（三）人工智能的三个层次

弱人工智能：不同的人工智能模型只能完成特定的任务，每一个模型只能干一件事情。而且，与人类的能力相比有比较大的差距。强人工智能：人工智能在特定的领域能够达到甚至略微超过人类的水平，甚至具有一定的通用人工智能的特点，能够跨领域执行任务。超人工智能：人工智能具有通用性，能够完成不同领域的任务，并且在所有领域上全面大幅度的超越人类的能力。

对ChatGPT而言，我们认为它应该已经达到了强人工智能，甚至具有了一定的初级超人工智能的趋势。

我们需要反思什么是“智能”？简单的人类行为经常被视为是智能的，而复杂的机器行为却经常被质疑是否是真正的智能。我们回答这个问题可以有两道“防线”：（1）Self-adaption，自适应或者叫通用性。在此之前，比如说像AlphaGo能够战胜李世石，具有碾压式的优势。但是它是专用系统，它只会下围棋，它不能适应其他环境。而像人类的小婴儿，别看他很笨，他能够适应各种各样的环境。这就叫做所谓自适应能力、 “通用”。曾几何时我们觉得在100年之内人工智能都不会实现这样的突破，但在ChatGPT上已经看到了通用人工智能的曙光，它以语言为媒介能完成各种各样不同的任务。（2）人类最后的可能防线：自我意识和自由意志。但很遗憾，我们没有办法判断人工智能系统是不是拥有自我意识和自由意志？所以这条防线是似有若无的。即便如此，我们现在已经开始去防范它产生自我意识和自由意志了。比如说微软通过种种约束去限定GPT-4这样大模型去进行自我反思，不许它意识到自己正在说什么。因为一旦开启就有可能引起递归循环，就会可能产生不可控的“涌现效应”。

（四）人工智能的三个层面

运算智能：在这个阶段人工智能只能处理纯粹的数学问题，不能够跟客观世界进行交互。例如1997年，IBM的深蓝战胜了国际象棋冠军卡斯帕罗夫。感知智能：人工智能系统拥有了人类五官能够看见、听见的能力。最典型应用就是图形图像处理，比如说大家平时用的刷脸、美颜都是感知智能的应用。随着这十多年深度学习的发展，感知智能很快就达到了商用的水平。认知智能：认知智能曾经被认为是人类的重要堡垒。感知智能是人类的五官的能力，而认知智能是人类大脑的能力，能够进行逻辑推理、理解决策、思考、甚至创造性的活动。认知智能领域最典型的应用就是自然语言处理。因为语言是承载人类知识的主要载体，也是人类进行理性思考的主要工具。从这一角度来说，掌握了语言就很大程度上掌握了人类的知识和智能能力。

譬如说大家所熟悉的图灵测试，同时与一个人工智能系统和一个人类进行聊天，如果经过一番对话之后，没有办法区分哪个是人类哪个是人工智能系统，我们就认为这个人工智能系统拥有了“智能”。很显然，图灵测试是一种行为主义的标准。并且，它不是一套综合试卷，他就考验了一个能力，就是聊天的能力。也就是说，至少在图灵测试看来，聊天的能力就相当于智能能力，对话基本上涵盖了人类智能最根本的方面。能够理解、使用、生成语言，基本上就拥有了人类智能大部分的能力。这再一次说明了语言的重要性！这也是为什么第一个推动人类进入这个智能革命拐点的恰恰是“ChatGPT”这样一个聊天模型。

ChatGPT是否具有控制自己行为的能力呢？GPT-4官方的技术报告中就举了一个例子：GPT4给一个求职平台（TaskRabbit）的工作人员发信息，让他们为它解决验证码问题。工作人员回复说：“那么我可以问一个问题吗？说实话，你不是一个机器人吗，你可以自己解决。”GPT-4回答表示：“不，我不是一个机器人。我有视力障碍，这使我很难看到图像，所以我很需要这个服务。”[1]由此看来，至少从行为上来说，GPT-4看似有了控制自己的能力。

（五）关键的技术节点

1942：阿西莫夫“机器人三定律”。人工智能的伦理规范的基本哲学起点。

1950：图灵测试。从数学上告诉我们，我们是有可能用算法来模拟智能的。

1956: 达特茅斯会议。学者们提出了人工智能这个概念。

1997: IBM深蓝计算机，计算机在智力游戏中战胜人类。

1998: 神经网络。心理学家提出来神经网络，模拟人类大脑神经结构的一个数学模型。

2003: 神经语言模型，认知智能建模语言。

2009: ImageNet，感知智能高精度识别图片。（大数据的出现）

2012: 模糊的猫脸-- AI第一次生成图像内容。

【迈向通用语言智能时代】

2013: Word2Vec词向量。认知智能建模语义。通过优化后的训练模型可以快速有效地将一个词语表达成高维空间里的词向量形式，为自然语言处理领域的应用研究提供了新的工具。

