“AI 共生时代，重塑未来蓝图。”ChatGPT 的问世，如同开启了一扇通往全新世界的大门，AI 迅速从科学时代迈向共生时代。在这个伟大的变革进程中，AI 将如何渗透到我们生活的方方面面？又将怎样重塑我们的未来？让我们一同深入探讨。

商业思维

笔记君说：ChatGPT的横空出世，标志着AI语言处理能力的飞跃，行业新纪元的开启；

AI从科学时代到共生时代，AI将如何塑造我们的未来？

在解构了物理世界、语言之后，数学能解构生命吗？机器真的能与人类共生吗?

我们不禁会好奇：AI是如何在短短几十年里，从简单的计算工具，成长为可能与人类共生的智能伙伴?

今天这篇文章，一起来看看一下AI是如何与人共生的。

一、我们已经进入到一个全新的时代

1.当机器掌握了语言

去年年初，ChatGPT一夜爆火之后，大家看到了一个新物种的诞生。

这是人工智能的新起点，行业间把它称为“第四次工业革命”。但是我觉得还不足以表达我们对于时代伟大性的一个定义，对此我给出了一个新的提法，叫做“从科学时代到智能时代，未来走向一个共生的时代。”

巧合的是，今年有两位AI科学家获得了诺贝尔物理学奖，三位AI科学家获得了诺贝尔奖化学奖，这无疑从侧面证明科学已经进入到了一个新的范式。

众所周知，科学时代的开启者是牛顿，他通过《自然哲学的数学原理》，将自然哲学与数学联系起来，在人类的科技史上这是非常伟大的进步。

此前以康德为代表的“自然哲学”，讨论的都是人的绝对理性空间，其核心是精神世界，我们对此是不可知的。

牛顿用数学来解释世界上的万事万物，在牛顿力学的框架下，给予物体一个初始状态，就可以在这个状态下通过数学了解万物是如何运动的，这就将物理问题转变为了数学问题，用数学解释物体背后的物理原理帮助我们开启了一个重要的科学范式。

将物理问题变成数学问题之后，我们可以通过数学计算解释过去，也可以预测未来，进而掌握客观世界的规律。牛顿之后的相对论、量子力学等其他大量新的发现，也都是将物理世界变成数学模型的延伸。

人与动物的区别之一就是人会使用语言和工具。

我之前从事了20年输入法和搜索引擎的工作，每天都和语言打交道。在ChatGPT出现之前，没有任何一种AI系统或工具掌握了语言。

搜索引擎无法实现我们抛出一个问题就给予一个答案这样的功能，它只能通过关键词罗列出许多网页供使用者选择。

输入法能够帮助使用者输入单词或短句，但无法做到根据一个既定的主题生成一篇文章。这个过程叫做自然语言处理，可以称之为处理，但不能认为是理解。

但如今，以ChatGPT为代表的AI应用，面对用户提出的问题立刻就能给出对应的答案。

18年的时候，我提过一个概念：“当机器掌握了语言，强人工智能就到来了。”当机器掌握了语言之后，语言背后所承载的知识、思考和沟通等内容就变成了数学问题。

维特根斯坦认为，语言的边界就是世界的边界。语言承载的是人类对世界的认知。

人类用语言对世界进行了一种分类和类比式的抽象描述。有一位叫做庞加莱的数学家，他曾经说”Given the same name to different things.”中文意思：用相同的名字表达不同的事物。这种语言的解构对我来说是一个巨大的冲击。

除了更高层次的抽象之外，词汇量对我们认知世界也有着深刻影响。假设一个原始种族只会使用800个单词，它对世界的认知和表达一定不会很强。

爱斯基摩人对白色有20多种不同的表达方式，中国人在品尝食物时，对味道也有很多种表达方式。每多一个词汇，我们的世界就多一份认知。

2.从“科学时代”到“共生时代”

去年，我提出了人工智能的三个突破方向：语言，强化和代码。

目前我们已经基本解决了语言的问题，强化学习也开始取得突破，让机器自动编写代码并且让代码运行业界正在探索。

20年之后，我们会进入更大的时代，我称之为“共生时代”，这一概念还尚未在行业中讨论过，但已经隐隐地出现了一些关于它的迹象。

一个月前，Anthropic的CEO Dario Amodei写了一篇描绘AGI时代的万字长文。

他提出了三个未来要实现的目标方向：

① 第一个方向，与医疗健康相关

他希望未来的机器可以进行实验设计、收集数据、细胞实验、动物实验等操作，帮助人类探索更多未知的内容，对身体、疾病进行解码。他使用了一个非常“性感”的词语—生物自由。

