掌握 OpenAI 的学习策略：如何在未来30年内避免被人工智能取代？

#头条创作挑战赛#

2023年以来，GPT AI异常火爆，直接带火了人工智能AI商业化的快速发A。

所以今天聊一聊人工智能、深度学习这个话题。

首先，我们先回顾下近几年人工智能的几个大事件：

（1）2016年，AlphaGo与围棋世界冠军、职业九段棋手李世石进行围棋人机大战，以4比1的总比分获胜；

（2）2017年，阿尔法元从0开始自学，在无任何人类指导的条件下，自学围棋，并以100:0的战绩击败--阿尔法狗。

（3）2020年，AI在疫情中获得广泛应用，推动了人工智能在医疗领域的应用，包括数据分析、诊断和药物研发。人工智能成为了全球抗疫的重要工具之一。

（4）2023年，GPT模型发布：OpenAI 提出的GPT模型是近年来最重要的自然语言处理技术之一，它采用了大规模预训练模型的方法，并使用Transformer模型进行语言生成，已经被广泛应用于聊天机器人等自然语言处理领域。

本文不聊AI如何影响我们的生活，这个其他博主都会涉及的话题。

我们主要聊一聊AI能够快速学习知识、运用知识背后的原理和方法。

全文3100字，非常干货，建议点赞收藏后反复观看！

什么是深度学习?

深度学习，是当前人工智能领域机器学习最热门的一种方法。

通过利用算法，模拟人脑神经网络的工作原理来进行学习和模式识别一种技术和方法。

它通过多层神经网络进行自动化的数据抽象和特征提取，从而实现对大规模数据集的训练和预测。

深度学习的核心是利用大量的数据和强大的计算能力来训练模型，使其能够自动发现和学习数据中的模式和关联。

深度学习在图像和语音识别、自然语言处理、推荐系统等领域都取得了显著的成果。

ChatGPT是深度学习在对话系统领域的一个具体应用，它利用深度学习的技术来构建一个能够理解和生成自然语言对话的模型。

现在很多人在利用ChatGPT技术进行聊天、搜索、学习、写作、剪辑视频等，用法都玩出了花儿来了。

只要指令清晰、算力足够，AI可以帮助人类做大量的工作，效率也比人类高太多了。

AI学习不需要任何人类的旧有经验，直接从互联网上获取信息和知识，不被人类的认知所局限，而且能够发现新的知识，发现新的策略。

而且极度理性，能够从全局的入手思考，不受任何思维定势的思考，决策完全按照数据去做，这才是其可怕之处。

如果抛弃道德、伦理，AI几乎可以帮助我们做任何决策。

但是很有意思的是，深度学习深度学习背后的一套学习知识的逻辑，来源于人类实践，是通过模仿人类的思维方式来发展起来的。

这套学习逻辑，才是本文需要重点给你介绍的。

深度学习给我们的启发

（1）全面思考，理性，不要过度计较一时得失

要做到这一点，做判断的时候就要尽量排除心态和思维定式的干扰。

其实心态和思维都是可以训练的，我下面就和大家分享一个真实的小故事。

证券公司的操盘手，刚开始训练的时候会做一个模拟的系统练习。

给你 100 万美金，要求你在一个星期内把它全部输光，如果全输光了则胜利，如果没有输光或者赚钱了，就输了。

看上去这个很荒唐，但是其实它的背后是有深意的。

这种训练的目的就是为了锻炼人的心态，让他们不过多的受情绪的干扰，而且可以时不时的用另外一种角度来看待自己的判断和行为。

（2）经验、知识互相分享

深度学习给我们的第二个启发是分享。

传统的机器学习之所以效率不如深度学习，很大程度上是因为它的每一个组件也叫神经元，都是各自学习的。

在深度学习当中，从数据中学到的经验可以共享，从而可以提高学习的效率。

在我们的生活中也是这样的，把经验和理解相互影响，相互分享，而不是各自孤军奋战，思考和学习的效率就会提高很多。

（3）反馈和反思

深度学习给我们的第三个启发是反馈，对于我们来讲就是反思。

深度学习这个词是 2006 年才被提出来的，但是与之相类似的原理其实并不新，上个世纪七八十年代的时候，他就兴起过一段时间，只不过那个时候人们管它叫做神经网络。

当时兴起的时候，人们觉得这种技术很有前途，但是不久之后就发现它有一个严重的缺陷，那就是他不能直接自己进行学习和优化。

所有的内容都需要人做大量的加工之后再交给他算法才能理解。

因为这个原因，当时一度很火的技术渐渐的就无人问津了。

深度学习后面再度兴起，恰恰是解决了这个问题。

深度学习体现的学习方法论

上述启发，映射到人脑的学习，其实也是一样的道理，在学习的时候我们会经历过四个阶段:

