引言
在2022年11月ChatGPT推出以前，如果有人告诉我AI能够很快就替代医生、律师、程序员等职业，我是半信半疑的。至少，我认为要等到蓝领和初级白领的工作先一步被替代后，才会轮到这些较为依赖人类智慧和经验的高薪资职业。但ChatGPT的横空出世，它强大的学习能力和利用自然语言交互的高度智能让我感到之前的想法是多么幼稚。这种震撼逼迫我不得不去深入学习，并不断与AI领域的专家和其他同行交流，以便深入了解ChatGPT背后的工作原理。当我梳理了AI的学习和迭代过程后发现，“医生、律师等职业会被AI替代”这样的论调并非媒体的危言耸听。
下面，我将在这篇文章中以律师、医生、程序员的实际案例，来带你一起了解下，到底ChatGPT凭什么能替代人类？
律师
我们先从律师这个职业谈起。律师的成长一般分为2个阶段，一个是学习阶段，另一个是工作阶段。在学习阶段，他需要通过资格考试，为此就需要通过上课、阅读、做题等方式来学习，但核心还是做题。做题才会知道对错，有了反馈后再回过头来学习，巩固知识点，再做题、再反馈、再巩固……以这样的方式最终通过考试，拿到资格证书。然后就到了工作阶段，在这个阶段，案例是核心，律师会开始接触到实际的案例，这时候过去学习的知识就作为认知的基础，他会通过这些基础来做判断和解决这些实际案例中的问题。而随着接触的客户和案例越多，实操的经验也会逐渐积累，他的能力也就越强。也就是说，无论是学习还是工作阶段，律师的成长都是通过学习、实践（判断）、反馈、再学习、再实践、再反馈……这样的循环来逐渐增强自己的认知，使自己的工作能力越来越强。我们一般说的“越老越吃香”就是这个道理。
现在来看ChatGPT，它的成长也可以分为2个阶段：训练阶段和调试阶段。在训练阶段，由大规模语言训练模型（简称为大模型）吸收数据集，通过监督式/非监督式等机器学习算法进行训练。（所谓监督式学习，就是有老师指导，人类作为标注工对学习的过程进行把控，及时告诉机器，它所作的判断是对还是错；非监督式学习，就是没有老师指导，机器先自己自学来进行训练，之后再由人类来调试。对这2种方法不必过于纠结，目前各有优劣，并不存在绝对的好与坏。）
训练完成后，大模型就算初步毕业，这时它就可以正式“工作”了。比如，你以聊天的方式问它问题，它会给出相应的答案（虽然不一定正确）。事实上，初期的正确率大概率是较低的，这时候就需要开始调试。这在AI领域有个官方术语，叫做“生成对抗网络”，我们会把数据集分为生成集和对抗集。给大模型训练的是生成集，训练完以后，我们让大模型回答问题，并使用对抗集中的数据来进行对抗（验证），如果错了，那就让它再回去修正模型。这样通过多次的生成、对抗、再生成、再对抗……来反复迭代，最终使模型越来越完善，正确率越来越高。
如果你阅读时没有走神的话，你可能已经明白了。没错，ChatGPT的成长和律师的成长过程是惊人的相似。只不过，律师的成长涉及到的是书本、授课、做题考试、实践和案例；而ChatGPT的成长涉及到的是数据、大模型、训练、生成与对抗。当然，有的人会说，律师是活的，他每天都会接触新案例，学到新知识，不断更新迭代。难道，ChatGPT就不行？关于前文提到的“生成对抗网络”（或者你可以理解为调试与迭代）：调试可不是静态的，它也可以是动态的，甚至是永无终点的调试。就像一位人类律师，通过每天阅读新闻、接触新客户、新案例来实践和迭代，ChatGPT也可以每天甚至每一秒，使用最新的数据来调试和迭代。
而且，它还能做到人类律师做不到的事情。首先，一位客户抛出法律咨询的需求，正常的律师至少需要几小时甚至几天时间才能答复。但ChatGPT，可以瞬间生成答案。其次，人类律师相互之间的协同性不高，即使是同一个律所的律师们，也难以将大脑中所有的知识、经验与积累共享给对方。但ChatGPT，可以通过训练与调试，学习全世界律师的知识与经验。还有，ChatGPT的背后是高度数字化的代码和算力，类似软件行业，具备边际成本为零的特征，也就是说，一旦初步的训练和调试成熟后，它就可以开始接待客户，它服务一个人和服务1万个人，甚至1亿人，是几乎没有额外的成本增加的。
面对这样的竞争对手，人类律师们，请问你们想怎么收费呢？
医生与程序员
医生也是类似的情况。我们找医生看病时，会告诉医生自己哪里不舒服，医生再通过诊断、检测等手段来判断病情，这背后依赖的就是他所学习的知识、积累的经验、和迭代过的认知，最终给你一个结论。这些知识、经验、认知，ChatGPT都可以通过人类已有的医学知识库和历史的病例集来学习，而且还可以通过生成对抗网络不断更新迭代。
虽然ChatGPT目前的重心还没有被正式应用到医学领域，但我们来看竞争对手谷歌。谷歌的AI就在最近发布了在医学领域的最新进展：大型医用语言模型Med-PaLM，在回答体检问题上的得分为85%（比之前的版本提高了18%，远超其他AI模型），和人类专家医生的得分接近。Med-PaLM还通过构建AI模型来读图，为患者解读超声图像，比如孕妇的胎儿检测和乳腺癌的早期筛查。目前这一AI模型已逐步成熟，并与非洲等地的政府和组织进行合作，开始改善当地医疗资源匮乏的现状。
