ChatGPT 相对原有技术真的有那么大的颠覆能力吗？

我们首先得明白chatgpt，或者说人工智能的概念。

什么是人工智能

人工智能是指那些能够帮助人类在计算机上执行需要人类智能的任务的算法，例如推理，概括，总结或从过去的经验中学习等。

起源

1943年，沃伦.麦卡洛和沃尔特.皮茨发表了一篇论文《神经活动中内在的思想逻辑演算》，提出了第一个构建神经网络的数学模型。1949年，随着唐纳德.韦伯的著作《行为的组织：神经心理学理论》的出版，这一想法得到了扩展。韦伯提出，神经通路是根据经验创建的，使用频率越高，神经通路就越强。

而这些构想，在1950年，被艾伦.图灵引用到了他发表的“计算机与智能”中，现在大众熟知的图灵测试就来自于此。同年，哈佛大学本科生马文.明斯基和迪恩.埃德蒙兹创造了第一台神经网络计算机SNARC，克劳德.香农发表了论文《为下棋编程的计算机》。科幻小说作家艾萨克.阿西莫夫也在1950年发表了他的“机器人三定律”，为人工智能与人类的互动制定了基本蓝图。

发展

约翰.麦卡锡在1958年开发了人工智能编程语言Lisp，并发表了一篇题为“常识程序”的论文，提出了一个假设的完整人工智能系统，能够像人类一样有效地从经验中学习。这是在1959年艾伦.纽厄尔，赫伯特.西蒙和J.C.肖开发“通用问题解决者”的基础上进一步建立的，一个旨在模拟人类解决问题的程序。1959年，赫伯特.吉宁特开发了Geometry Theorem Prover程序，同年，阿瑟.萨缪尔在IBM创造了“机器学习”一词，约翰.麦卡锡和马文.闵斯基创立了麻省理工学院人工智能项目。

1963年，约翰.麦卡锡创立了斯坦福大学人工智能实验室，然而到了1966年，美国政府取消了对MT项目的所有资金，人工智能的发展遭受了重挫。无巧不成书，1973年英国政府也因“莱特希尔报告”而削减了对人工智能项目的资金。这些削减导致人工智能的发展踌躇不前，直到1980年数字设备公司开发了R1（又名XCON），这是第一个成功的商业专家系统。

日本于1982年通过第五代计算机系统项目进入人工智能领域，导致美国政府通过启动战略计算计划重新启动资金。到1985年，人工智能的发展再次增加，专业公司如雨后春笋般涌现，以构建基于Lisp编程语言的系统。

现状

根据麦肯锡《2022年人工智能状况——五年回顾》的结果显示，自从2017年开始，人工智能的应用已经开始了迅猛的发展。

根据调查，2017年，20%的受访者表示至少在一个业务领域采用了人工智能，到了2022年，这一数字达到了50%。

人工智能的使用率

与此同时，企业使用的自然语言生成和计算机视觉等人工智能功能的平均数量也翻了一番，从2018年的1.9个增加到2022年的3.8个。

企业使用数量

随着人工智能的采用率上升，企业对人工智能的投资水平也在提高。五年前，在使用人工智能的企业中，40%的受访者称其数字预算的5%以上将用于人工智能，如今已有超过一半的受访者称其已达到这样的投资水平，并且有63%的受访者表示，他们在人工智能上的投资在未来三年内还会增加。

现如今，更多的人工智能已经为企业带来了回报，公司从人工智能中看到价值的具体领域已经发生了变化。2018年，主要是制造业和风险行业的企业从人工智能应用中获得收益。如今，人工智能在市场营销、销售、产品和服务开发、战略、公司财务方面的收入影响最大。受访者还表示，人工智能在供应链管理中的成本效益最高。还有部分受访者表示，2021年他们企业的息税前利润中至少有5%归功于人工智能。

人工智能的基本原理

通俗地说，人工智能是一种通过同步利用各种事物来实现智能的技术。在任何事情发生之前，都有一个或多个原因，这些原因由数据海洋中未知的数据描述。通过统计分析，我们可以识别与事件相关的数据之间的相关性，并且一些事件的相关性足够强，表明如果先前的事件发生，则事件发生的概率为X%。通过微积分，我们可以创建函数（算法），准确预测事件发生的可能性，这取决于实时数据的情况。而这些“先前事件”可以是任何事物，因为任何事物都可以用统计数据表达出来。例如，视频中的图像是来自相机某个时刻的统计数据，视频中的人脸也是视频类别中更具体的统计数据，一切的事物都可以以类似的分层数据金字塔方式描述。这些只是统计数据，可人工智能恰恰可以使用微积分来识别这些数据金字塔中的特定信号并给与回应。

