陳永偉/文

生成式AI元年

每隔幾年，在人工智能領(lǐng)域都會出現(xiàn)一個新的熱點。在剛剛過去的2022年，這個新熱點無疑就是“生成式AI”（GenerativeAI）。所謂生成式AI，就是通過各種機(jī)器學(xué)習(xí)（MachineLearning，ML）方法從數(shù)據(jù)中學(xué)習(xí)對象的組件，進(jìn)而生成全新的、完全原創(chuàng)的內(nèi)容（如文字、圖片、視頻）的AI。這些生成的內(nèi)容會和訓(xùn)練數(shù)據(jù)十分相似，但卻不是簡單地對學(xué)習(xí)數(shù)據(jù)進(jìn)行復(fù)制。

早在去年年初，著名科技咨詢機(jī)構(gòu)高德納（Gartner）就發(fā)布了一份2022年最有前景的技術(shù)預(yù)測榜。在榜單中，總共列舉了十二種技術(shù)，生成式AI位列榜首。此后的事實證明了高德納預(yù)測的正確性，在這一年中，一個接一個的生成式AI模型不斷驚艷了人們。

最先是OpenAI于4月份發(fā)布的Dall-E2。這個AI程序可以根據(jù)用戶的需要生成所需要的圖形。用戶只要輸入自己想要的內(nèi)容和圖形風(fēng)格，程序就可以迅速地生成對應(yīng)的圖形——即使人們對圖形的描述是非常天馬行空、不切實際的。Dall-E對繪畫風(fēng)格的模仿非常精準(zhǔn)。OpenAI曾經(jīng)讓Dall-E2仿照一些畫家的風(fēng)格生成了一批圖片，然后將這些圖片和畫家本人繪制的圖放在一起讓用戶來進(jìn)行分辨。結(jié)果顯示，大部分的用戶根本無法判斷哪些圖是原畫，哪一些圖是由AI生成的。

由于Dall-E2的出色表現(xiàn)，通過言語描述生成圖形的AI概念迅速爆火。在眾多的類似產(chǎn)品中，最有代表性的是由StabilityAI推出的StableDiffusion模型。與OpenAI相比，作為初創(chuàng)公司的StabilityAI不太起眼，但從產(chǎn)品的品質(zhì)看，StableDiffusion卻十分可圈可點，在不少方面甚至比Dall-E2更為出色。舉例來說，Dall-E2在生成圖形時是帶有非常大的隨機(jī)性的。如果用戶不滿意，那么Dall-E2就只能按照要求重新隨機(jī)生成一張。而StableDiffusion的處理則更為人性化：它可以根據(jù)用戶的要求，生成一組圖片。如果用戶感覺其中的某一張比較滿意，就可以將其存為種子。這樣，程序就可以記錄這張圖片的大致構(gòu)圖樣式，在隨后的生成中，就可以在這個種子的基礎(chǔ)上進(jìn)行改動。通過這樣的設(shè)計，人們就可以比較容易地得到自己滿意的圖片。更為重要的是，在StableDiffusion大火之后，其開發(fā)團(tuán)隊立即將其開源。目前，開發(fā)者已經(jīng)可以通過對StableDiffusion的源程序進(jìn)行修改來得到自己的生成式AI程序。

在圖形生成AI大獲成功的同時，文本生成型AI也異軍突起，而其代表產(chǎn)品就是年底時火爆全網(wǎng)的ChatGPT。ChatGPT也是由OpenAI開發(fā)的。從外觀上看，ChatGPT就是一個聊天機(jī)器人，用戶只需要在對話框中鍵入相關(guān)內(nèi)容，ChatGPT就會給出對應(yīng)的回答。但和之前的對話機(jī)器人相比，ChatGPT的能力顯然要強(qiáng)大太多。它不僅可以根據(jù)交互過程中的上下文，對用戶的一些簡單問題對答如流，還可以按照用戶指示完成較為復(fù)雜的工作。比如，用戶可以命令它撰寫小說——為了實現(xiàn)這一點，用戶只需要列出大綱，提出要求，ChatGPT就會根據(jù)要求生成對應(yīng)的內(nèi)容。再如，用戶也可以描述相關(guān)要求，讓它編寫對應(yīng)的程序。在程序生成之后，它甚至還可以根據(jù)要求進(jìn)行對應(yīng)的修改。此外，ChatGPT甚至還可以求解數(shù)學(xué)題。我曾經(jīng)讓ChatGPT做了一套中學(xué)數(shù)學(xué)試卷的選擇題部分，結(jié)果其正確率達(dá)到了80%以上——作為一個AI，可以順利讀懂題干，并進(jìn)行對應(yīng)的求解，可謂已經(jīng)相當(dāng)不易了。值得一提的是，一些用戶還將ChatGPT和Dall-E2這出自同一公司的“兩兄弟”配合使用，讓ChatGPT生成對圖片的描述，再讓Dall-E2根據(jù)描述生成對應(yīng)的圖片，結(jié)果非常亮眼。

