原创丨人神共奋

来源丨思想钢印

图片来源：由无界 AI工具生成

人工智能不只是 ChatGPT

ChatGPT 火了之后，有一个段子，说：我们过去想象的人工智能是，我们写诗画画编音乐，AI 烧饭洗碗修电脑，没想到，最后是 AI 写诗画画编音乐，我们自己烧饭洗碗修电脑。

白领危机四伏，蓝领暗自庆幸。

然而，ChatGPT 实际上只是人工智能历史上的第一个爆款应用，又是以一对一对话形式展开，效果又超出了我们的心理预期，很容易让我们产生一个“人工智能能说会道”的错觉，进而让我们觉得，它未来可以取代很多白领的工作。

其实，ChatGPT 底层的自然语言大模型 GPT，只是众多人工智能大模型中率先“涌现”的一个，它更倾向于生成文本的能力，所以看起来都是写写文章，说说话，画画画，但并不是说人工智能就只能干这些，你总不能因为赵本山演小品，就以为东北人只会演小品吧？

所以说，哪有什么“只取代白领的工作”这么简单的事啊，取代蓝领工作的人工智能早晚也会来的。

仅就自然语言大模型而言，最有名的有两种方向，除了 GPT 模型外，还有 Google 的 BERT 模型，两者的核心区别在于目标不同，GPT 更倾向于生成文本，而 BERT 模型更倾向于理解文本。

更不用说还有更多开发中的各种方向的人工智能模型。

本文将从 GPT 模型与 BERT 模型的区别出发，分析一系列相关的问题：

1、GPT 模型与 BERT 模型的区别、各种擅长的领域和未来可能适用的场景

2、为什么突破率先出现在 GPT 模型上

3、AI 行情的投资策略、重点方向与风险

文科的 GPT 和全科的 BERT

说 GPT 更倾向于生成文本，而 BERT 模型更倾向于理解文本，这个区别可能人类无法理解，不理解文本怎么生成文本呢？

但这个问题对 AI 来说，并不存在。

给一个形象的比喻，有一部励志日本电影《垫底辣妹》，讲一个年级倒数第一的差生通过一年内复习考入庆应大学（日本复旦交大这个级别）的真实故事，相当于在全国学生中的最后 2%，进步到前 2%。

这个神奇的故事之所以能实现，是因为她只要考“英语、小论文、历史”这三门强调记忆的科目，她不需要很深的理解，只需要记忆和“生成”，注意重点是——不考数学、物理等注重推理的科目。

而 GPT 模型的成功，就像“垫底辣妹”一样，很大程度在于选择了一个“语言生成”为目标的捷径，从而让它看上去的效果比它实际上的突破更明显——这一点跟现实中一样，一个能说会道的员工，总是比只会干实事的员工，看起来更能干。

Transformer 模型有编码器和解码器两部分，GPT 模型只使用编码器部分，而 BERT 模型既包含编码器部分，也包含解码器部分，所以，通常认为，BERT 模型需要“理解”文本的内容，GPT 模型则不一定。BERT 虽然也是一个文科生，但也要学习数学、物理这一类注重推理的课程，全面发展。

两者的区别在一开始训练时就产生了，GPT 的训练目标是通过最大化下一个单词的条件概率来预测下一个单词，从而完成生成任务；而 BERT 的训练目标是随机掩盖一些输入词汇并要求模型预测这些词汇，强迫模型预测缺失的单词，因此产生了双向性。

GPT 模型完成任务的方法就是“猜猜下一个概率最大的词是什么”，所以 ChatGPT 都是一个字一个字地蹦出来的，跟刚刚学会说话的小孩子一样。

但 BERT 模型就不同了，它会考虑每一个单词与前后文的关系，如果未来能成功训练出来（注意这个前提），所有的文字应该是一起出来，它会把所有的话想好了，再一口气输出。

