以我對AI領(lǐng)域的淺薄了解，我認為AI是這個世紀的基礎(chǔ)科學(xué)，進而作為一種科學(xué)基礎(chǔ)。AI的一個非常革命性的影響，除了各種各樣的實際應(yīng)用之外，還在于更新了我們對于“思維”“認知”“知覺”等經(jīng)典的心理學(xué)概念的認知。也就是說，AI從底層重新定義了思考，而且已經(jīng)有充分的事實證明，這種“重定義”是可行和有效的，它的意義甚至已經(jīng)超越了過去100多年來所有心理學(xué)家在這個領(lǐng)域所做的努力。
現(xiàn)在流行的AI應(yīng)用都屬于“人工神經(jīng)網(wǎng)絡(luò)”或者說“機器學(xué)習(xí)”這個技術(shù)路線。而人工神經(jīng)網(wǎng)絡(luò)從數(shù)學(xué)上來看，它就是一種計算。人工神經(jīng)網(wǎng)絡(luò)所用到的計算主要涉及微積分、線性代數(shù)和概率統(tǒng)計這三個比較基礎(chǔ)的數(shù)學(xué)領(lǐng)域，也就是說，一個理工科的大學(xué)生必然會學(xué)到的科目。人工神經(jīng)網(wǎng)絡(luò)的計算所用到的數(shù)學(xué)知識或許并不算特別“高端”或者“復(fù)雜”，但是所需要的計算量卻非常大。所以芯片在AI中的影響是決定性的。但是一個心理學(xué)家可能會問，我們既然已經(jīng)看到AI的“學(xué)習(xí)”和“思考”只是一種計算，或者說，“暴力”計算，而我們作為萬物之靈的人的“學(xué)習(xí)”和“思考”是不是與此不同呢？人的“學(xué)習(xí)”和“思考”難道可以還原成微積分、線性代數(shù)中的某種操作嗎？實際上，其實也并沒有什么不同（當然在細節(jié)上會有很多不同）。在日常生活中，我們經(jīng)常會說：“讓我想一想?！?/span>但是，我們在使用“想”這個動詞的時候，并不知道“想”從最根本的意義上意味著什么。也就是說，當我們在“想”的時候，我們的大腦里發(fā)生了什么呢，我們其實并不知道。更不用說，我們感到某個“靈感”出現(xiàn)的時候，我們更加不知道它是怎么來的（即經(jīng)歷了什么樣的過程，靈感被“制作”了出來？）。
甚至在體育運動中，人也無時無刻不在“想”，但我們都沒有察覺。在籃球場上，隊友把球扔向了你，你穩(wěn)穩(wěn)地接住了，而你之所以能接住，是因為你的大腦（在眼睛的幫助下）準確且精確地“計算”出了籃球最可能的落點和時間點。我們的大腦之所以能實現(xiàn)這些“想”，除了歸功于“計算”之外，我們還能如何去解釋呢？
所以，從這個意義上講，思考即計算，計算即思考，不論對于人腦還是電腦來說都是如此。這種看法實質(zhì)上就終結(jié)了某些長期以來困擾著人們的“辯題”。如，“AI會思考嗎？”顯然，AI的計算就是思考?；蛘撸叭耸抢硇缘膭游飭?？”沒錯，大腦就是一臺強大的計算機。然后，我們來談?wù)?，怎么把人腦和電腦更好地“連接”在一起。
當我們使用各種“大模型”應(yīng)用時，不論我們向它們提出了何種問題（標準的說法是“prompt”，提示詞），實際上都是在給它們提出了一道“計算題”。只是這道計算題的“表層”，可能并不是數(shù)字。在我們的傳統(tǒng)經(jīng)驗中，“15 X 23 = ?” 才叫計算題，或者解一道方程才叫計算題。但是大模型的強大能力，允許我們用日常語言（不論是中文、英文或者其他）來造出一道計算題，甚至也可以用圖片或其他形式的信息形式來制造計算題。但不管這個“表層”是什么樣，對于大模型的內(nèi)部來說，它們也都是在做計算而已。
