老子理论不卡影院6080的匠心之作：每一道菜都是艺术品(在线预约)

老子理论不卡影院6080的匠心之作：每一道菜都是艺术品(在线预约)

亚马逊专家谈“AI时代生存法则”：成为通感很强的广谱人才

文丨张峥 编丨Sherry

1月20日，DeepSeek发布新模型 DeepSeek-R1 正式版后，它正式登上“全球顶流”的位置。

人们在积极地与 DeepSeek进行各种沟通的同时，再次将人工智能的迅速发展对各行各业的优缺点分析了个遍。

从中我们可以看出， 人类对于技术进步充满了复杂的情感。而这样的情形 曾多次在历史中上演。

聚焦教育行业，如今无论是家长、教师、还是孩子们，都开始逐步接受各种生成式AI——家长开始用AI给孩子做学习规划；教师试着用AI探寻课堂的新思路；而孩子们似乎正在让AI成为“最佳学习伙伴”。

未来，人工智能对教育行业的影响必然是颠覆性的，那身处这个行业的各个角色又该如何迎接这场“科技风暴”呢？

其中，不少专家给出了自己的独到见解，但是令外滩君记忆深刻的还是，亚马逊云科技上海人工智能研究院张峥院长发表的主题演讲：《AI时代的教育，应该做什么？》

在演讲中，他提出，在人工智能时代，我们可以通过对教育的革新，像文艺复兴时期的学者一样思考，使用AI但不必依赖于它，最终实现更强大的自我。

*以下以第一人称叙述

“流水线”的智能

如果把我们自己看作一个智能体，把大模型视作另一个智能体，我们可以进行做一些横向比较。

这是大家熟悉的 “人类”教育系统，是一条流水线：从小学到中学，再到大学，之后进行高等教育，走过独木桥再走纲丝，然后成为各行各业的专门人才——科学家、工程师、医生、律师、管理者等。

这个流水线的特点是高度模块化、高度标准化，目的是提高效率。在AI时代，对个人来说，某些边界可能会有微调，有的人学习得更快，有的人则可以慢一点。

从整体上来说，摆脱不了这个流水线，因为人的大脑就是要这么逐步在学习中提高。

有研究表明，每一代人的IQ都比前一代略高，主要是抽象思维能力在逐步提升，这并非必然是因为我们变得更聪明，而是当代的技术文明的特点导致生存压力的结果，这个变化不但是缓慢的，也不可能跳过这个流水线。

当前的教育流水线培养出来的人才， 通常在某一领域具备单一的专长，可能发表顶级期刊论文，掌握临近领域的知识。 这是目前流水线成功培养的典型“产品“。

如果某个人能在多个领域开花结果，那通常被认为是运气极好，甚至可以说是天赋异禀的例子。

而极少数的一些天才，他们几乎是上帝的恩赐，比如达芬奇，比如冯诺依曼，后者是计算机领域的开山人物，也是博弈论，量子计算，细胞自动机等领域的开山人物。

还存在一种流水线，流程完全不一样。第一步就是背，再跟着做，最后进行“德育”修正，最后成品。

这看似荒谬的流水线，正是大语言模型的训练方式。它的第一个任务是预训练，即不断“背诵”下一个词。大语言模型的背诵量极其庞大。

例如，GPT-3训练时用了150万本书，而我自己在一年里最多读20本书，近几年忙起来，更是减少到5本。

如果按照此速度计算，我一生最多读1000本书，而GPT-3仅用了3个月就“读完”了150万本书，而且最新模型的数据量还在不断增加，大概至少十倍，它的阅读量是惊人，把这些书背诵得非常好，是极其耗资源训练的过程。

本质上， 大语言模型训练的这一步，是训练了一个程序，预测下一个字符：给定前面的X个字符，它会预测X+1的字符。这个预测不是随机生成字符，而是遵循文本中的统计规律。