正因為有如此多的生成式AI模型在這一年中陸續(xù)涌現(xiàn)，因此很多業(yè)內(nèi)人士建議將2022年稱為“生成式AI元年”。

AI是如何生成內(nèi)容的

AI是如何通過學(xué)習(xí)內(nèi)容材料，最終達(dá)到生成內(nèi)容的結(jié)果的呢？其背后的原理是什么？如果用比較專業(yè)的術(shù)語講，AI能實現(xiàn)這一切，都是因為一個名為“生成式對抗網(wǎng)絡(luò)”（Generativead－versarialnetworks，簡稱GAN）的模型。而要講明白這個模型，我們就需要對機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的一般概念有一個比較初步的了解。

對人工智能領(lǐng)域有所了解的讀者應(yīng)該知道，在“人工智能”這個大領(lǐng)域下面，存在著很多子領(lǐng)域，并且在不同的時期，引領(lǐng)人工智能發(fā)展的子領(lǐng)域各不相同。舉例來說，在上世紀(jì)六七十年代，人工智能的發(fā)展重心是專家系統(tǒng)；到了八十年代，概率推理則一度成為了人工智能發(fā)展的重點。而在近十年中，人工智能的發(fā)展主要是由機(jī)器學(xué)習(xí)推動的。顧名思義，機(jī)器學(xué)習(xí)就是讓計算機(jī)對數(shù)據(jù)進(jìn)行學(xué)習(xí)，從中找出規(guī)律，建立模型。舉例來說，如果我們要讓計算機(jī)從圖片中識別出狗，就可以讓它學(xué)習(xí)很多有狗的圖片，讓它從中摸索出足以判斷某個圖形是狗的規(guī)律。當(dāng)然，機(jī)器學(xué)習(xí)可以用很多模型來實現(xiàn)。比如，我們常用的回歸（regression）算法就是標(biāo)注出一系列可以判斷圖片是狗的要素，類似“翹起的耳朵”、“渾身長毛”、“有尾巴”等，計算機(jī)通過對數(shù)據(jù)的學(xué)習(xí)，就可以在這些特征與“圖形是狗”這個事實的概率之間建立一種關(guān)系，例如發(fā)現(xiàn)了圖片中有“翹起的耳朵”，則判定圖形是狗的概率增加10%；發(fā)現(xiàn)圖片中“有尾巴”，則判定圖形是狗的概率增加5%……最終，計算機(jī)可以在學(xué)習(xí)了大量圖片的基礎(chǔ)之后，建立起一個模型，據(jù)此來判斷新的圖片當(dāng)中究竟有沒有狗。

不過，類似的算法的缺陷是顯而易見的。具體來說，在上面的例子中，用來判斷圖形是狗的因素是人們事先給定的，這些因素夾雜著人們的先驗判斷，因而很可能是不可靠的。比如，一個動物有“翹起的耳朵”、“渾身長毛”、“有尾巴”，但它可能是狼。在多數(shù)情況下，人們只要看到了圖片，就可以從動物的神情等信息十分精準(zhǔn)地判斷出它究竟是狗還是狼，但如果根據(jù)前面的算法，機(jī)器就很難作出類似的判斷。那么如何解決這一問題呢？一個可能的破解辦法就是引入深度學(xué)習(xí)（deeplearning）技術(shù)。