这是在思维，或者说软件领域的替代。毕竟，医生还有物理上或者说硬件上的能力：做手术。但限于篇幅，这方面就不多展开了，有兴趣的可以去研究这家美国企业：Intuitive Surgical，他们的达芬奇手术机器人已上市的产品就覆盖了普通外科、胸外科、泌尿外科、妇产科、头颈外科以及心脏手术等多个领域，而且还在不断拓展。当然，现阶段主要还是人机结合，由人来操控机器完成手术。可是，你觉得未来究竟是人在手术中的作用越来越大，还是机器和人工智能的作用越来越大呢？
本来不太想说程序员的，但毕竟自己早年也是IT从业者，觉得还是有必要提一下。编程这个行当，比较高端的是架构师这样的岗位，他们负责程序战略上的总设计。越是复杂的程序，越需要好的架构，这样不但可以节省算力，还便于后期的管理、功能叠加和更新。目前的ChatGPT或其他AI技术应该还达不到架构师的水准，未来怎么样不好说，毕竟前文提到过，AI的学习和迭代能力非常强大。
而大部分普通的程序员（粗略估计80%），其实做的是“翻译”工作：将自然语言写成程序代码。ChatGPT现在已经可以胜任这样的重复性工作：你只需要将你的需求告诉它，它就可以写出一套程序来实现你想要的功能，你还可以给它反馈，它再更正，这样反复几次后，一套程序就写好了。而且，它还可以对代码进行自我测试，也不容易犯语法错误，因此工作能力可能远胜于人类程序员。因此，对这种普通的编程工作，AI的替代将很快到来。
ChatGPT与生成式AI的暴走
其实，不仅是我，AI业界的很多人这次都对ChatGPT的横空出世感到惊讶。因为ChatGPT代表的是生成式AI，而过去几年，比较受产业界重视的其实是决策式AI。这2者有何区别？我举个例子，生成式AI，就是像ChatGPT这样，你问它问题，它生成文字的回答；或者像StabilityAI（一款可自动生成图片的AI模型）那样，你告诉它想要的，它生成一副图画。而决策式AI，是像特斯拉的自动驾驶那样，它主要利用AI模型来决策：汽车在驾驶时应该走哪条路、红灯停绿灯行、避开行人等问题。
因此，生成式AI，做的是简答题，决策式AI，做的是选择题。大家把前者叫做依赖高算力的问题，后者叫做依赖低算力的问题。回到人类行为上来，你就很容易理解了：开车这样的事情，大部分人学习后都会很快掌握，而且你一边开车还可以一边打电话甚至喝饮料，对于大脑来说，这是低算力的活动。因此，想要教会AI开车，并不需要太多算力，自动驾驶之所以还未大规模使用，主要是受复杂路况、法规、事故率等问题制约。但你作为一名律师要帮客户打官司，你得了解案子的背景、阅读大量资料和案例集、精心准备辩论才行，而且还是建立在你多年学习和从业积累的基础上。这种就是高算力的人类行为。
这就是为什么，在ChatGPT出来前，大家都普遍认为应该是低算力的决策式AI先大规模应用，高算力的生成式AI还很遥远。但现在一切都不同了，是时候更新认知了。过去大家都认为重复性高的蓝领工作将首先被机器和AI取代，但在生成式AI的冲击下，高算力的白领（除了律师、医生，还有会计、编辑等）工作也变得岌岌可危。
AI与机器人携手的未来世界
在文章的最后，我希望你记住我前面在律师那部分里说的：第一，AI不但能学习你所学过的知识、做你能做的事；而且它效率极高，可以瞬间生成答案；第二，它还能学习整个行业的知识和经验，覆盖面比你更广；第三，它的边际成本为零，人类很难和它比拼成本。面对这样的对手，确实应该有些悲观。
也难怪马斯克曾在一次采访中表示，AI或是”对当今文明最大的威胁之一”。他认为，未来的世界将由人工智能和机器人来管理和运营：一边是虚拟世界的AI，它们就是存在于服务器里的代码；另一边是物理世界机器人，它们是工厂里的“工人”、社会上的“服务人员”、甚至是掌握暴力和执法权的“警察、军人”。虚拟世界的AI可以自己写代码，自我更新迭代，用算法来优化世界的管理与运营、并做出决策。物理世界的机器人则负责制造，就像人类的干细胞一样，自己制造出更多的机器人来完成各种任务。而人类在完成创造它们的任务后就没有具体工作的必要了。
届时，人类的社会关系、伦理道德将面临工业时代以来最大的挑战与变革，这将是一场生产力领域的颠覆性革命。马克思曾说：“任何社会均由生产力与生产关系、经济基础与上层建筑构成基本框架。”在他看来：“生产力决定生产关系，经济基础决定上层建筑，而生产关系和上层建筑又具有反作用。其中，生产力是最革命、最活跃的因素，而掌握先进科技和管理方式的人，对生产力起着核心作用。”
希望未来，我们人类也能掌握和管理好AI这头“最革命、最活跃的野兽”，共同探索出一个人类与AI携手共赢的新时代。
备注：图片来自网络