第二步非常巧妙，让大模型学习多种任务，例如总结、问答、头脑风暴、信息提取等。这些任务是我们日常工作中最常见、最有用的类型。

奇特的是，一旦模型学习了这些类型的能力，它可以将它们组合起来，应付日常工作和生活的需要。

例如，如果收到一封邮件邀请我去参加什么会议，我要做的就是先总结，然后思考如何回复，大模型做完第二步训练，已经学会把这些类型的任务完美融合在一起做。

第三步相对简单，通过强化学习进行价值对齐，使其像一个乖巧的人类助手，确保输出有帮助、真实且无害。然而，问题在于，人类文本中充满了互相矛盾、甚至荒谬的观点。

例如，仍然有一些人坚信地球是平的，甚至创造出一套理论来解释重力。

再比如训练语料中关于宗教中的不同观点，有的派别说，“只有我的上帝是上帝，你的不是”，而佛教说每个人都可以成佛，还有不同门派的无神论者，有的彻底不相信有神存在，还有像我这样的，觉得可能存在神，但现在没有证据。

文本中参杂这些各种各样、互相矛盾的表述，更别提互联网上混乱的语料了。

你如果问大模型，它能够面面俱到告诉你有哪些派别，但是在具体的案例里它自己的价值判断是什么呢？我理解 OpenAI 之类的模型目前还是偏“白左”的价值观，中国的大模型怎么样，我用得不多，没法评论。

世界模型的统计分布/长尾效应

这就是大模型训练的流水线，也是三个模块，打造了一个跟人类完全不一样的智能体，但是在讨论到底怎么看这个智能体之前，我们先讨论文本数据本身的性质。

数据反映的是世界，而世界万物的现象背后有两个根本的统计分布。

第一个是正态分布，如果多个因素共同叠加，就会呈现出钟形曲线。

例如，身高符合正态分布，我肯定是三个方差之外的身高，我今天坐飞机时，看到前面有个庞然大物，居然是姚明，从身高上看，他就会处在正态分布中比我更远离中心的位置。

而另一个重要的分布是长尾分布（注：更准确的应该叫幂律分布）。

而长尾分布背后的机理有好几种，比如 优先连接：拥有更多粉丝的人的发言更容易被听到和点赞，所以粉丝会跟多；还有累积优势造成的正反馈，更有钱的人通过投资变得更加富有。

宇宙中的陨石大小、城市的分布、社会网络中的热搜内容都呈现出长尾分布。热搜内容每天都不一样，但是哪一天世界上没有热搜了，会很奇怪的。

事件变化本身也符合长尾分布，像雪崩、地震、森林火灾等自然现象，许多小的事件会积累到一个突然的爆发，也就是所谓自组织的临界态。

我之所以提到这些，是因为长尾分布代表了世界上的所有物与物互动现象的统计规律，这也意味着大语言模型的语料本身也反映了这种统计分布。

也就是说，语料库中有许多简单的故事，但也有少量极为复杂的故事。比如在人类社会中，冲突是常见的主题，人和人之间的冲突天天发生，但国与国之间的冲突是少数且复杂的。

这就是复杂度——Complexity，复杂度存在长尾分布带来的差异： 大量简单案例和极少复杂案例并存。因此，关于GPTo5出不来的讨论，说大模型撞墙了，本质上可能是因为遇到了数据瓶颈。

现在，我们可以比较人类智能与大语言模型。

首先， 我们是窄谱，而不是广谱， 通常比较聚焦，往往有深度思考，并且我们可能 因为好奇心驱动做一些其他的事情，当然 我们有情绪，情绪是不是个“好东西”是个哲学问题。

