是馬車與發(fā)動機(jī)的故事。

20 多年前，麻省理工學(xué)院第一任人工智能研究室主任西摩爾·派普特提出了一個思想實驗，讓我們想象，如果一名現(xiàn)代噴氣發(fā)動機(jī)工程師穿越回 19 世紀(jì)初，向當(dāng)時的馬車夫和馬車行展示噴氣發(fā)動機(jī)，并詢問這是否能幫到他們。

大家首先想到的可能是將噴氣發(fā)動機(jī)安裝到馬車上，我把這解讀為“AI+”，因為將發(fā)動機(jī)裝到馬車上，確實可以讓馬車比馬跑得更快、更省事。但這是否是我們的最終目標(biāo)呢？絕對不是。我們真正要做的，是因為新工具的出現(xiàn)而重構(gòu)整個行業(yè)，甚至是整個社會的基本原型。

從馬車到汽車的轉(zhuǎn)變，交通的本質(zhì)目的沒有變，依然是將人和物品安全、可靠、及時、高效地從一點移動到另一點。但是，如果我們用馬拉車，我們需要考慮的是在馬路上每隔兩公里設(shè)計一個草料堆與化糞池。而如果是汽車，我們則需要每隔 幾十 公里建一個加油站和服務(wù)站。無論是加油站還是化糞池，都有它們存在的必要，也都有它們存在的前提條件。都是商機(jī)，只不過是不同思想層面的商機(jī)。這種不同的思想層面代表了不同的思維范式、工業(yè)范式和文明范式。要注意這種種發(fā)展方向之間，并沒有對錯，只是因為不同的人生觀和價值觀而選擇不同的發(fā)展道路。這就是不同思想與思維方式的不同結(jié)果。

今天發(fā)布的報告《中國生成式 AI 開發(fā)者洞察 2024》已經(jīng)將這些問題闡述得非常清楚。報告中提到，首先，開發(fā)需要有場景，需要理解大語言模型的開發(fā)，我將其理解為必須知道我們解決的人類問題是什么。其次，我們需要知道如何使用工具。第三，我們需要找到合適的工具。比如，如果我們要在墻上掛一幅畫，大概率我們會用到釘子或螺絲，使用錘子或螺絲刀。而如果我們在工廠里組裝一輛汽車，那么我們面臨的問題和所需的工具及方法就會完全不同。

西摩爾·派普特曾經(jīng)說過：“如果思想不改變，無論你擁有的新工具有多么先進(jìn)，它又能改變什么呢？如果這個工具只是被用在馬車上的一個特別優(yōu)秀的引擎，它確實能讓馬車比馬跑得快”。在當(dāng)前的流程中，我們已經(jīng)在應(yīng)用人工智能工具，無論是生成式的還是傳統(tǒng)的，各種類型的人工智能工具都在被使用。這使得大家普遍感覺到，人工智能工具似乎有用，但又似乎沒有達(dá)到預(yù)期的效果。我的判斷是：雖然目前我們在使用這些工具，但最終，我們的整個社會范式將會被人工智能所改變。這意味著從“AI+”（AI 的簡單添加）到“AI 化”或“AI 乘”（AI 的深度融合和乘數(shù)效應(yīng)）的轉(zhuǎn)變。

我們當(dāng)前所有的話語體系都在討論應(yīng)該做些什么，進(jìn)行什么樣的設(shè)計，包括人工智能的生成式應(yīng)用。這就引出了一個問題：人工智能是否僅限于生成式應(yīng)用？傳統(tǒng)人工智能是否已經(jīng)沒有價值？我們其實并不關(guān)心它具體是哪種類型的人工智能，只要它能夠幫助我們解決問題，通過社會架構(gòu)的重新構(gòu)建，它就能成為一個新的工具。