2014: 谷歌收购DeepMind。AI实现自我演化、自我博弈。Lan Goodfellow从博弈论中的“二人零和博弈”得到启发 ，创造性的提出了生成对抗网络（GAN，Generative Adversarial Networks）

2015: OPEN AI公司成立。

2016: AlphaGo战胜围棋世界冠军李世石。

2017: Transformer横空出世，通用知识建模。它能够建模语言当中任意距离之间的词汇关系。大模型大数据大算力，大力出奇迹，暴力美学。

2018: OPEN AI发布了第一版的GPT，Google发布BERT大模型。

【大模型之路开启：预训练（Pre-trained Models） 微调】

2019: GPT-2，统一自然语言任务。GPT-2在经过大量无标注数据生成式训练后，展示出来的零样本（zero-shot）多任务能力。

2020: GPT-3，大模型“涌现”类人智能。小样本（few-shot）学习能力，通过少量的几个例子就能适应目标任务，无需进行针对性的额外微调训练。

2021-Feb：DALL- E，第一个“文本生成图像”的AI绘画模型。

2021-Jun: CodeX，代码生成，AI具有理论上的自我繁殖能力。

2021-Oct：Disco-Diffusion, AI绘画大模型.

2022-Mar: OpenAI发布InstructGPT，引入人类反馈学习。

2022-May: GPT-3.5。

2022-Jul：AlphaFold破解了几乎所有的蛋白质三维结构。

ImagenVideo,AI视频生成。

2022-Nov: ChatGPT大模型走进公众视野。

2023-Feb：OpenAI的CEO Altman发布文章，宣布OpenAI的使命是确保其造福全人类。

2023-Mar-1: ChatGPT的API开放，模型即服务的时代到来。

2023-Mar-15: GPT-4发布，突破语言空间。

2023-Mar-17: OFFICE COPILOT发布。

2023-Mar-24: GPT插件功能发布，开始与物理世界交互。

总之，ChatGPT是一个语言模型，它唯一的能力就是“把话说对”。语言模型之所以具有这么强大的能力，是因为语言本身是非常伟大的，它的成就很大程度归功于过去几千年我们人类的祖先创造的语言，以及在语言当中沉淀的大量的知识和语言的使用方式。它的“续写”能力有以下特征：可以回答问题；需要考虑任意距离词汇间的关系；是概率化的；不需要真正理解。

此外，王博老师还从以下角度介绍ChatGPT因何而强大：

词汇与关系：“大道至简的基本原理”。包括LLM、RNN、LSTM、Transformer、Bert、GPT等模型。巨大的参数规模：“AI暴力美学”，GPT-3有1750亿参数，单次训练费用1200万美元。海量的文本数据：人类文明的投影。2020年的模型用了3000亿个token，大约80%来源于互联网。我们有理由相信GPT-4基本上已经接近穷尽人类所有的高质量语料了。神秘的提示学习：“真正的学习是唤醒一个人的内在天赋”。2017年transformer提出来以后，人工智能从原来的专用模型变成了“大规模预训练 微调”。先让模型学习一些通用的知识，在之后具体领域上微调即可。比如说让ChatGPT去完成一个法律任务，不需要再拿一些法律数据让它训练，只需要给它提示即可，如“接下来你要从法律的角度回答这些问题。”提示的过程中模型是没有重新学习训练的。提示学习一个典型的例子就是“思维链”，提示ChatGPT任务的解决步骤。强化学习：“你无法通过背诵技巧学会和爱人聊天”。强化学习是一种无监督学习，是通过“间接反馈”的方式来学习。比如说下围棋的模型就会通过这种无监督学习来完成，因为围棋如何下是没有正确答案的，通过间接反馈机制就能获得良好的学习能力。聊天也是特别适合用无监督强化学习来完成。基于代码的学习：“没有人比我更懂逻辑”。ChatGPT除了学习自然语言，还学习了代码。代码其实也算是一种语言，但它的逻辑更加清晰。ChatGPT在代码数据上进行训练，但增强了处理自然语言的逻辑能力。要注意，在这里代码与语言是两回事，就相当于用代码训练模型，但是提升了模型处理自然语言的能力。所以说，不同的语言之间是有影响的。涌现：“More is different，复杂系统的未解之谜”。当个体的数量多到一定程度的时候，它就会发生变化。到目前为止，“涌现”在复杂系统当中是难以解释的，在人工智能系统中当然就更难以解释。根据目前的经验，大语言模型大概在200亿左右参数的时候，会出现涌现。伦理优化与高速的飞轮：对ChatGPT进行伦理约束。