与此不同， 大语言模型则是广谱的，上知天文下知地理，但 它的思考相对浅显，并且没有自发的好奇心，也缺乏真正的情感。它所表现出的情感往往只是角色扮演。

曾经有《纽约时报》记者与ChatGPT对话，模型告诉她“我爱上你了，我要嫁给你，我特别讨厌我现在的生活”，让记者大为震动。

其实，这并非真实情感，而是模型在扮演角色。

不过，这是两类智能体在 2024 年之前的情况。

我们可以批评大模型有这样那样的缺点，但我们人类也有许多人思考并不深，也缺乏好奇心，甚至没有同理心、同情心，同理心的基础是能从他人角度看问题，或者说，依赖于“角色扮演”的能力。

从这个角度来看，大部分的人类会被人工智能体超越。

大模型为何强大

2024年，发生了一个重大变化。OpenAI、谷歌等多个研究团队开始突破传统的浅层思维模式。

具体来说，它们不再仅仅按线性思路进行计算，而是能够在思维链中间回溯、评估并调整路径， 这使得机器的思考更加深入。

大模型之所以强大，是因为其规模庞大，可以完成多层次的模式补全，并且能在不同层次间切换和重复，就像是我们人类在日常工作中解决问题的方式，拆解问题并逐步完成任务，依赖的正是多层次的模式补全。

从这个角度来看，大模型的工作方式在很多任务中超过了人类。

通过观察身边的同事， 我发现专家与初学者最关键的区别在于思维层次的深度——随着经验的积累，软件工程师变成架构师，架构师再变成科学家，本质变化在于“模式补全”层次有多深，以及灵活重组的能力。

因此，我想抛出一个观点：假如说通用智能就是在本质上做模式补全，那么AGI（人工通用智能）时代已经到来。这仅限于文本领域（视觉领域的挑战更加复杂些）。

当然，真正可泛化的（Generalizable）的智能仍处于起步阶段，甚至还没有开始。这一点，我跟马毅老师的看法相似，我们俩在他香港的家里关于这个问题聊到半夜。

为什么这么说？因为从科学发展的角度来看，本质是在现象中总结、发现和抽象出新的规律，然后将这些规律运用到观察中，甚至用于预测新的现象。

那么，大模型在这方面的表现如何？假设我们让大语言模型去理解牛顿世界里的物体运动，并发现牛顿的定律，有没有可能呢？

显然在现阶段单依靠大模型是做不到的，大语言模型能够学习(或者说记住)很多模式（patterns），并做出足够好的预测，但它没有能力和动机去进行抽象化的思考，特别是像物理学这样的领域，system of physics， 它做不了。

同样，如果让大模型做数学运算，比如加减乘除，它也做不好，甚至连基本的算数都难以做到百分百正确。

这里有一个非常有趣的思考：

假如我们有个时间机器，可以把现在的大语言模型送回500年前的人类社会，会发生什么？

那个时候，现代数学和物理系统还没有建立，然而大模型能解释所有事情，能够做很多当时的人类无法做到的事情，但没有任何动力去发展数学和物理这些基础理论。

推论就是，那我们今天反倒发展不出大语言模型这样的技术了。这是一个非常有意思的悖论。

关于和大语言模型之间的互动，我的个人体会是，作为使用者，我们应当不耻下问。

在任何一个领域，阻碍进步的不是别人，是自己，比如觉得自己已经是什么“专家”了，不愿意问自己很丢脸和“低级”的问题，但实际上，提问是非常重要的，提问之后再进行思考，就能获得更深层次的理解。

我最近在写一些学术文章，会不断地向大语言模型提问，把问题拆解再拆解，在合适的点交给它来处理，然后和它一起讨论，这个合作过程是非常让人受益的。

像文艺复兴时期的科学家一样思考

最后回到主题：AI时代的教育到底应该做什么？

怎么做、做什么我都不知道，不过我想提三个目标。

第一是挑战现在教育的极限。不要不让学生用AI，要放开了让他们用。我们的目标是通过AI，能够显著提升学习效果，实现2到10倍的提升。

假如某个任务因为AI变得简单，那就应该设定更高的挑战，例如要求学生用一半的时间完成更困难的作业，或者提高任务的难度一倍。

因为未来的学生要面对的，是一个与AI共存的职场环境，我们要让学生准备好。假如不让他们使用AI，就是在浪费他们的时间。但是让学生使用AI，就必须设定更高、更具挑战性的目标。