理解了這個道理之后，我們可能會認(rèn)識到，在做事的過程中，一方面我們需要跟隨，但我們必須記住，僅僅跟隨是永遠(yuǎn)沒有未來的。大多數(shù)情況下我們所面對的都是概率問題。未來的一切都與概率相關(guān)，無論是貝葉斯思維還是蒙特卡洛方法。想象一下，如果我們在座的所有人都去追求同一個目標(biāo)，采用同一種范式，那么我們成功的概率是多少？或者更具體地說，你能成功的概率是多少？

無論工具多么先進(jìn)，即使噴氣式引擎研發(fā)得再好，如果人們想到的只是將其安裝在馬車上，那么我們很難找到新的出路。那么，汽車到底會是什么樣子？整個社會形態(tài)將如何變化？我們是否需要建立加油站、鋪設(shè)柏油馬路、設(shè)置收費(fèi)站？是否需要有人開始研究整個統(tǒng)籌學(xué)、運(yùn)籌學(xué)、算法優(yōu)化等科學(xué)領(lǐng)域，以把握先機(jī)并引領(lǐng)變革？

要知道我們真正需要找到的是解決某種問題的方法。那么我們的問題是什么呢？人工智能的方法很多，可以是生成式的人工智能，也可以是傳統(tǒng)的人工智能，還可以具身的人工智能。當(dāng)我們要解決的問題沒明確的時候，只是談人工智能作為一種工具和方法孰優(yōu)孰劣，那也僅僅是某種觀點而已。問題是：我們作為人類，有多大的信息處理能力能夠看多少內(nèi)容？我們到底要的是機(jī)器生成的內(nèi)容還是人生的幸福感？這種幸福感是通過生成一大堆文字、圖片和視頻就能獲得，或者只是要比其他人更強(qiáng)，還是需要借助機(jī)器的能力擴(kuò)大人類的探索邊界，擴(kuò)展人類的知識，增長我們的智慧，加深我們對浩瀚宇宙真相的理解，從而讓地球文明能夠突破現(xiàn)在的局限，不再受物質(zhì)與能量的束縛，進(jìn)入到一個關(guān)注思想繁榮與智慧增長的信息文明時代。我認(rèn)為對于這些問題的回答將決定下一步的人工智能何去何從。

回顧一下機(jī)器的概念，在這里我引用了微軟董事長兼 CEO 薩提亞·納德拉經(jīng)常引用的來自道格拉斯·恩格爾巴特的觀點。道格拉斯·恩格爾巴特是當(dāng)代計算機(jī)文明的奠定者之一，他的技術(shù)愿景和對于人類社會發(fā)展的洞察仍然指導(dǎo)著當(dāng)前計算機(jī)器的發(fā)展方向。恩格爾巴特持有與范內(nèi)瓦·布什和司馬賀這些思想家相似的觀點，都認(rèn)為人類社會接下來最大的挑戰(zhàn)就是因為信息過載而造成的復(fù)雜度已經(jīng)遠(yuǎn)遠(yuǎn)超出了人類所能夠處理的范疇，信息技術(shù)提升了人類社會效率，也加大了復(fù)雜度，我們需要計算機(jī)器幫助我們處理因為計算機(jī)器所帶來的問題。

人類作為一種碳基動物，通過我們的五種傳感器感知周邊的世界，再通過神經(jīng)傳導(dǎo)的電化學(xué)作用將我們用傳感器從周圍世界感知的信號傳送至我們的大腦進(jìn)行處理與加工。由于信息量的泛濫和通訊的普及，再加上大多數(shù)人類的思想能力還沒有進(jìn)化到可以有節(jié)制地使用我們的大腦信息處理能力，一味不加選擇和節(jié)制地攝入信息，就是得我們的大腦像暴飲暴食的身體一樣，開始出現(xiàn)了大腦“肥胖癥”。當(dāng)然，人類經(jīng)過多年的工業(yè)文明熏陶，已經(jīng)知道我們的身體不能隨意攝入垃圾食品，我們開始有所選擇，有所判斷。那我們是怎樣對待大腦的呢？讓我們反思一下，從今天早上醒來到現(xiàn)在，你所看到的消息中，哪些是真的，哪些是假的，哪些是半真半假的，哪些是有偏差的，哪些是欺騙你的，哪些是對你有幫助的，哪些是無用的，哪些是虛構(gòu)的？