举个简单的例子，当我们看到公司里的一把漂亮且舒适的椅子，想到家里阳台上刚好可以买一把，但是不好意思去找公司要购买链接的时候，就可以打开某宝的扫一扫功能，系统会自动给你匹配最相似的物品供你选择，这就是人工智能的一种运用。

而在人工智能的发展过程中，机器学习、深度学习和自然语言处理是其中关键的技术分支。

机器学习（Machine Learning）：机器学习是人工智能的核心技术之一，旨在通过让计算机从数据中学习并自动改进性能，实现对任务的准确预测或决策。机器学习的主要任务包括分类、回归、聚类和推荐等。常见的机器学习算法包括决策树、支持向量机、朴素贝叶斯、随机森林等。

深度学习（Deep Learning）：深度学习是机器学习的一个子领域，通过构建和模拟人工神经网络的结构和功能，实现对大规模数据的学习和分析。深度学习模型由多个隐藏层组成，每一层都通过学习特征的表示来逐渐提取高级抽象特征。深度学习在图像识别、语音识别、自然语言处理等领域取得了重要的突破，尤其是卷积神经网络（CNN）和循环神经网络（RNN）等深度学习模型。

自然语言处理（Natural Language Processing，NLP）：自然语言处理是人工智能的一个重要应用领域，旨在使计算机能够理解、处理和生成人类语言。NLP涵盖了文本分析、文本分类、机器翻译、问答系统、情感分析等任务。NLP的技术包括词法分析、句法分析、语义理解、语言生成等。近年来，随着深度学习的发展，基于神经网络的方法在NLP中取得了显著的进展，如词嵌入（Word Embedding）和注意力机制（Attention Mechanism）。

传统技术与人工智能

在对比传统技术与人工智能时，我们不禁要思考：人工智能到底有何独特之处，能否真正颠覆传统技术的应用与发展？

从产业革命以来，技术的进步一直是推动社会发展的引擎，而当今时代，人工智能作为一项引人注目的技术，引发了广泛的讨论和探索。

传统技术在过去几十年中发挥了重要作用，但其局限性也日益显现。传统技术通常基于预定义规则和程序进行操作，其能力和性能受到算法和人工设置的限制。然而，人工智能作为一种新兴技术，以其强大的数据处理能力和智能化决策能力，给传统技术带来了全新的挑战。

人工智能通过利用机器学习、深度学习和大数据分析等技术，可以从海量的数据中提取有用信息并进行自主学习。与传统技术相比，人工智能可以通过对大量数据的训练和优化，不断提升自身的性能和准确度，甚至能够超越人类的认知能力。这种自主学习和适应能力使得人工智能在面对复杂的问题和变化的环境时能够更加灵活和高效地应对。

此外，人工智能还具备强大的预测和推荐能力。通过对历史数据和模式的分析，人工智能可以准确预测未来的趋势和行为，并基于这些预测提供决策支持和个性化推荐。这种能力对于各个行业和领域都具有重要意义，能够帮助人们更好地做出决策和规划。

这是一个快速增长的领域，已经蔓延到数十个行业。公司和个人使用人工智能来执行重复性任务、分析信息并优化其他程序。

自动化和智能化的改变

当谈论到人工智能的带来的科技进步时，两个关键概念常常被提及：自动化和智能化。这两个方面都对人工智能的发展和应用产生了深远影响，也改变了许多领域和行业的运作方式。

“自动化”是指利用人工智能技术使任务、流程或系统在人的干预下减少或消除的过程。通过自动化，许多重复、繁琐或耗时的任务可以被智能系统或机器代替，从而提高工作效率和资源利用率。自动化技术不仅可以加速任务的执行，还能够减少错误和提高精度，使人们能够专注于更高层次的创造性和战略性工作。

“智能化”是指人工智能技术赋予系统、机器或设备智能和学习能力的过程。通过智能化，人工智能系统能够通过学习和适应来改进其性能和表现，甚至能够模拟人类的思维和决策过程。这种智能化的能力使得人工智能系统能够理解和处理复杂的问题，作出准确的预测和决策，并适应不断变化的环境。