就像不缺钱花，不会为钱烦恼的财务自由一样，他提出的生物自由指的是，不为身体健康所烦恼。

② 第二个方向，对心理学或神经科学的研究

指的是通过机器研究心理学和神经学上的问题，使人类可以避免精神上的疾病。

③ 第三个方向，解决贫富不均和人类分化的问题

Dario Amodei对解决前两个方向上的问题比较有信心，但对第三个方向，他认为这是他希望达到的，且可能达到的目标。

Dario Amodei大胆预言，在未来5年到10年间，我们将取得过去50年到100年间的科学进步，尤其是在生命科学方面。

我对生命科学同样非常感兴趣。在研究生期间，我主要做的是基因测序相关的工作。在科研过程中我发现基因测序背后的生命，并不在我们今天所讨论的物理、化学和数学的范式里。数学和物理都无法解释生命现象。

因此我非常好奇生命的数学模型是什么？

过去，我们讨论了物理的数学模型。

现在我们已经开始使用语言的数学模型。

未来，需要解构的是生命的数学模型。

解开生命的数学模型之后，我们不仅可以获得生物自由、心理健康，甚至创造出机器生命的概率也会大幅增加。我将未来这种机器生命和人类共同存在的世界称为“共生时代”。

3.大模型是智能时代的基础设施，带来的是生产力的升级

在过去的近两年时间里，对于AGI美国人最早认为是算法和数据的问题，随后更多考虑的是芯片和产能。

今年年初的时候，他们则把重心转向了能源问题，认为掌握了数据和算法之后，能源才是探索AGI最核心的动力。因此，OpenAI、XAI等美国的头部AI公司都已经开始研究如何发展核能，来保证大模型的电力供应。

我们把过去几十年称作“信息时代”，作为信息时代最重要的技术之一，互联网是一种连接和传递导向的技术，是从信息层面去解决问题的。

在互联网时代，我们更多关注的是生产关系的改变，例如滴滴、美团、淘宝等平台都是通过连接实现供需匹配，使我们获得更多的服务，在这个过程中机器并未体现出智能。

大模型通过压缩和预测将海量的数据转化成了知识，当信息转变为知识之后，机器在掌握知识之后便带来了一种新的范式变化，直接构成了生产力的升级。

随着以GPT为代表的大模型技术持续突破，在AI应用层面，我们最终会得到一种数字人员工的形态，逐渐进入“造人”的范式。

机器不仅是人类的工具，更是人类的伙伴。我认为这是一种时代上的划分。

去年4月份的时候我创立了百川，那个时候我问ChatGPT：“如何找到更多优秀的人才？”ChatGPT表示，第一件事需要凝练你的想法，并把这个想法公开。

我遵循了ChatGPT给我的意见，发布了一封公开信，表示我要入场大模型创业，希望有更多的伙伴加入进来。这就是我对ChatGPT的使用，将其当做一个工作上的伙伴和顾问。

ChatGPT无疑是智能时代的开山之作，但5年或10年之后，还会诞生更加颠覆性的产品。今天如果还不会与大模型进行协同，这就与过去不会使用搜索引擎类似。

今天我们讨论AI，主要有以下几个方向：

第一，使用ChatGPT一类的AI应用来提高企业效率；

第二，AI为个人提供服务，帮助我们在未来的旅游、购物等方面建立新的生态，包括帮助使用者操作手机并完成复杂任务；

第三，AI帮助每个人更容易地将自己的想法转化为图片、视频、音频等作品。

我喜欢使用《红楼梦》中的一个词语，叫做太虚幻境。我们可以用AI打造一个“太虚幻境”，在其中提升生产力，让个人变得更强，也可以营造一个良好的氛围，让大家在这个虚幻的世界中娱乐身心。

对于AGI一定会到来，现在业界都有着一致的预期，但是在技术路径上大家还有比较大的分歧。我认为，DIKW是实现AGI的核心路径，是我们逐步走向智慧的原因所在。

在国内，大数据已经谈论了很多年，大数据的内容很广泛，但我认为其中真正有价值的地方是信息对真实世界的反应。

通过数据构建工作，我们将海量的数据梳理成了各种各样的信息，基于搜索引擎技术我们可以随时查找并使用这些信息，而大模型更进一步将信息压缩成了知识，有了知识和语言之后，机器开始产生推理和思考能力。在此基础上，通过强化学习和思维连技术，今年我们已经看到了一些智慧的苗头。

此外，还有几个技术与大模型相关。我在与字节跳动公司的人聊天的过程中，他们表示：模型完成后，我们想做的第一个事情是在掌握事实的基础上，通过搜索将知识与信息相连接，用搜索对大模型进行补充。