實際上，我們大多數(shù)人并沒有深思熟慮，而是直接接受了這些信息。大家再回想一下，從今天早上醒來到現(xiàn)在，你所看到的消息，你還記得多少？記住的信息中，又有多少是真正能夠用得上的？我們的大腦是在空轉(zhuǎn)，不斷地攝入“垃圾食品”，還是真正吸收到了有用的信息，讓我們的思維能力得到提升？

在討論接下來的實操內(nèi)容之前，我想強(qiáng)調(diào)，在這個時代，能夠“不被騙”就是最大的優(yōu)勢。我們所比拼的是什么呢？是智商、情商、理商。我現(xiàn)在再加上一個信商，即信息智商。我們搞 IT 的都知道網(wǎng)絡(luò)信息安全有“零信任”原則，那么在面對信息攝取時，我們是否也應(yīng)該采取信息攝取的“零信任”態(tài)度呢？

“看不見的大猩猩”的作者在 2023 年又寫了一本書，名為《沒有人是傻瓜》。他在書中提出，每個人都應(yīng)該遵循的原則是“少信一點，多驗證一點”。我們應(yīng)該默認(rèn)所有由像素生成的信息，大概率都有可能是假的。我們也應(yīng)該像網(wǎng)絡(luò)一樣，對所有像素構(gòu)成的信息采取零信任的態(tài)度，然后訓(xùn)練出我們自己的算法來幫助我們鑒別信息的真?zhèn)?。否則，我們這些工程師、科學(xué)家可能會被一些信息誤導(dǎo)，不是受人制約，，而是被人騙，被人牽著鼻子到處亂跑，誤以為自己走對了方向。我們天天去學(xué)習(xí)別人的最佳實踐，天天去學(xué)習(xí)標(biāo)準(zhǔn)答案，卻忽略了一個最基本的事實：我們已經(jīng)進(jìn)入了一個開卷考試的時代，現(xiàn)在最不缺的就是標(biāo)準(zhǔn)答案，最缺的是經(jīng)過獨立思考而得到的適合我們自己的答案。

接下來，我想簡單地展望一下未來。我認(rèn)為現(xiàn)在有很多人在還沒有開始攀登之前，就拼命想象山頂會是什么樣子，是好是壞，是否可行。但實際上，大多數(shù)人甚至還沒有開始他們的旅程。就目前而言，我認(rèn)為智能機(jī)——不要過分夸大其作用，它就是一個智能機(jī)——但它所開創(chuàng)的，是幫助人類了解極大、極小、極遠(yuǎn)、極近的領(lǐng)域。所謂極大指的是宇宙，極小指的是量子，極遠(yuǎn)指的是太空，而極近則是更深入地了解我們自己，最終理解我們是誰。

現(xiàn)在的智能機(jī)以非常高的效率，推動了'AI for Science'（科學(xué)智能）和'AI for Everyone'（人人智能）的發(fā)展，尤其是'AI for Science'，科學(xué)探索得到智能機(jī)的加持后，其研究進(jìn)展的速度是驚人的。如果你了解一下當(dāng)前生物學(xué)、細(xì)胞學(xué)、醫(yī)學(xué)以及量子物理學(xué)界的研究進(jìn)展，你會發(fā)現(xiàn)這些進(jìn)展遠(yuǎn)遠(yuǎn)超出了我們對生成式人工智能的想象。微軟在英國劍橋的 AI 研究院，已經(jīng)轉(zhuǎn)向'AI for Science'的研究，并取得了許多突破，包括在材料科學(xué)領(lǐng)域的應(yīng)用。眾所周知，我們?nèi)祟悓τ谧陨?、對于量子層面的理解還是非常有限的，而機(jī)器在這些方面可以提供巨大的幫助，比如在分子、原子、細(xì)胞、DNA\線粒體、材料、能源構(gòu)成等領(lǐng)域，還有很多未知等待我們?nèi)ヌ剿鳌?/p>