很明显，BERT 模型的训练要求更高，实现难度更大，这就是为什么 Google 在人工智能的研究方面此前一直遥遥领先，会忽然间被积累不如它的微软超越。

虽然大家已经觉得 GPT 很神奇了，但如果真的大规模投入应用，在那些非生成内容为主的应用上，它还是有缺陷的。

比如你对 AI 助理说：“帮我在陆家嘴附近订一个粤菜餐馆，人均消费在 500 元左右，时间是明天晚上。”

对于这个句子，GPT 模型的“理解”是从过去的语料训练中，判断“陆家嘴、粤菜、明天晚上、人均消费、500 元”这些词的组合而不是词本身的意义，由此来判断自己应该输出什么样的内容，它对于语言的最小理解单位是句子，而不是词汇，会导致“模型产生幻觉，编造训练中从未有过的数据”。所以我们有时看到 GPT 推荐必胜客等成都小吃的离谱结果，因为它并不理解“必胜客”的属性，它还会把数学计算中的 1995 当成年代。

虽然 GPT4 中，这些现象已经大大减少，但由于底层逻辑仍然是一个“文科生”，未来很难说在遇到更复杂的问题时，会不会出错，很可能最后给你预订了一个经常与粤菜馆一起出现的咖啡馆。

而 BERT 模型的最小理解单位就可以到词汇级别，主要是因为模型在训练中，强化了对实名词汇的判断，即槽位填充（Slot Filling）。槽位表示文本中的特定信息或实体，例如日期、时间、地点、人名等，这些都是理解一段话的关键信息，需要从文本中识别并填充预定义的槽位或信息。

通过训练，它首先可以从这些词汇的属性，来判断句子的类型是美食类，还是体育、政治、科技、娱乐（文本分类并不是 GPT 的训练项），经过此项训练，BERT 模型可以理解到词汇这个级别，可以判断“陆家嘴、粤菜、明天晚上、人均消费、500 元”这些词的意义，从而给出更准确的推荐，以及下一步预订的动作，而 GPT 的理解就不一定准确了。

由此看来，GPT 模式不会是终点，AI 代替人类的工作，文本类只是一个“开胃菜”。

可能有人会想，为什么 Google 不先做一个相对容易的文本生成模型，而要先做一个更难的呢？

模型的未来应用

原因很简单，BERT 模型未来的用途可能更广阔。

GPT 模型就像文科毕业生，由于其在生成文本方面的强大能力，毕业后最大的“就业去向”是自动生成文章类的“工作”、包括新闻、广告文案、创意内容、法律文书、文秘、各类咨询，等等；其次的“就业去向”是作为聊天机器人、虚拟助手、智能客服，等等，进行更加自然、流利的对话。

而 BERT 模型并不会局限在“文科领域”，它可以凭借自己执行文本分类、命名实体识别、关系抽取等任务的能力，有更广泛的用途，比如可以用于帮助搜索引擎更准确地理解用户查询意图，从而提供更精准的搜索结果——这就是 Google 和百度一直在重点开发这个方向的原因。

更重要的是，BERT 模型可以从非结构化的日常语言数据中，抽取结构化数据，就是我们前面说的订餐馆的例子，小到要求助理召集一场特定人员参加的有特定目的的会议，大到智能驾驶——

我问过 ChatGPT 一个问题：“你觉得智能驾驶更有可能通过哪一个模型实现？”

它很坦诚地承认，BERT 模型可能更适合在复杂的驾驶场景中进行深度理解和决策，理由是：

“在智能驾驶中，理解交通标志、识别道路标线、理解交叉口的交通信号等，都需要对文本信息进行深入的理解和推断。BERT 模型作为一种能够对文本信息进行深度理解的模型，可能在智能驾驶中具有更广泛的应用潜力。”

然而，双向语言模型训练难度太大了，ChatGPT 之前的 BERT 是双向模型，但效果一般，导致众多企业在这方面的投入更犹豫，转机出现在 OpenAI 将 GPT 变成单向语言模型后，持续投入出现了 GPT-3.5 的质的突破，实现人工智能从猿到人的关键进化。