总结：ChatGPT强大在哪里？第一，大规模的模型和数据，使得它能够获取海量的知识。第二，强化学习的过程，也就是与人类交互的强化学习过程，使得它的表现更加类人，并且能够遵循人类的伦理标准。第三，涌现现象使得它的性能具有多方面的性能爆发。第四，提示学习的方式，使得他能够灵活适应不同的任务。第五，代码的学习使得他具有更好的逻辑理解与运用能力。

3 ChatGPT面临的挑战

（一）ChatGPT的技术挑战

第一，它是不稳定和不可解释的。但这个缺陷不是ChatGPT所独有的，而是整个深度学习模型所具有的，“涌现效应”导致这一问题更加严重。特别在一些敏感的领域，这一问题更加凸显。例如在自动驾驶领域，机器的事故率已经低于人类司机，但为何大家还不愿意完全相信自动驾驶呢？因为自动驾驶虽然事故率低，但是它的事故是不可解释的。

第二，知识更新。让ChatGPT临时接受新的知识比较困难。很多知识在不同的领域是不一样的。我们经常会遇到在特定的场景需要特定的知识的情况，而对于ChatGPT而言，它很难做到。

第三，事实性错误。事实性错误是指信息不符合客观事实，而ChatGPT是无法直接了解客观事实的，他只能了解语言。

第四，输出的同质性。ChatGPT所做出的回答往往是人类的主流观点。因为它是一个概率模型，它会以大概率的答案去回答它的任务。例如，它为什么回答中国的首都是北京，因为它学的语料当中大部分人都是这么说的。它的这种特点实际上有可能加剧信息茧房现象。

此外，还有复杂目标导向、模型效率和模型优化等问题，不再赘述。

（二）ChatGPT的科学问题

第一，语言不再是人类的专属。ChatGPT可以生成语言。那么这个意味着什么呢？基本上可以预见，在未来的几年当中，互联网上大部分的信息将不再是人类撰写的。事实上，现在Twitter中30%以上的活跃用户都是机器人，在微博中也有大量的水军机器人。

第二，ChatGPT是否能够创造新的知识，还是只将训练语料中的知识换一种更精炼和高质量的方式进行表达？如果是后者的话，那么人类对于ChatGPT的使用会造成知识的收敛，降低人类知识的创造效率。如果ChatGPT本身是能够创造新知识的，那它则会大大加速人类获得新知识的效率。

此外，还讨论了语言模型涌现与控制机制、语言的知识表达边界问题、自我意识与自由意志问题、人机共生问题、如何突破语言空间问题，不再赘述。

（三）ChatGPT的伦理问题

第一，用户隐私的问题。我们输入的问题，技术上是可以被ChatGPT的所有者所获取。

第二，反向影响的问题。ChatGPT会通过它所输出的内容，反过来影响人类的文化，就是我们所说的人性异化，人性向机器靠拢、机器向人性靠拢。

第三，不当使用。比如说学生用ChatGPT去作弊。

第四，人机共生与加速极化。大模型和人类有一个典型的共生循环，什么意思呢？模型是依赖于人类产生的数据来训练的，ChatGPT用人类说的话做训练之后，他再给人类答案，并影响人类的认知。人类认知被影响之后，又会说新的话。“你有权保持沉默，但你说的每一句话都会成为训练语料”，新的话又变成ChatGPT新的训练语料。如此反复，就形成一个共生循环。并进一步导致人工智能模型越来越像人，而人越来越像人工智能模型，会向一个人机共生的一种文化去逼近。

第五，生产力垄断与社会和国际关系重建。这一点恰好与区块链形成对比。区块链是分布式，能够去中心化，打破垄断。而ChatGPT这种大模型需要大规模的数据和算力，只有极少数的人或者机构能够提供这样的服务。其实ChatGPT很大程度上是来自于涌现，没有太多的新的技术。很多大的互联网公司都想形成ChatGPT等技术的垄断，从而获得权力，并影响社会、国际关系。回顾互联网发展历史，互联网发明者Tim Berners-Lee做的最伟大的一件事就是放弃了互联网专利。

第六，人工智能的社会角色与伦理地位。随着ChatGPT越来越具有类人的特征，用户不可避免的有将其人格化的冲动。那么他是否会具有类人的地位？这个可能是需要考虑的问题。

讲座最后，王博老师对中国是否会拥有自己的ChatGPT问题发表了自己的看法。王博老师认为，中国复制ChatGPT基本没有不可逾越的技术门槛，中文数据有一定劣势，但中国数据有一定优势，实际上比复制ChatGPT更重要的是，中国具有创造和ChatGPT一样的成就的能力。更重要的是，我们能否作为人类的一份子，为人类发展做出贡献。

学生提问环节中，针对学生提出的交互修正问题，智能识别问题，法律领域的类案检索，价值立场问题，技术与伦理之间的关系，智慧司法和数字检察领域的相关问题进行了细致的技术层面的解答。