目前我們所觀察到的，比如制作圖片、視頻或生成文字等，這些在辦公自動化中非常有用，但它們只是智能機(jī)器能力的一個狹小的領(lǐng)域，。我在下圖提到了一些可能性，并用紅色進(jìn)行了標(biāo)注。但這些也只是美好的愿景，它們需要落地實現(xiàn)，智能技術(shù)的落地也是有次第可循的邏輯。

我之所以一開始講述這么多有關(guān)思想與觀念的話題，是因為如果我們不能夠放下我們每個人，尤其是成功人士的思想成見，放下我們思想中的歷史包袱，我們接下來的行動很可能只是在馬車上裝上一個引擎，比拼誰的馬車裝上引擎后跑得更快，而不是認(rèn)識到汽車雖然開始時可能比你的馬車跑得慢，但最終汽車必將遠(yuǎn)遠(yuǎn)超越馬車。換句話說，對我們來說，每個人的挑戰(zhàn)在于，我們可能仍然固守在要給馬車裝上引擎的想法上，因為我們需要活在當(dāng)下，但我們需要開始意識到我們的目標(biāo)不是如何將馬車打造得更好，裝上多少引擎，或者如何改造它，而是要開發(fā)出一整套全新的汽車架構(gòu)和現(xiàn)代化交通體系。

我相信大家對下圖所展示的架構(gòu)已經(jīng)有所了解，它從基礎(chǔ)架構(gòu)出發(fā)，經(jīng)過應(yīng)用架構(gòu)，再到開發(fā)的架構(gòu)，最后落實到具體的應(yīng)用場景。雖然這是一個顯而易見的過程，但是即便如此明顯，真正能夠找到用戶實際需要的應(yīng)用的人卻微乎其微。

我的觀點是：“知道山在那里，并不意味著你就能登上山頂；而在山腳下，你也無法確定這是不是最高的山峰?！北M管學(xué)習(xí)、觀察和借鑒他人是非常重要的，但這些只是必要條件，并不是充分條件。即便你知道山的位置，即便你有一張登山地圖，這也只是其中的一部分真相。地圖并不是真正的現(xiàn)場，而且所有的地圖都是別人已經(jīng)走過的路。

我印象最深的是，在讀書學(xué)工程的時候，曾經(jīng)調(diào)整過 PID 參數(shù)。第一次調(diào)整 PID 參數(shù)時感到很困惑：書上的理論知識都是正確的，函數(shù)也寫對了，但電動機(jī)就是在那里抖動。書本的知識和實際現(xiàn)場出現(xiàn)的情況是不一樣的。因此，親身實踐和實證非常關(guān)鍵。學(xué)習(xí)到一定程度固然重要，但最終還是要自己找到解決方案，找到適合自己的方法。

大家在觀察許多人工智能的開發(fā)模型和范式時，可能會注意到有很多夸張的宣傳，很多講解傾向于“一劍封喉”的斷言，只要這樣做就有那樣的結(jié)果。但只要一種思維邏輯具象為一種具體的方法，就會有它適用的前提條件約束。只有回歸到它的思維邏輯，才能夠讓借鑒者根據(jù)具體情況具體分析與解決。

首先，智能機(jī)需要明確理解其目的；其次，它需要理解自身的能力邊界；第三，它必須了解其操作的約束條件，也就是它所處的約束空間。接下來，智能機(jī)需要有能力尋找可用的外部資源和工具，然后開始有步驟地拆解任務(wù)，決定是順序執(zhí)行還是并行執(zhí)行。在執(zhí)行過程中，還需要一個實時的反饋鏈，也就是持續(xù)的反饋機(jī)制，不斷行動，不斷糾偏。

