前言
时间过的真快，转眼间我也毕业了有一年。我对AI的研究从ChatGPT爆火的那一年开始，其实在之前，我对AI这个概念是非常模糊不清的，我更多的时间是投入在了虚拟化、云原生与云计算这些方面。
在第一份工作，我是一位云平台研发工程师，专注于虚拟化与云计算。在这份工作中，我从中学到了很多东西，特别是和信创支持有关的内容。有过手改KVM、脚踢Qemu，顺便处理下Linux内核只为了适配华为910B的vNPU切分。
而我现在这份工作，则更多的是和AI打交道。在这份工作中，我深入了解到了Cursor、Trae等优秀效能产品的设计理念、也给我打开了一扇新的，通往AI的大门。故在此，我也简单总结一下我目前对AI浅显的研究。
我尽可能不在这篇文章里长篇大论大谈技术，因为我也没有什么技术，既然没有，那就聊天吧。
早期现实
在比较早期的时候，我认为所谓的AI，无非就是从设定好的模式下，执行特定的任务。最典型的案例，就是早期的AI人工智能对话系统。
最之初让AI正常说人话都很难，对于回答不了的用户的提问，人机对话系统最后的兜底是一个闲聊系统，都是通过QA（Question/Answer），QQ(Question/Question)匹配来知识库中已有的语料。
但是，这个效果有多么差，应该都体验过，只要有人工客服，很多用户第一时间会选择人工客服，直接跳过智能客服。但是无论如何，这都是AI人工智能对话系统第一个起步阶段。
偶然一天，我看着手里的小米手机，突然想起来了满天宣传的智能AI音响，小爱同学，小度，这些新生的人机对话系统，效果如何？但是实际尝试之后，仍然还是很失望。仍然脱离不了传统的束缚，给人一种“人工智障”的感受。
人机对话系统的应用场景本来是很广泛，适合一切有对话的场景，为啥成功不了呢？本质原因：
人机对话系统是不确定性、不可控性、弱可反馈。人机对话太难了，没有一个超级模型能解决，所以大家只能采用分而治之方式解决，将问题拆解成若干个子问题，但是每一个子问题用模型或者算法处理，大概也就0.9分的水平（满分是1分），所以10个0.9分连乘在一起，就低于及格线0.6了，人工智能变成人工智障了。
0.900.900.900.900.900.900.900.900.90*0.90 = 0.349
举个例子：针对用户输入的一句话，可能需要使用各种自然语言处理技术来辅助处理，比如词性标注，中文分词等，但是每个模块都没法确保100%准确性。做的越多，整体链路反而效果越差。
阅读与思考
后面看了弘晨大佬的文章之后，找到了The Bitter Lesson (苦涩的教训)，这个是由Rich Sutton（强化学习领域的奠基人之一）在2019年发表的，我个人将其总结为一句话：
我们需要的，不是知识的镜面，而是能孕育新绿的沃土。
之后，我又在思考一个问题：AI带来的真的是革新的技术吗？还是说只是泡沫？
一次偶然的机会，我读了比尔盖茨（我小时候的偶像）在1995年出版的一本书：《未来之路》，本书之中基本上所有的预言都成为现实了，如电子商务，即时通讯等等，除了这个AI智能助理。
为何AI智能助理至今仍然无法达到想要的效果呢🤔？在搞不明白一些问题的时候，去阅读先贤的书，总是能得到灵感。我随后读了一下两篇论文：
Computing Machinery And Intelligence (1950年 图灵)
A Theory of the Learnable(1984年 L,G. VALIANT ACM通信)
在阅读过程中我发现，图灵先生对“机器能否思考”其实是持乐观态度的，这篇论文让我知道了：人类的思考能力也不是那么神奇和与众不同，正如地球不是宇宙中心。
L. G. Valiant 在1984年发表于ACM通信的论文《A Theory of the Learnable》中，为机器学习理论奠定了重要基础。
就像密码学一样，从数学证明这个密码是可以破解的，就指明了方向。但具体怎么破解，仍然要继续探索。 人工智能也一样，机器从理论上是可以思考有智能的，但实现途径是什么呢？
在探索这个问题的时候，我发现一个非常有趣的问题，自然语言的二义性。发展至今的大模型，无论是不是推理性大模型，对二义性都不够优秀。举个最简单的例子：