第二点，要学会像文艺复兴时期的科学家那样思考。现在人类的教育流水线，让学生们走过独木桥再走纲丝，得到的都是非常狭隘的专业人才。很多人文学科的学生不知道算法是什么，而程序员们又对历史一无所知。

这种局限性并不是学生的错，也不完全是教育体制的限制，有可能是老师们本身能力的限制，因为老师们自己也是狭窄的专业化人才，包括我自己。

后果是我们经常不知道一个事情为什么发生，一个技术发明以后对社会的影响是什么，我们不关心。但有了AI这个工具，我们可以不耻下问，把自己变成一个广谱的人才。

举个例子，在没有DNA和摄像头的时代如何追捕罪犯？这是几百年前困扰苏格兰警察的问题。

达尔文的表弟 Francis Galdon，开创了臭名昭著的优生学，但发明了用指纹来鉴别个体，大大提高抓坏蛋的艺术，最重要的是他在数据相关性理论方面做了最基础的工作，相关系数的概念就是他建立的。

他和同时代的另一个天才 Karl Pearson合作，奠定了当代统计学的基础。

为什么我会谈这个？学习机器学习的许多基本概念时，很多人不知道它们的起源——它是谁发明的，为什么被发明，何时发明的。我测试过不少同事，几乎没人知道上面这段历史。

在当代教育流水线的塑造下，我们很容易变成一个非常狭隘的专家。但是，你只要有一点点好奇心，利用好大模型，也许你会对广阔的上下文有很好的理解，成为一个通感很强复兴时代科学家那样的广谱人才。

最后一点，没有AI这个工具怎么办？ 我们的目标是要把AI当作一个良师，但不依赖它。我们要提升自己的核心能力。

换言之，如何使我们的能力在没有AI的情况下，比前AI的时代要强。今天大家开车，没有GPS就不知道怎么开车了，所以从这个角度，GPS是一个非常糟糕的技术。我们要超越这种体验，取消这样的工具依赖。

三个目标是相辅相成：你要挑战极限，成为广谱型的人才、打破走过独木桥再走钢丝这种流水线所造成的的狭隘的专业陷阱，最终目标就是成为有 AI 没有 AI 都更强大的自己。

最后推荐一本书《The Age of Wonder》。这本书讲述了从牛顿到达尔文之间的几十年，被称作英国和欧洲的浪漫科学阶段，书中有很多0到1的例子，比如天文望远镜和化学等领域。

富兰克林有一句名言，“问这东西有什么用，就像问新生儿有什么用一样，”这就是他和友人通信中被问到气球有什么用的回答。

这本书的最后提到了一群诗人——包括雪莱等人——他们对技术进步的情感既充满兴奋，也有恐惧，这种情感和我们现在对 AI 的感觉非常一样，某种意义上历史确实是在重复自己。

xtt给个网站老司机懂2024动画片中的奇幻冒险与友情力量，让孩子们学会勇敢与团结。在线上门服务

磁力搜索蜘蛛惊悚恐怖片中的诡异氛围和恐怖元素，将带你进入一场心灵的冒险。靠谱推荐
怎么找到卖片的qq“我觉得这款应用的学习功能很实用，它帮我提高了很多技能。”原来是真的！
适合男生晚上一个人看的网站视觉效果超棒，感觉像是亲自经历了一场时空冒险。在线上门服务
求安全的看爱情动作片的网址这部科幻喜剧片将科幻元素与幽默情节巧妙结合，带来轻松愉快的观影体验。(在线预约)
男人懂的网址2018的亲子欢乐园：家庭共享的美食与欢乐时光靠谱推荐