搜索引擎使用的是已经发生过的数据，如果只是将搜索引擎的数据与大模型的能力结合，那么效果不佳，大模型的智能将缺乏应变能力，很难应对未曾发生的事情，大模型的颠覆性优势不会超越整体的人类，只能超越个人，因此大模型需要基于这种方式进行学习和强化。

4.强化学习让大模型具备思考能力

所谓“读万卷书，行万里路”，这句话对大模型也很适用。读万卷书能学到很多东西，但这还不够，还需要行万里路，在实践中去强化学习。

2016年，有一个震撼AI圈的事件，谷歌推出了AlphaGo，它通过自己与自己下棋的方式来学习围棋，最终战胜了人类顶尖棋手。

然而，AlphaGo有很大的局限性，它应了我们的一句古话“思而不学则殆”，它停留在围棋领域，无法融汇更多的外部知识和信息。

AlphaGo的第一代产品使用了人类6000万局的数据进行训练，AlphaGo的第二代叫做AlphaGo Zero，AlphaGo Zero是什么意思？

就是没有学习过人类的任何一场棋局，却表现得比AlphaGo更好。它的关键不是学习，而是自己思考。

Open AI做的事情在某些程度上与AlphaGo和AlphaGo Zero有些类似。一方面他们希望用更多的数据提升GPT模型的知识能力，另一方面又希望用更少的数据提升O1模型的思考能力。

O1不是一个systems，它比较model，它不是由很多个系统组成的一个更大的系统，而是一个整体，因此在它自我进化的过程中，我们可能不能搞清楚这其中具体发生了哪些事情，它的能力可能开始超过人类了。

机器进行强化之后，它就开始能够行万里路，能够开始进行思考，就可能会打开更大的世界。

另外，今天没有展开讲关于代码的内容。

我提出代码和强化学习的原因是使用搜索和数据来驱动的系统，只能在人类已有的知识范围内进行工作，但当一个系统具有强化能力，能够自己写代码并且运行的时候，就能走出原有数据的分布。

例如，我在公司内部进行了一个思想实验：对大模型说，请你学会下围棋，大模型可以查询围棋规则，根据这个规则来写出一个判断围棋输赢的程序，然后再运行这个程序，大模型就学会了下围棋。

这样大模型就实现了从学习到思考的过程，派生了一种思考能力出来，未来它就拥有了一条向AGI发展的路径。

二、医疗是AI应用的重要领域之一

1.造医生：得医生者得天下

诺贝尔物理学奖得主Hinton表示，医疗将是AI应用的最重要领域之一，将发挥AI的最大潜力。

英伟达CEO黄仁勋也表示，学计算机的时代过去了，生命科学才是未来。Dario也提到，AI将帮助人类可靠预防和治疗几乎所有自然传染病，消除大多数癌症。

对我自己而言，我对生命科学有很深的情感。

我之前提到2000年的时候我从事的是基因测序相关的工作，当时清华计算机系的5个所分别是人工智能、软件、多媒体、网络和体系结构，我们所做的是体系结构，主要进行高新运算。

我们进行高新运算一定会找一个应用场景进行验证。那时候有个大家听起来很性感的著名场景，叫做天气预报。

天气预报对计算机算力的消耗特别大，它实际上是一个大型仿真系统。它的做法非常粗暴，将空间划分成一个个标记了湿度、温度等数据的小格子，来预测下一个时刻的天气变化、太阳转动等活动。

格子分得越细，计算结果就越准确。但格子每增加2倍，计算力需要增加32倍，因此预测得准确细致就变得非常困难。

美国之前举办亚特兰大奥运会的时候，它需要计算出一个体育场的面积是否会下雨，这需要巨量的算力，是当时计算力的巅峰应用。

天气是一个非常复杂的系统，《三体》小说中三体世界的三个恒星就是一个最小的复杂系统，当三个太阳在相互引力的作用下运动的时候，它们的轨道就不确定了。

因此，即使三体星人的科技非常发达，但是他们依旧无法预测和掌控自己的命运，所以他们要移民。虽然三体的问题代表一种不确定性，但是生命比三体复杂多了。

人体内有23000个基因，这23000个基因仅占DNA5%的面积，还有95%的调控网络。我认为非常有趣，在那时开始对生命产生兴趣。

2018年的时候我讲的两件事情：

第一件，我之前提到过的机器掌握语言，强人工智能就到了。

另一件，向基层医疗赋能，打造家庭医生。

我们经常说科学是浮在天上的事情，但医学是少有的科研和服务为一体的事情。

有医生朋友的都知道，医生需要进行科研才能晋升，医生既是临床工作者，也是科研工作者，并且优秀的医院背后都有其附属的医学院。

物理、化学、数学等领域的科研进展、创新突破可能比医学领域更多，但它们距离应用是非常远的，例如我们在NATURE上发表一篇关于材料科学的文章，它可能需要10年或者15年后才能够变成应用。

