早几年前，AI技术还处于理论阶段的时候，小编也和大家一样，对AI技术充满了各种美好的幻想。“改善生活、改变世界、制霸全宇宙，人类要从站起来变成强起来！”不过到现在要是再提AI的话，恐怕大家只能想到那些“抱歉，我听不懂，你能不能换个说法”的人工智障了。然而上周，科技圈子又重新因为AI技术沸腾了——因为美国研究组织“OpenAI”做成了一款被称为能取代人类的AI引擎。
在看完这款名叫“GPT-3”的语义AI引擎演示之后，小编的第一反应是，我该不是把书读到狗身上了吧。真正可以辅佐人类的AI终于来了！稍微熟悉点科技的朋友可能都听说过大名鼎鼎的“图灵测试”，也就是通过一连串的问答来看AI是不是会露馅。然而在人与GPT-3的问答中，假如不是我说，大家可能会以为对面坐着一个真实的小孩。回答略显稚嫩，但丝毫感觉不到以往AI助手们的那股制杖气息。
不过有小伙伴们可能要说了，这些问题也还好啊，我看之前你们介绍的那个谷歌助理虽然偶尔会犯制杖，但好像也能做个八九不离十。那接下来我们看点儿有难度的，能自己读题做题的AI见过吗？给GPT-3一篇高中英语阅读题，GPT-3轻轻松松就能给你把答案写出来。我当年学英语的时候有这种神器，那铁定是不会挂科的！（坏行为，好孩子勿模仿）要是嫌高中阅读难度不够的话，我们再来个大学水平的试试。
比方说，把一串晦涩难懂法律条款扔给GPT-3，不出五秒就能输出“人话”版本的解释文。学法律的小伙伴来评鉴一下。本硕博连读、头发都学秃掉的法学生们听到之后都哭了。这还不算完，除了听懂人话、归纳总结之外，GPT-3甚至还能自行创作。比如给个场景描述，给个开头，GPT-3就能写出个杀生丸和鲁鲁修的中二小短文。我瞬间就想到了小说代写，一日百更，彻夜不眠。
如果不满足于短篇的话，还有个老哥拿GPT-3生成了一篇1112词的鸡汤文。内容有点儿长，小编就不给大家全文翻译了。总之，这篇文章有开头、有结尾，有立意、有中心。文章引出了“创造性思考”和“过度思考”两种思考模式。文章还通过“作者”的切身经历，向我们阐述了过度思考的弊端，同时引导我们要进入到创造性思考的正向循环中，为生活创造更多价值。怎么样，这道阅读理解我能拿五分吗？
总之，这篇AI生成的鸡汤文非但没有露出马脚，还直接冲上了HackerNews的热搜榜首。看来歪果仁也很吃鸡汤这一套啊。讨论区里有几位老哥的表现甚至有些夸张：“这篇文章振聋发聩，跟前一阵伊森霍克的TED演讲有一拼！感谢楼主分享如此深度好文！”要是伊森霍克知道他的演讲被人和一篇AI生成的文章放到一起品评，不知道是该哭还是该笑。
伊森霍克最后是哭是笑小编不太清楚，因为此时我已经陷入了深深的沉思：要是AI再这么螺旋拐弯牛下去，我是不是就不用写稿失业了。。。别说，被这个问题困惑的可能不止我，律政精英、公司财务、程序开发，以及公司的油头UI设计师都在GPT-3的精确打击范围内。。。比如说有人把GPT-3和表格文件对接到了一起。
而我们只需要说类似“房租3000押一付三”、“老板上星期我打了一万块钱”一类的白话，GPT-3就能自动生成一张非常专业的财务报表。除了报表，GPT-3还能够只依靠几句话，就帮你撮一个网页出来。拥有十年工作经验的前端人员，哭了。“一个谷歌的Logo，一个搜索框，两个灰色的按钮，一个写‘谷歌搜索’，一个写‘手气不错’。”“把搜索框再改宽点儿。”“错啦。两个按钮之间要加一点间距，不要粘在一起。