我們向AI問一個問題，或許是漫不經(jīng)心的，隨意的，很可能沒有考慮，對于AI來說，要“算”個死去活來才能回答你。而AI想節(jié)約資源的話，它必定會采用某些技巧來不動聲色地節(jié)約這些資源，于是它給你的回答往往并不能讓你滿意，或者僅僅是差強人意。而實際上，這個鍋主要在你身上，因為你沒有考慮到計算的資源和成本。
舉個例子，如果我問AI，“怎樣賺大錢？”你覺得AI能給我一個滿意的回答嗎？或者說，我能靠著這個回答來賺到大錢嗎？
顯然不能，因為這個問題并不是一個“定義良好”的問題，它太寬泛了。題目越寬泛，需要的計算量就越大，甚至大到?jīng)]有邊際。而AI不想耗費這么多資源，它就敷衍你。它會給你一個“不能算錯”但是“一點兒都不好”的回答。但是我們又不能讓AI回答一些特別簡單的問題（例如，“什么是貨幣？”），當問題太簡單了以后，AI只需要輕松做一些檢索工作就可以了，這樣的話，AI跟以前的搜索引擎又有什么區(qū)別呢？把AI當搜索引擎來用，當然也可以，但是這肯定沒有發(fā)揮AI真正且獨特的潛力。
所以這里我們得出一個初步的結(jié)論，我們最好不要問得太寬泛，也不要問得太簡單，而是要問一些真正能夠“激發(fā)”AI思考的問題。讓 AI 真的“思考”起來。
如果能做到這一點就真的很棒了，正因為我們?nèi)四X的“算力”不夠用，于是我們希望借用AI的算力，讓 AI 來跟我們一起“思考”。
那么，讓AI更好地“思考”的方法和讓人更好地“思考”的方法又是類似的。
你可以想象你面前有一個學(xué)生，你想一想，你向他提出什么樣的問題更能激發(fā)他的思考呢？當然，有許多種形式的問題都能達到這種效果。我們把從過去的教育學(xué)、心理學(xué)的實踐中使用過的行之有效的學(xué)習(xí)方法、思考方法用在 AI 上，是不是就能產(chǎn)生類似地激發(fā)AI思考的效果？答案顯然是肯定的。于是，接下來才是本文的主題，我想介紹向AI提問的三種行之有效的模式，而這些模式恰恰來自于人類的經(jīng)驗。從人類的經(jīng)驗來看，通過對比來學(xué)習(xí)是一種十分高效、強大且普適的學(xué)習(xí)方法。這個方法簡單說就是給你 A、B 兩個東西，這兩個東西比較相似，但是又有所不同，通過比較兩者，你認識到它們在哪里相同又在哪里不同，于是你就同時對這兩樣?xùn)|西有了深入地認識。在對比中，你很可能會有一些“發(fā)現(xiàn)”，這些發(fā)現(xiàn)是你在使用對比法之前很難作出的。因為對比使差異凸顯。這里我舉一個例子，我們都認識 love 這個單詞，但是我們對這個單詞的了解是否足夠深入和全面呢？這就難說了。于是，我們便可以向AI提問，讓它幫我們用對比的方法來分析這個單詞，這個過程一方面能充分激發(fā)AI的思考潛力，同時也能為我們提供足夠重要的幫助。這里我使用 deepseek 這個目前比較領(lǐng)先的國內(nèi)大模型產(chǎn)品。這里我分為了兩步，我的第一個問題是：
deepseek一下子給了我10個近義詞，這已經(jīng)有點超出了我的預(yù)期，而這個問題是給下一個問題做鋪墊的，下一個問題是：