現(xiàn)在在網(wǎng)上，有些人將“reflection”翻譯為“反思”，這種翻譯是有問題的。機(jī)器真的會反思嗎？實際上，機(jī)器只是在反饋的基礎(chǔ)上，針對它的預(yù)測進(jìn)行計算糾偏，而并不會像人類那樣進(jìn)行深入的反思。因此，我們不應(yīng)該將描述人類思維的詞匯用在機(jī)器上，這樣做是非常危險的，因為它可能會導(dǎo)致我們對機(jī)器的能力作出錯誤的判斷。

理解了上述內(nèi)容之后，我們可以進(jìn)一步抽象化地看問題。實際上，我們每天從早到晚都在進(jìn)行人 - 機(jī)協(xié)同的工作。作為個體，我們每個人都有自己明確的目標(biāo)。在下圖中，用紅色表示人類正在執(zhí)行的任務(wù)，用藍(lán)色表示機(jī)器正在執(zhí)行的任務(wù)。想想看，從今天早上起床到現(xiàn)在，無論是坐車、打車、開車來，還是聽課、看手機(jī)，我們是不是一直在這樣與機(jī)器協(xié)同工作？這種協(xié)同工作會出現(xiàn)什么樣的現(xiàn)象呢？真正的機(jī)會在于我們是否能夠識別出我們的痛點是什么。一旦我們識別出了自己的痛點，如果這種痛點可以由機(jī)器輔助，就成為智能機(jī)可以發(fā)揮作用的地方。熟悉 TRIZ 創(chuàng)新方法論里面 TESE 方法的人可能就看出，其實這就是逐步減少人類參與的系統(tǒng)創(chuàng)新方法，并不是什么突然出現(xiàn)的話題，只不過隨著人類所發(fā)明的工具的進(jìn)步，創(chuàng)新的方法也在不斷演變之中。對于這一輪的智能機(jī)器而言，數(shù)據(jù)是核心，也就凸現(xiàn)出過去幾十年一直強(qiáng)調(diào)數(shù)字化的重要性。

沒有數(shù)據(jù)就無法實現(xiàn)智能算法，沒有數(shù)字化就沒有數(shù)據(jù)。因此，我們?nèi)匀恍枰M(jìn)行數(shù)字化改革。一旦我們理解了這個基本原理，就會發(fā)現(xiàn)有很多問題就像是屋子里的大象，雖然沒人直接談?wù)?，但它們卻明顯地?fù)踉谖覀兦斑M(jìn)的道路上。

僅有人才的思想解放、組織的重構(gòu)和流程的再造是不夠的。為了實現(xiàn)數(shù)字化轉(zhuǎn)型，我們還需要結(jié)合數(shù)字化產(chǎn)品和實時反饋鏈，以及整個產(chǎn)業(yè)鏈的協(xié)同。這不僅僅是個體和公司層面的事情，還需要整個生態(tài)系統(tǒng)中上下游合作伙伴的相互匹配和協(xié)調(diào)。在這種情況下，數(shù)據(jù)才是真正為了 AI 而生的數(shù)據(jù)。