第一个阶段：获取信息和死记硬背；

就像是计算机收集数据和储物纯数据一样。

第二个阶段：消化和理解；

知其然还要知其所以然，这就像计算机处理数据，给出结果。

第三个阶段是反思和总结。

就好司马迁所说，以人为敬，可以知得失，以史为敬，可以知信体。

对过去结果的反思并从中学习是非常重要的，只有这样，我们才能不断的进步，而不只是依赖于别人的灌输。

对于计算机来说，这是深度学习技术的新突破，可以从自己生产的结果中学习并不断的进步。

第四个阶段是逻辑推演。

掌握更抽象的底层规律，这样学到的知识才可以更好的迁移。

传统的死记硬背式的学习往往只是停留在获取信息的阶段，不是说死记硬背没有意义，但是光死记硬背并不能消化，就无法获得任何技能。

何况在这个层面上，人相比于计算机而言是毫无优势的，是停留在获取信息的层面上。

就像老式的计算机一样，任何一点进步都需要外界的不断灌输，缺乏理解，没有进步，没有反思，更谈不上迁移了，这样的学习方式是毫无意义的。

我们可以这么看第二、三、四个阶段的意义：

第二个阶段的消化理解可以让我们获得一个运用场景下的技能；

第三个阶段的反思和总结，可以让我们变成拥有运用于 10 个场景的技能包了；

第四个阶段融会贯通变成对规律的底层理解，就变成了成百上千个技能包。

从这个意义上来说，慢就是快，也就是为什么说深读一本书抵得上走马观花的读十本书了。

深度学习的技术突破给我们的思维启发在于——必须要从结果中学习，不断反思，并把知识从旧问题迁移到新问题上去，只有这样才能不断的优化自己的思维，在学习中实现真正的进步。

深度学习对我们的影响

刚刚我和大家分享了深度学习对我们思维方式的启发。

下面我们再要谈一谈深度学习可能对我们造成的影响。

前几年， BBC 基于剑桥大学的研究，发布了一部纪录片，预测了各种职业在未来被替代掉的可能性。

根据该研究的观点，像电话接线员、销售员、客服这类职业，被替代的可能性高达 90% 以上，有些甚至高达99%。

就连摄影师这类的职业，都有 50% 的可能性被替代掉。

哪怕像金融这类传统意义上的精英职业，在未来反而是最容易被替代掉的职业之一。

通过人工智能技术，现在的金融交易的速度已经进展到了毫秒级。

为了提高交易的效率，纽交所甚至特意修建了跨太平洋的光缆，因为担心使用卫星，交易指令要发到卫星再发回地球，期间的传播距离太长。

在这样高速竞争的环境里面，人类与人工智能系统相比，实在是缺乏竞争力。

那么很多人可能会觉得好奇了，什么类型的工作是最难被替代掉的？

说出来大家可能都会觉得惊讶。

根据研究， BBC 预测公关是最难被替代的职业，这是一个需要高度的社交能力和情感互动能力的职业。

而其他排在前几名的不容易被替代的职业还包括法官、律师、心理医生、保姆以及记者等等。

表面上看起来这些职业好像没有什么关系，但是如果你仔细思考一下，就会发现，他们都十分强调人的情感能力。

从情感理解到情感互动，再到情与法之间的权衡，这些能力是最难被深度学习所替代掉的。

BBC 预言，从某种意义上来说，这种情感的能力将成为未来人类在工作中的核心竞争力。

除了情感之外，人类的优势还在于发现错误的能力。

研究表明，在未来，作者被人工智能替代掉的概率要比编辑高 20% 。

这是因为随着人工智能和深度学习的发展，写出好的文章将不再是一件难事。

但是，确定哪些表达不得体，这种能力对机器来说则要困难得多。

深度学习可以学会什么是该说的，但是很难学会什么是不该说的。

而与之相对比，人类则更擅长发现错误，因此，一些容易造成重大社会影响的职业，很可能还是会需要人类来做最后的把关。

正如马云所说——

30 年后大多数工作都将被替代，而如何使自己的未来变得不可替代，是我们每一个人都要认真思考的问题。

以上！