這個對比是非常詳細的?？赡艽蠖鄶?shù)英語老師來回答，也很難做到這么詳細、細致吧！顯然這個對比式的問題有效地激發(fā)了AI的“思考”?；蛟S對它來說，比較兩個單詞的計算量“剛剛好”，就好像是在“計算”這兩個單詞的“交集”和“并集”。這個問題并不是寬泛的、不著邊際的，又不是單調(diào)的，只是單純的知識檢索?；卮疬@個問題，既需要檢索和調(diào)用知識，同時又需要一些“分析”，一些“思考”，甚至一些“推斷”。而從AI給出的答案又確實加深了我們對 love 和 affection 這兩個單詞的認識，我們知道了 love 包含的感情更深，也往往包含著承諾在內(nèi)，而 affection 則不是如此。因而 affection 用在寵物身上似乎就很合適——這里就涉及到單詞的使用場景，自然導(dǎo)向了用法層面。在用法上我們就比較清晰了：在什么場合用 love 更適合，而在什么場合用 affection 更合適。這就是對比式學(xué)習(xí)的效果，而 AI 恰好又善長對比，真是一拍即合。
從人類的經(jīng)驗來看，“遠距聯(lián)想”可以說是創(chuàng)造力的標配。一個善于遠距聯(lián)想的人，應(yīng)該說是創(chuàng)意滾滾，而很多重要的知識和發(fā)現(xiàn)也來自于遠距聯(lián)想。對于AI來說，遠距聯(lián)想也正是它們所擅長的。這種計算題也是計算量剛剛好，同樣也是把A和B連接起來，只是對比學(xué)習(xí)中，A和B是相近、相似的，而在遠距聯(lián)想中，A和B可能原本看來毫無聯(lián)系，或者說，之前沒有人做出過這樣的聯(lián)系。
當我們向AI進行遠距聯(lián)想式的提問，我們就會發(fā)現(xiàn) AI 真的不同于搜索引擎而遠超搜索引擎，因為遠距聯(lián)想的答案往往是無法在搜索引擎中搜出來的（因為很可能之前沒有人做出過類似的聯(lián)想，或者即便做過類似聯(lián)想但是也沒有公開發(fā)表在網(wǎng)上）。而要回答遠距聯(lián)想式的問題，就需要 AI 既能檢索和調(diào)用相關(guān)的知識，又能做出恰當合理的分析和推理，甚至還要充分調(diào)用“想象力”。從這個意義上說，這真是很好地激發(fā)了 AI 的思考能力。在這個問題里，“A=綠巨人”，“B=MBTI”，我把 A 和 B 放在一起，看看會發(fā)生什么。同時我們要注意，我們不需要向AI解釋“什么是綠巨人”和“什么是MBTI”，因為AI自己會查找相關(guān)的知識，因而我們就只需要問這樣一個簡短的問題就足夠了，下面是deepseek的回答：
使用這種方式能得到很多有趣而新鮮的知識，我又試驗了一個問題：
電影《沙丘》中對香料的采掘和交易涉及哪些經(jīng)濟學(xué)知識，是否存在不符合經(jīng)濟學(xué)常識的地方？在這個問題里，“A=《沙丘》”，“B=經(jīng)濟學(xué)”，把 A 和 B 放在一起，會是怎么樣的呢？
這里 AI 給出的答案也是比較詳細的，而且一點也不“虛”，因為這里面提到了諸多專業(yè)的經(jīng)濟學(xué)概念，如“壟斷”“外部性”“公共物品”等。但我還稍微感覺不盡意，便又追問了一下：
哪些諾貝爾經(jīng)濟學(xué)獎得主的研究能幫助解釋這個問題？