而且，未来即使 BERT 这一类双向语言模型也实现了“涌现”，因为它的计算复杂度较高，算力成本也就更高，很可能从成本上限制了它的使用场景。

所以未来不会有大一统的模型，可能会是各种模型的融合，在实际应用中需要根据任务需求和计算资源进行选择，以充分发挥各自的优势。

例如，一个智能客服对话系统，其工作内容可以分成两类，一类是咨询，只需要简单判断客户的意图，主要任务是生成内容，客户也没有很高的精度要求，用 GPT 这一类单向模型就够了；

另一类客户沟通类工作，比如消费者要求退换货、赔偿、投诉等涉及复杂判断和反复沟通的需求，对理解能力要求很高，还要判断客户提供信息的真实性，甚至需要 AI 判断客户此时的情感类型和程度，就需要用 BERT 模型进行意图识别和槽位填充，从而实现更加智能、灵活的对话交互。

对比了 GPT 和 BERT 的区别，可以看出，GPT 并不像大家想象的那么万能，它的训练目标中，对判断推理的要求没有文本生成高，下游应用可能并不会那么多。

那么，这个题材现在是不是有点炒作过了呢？会不会像 21 年的元宇宙一样雷声大雨点小呢？

AI 行情的投资策略

答案是“不会”，GPT 模型的意义不在于“找到东方的黄金”，而是“发现新航线”。

人工智能的理论突破，基于 Transformer 架构的自然语言处理模型，实际上是发生在前几年，只是之前没有人能实现它，所以并不确定它行不行，加上费用都是以亿为单位，就算是巨头，在投入上都比较小心。

所以 ChatGPT 的重要意义在于形成了一个行业共识——只要基于海量的数据去喂这个模型，时间到了，就能“大力出奇迹”，最终实现超大神经网络能力的涌现。

国内的 AI 大模型长期发展缓慢，但 ChatGPT 问世后，短短几个月一下子冒出了多个能力相当于 GPT-3 的大模型，并不是这些巨头在蹭热点，而是新航线被确认了，必然会有多支“舰队”出发，之后也必然会出现更多的不同于 GPT 的“新航线”。

当然，越是星辰大海级别的投资机会，越需要合理的投资策略。

以应用方向为例，对应的行业都是传媒影视游戏、各种互联网应用和软件，这一类行业之前因为商业模式的缺陷，估值普遍不高，所以 AI 应用行情的核心逻辑是用 AI 改造传统的商业模式，出现业绩与估值的戴维斯双击。

但行情是一波波走出来的，这一类产业大趋势的行情通常包括三个阶段：

第一阶段：位置驱动和故事驱动

第二阶段：逻辑驱动和业务驱动

第三阶段：业绩驱动和商业模式驱动

第一阶段的核心原因是“估值低、机构持仓低、预期低”的“三低”，以 AI 应用为名义的估值修复行情。既然是估值修复，那就是“逻辑第三、故事第二、位置第一”，大部分公司不分好坏，只要有诉求，都能上涨。

可一旦估值修复完成，第一批信仰者已经满仓，其他人还在观望，市场冷静下来，行情就要进入到逻辑驱动和业务驱动的第二阶段。

这个阶段，AI 应用标的的投资方向，主要考虑业务是否成立，要考虑 AI 使用成本与客户需求的匹配度，尽可能优先考虑 GPT3.5 和 4 非常擅长的功能，其次是支持的功能，对年底可能推出的多模态的 GPT5，还是要多一份谨慎。

