杨学成：提训经济（一）（二） | 提示和训练
文库划重点：我要说的是，就像电力的使用离不开变压器和开关甚至遥控器这些电力控制系统，智能在商业场景上的落地，一定离不开“提训系统”，即提问和训练AI的能力。但语言并非唯一的提训方式，肢体动作也是，信号标识也是，甚至一切在动的东西都会是提训入口。
提训经济（一）
人工智能的发展是数据、算力和算法这三元素融合迭进的产物，当前的大模型利用了空前的训练数据，搭建了空前的算力资源，当然也嫁接了空前的学习算法，三个“空前”缺一不可。
这是技术视角看到的人工智能。
从用户视角来看，大模型显然储备起了相比过去多得多的“智能资源”，但如何才能在需求端让这些智能资源发挥出最大的效力呢？假如我是一名智能技术的小白，我怎么才能在智能应用上获得成功呢？
这就要回到基本的商业逻辑上来了。阿里巴巴张勇前不久曾经说过：所有产业都值得用AI重做一遍。这话没错，但我要强调的是，所有产业重做之后还会是“产业”！用AI重做之后的产业不会是AI，而仍然会是产业。
就像电子商务的发展，起初是商务，后来是电子商务，再往后就又是商务了，因为已经没有商务不是电子的了。所以，在AI这个范式里，故事很可能会是这样的——起初是商务，后来是智能商务，再后来就又是商务了。我们强调“电子”和“智能”，其目的是为了接受它，但最终我们是为了用上它，而一旦用上，我们就不再管“它”为何物了。
那从商业视角来看，人工智能是啥样呢？首先，人工智能对于商业实践者来说，就是一种“能”，只不过名称叫做“智能”而已。既然是一种能，那么接下来比拼的关键就在于使用这种“能”的技能了——谁运用智能的能力高，谁就有可能获得更高的商业价值。
问题来了，怎么具备运用智能的高能力呢？一种办法是堆人，把那些懂智能的人招到公司里来，推动所谓的智能转型；另外一种办法是堆系统，把那些智能系统采购进来，在组织内部部署；还有一种办法是堆知识，聘请懂智能的讲师给内部员工培训，期待智能在公司内部长出来。当然，也有以上三个办法同时推进的，或者任选两个办法使用的。
我要说的是，就像电力的使用离不开变压器和开关甚至遥控器这些电力控制系统，智能在商业场景上的落地，一定离不开“提训系统”，即提问和训练AI的能力。从根本上讲，离开提问和训练，你几乎无法与AI产生关系，而提问和训练AI的能力，直接决定了一个组织的智能程度。
由此，人工智能在产业层面，将会引发一种“提训经济”。之于这种提训经济会是何种样态，且待后续更新。
结论：好问者，裕……
提训经济（二）
衡量智能程度的高低，在过去主要看特定任务上的绩效表现，例如机器能否打败国际象棋高手，能否赢得围棋比赛，等等。这是针对专用型智能或者垂直智能而言的，类似于Alpha Go这样的。
但现在人工智能已经开始大踏步趋向于通用型人工智能了，就像Alpha Go Zero，过一段时间就能解锁一项新技能，这个时候，不但技能水平高低是重要的，技能类型的多寡更能代表智能水平了。甚至于，智能原本就应该具备跨界能力，也就是某种程度上的“可通用性”。
一旦可通用性变得重要起来，那么可解锁的技能族（skills）就成为智能装置或者大模型的重点目标了。接下来的问题是，不同的技能需要不同的解锁方法和适应场景，那么如何才能让一个模型具备多元化甚至是碎片化或者长尾化的技能解锁能力呢？
答案在于提训方式。首先，无论何种人工智能，都离不开“学习”二字，过去叫“机器学习”，后来有了“深度学习”，再后来是“强化学习”以及“强化深度学习”、“迁移学习”等等。就连现在大火的Transformer也是个机器学习模型。
其二，凡是学习，都离不开“提训”，也就是提问和训练，应该说，提问和训练是人类智能得以生成的不二法门，而机器只不过在不断地临摹人类这种学习方式而已。从终极目标来看，什么时候人类真正解开了大脑的奥秘，什么时候就是人工智能的终点。人类大脑才是智能宇宙的尽头。到了那个时候，我们足以“点石成精”。
其三，提问和训练虽然有所不同，但对智能来说，二者缺一不可，前者是为了探索可能性，后者是为了获得确定性——可能性和确定性这两者的协调一致的程度，决定了一个人或者一台机器的智能程度。只有“可能性”没有“确定性”，属于科幻或者幻想；只有“确定性”没有“可能性”，那就是机械的范畴。将这两者调和起来，就进入生命体的范畴了，只不过低等级的调和是一般生命体，而人类是将两者调和程度很高的高等级生命体。
其四，大模型目前就走在调和可能性与确定性的道路上，且行且快。为什么大模型可以做到而过去的学习算法做不到？根源还是来自于提训方式的不同。一则数据来源量多而杂，二则交互频密多样。应该说，用户如何提训大模型直接决定了大模型在上线之后的走向。
其五，大模型从来都不是凭空产生的——在开放之前是吸收了人类已有的知识创造，在开放之后则取决于如何被用户提训，就连所谓的“涌现”现象，也不是由大模型单方面决定的，而是与人类用户共创的结果。
其六，智能的要义是“正反馈效应”，即交互越多越智能，这一点对人和机器来说都是一样的。不能被提训的大模型就不能称之为有智能。只不过，提训借助语言是最为方便的方式，毕竟人类也主要是通过语言交互来培育智能的。但语言并非唯一的提训方式，肢体动作也是，信号标识也是，甚至一切在动的东西都会是提训入口。
最后，拿到企业来讲，想要借助提训获取智能，就不应该只选择自然语言这个入口了。试想一下，只要在经营业务，那么企业就有无数在“动”的地方，而所有的“动”都可以作为提训入口。最直接的链接是，将大模型与企业内部的RPA结合，因为企业的底层是流程，而流程始终在“流”。
明确了提训这个动作的基本逻辑，就有可能去打开提训经济的新图景了，待下回。
结论：自用者，小……
收录于哈希力量，手机站省略本文固定网址