”中国足球队谁都踢不赢“
“中国乒乓球队谁也打不赢”
同样的表达方式，意思截然相反。那有没有一种语言，没有二义性，永远就像直男，什么就是什么呢？有的，兄弟，有的。那就是代码。
代码是英文的“自然语言”，代码没有歧义性，代码有自己的语言规范，结构化的。相对而言，代码是一个更加简单规范的自然语言，如果人工智能都不能解决代码的问题，更别说解决复杂的自然语言问题。
此外，自然语言离人更近，代码是编程语言，离机器更近，按照道理，代码应该更容易被机器理解，所以人工智能解决代码也应该更加容易。此外：代码可能是人和机器的桥梁，未来是人机共生的时代，解决代码这个核心问题，才能才能真正到达人机共生世界？
当然，我并不想升华主题，但是我是一位程序🦍，代码是我吃饭的工具。有时候真的感觉，和一些人沟通了这么久，不如写几行代码甩给他。
AI编码
各种新的模型，如Calude 4，在代码能力一次又一次的刷榜。现在在我的实际开发之中，AI可能要占40%左右。对于AI辅助代码，我有一个心得，也有一个信条：
告诉AI Need，不要告诉AI Think。
永远不要相信AI写的内容，是你主导AI，不是AI主导你。
对于第一条，要先认清AI的能力，其就是一个辅助工具，他会给你一个他能思考的假象，但实际会给你带来更多的麻烦。所以，先思考，定方案，敲步骤，在告诉AI，What do i Need，而不是有了个思路，告诉AI，What am i thinking。
对于第二条，目前最牛的AI，仍然也有Context的窗口，对于小项目还可以，但是对中大型项目，他无法完全理解。所以会出现：我写了，但是我就没按照项目要求写。最经典的问题就是，项目用MyBatis，但是它会给你引入JPA，给你写JPA的代码。所以无论如何，不要相信它，要做Review。
Encoder与Decoder之争
继续说回大模型。
虽然OpenAI公司产生了巨大影响，但是前些年也很不容易。
Tansformer有Encoder和Decoder组成，《Attention is All you need》发表之后，国内国外的大模型的技术路线基本都是Follow 谷歌的Encoder路线，各种魔改bert，论文引用量非常多。但是OpenAI是Decoder技术路线早期引用量非常少。现在业界大模型技术路线基本都是统一到Decoder技术路线。
继续阅读一些文章之后，发现大模型并非完全是大力出奇迹，而是量变引起质变。
诺贝尔物理学奖得主Philip Anderson，1972年的一篇文章《More is Different》有这样一句话：
Emergence is when quantitative changes in a system result in qualitative changes in behavior.
大规模语言模型的涌现能力(Emergent Ability)，一种不可预测的现象。涌现这一概念已经在物理、生物、等领域被讨论了很长时间。
比如：将水加热，一直加热到99摄氏度，都是液体，一旦到100摄氏度，就变成了气体。
所以，我知道有些人好像对“堆算力”有点嗤之以鼻。但是，我个人认为，堆算力也许真的是可以发生质变前的量变。
结语
回顾历史：人造飞行器最开始实现途径是：研究鸟类的翅膀，仿生学角度去做，后来发现得用物理空气动力学。
目前来看，计算机科学是最有可能实现人工智能，很庆幸，我可以窥看到这个圈子的门槛。 而在计算机各种技术中，神经网络最优可能实现，在神经网络众多模型中，gpt系列技术最有可能实现的。
自从用上AI之后，几乎我所有的文档都会找AI润色一遍，已经很久没有像这样完全手敲。虽然这篇文章通篇在讨论AI，但是我还是决定不让AI插手。
AI将解放脑力劳动者。后代很难想象，之前的我们，需要从头开始很多工作，耗时耗力，比如写一篇文章，写一段程序，修一个图片，拍一段视频。
正如我们很难想象，之前的复制一本书需要抄书人劳动几个月。也许今后，我们的孩子们像呼吸空气般使用AI时，愿他们仍能像如今一样，思考，探索，学习和总结