這個問題的回答比上一個問題更加詳細且“有料”。我分析是因為“諾貝爾經(jīng)濟學(xué)獎得主”比“經(jīng)濟學(xué)”更明確、更收斂，因而激發(fā)了AI更加深入的思考。現(xiàn)在對“長文本”的處理可說是各路大模型的一個主打功能。它確實有比較實用的應(yīng)用場景。比如，當你想快速了解一本書說什么的時候，你可以把這本書“扔”給AI，讓它幫你歸納一下。但是我們思考一下，對于AI來說，這是一種什么樣的“思考”呢？似乎這種思考比較單調(diào)，屬于“捕捉要點”，或者叫劃重點。要知道，讓大模型去“讀”一本書，所需要的計算量是非常非常大的。實際上，它并不需要一字一句、仔仔細細地去讀，大模型有一個核心機制是“自注意力（self-attention）”機制，當然這里“注意力”是一個類比，不同于人類的注意力。大模型的“自注意力機制”是一種計算方法，它能判斷在一個文本中哪些字詞是更重要的，哪些是不太重要的。當面對一本書這樣長的文本時，大模型能快速識別出哪些是最重要的信息。它對長文本的處理一定是“跳躍”的，不然的話要算得“累死”。基于此我們便可以知道，誠然大模型可以幫我們?nèi)w納一本書，但是這種歸納一定是“粗糙”的，只適合“快速、簡單了解”。這種方式無法替代我們?nèi)プx一本書，它即便給出了解讀或者分析也往往是語焉不詳?shù)模惨欢ㄊ恰皽\表”的。但是，如果我們反過來想，我們不讓大模型去處理長文本，而是就讓它去處理短文本，去分析一百個字、兩百個字，它會告訴我們什么呢？這個時候，它愿意給我們的計算資源就顯得“游刃有余”了，面對短文本，它可以做出深入、細致的分析，而這些分析或許就能給我們切實有用的啟發(fā)。
下面我的實驗是摘取了作家李娟的一小截文字，摘自《記一忘二三》一書的《掃雪記》一文。我的提問如下：以“技術(shù)流”的方式，分析下面這篇文章中使用的寫作技巧：之前我早就提醒過我媽，阿勒泰市是山區(qū)，比不得戈壁灘邊上的富蘊縣，冬天雪很大的。她嗤之：“老子活了這么大，什么樣的雪沒見過？”下第一場雪時，我媽真心地感慨：“別說，老子還真沒見過這么大的雪！”下第二場雪，我媽又感慨：“除了上次那場雪，老子從沒見過這么大的雪！”到了第三場雪，我媽繼續(xù)：“這是老子這輩子見過的第三場最大的雪！”我讓AI分析的文本并不長，而它的分析的篇幅卻遠超了這個文本，這是因為，大模型“背靠”一個無比巨大的知識庫。這個知識庫超過任何一個自然的人類。通過這個知識庫，它來分析這段文字，就很有可能給出一些我們事先沒有想到的點。我們可以發(fā)現(xiàn)這種方式跟處理長文本正好是相反的，處理長文本時，可能我們給了AI十萬字，而AI返還給我們一千字。在處理長文本時，實際上信息“縮水”了，而處理短文本時，實際上信息“豐潤”了。不過，對于上面的回答，我還有些不滿意，于是我又追問了一下：
這個回答超出了我的預(yù)期，它不僅很耐心、很細致，甚至還在最后給出了寫作示例！
天哪，這是一個多么好的寫作老師啊！當然，它的水平肯定比余華或者莫言要差一些，但是已經(jīng)是 available 的足夠好的老師了吧！ 而且，這只是一小段文本的分析。如果你采用這種方法，來讓AI分析十段、一百段或者更多文本，再加上你自己勤奮地思考和學(xué)習(xí)，那么你的寫作水平會不會出現(xiàn)質(zhì)的飛躍呢？
———————————————————— 以上就是我今天的分享。這篇文章的前半部分是關(guān)于大模型使用的“道”，后半部分是大模型使用的“術(shù)”?！暗馈笔侵笇?dǎo)思想，可以舉一反三，三生萬物，而“術(shù)”是經(jīng)驗和實踐的產(chǎn)物，是直接可用的方法。
希望你也可以從AI中發(fā)現(xiàn)真正的寶藏。
|