我前面分析了一堆 GPT 模型的特点，正是为了从这个特点出发，分析现有的投资炒作逻辑中，哪些逻辑后面可能被证实，哪些逻辑可能被证伪。

AI 应用重点投资方向

一、文字输出、图像输出类应用仍然是最需要关注的方向

人工智能首先在语言和图像输出方面实现质的飞跃，等于方向已经指明，这将鼓励各大平台加大在此方向上的投入。

首先是办公应用，其次是游戏，再次是部分偏内容服务的广告营销、咨询服务和法律服务等企业培训服务，以及少数影视传媒。

变好的不但有业务，还有商业模式。内容生成行业的成本项，从没有规模效应、难以控制的人，变成有规模效应、控制性很好的 AI，市值空间变大，理应获得更高的估值。

但这里需要区别内容生成和创意生成，前者是指大量重复的、受众低要求的创作，后者是少数内容精英的创作成果，观众要求高。以影视为例，仅依赖广告、观众 不太挑剔的免费电视剧更偏向于前者，而电影、付费精品剧更偏向于后者。

AI 对创意生成的替代作用非常小，创意行业的商业模式不会因此改变，仍然是没有什么投资价值的行业。

二、侧重于推理判断和有后续动作的应用，要具体应用具体分析

前面我以客服机器人为例，分析了客服中两种不同需求对 AI 的挑战不同，客户的预期不同，最终导致 AI 的效果与付费意愿也就不同，所以，需求中侧重于推理判断和有后续动作的应用，要具体应用具体分析，总体上有几个原则：

1、需求有明确结果，但对结果要求高的应用要谨慎，比如 AI 智能驾驶和 AI 辅助诊断，有人认为 AI 只是辅助诊断，但他们一定忘了魏则西的悲剧，AI 诊断的暗示性远远强于搜索结果；

2、可以直接低成本带来新客户的（游戏、图片创作、法律心理管理等咨询服务、部分黑产），最佳；可以提高付费意愿和单价的（办公应用），其次；只能省成本或只能改善用户体验的（企业文书、网文创作、药物研发），再次；价值感不明确导致付费比较犹豫的（目前大部分），最差；

3、效果可能一般，但非常刚需或者价值感很强（比如金融、教育）；付费方与使用方分离的（礼品类硬件应用）；

4、入口强制使用的（国民级 App、留存社交关系的 App、手机电视电脑智能音箱等）；

5、目前大量被炒作的应用方向（订餐、旅游、购物），大多虽理论上可以提升用户体验，但并不能带来明确的核心价值，或者不解决用户痛点，而且结果也并不一定准确。这一类应用，可能用了很高的成本只创造了少量新需求和新收费，最终得不偿失。

三、正确的方向和模糊的个股

虽然像游戏、办公、金融、教育，都是前期炒得比较多的方向，但这些方向都非常确定，需要有一级市场的前瞻性思维，并不需要看到业绩的落地。最怕的是一开始不信，看到业绩落地后又相信了，业绩落地、确定性很高时，估值可能已经非常离谱了。

也不要因为用过之后体验不好，就觉得这个项目不行，只要方向正确，人工智能的进化速度远远超过人类的想象。

最大的风险是方向确定，但标的不确定，最好的办法就是打包买，看好办公，就多找几个方向的相关标的，主做中国市场的，覆盖全球市场的，A 股的、美港股的，通通打包买。

大模型的商业价值存疑

从 ChatGPT 的输出内容看，它有明显的意识形态，这是在训练中有目的输入的，这肯定会给各国政府一个启发——利用人工智能训练进行全民价值观的灌输或潜移默化。

至少在我国，大语言模型将兼具“宣传阵地”（推理）和“教育阵地”（训练）的作用，未来主要方向不是商业化，而是像现在的媒体和教育机构一样被高度管控，以防止出现互联网时代 BAT 那样过于强势的非官方控制的巨型平台。

所以大模型的商业价值有相当的不确定性。正在做大模型的公司，如果能先于监管“把孩子生下来”，算是安全上岸，日后无非是监管成本问题。难的是开发进度落后的，很可能最后胎死腹中，投资打水漂。

回到前面对 GPT 模型定位的分析，大语言模型必然将遇到这个问题，言语就像氧气、水源、粮食一样，商业化必然面对各种政治的、道德的挑战，可能商业价值更大的，还是侧重推理的非语言类大模型，以及在语言大模型基础上训练的专业模型。