”用一句话生成出个高仿Ins的界面也不在话下。甚至可以通过白话描述，直接用专业的SQL语言提取数据库资料。“拉取25-35岁员工的薪资详情”。震惊，程序员一夜之间化身产品经理，竟向电脑提出如此过分要求！哦我的上帝啊，这哪儿是什么AI啊。这可真是比小说里的小秘书、金手指、随身老爷爷还要神奇啊！先说明一下，以上这些神奇功能都是小编从拿到了GPT-3抢鲜体验资格的研究人员那看到的例子。
虽然小编也申请了GPT-3的体验资格，不过目前还在排队等待审核。等后续小编搞到了资格，我们再来好好看看我以后是不是可以拿它代笔了。然而光是从这些演示上看，我们已经可以发现这个GPT-3实在是强悍的不太像个AI了。所以，什么事AI都能干了，大家是不是混吃等死就好了？以后更不用去上学了？当然不是这样的。
虽然小编看到有些小伙伴在介绍GPT-3的时候用了类似这样的说法（顺便渲染了一波AI威胁论），但是实际上，这种猜测难以成立。因为从本质上来看，GPT-3属于AI理论中的“反应机”（React Machine），距离替代人类还远得很。现在大家通常把人工智分成四个层级：反应机（第一层）、有限记忆（第二层）、具有心智（第三层）、自我意识（第四层）。我们现实中最常见的AI都位于第一层的反应机。
比如我们常用的小爱同学、小度小度，以及这次的GPT-3。（GPT-3里的PT，实际代表的就是预先训练“Pre-Training”）它们通过“喂养”人工预先收集的大量样本进行学习训练，让AI对某件事情有了认知。之后再根据已有的样本组织反馈逻辑。这样的AI没有自我成长的能力，只能根据已学习的信息进行机械化的反应。
比如说，给AI灌输了一堆猫猫的侧面照片，AI下一次再看到一张新的猫猫侧面照时，大概率就能认出来这是一只猫了。但要是我这时候给AI一张猫猫的正面照，它就很可能把猫猫认成狗。说白了，反应机做的事情就是照猫画猫。但凡有哪只新猫长得和以前见过的差太多，就只能抓虾了。但可能有些小伙伴得说了，我们看前面GPT-3好像什么都能做，瞬间胜任了无数职业，怎么还会是把猫当成狗的反应机？小编，你这说法行不通啊。
非也，就像我前面提到的，反应机的原理是所谓的“照猫画猫”。那只要我们想办法把全天下所有的猫给它看一遍，它不就不会翻车了嘛！这正是GPT-3干的事。其实在它之前还有GPT-2，当时研究人员使用了100多亿个参数训练它，得出的结果已经让它站在世界顶尖AI的梯队里了。而这一次他们在训练GPT-3的时候，直接把训练参数增加了接近20多倍，达到了1750亿个参数，素材达到了45TB！
根据大家的测试结果看，除非你编一些根本不存在的问题给他，不然GPT-3的翻车概率几乎不存在。问：你怎么波哥个魔哥？答：你得用波哥来波哥个魔哥。问：引腰里有多少树？答：引腰里有三棵树。问：你知道我问的都是个些什么嘛？答：嗯，我知道。为了能够让AI跑的动1750亿个参数，赞助商微软直接给OpenAI划拨了一台世界排名前五的超级计算机。据说，光是里面装载的NVIDIA显卡和AI运算卡就接近上亿人民币。
史无前例的聪明AI，果然也得用史无前例的真金白银砸出来。不过饶是如此，哪怕GPT-3再聪明，它也只能糅合别人的创造，书写的别人的观点。脱离了训练使用的样本库，它便无法再输出创意，更没法自我学习。所以小编觉得，GPT-3（以及之后的AI）能像现在这样帮助人们高效输出一些解决方案，从某些繁杂琐碎的工作中解脱出来。但是它们永远无法替代人的思想。
And that's what makes us human。