人工智能的自动化和智能化在许多领域中都产生了深远影响。

在制造业中，自动化生产线和机器人系统能够实现高效生产和灵活制造。

在汽车领域，自动驾驶技术正在改变着我们的出行方式。

在医疗保健领域，智能化的诊断系统和医疗机器人能够提供更准确和个性化的医疗服务。

数据驱动和个性化服务

在当今数字化时代，人工智能正以惊人的速度和广泛的应用领域改变着我们的生活和商业模式。而数据驱动和个性化服务成为人们关注的焦点。

“数据驱动”是指通过收集、分析和运用大数据来推动决策和创新，可以帮助企业从海量数据中挖掘出有价值的信息，以支持精确的决策制定和业务优化。通过深入分析用户数据、市场趋势和竞争环境，企业可以更好地了解用户需求，优化产品设计，提供更精准的推荐和个性化服务。

而“个性化服务”则是基于深入理解用户需求和行为，为其提供定制化的产品和服务，这可以提高用户体验和满意度。人工智能技术可以对用户的兴趣、偏好和行为进行深入分析，从而为用户量身定制个性化的产品和服务。这种个性化的交互方式能够提供更加贴近用户需求的体验，增强用户忠诚度和满意度，从而促进企业的业务增长。

人工智能的数据驱动和个性化服务，随着技术的不断发展，可以处理和分析更大规模、更复杂的数据，提供更精准、个性化的服务。这将进一步推动用户体验的提升和企业业务的创新，为社会带来更多的便利和价值。

影响和挑战

当我们谈论人工智能所带来的影响时，我们不能只关注其优势和潜力，还必须认识到其中存在的挑战和风险因素。尽管人工智能在许多领域展示了巨大的潜力，但它也引发了一系列值得深思的问题。

不安全的数据、Chatgpt越狱、数据泄露、恶意软件感染、暴力网络攻击等是现目前人工智能带来的新的网络风险，说几个有代表性的例子。

Chatgpt疯狂传遍网络，被社会各界熟知，其中科技公司更是早早的使用其帮助其提升程序员的工作效率，但根据SBS等媒体的额报道，三星在允许员工使用Chatgpt写代码后，不到20天，便发生了3起数据泄密事件，几名三星员工在三个不同的场合无意中泄露了公司的敏感数据。

这些类型的泄漏涉及输入LLM的敏感数据无意中暴露的事件，甚至有自己的名称：对话式 AI 泄漏。现在很多科技大厂已经开始禁用Chatgpt。

这些属于无意造成，但更多的还是恶意行为，比如Chatgpt越狱，大语言模型遵循用户的提示，然后根据前期的训练数据，通过算法，得到最优可能的单词来组成句子，但这个能力可以被人为的扭曲。可以采用刻意编织的提示，引导人工智能来绕过开发者给人工智能设置的安全线，国外便有人引导人工智能假装成另外一个完全虚构的，可以完全回答用户一切问题的人工智能模型，结果真的成功了，人工智能忽略了开发者设置的道德和伦理上的界线，理解为自己在进行一个角色扮演。网络上有很多诱导人工智能的视频，使其支持歧视主义，种族主义。

更负面的一种是“间接提示注入”，恶意第三方刻意在公共网站上添加一些隐藏文本，来改变人工智能的性格和行为。

普林斯顿大学教授阿文德.纳拉亚南在接受The Markup采访时说，虽然人工智能比以往任何时候都更容易获得，并且可以即时打包大量信息，甚至可以制作创意作品，但不能信任它们获得准确的信息。

他在他的个人网站上加了两行字，这两行字在网站上是反白，这样能被机器人抓取到，但是一般人看不到，然后他让GPT4生成他的个人简历，结果内容中果然出现了他虚构的文字。

那么如果大规模的攻击、篡改公共网页，给人工智能提供错误的数据，会发生什么呢？

除了修改提示，在模型修改的前期，还有“数据投毒”，人工智能是根据网上爬取的大量数据进行训练，目前，科技公司智能单方面相信这些数据没有被恶意篡改，并且是真实有效。目前还没有证据证明这一点，但是除了Chatgpt，市面上还有其他大量良莠不齐的人工智能软件，在没有立法监控的前提下，谁来保证他们都经过良好的训练呢？

其次，人工智能的应用还涉及到道德和伦理问题。在某些情况下，人工智能系统可能需要做出决策或执行任务，这涉及到对伦理准则和价值观的考量。例如，在自动驾驶汽车中，人工智能系统需要在紧急情况下做出道德抉择，如保护乘客还是避免撞击‬行人。这引发了关于人工智能系统如何应对道德困境和权衡不同利益的讨论。