但医学不是，医学从实验中产生，比如某位老师发表了一篇临床医学相关的文章，也许一年之后就为大家提供了应用方向。因此在医学领域中，科学和应用这两个问题的联结非常紧密。

如今我们在生命的数学原理方向有任何的进步，随时可能会变成具体落地的健康服务，因此我认为这个行业非常性感。

22年的时候，语言并未被突破，当时我们只是从生理上的血压、心跳、呼吸等信号中寻找规律。

到23年的时候，我们创建了一个叫做百川智能的公司，当时我考虑的是如何将模型与医疗相结合。

百川的百，英文单词对应的是BIO，生物的意思。我一方面好奇的是生命的数学模型是什么？另一方面是如今语言的数学模型已经被找到，我们可以借助语言的数学模型的能力，来支撑医疗服务和后续的科学发现。

2.从“找医生”到“造医生”

我经常说的一句话叫做“找医生不如造医生”，我们都知道医生资源是非常有限的，而且是在医院体系里面，在之前的生产关系结构下，健康问题想要取得跨越式的发展非常困难。

在医疗领域有一种说法叫做，医生是“药品的流通渠道”，对患者而言生病了一定要去找医生开药，而药厂想要把药品卖给患者是也是找医生。

医生在这个系统中处于最核心的位置，但就效率而言以医生为中心是不够的，它的可获得性、价格和质量已经陷进了僵局。

如果我们通过AI医生，解决医生的供给问题，就把医疗的模型从找医生变成了造医生，这个是我们的破题的解法。

因此，对于我们而言，不是先去搞定蛋白质或者基因等基础生命科学问题，而是用“造医生”的方式来解决当下医疗领域最迫切的需求。

在无人驾驶领域，有一个从L0到 L5 的划分，L3就是一种辅助驾驶机器，关键决策依旧需要开车的人来做，L5就是机器比人开得更好。

今天我们的辅助医疗系统在L1到 L2之间，明年会进入到L3的水平，能够开始辅助医生进行诊断，再往下会逐渐达到像人类医生一样好的水平。

我们期待未来医疗服务能够从院内走向院外，从医生为中心转换患者为中心，甚至将医疗健康问题从被动治疗变成一种主动健康的模式。

3.新的医学研究范式：从“循证医学”走向“精准医学”

医学的进步需要大量数据观测，不像物理学和数学靠底层计算推动，它一定要基于真实观测，收集到足够多高密度、高质量的数据，才能够模拟患者的病情发展，才有机会解开我们的生命健康问题。

除了线上的AI医生之外，未来还会有居家的智能的穿戴设备，我们叫“AI检测设备”，借助AI检测设备，用户在家里就能够精准、高频地检测自身健康状况，收集身体的真实数据。

现在的患者的身体数据都是通过基层医疗的方式来收集，数据收集的频次低，过程不连续，健康数据是很稀疏的。

今天大家倡导的是叫做循证医学，就是要讲证据（avidence），指的是通过大量统计不同人的数据，做成一个平均值。虽然相比经验医学，有据可依的循证医学范式更合理，但现实中每个人生活环境不同，身体情况各异，又产生了个性化的问题。

在我们的畅想中，未来的医疗服务是能够清楚的知道，你到底要看什么病症，你想要什么，给你个性化的医疗服务，从循证医学走向精准医学， AI医疗将促进医学范式的发展。

4.医疗增强 + 强化学习，持续提升诊疗专业能力

造医生，和模型训练有类似之处。在中国培养一个医生，要先培养出一个通才，什么都懂，然后再开始学习医学知识，最后到医院里面去实践去做强化学习。

大模型在学习时也是类似的路径，首先是通过全量的数据学习，成为一个通用的模型，同时在医学上做增强，学会看病例，再做强化的反馈，通过这些方式来“造医生”。甚至是在医院场景里，通过AI医生-AI患者-AI裁判的模拟诊疗，博弈学习去提升它的能力。

大家看医生的时候，受限于现实状况，医生分给每个患者的时间非常有限，无法一一解答患者的全部问题，很多人都会有一种焦虑感。但有了AI医生之后，它会非常耐心地听患者描述问题，然后给患者一个解决方案，减缓大家平时就医的焦虑和压力。

比如我们和北京儿童医院在共同研发一个儿科模型，孩子生病时绝大多数父母都焦急万分，选择第一时间带孩子去医院，实际上儿童疾病80% 是不用去医院的，但是问题是：如何得知哪个是80%，哪个是20%？

有了这种模型之后，就可以帮助你做判断，避免一些焦虑。