作為一間合資公司的總經(jīng)理，我也管理著公司，當(dāng)公司試圖利用智能機(jī)器的能力優(yōu)化公司的客戶服務(wù)時，我們也以為已經(jīng)積累了很多服務(wù)數(shù)據(jù)，可以很方便的實現(xiàn)服務(wù)的智能化了吧？但當(dāng)你嘗試將 AI 應(yīng)用上去時，會發(fā)現(xiàn)這些過去積累的數(shù)據(jù)，其建模方式并沒有針對智能機(jī)器算法而優(yōu)化，可用，但效果并不好。為什么？人們常常誤以為機(jī)器可以學(xué)習(xí)任何東西，尤其是非結(jié)構(gòu)化數(shù)據(jù)，我認(rèn)為這是一個非常誤導(dǎo)人的說法。捫心自問，機(jī)器真的能學(xué)習(xí)非結(jié)構(gòu)化數(shù)據(jù)嗎？機(jī)器學(xué)習(xí)真的能學(xué)習(xí)沒有標(biāo)簽的數(shù)據(jù)嗎？所謂的非監(jiān)督學(xué)習(xí)，其監(jiān)督已經(jīng)內(nèi)嵌在了提供給它的數(shù)據(jù)結(jié)構(gòu)中。也就是說，數(shù)據(jù)本身必須帶有邏輯，機(jī)器才能從中學(xué)習(xí)。真給機(jī)器丟一堆沒有內(nèi)在模式的數(shù)據(jù)，它是不可能憑空識別出模式的。

只有擁有數(shù)據(jù)，我們才能獲得真正的知識，然后再將這些知識轉(zhuǎn)化為 Copilot，加入到每一個流程中去。我認(rèn)為這將是未來作為人類智能助手的終極解決方案。這也與我之前提到的報告相呼應(yīng)，實際上并不存在哪個行業(yè)或工作內(nèi)容不會被重構(gòu)，所有可以被拆解成流程的工作都將被重構(gòu)。

流程中的一個關(guān)鍵點是必須同時滿足人類能理解和機(jī)器能處理的條件?；仡櫄v史，這實際上是真正的 Web 3.0 概念，也就是十多年前的語義網(wǎng)，那時語義網(wǎng)技術(shù)被稱為 Web 3.0 技術(shù)。這里的關(guān)鍵不在于術(shù)語本身，而在于其內(nèi)涵，我們的整體愿景是將我們的生活、世界和社會構(gòu)建成既能被人理解也能被機(jī)器處理的形式。我們每家公司的領(lǐng)域知識、專家知識，以及行業(yè)知識是否都能被建模，以至于機(jī)器能理解和處理呢？以目前流行的售后服務(wù)數(shù)字化和智能化為例，你的知識庫真的能夠做到既被機(jī)器理解也能被機(jī)器處理嗎？以我的經(jīng)驗來看，這通常需要重新構(gòu)建。這里重點是關(guān)注流程的智能化和智能社會的構(gòu)建，無論是 AI 加法還是 AI 乘法，實際上都要考慮重構(gòu)，而不是簡單地在馬車上加一個引擎。

精心打磨流程重構(gòu)、數(shù)字建模，實現(xiàn)數(shù)據(jù)生成與管理，進(jìn)而實現(xiàn)流程智能化。但遺憾的是，大多數(shù)人關(guān)注點都集中在最后一點，即流程智能化，而忽視了前三點。前三點是整個金字塔的基座，如果基座不穩(wěn)固，整個結(jié)構(gòu)將會動搖。此外，還有第五點，即“人在循環(huán)中”。因為機(jī)器并非萬能，因此人與機(jī)器的結(jié)合是非常關(guān)鍵的，但這還不夠。在第五點之上是第六點，即“人在環(huán)路上”，涉及到控制論的一階、二階和三階控制與優(yōu)化，也可稱為一階、二階和三階的學(xué)習(xí)過程，是對做事的“為什么做 - 做什么 - 如何做”(Why-What-How) 的反向優(yōu)化過程，與機(jī)器學(xué)習(xí)所依賴的反向傳播機(jī)制在概念上是相通的。

我們現(xiàn)在要做的第一步是將所有流程重構(gòu)，讓機(jī)器完成工作，賺取利潤。但為了預(yù)見最終到達(dá)的位置，還必須建立一個新的人機(jī)文化。如果僅僅關(guān)注機(jī)器或技術(shù)能做什么，而不將人的因素考慮在內(nèi)，這樣的企業(yè)是不可能長久的。

