把力量交给人民：大语言模型如何颠覆技术扩散

变革性技术通常遵循自上而下的扩散路径：发端于政府或军事场景，经由企业，最终抵达个人——想想电力、密码学、计算机、飞行、互联网或 GPS。这一进程显得顺理成章：新兴而强大的技术通常稀缺、资本密集，早期使用还需要专门的技术专长。

因此，大语言模型（Large Language Model，LLM）呈现出这一模式的戏剧性反转，让我觉得相当独特且非凡——它们为普通人产生不成比例的巨大收益，而在企业和政府中，其影响却弱得多、也滞后得多。ChatGPT 是历史上增长最快的消费级应用，拥有 4 亿周活跃用户，用它来写作、编程、翻译、辅导、摘要、深度研究、头脑风暴等等。这并非对既有能力的小幅升级，而是对个人能力水平在广泛能力范围内的巨大乘数。而且使用门槛极低——模型便宜（甚至免费）、快速、任何人都能按需通过一个 URL（甚至本地机器）获得，还会说任何人的母语，包括语气、俚语甚至 emoji。这太疯狂了。据我所知，普通人从未经历过如此剧烈、如此迅速的技术解锁。

那么，为什么在企业界和政府领域，收益要弱得多？我认为第一个原因是，LLM 提供的能力画像非常特殊——仅仅是准专家级的知识/表现，但同时又横跨非常广泛的领域。换句话说，它们既多才多艺，又浅薄且易错。与此同时，组织独有的超能力，在于能够通过雇用工程师、研究员、分析师、律师、营销人员等，把多元的专业知识集中到单一实体中。LLM 当然能让这些专家各自更高效（例如起草初步法律条款、生成样板代码等），但对组织的改进表现为：在它本来就能做的事情上变得稍微更好一点。相比之下，个人通常最多只在一件事上是专家，因此 LLM 提供的广泛准专长，从根本上让他们能够做以前做不到的事。人们现在可以凭感觉（vibe）编写应用程序。他们可以着手处理法律文件。他们可以吃透晦涩的研究论文。他们可以做数据分析。他们可以为品牌和营销生成多模态内容。他们可以在无需额外专家参与的情况下，以足够的水平完成所有这些事。

第二，组织要处理复杂得多、也需要更多协调的问题，想想看：各种集成、遗留系统、企业品牌或风格指南、严格的安全协议、隐私考量、国际化、监管合规和法律风险。变量多得多、约束多得多、考量多得多，容错空间却小得多。把这些全部放进上下文窗口并不容易。你不能只是凭感觉写点代码。你可能就差一个灾难性的幻觉，就丢了工作。第三，大型组织还有众所周知（且已有充分记载）的惯性：文化、历史先例、在快速变化时期升级的政治地盘争夺、沟通开销、分布式员工再培训的挑战，以及老一套的官僚主义。对于一款闪亮的新工具——多才多艺却浅薄易错——的快速采用而言，这些都是巨大的逆风。我不想淡化 LLM 在企业或政府中的影响，但至少就目前而言，从全社会的总体来看，它们对个人生活的改变显著大于对组织的影响。获得大部分好处的是玛丽、吉姆和乔们（普通人），而不是谷歌或美国政府。

展望未来，LLM 的持续扩散当然取决于持续的性能提升及其能力画像。整体的「收益分布」特别值得描绘，而这在很大程度上取决于性能作为资本支出（capital expenditure）函数的动态范围（dynamic range）。今天，前沿级 LLM 性能非常易得且便宜。超过这一点，你无法再花一美元换来更好的性能、可靠性或自主性。钱买不到更好的 ChatGPT。比尔·盖茨（Bill Gates）和你我一样，都是那样跟 GPT 4o 对话。但这种情况能持续吗？训练时扩展（增加参数、数据）、测试时扩展（增加时间）和模型集成（增加批量）都是增大动态范围的力量。另一方面，模型蒸馏（通过训练模型模仿大模型，从而训练出能力不成比例强大的小模型）则是减小动态范围的力量。当然，一旦钱能买到明显更好的 ChatGPT，情况就会改变。大型组织得以集中其庞大资源购买更多智能。而在「个人」这一类别内部，精英也可能再次与社会其余部分拉开差距。他们的孩子由 GPT-8-pro-max-high 辅导，你的孩子由 GPT-6 mini 辅导。

但至少此时此刻，我们发现自己处在技术史上一段独特且前所未有的境况中。如果你回顾各种科幻作品，会发现很少有人预见到 AI 革命会呈现这样的进程。它本应是一个由将军们掌控的绝密政府超级大脑项目，而不是 ChatGPT 几乎一夜之间、免费出现在每个人口袋里已有的设备上。还记得威廉·吉布森（William Gibson）的那句名言吗？「未来早已到来，只是尚未均匀分布」？惊喜——未来早已到来，而且分布得惊人地均匀。把力量交给人民。就我个人而言，我爱极了这一点。

允许社区评论的本文版本在 X 上。