最后，我想談?wù)勑畔⑽拿鞯淖铒@著特征，那就是避免被欺騙，這種能力也會被別有意圖的人利用來進(jìn)行欺騙。我們現(xiàn)在生活在一個信息社會中，真的能夠辨別出對自己有用的信息，并據(jù)此做出正確的判斷嗎？我認(rèn)為這是非常困難的。我們每個人都被包裹在自己的信息繭房中，只能看到我們想看到的，只能聽到我們想聽到的。那么，我們?nèi)绾未_保自己不會被這個看不見的大猩猩——信息繭房所限制呢？這是對我們每個人的最大挑戰(zhàn)。

今天，我分享這些內(nèi)容，是因為我認(rèn)為如果不解決這個問題，僅僅偶爾得到一些答案，偶爾成功一下，是遠(yuǎn)遠(yuǎn)不夠的。因為如果沒有建立起對未來技術(shù)發(fā)展的堅定信念，那么偶爾的成功并不能代表最終的成功。這是我從微軟的一些工程師那里聽到的他們的心態(tài)歷程，現(xiàn)在分享給大家。微軟的 CEO、董事長薩提亞·納德拉在 2022 年 5 月就已經(jīng)提到了 ChatGPT、OpenAI、Copilot 等概念。2022 年 11 月底 ChatGPT 發(fā)布后，大家蜂擁而上。微軟的工程師其實也經(jīng)歷了這樣的過程。起初是“AI+”，將 AI 應(yīng)用到所有事物上，但第一代產(chǎn)品發(fā)布后發(fā)現(xiàn)效果不佳，那還只是一輛馬車。

因此，他們轉(zhuǎn)向了“Everything for AI”，即利用新的工具重構(gòu)產(chǎn)品的流程和使用方法，包括人機(jī)交互界面、流程、判斷和執(zhí)行。最終他們發(fā)現(xiàn)，關(guān)鍵不在于 AI、數(shù)據(jù)、顯卡或算法，而在于解決人世間的風(fēng)花雪月、衣食住行。我們的產(chǎn)品如果能夠解決人類的基本需求，就一定具有生命力。如果你的觀點只局限于一個噴氣發(fā)動機(jī)或者一輛馬車上，那么我認(rèn)為你不會取得太大的成就。

今天的標(biāo)題是“大模型正在重新定義軟件”。大模型是什么？“正在”是什么？重新定義軟件所代表的結(jié)果是把軟件視為一輛馬車加上一個引擎，稱之為重新定義，還是真正地重新定義軟件工程、軟件流程，改變整個軟件的生命周期？

微軟研究院的一些研究員專門研究“AI for software engineering”，我認(rèn)為這可能就是大家在軟件開發(fā)行業(yè)即將面臨的未來。當(dāng)我們還在認(rèn)為在馬車上加引擎的時候，已經(jīng)有一些人開始意識到這只是暫時的現(xiàn)象。我們真正要的是一個現(xiàn)代化的、以汽油、柴油驅(qū)動的交通體系。而在 100 年后，我們發(fā)現(xiàn)這個交通體系實際上是由電力驅(qū)動的。這將是我們未來幾十年面臨的機(jī)會與挑戰(zhàn)。

演講最后，韋青老師向大家推薦了《提示工程：方法、技巧與行業(yè)應(yīng)用》這本書，他提到：“這是本工具使用者，同時也是開發(fā)工具的老師傅寫給工具使用者的書，了解機(jī)器的特性，才能更好地利用機(jī)器增強(qiáng)人類自身生存與發(fā)展的能力?！?/p>

對于《BPMN2.0——業(yè)務(wù)流程建模標(biāo)準(zhǔn)導(dǎo)論（第二版）》、《DATA 數(shù)據(jù)建模經(jīng)典教程（第二版）》這兩本書，韋青老師的評價是：“簡單，不厚，但是有用?！?/p>

除此之外，還有以下推薦書目，感興趣的讀者可以進(jìn)一步了解~