所謂深度學(xué)習(xí)，是一種模仿人腦思維過程的方法，它利用多層神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)，通過組合低層特征形成更加抽象的高層表示屬性類別或特征，最后作出綜合判斷。回想一下我們學(xué)會認(rèn)識狗的過程，我們只是看多了，就自然而然地知道什么是狗了。把這個“自然而然”的過程進(jìn)行解剖，我們其實是通過對狗的大量觀測，在大腦中總結(jié)出了很多關(guān)于狗的特征——這些特征很可能很難用語言準(zhǔn)確地描述出來，但卻可以在實踐中用于判斷。類似的，深度學(xué)習(xí)也是通過對大量樣本的學(xué)習(xí)，逐步總結(jié)出一些判斷動物是不是狗的重要特征，最終生成一個用來判斷圖形是否為狗的模型。

在實踐當(dāng)中，深度學(xué)習(xí)很快表現(xiàn)出了其強(qiáng)大的能力。例如，目前得到廣泛應(yīng)用的語音識別和影像辨識系統(tǒng)，其背后的原理都是深度學(xué)習(xí)；而2016年因打敗人類圍棋高手而聞名于世的AlphaGo，也是根據(jù)深度學(xué)習(xí)的原理訓(xùn)練的。不過，深度學(xué)習(xí)的問題是十分明顯的，那就是它對于數(shù)據(jù)有著海量的需求。比如，如果要訓(xùn)練一個AI程序能夠順利地實現(xiàn)對狗的識別，很可能要“喂”給它上百萬，乃至上千萬張與狗相關(guān)的圖片。

如果沒有如此充足的數(shù)據(jù)，又應(yīng)該怎么辦呢？幾年前，我曾經(jīng)就這個問題問過一位AI從業(yè)者。他打趣地回答說：“能怎么辦呢？我就和AI說，你已經(jīng)是個成熟的AI了，應(yīng)該自己生成數(shù)據(jù)，自己訓(xùn)練自己了。”起初，我認(rèn)為這就是他和我開的一個玩笑，但在他的一番解釋之后，我才恍然大悟，原來他和我說的，正是GAN的基本原理。

GAN的思想最早出自2014年，其提出者是著名的深度學(xué)習(xí)理論專家伊恩·古德費洛（IanJ.Goodfellow）。在原理上，生成式對抗網(wǎng)絡(luò)使用兩個神經(jīng)網(wǎng)絡(luò)相互對立，一個生成器和一個判別器。生成器或生成網(wǎng)絡(luò)是一個神經(jīng)網(wǎng)絡(luò)，負(fù)責(zé)生成類似于源數(shù)據(jù)的新數(shù)據(jù)或內(nèi)容。判別器或判別網(wǎng)絡(luò)是負(fù)責(zé)區(qū)分源數(shù)據(jù)和生成數(shù)據(jù)之間的神經(jīng)網(wǎng)絡(luò)。這兩個神經(jīng)網(wǎng)絡(luò)都經(jīng)過交替周期訓(xùn)練，生成器不斷學(xué)習(xí)生成更逼真的數(shù)據(jù)，判別器則更善于區(qū)分假數(shù)據(jù)和真實數(shù)據(jù)。為了能夠生動地說明GAN的原理，古德費洛打了一個形象的比方：GAN就像是構(gòu)造了一個警察抓小偷的游戲。小偷不想被警察抓住，因此他需要不斷揣摩警察的行為，并據(jù)此來隱藏自己是小偷這個事實。而警察則想要抓住小偷，因此他就需要不斷學(xué)習(xí)小偷的偽裝辦法，并據(jù)此調(diào)整自己的抓捕策略。這樣，經(jīng)過不斷的“斗法”，小偷的偽裝技巧和警察的抓捕策略都可以得到大幅的改善，并且這種迭代的速度會非?？?。在古德費洛發(fā)表的第一篇關(guān)于GAN的論文中，就展示了這個過程：起初，他用一個生成網(wǎng)絡(luò)生成了一只假狗的圖形，這個圖形很快就被判別器識別為是假的。但是在經(jīng)過幾輪學(xué)習(xí)之后，生成網(wǎng)絡(luò)生成的狗的圖片就已經(jīng)可以很好地騙過判別器了。

顯然，在對GAN進(jìn)行應(yīng)用之后，就可以很好地解決數(shù)據(jù)不足的問題，因為生成網(wǎng)絡(luò)可以根據(jù)自己的學(xué)習(xí)結(jié)果，不斷生成出對應(yīng)的數(shù)據(jù)供判別器來進(jìn)行判斷，想要多少數(shù)據(jù)就能生成多少數(shù)據(jù)。也正是因為這個道理，GAN的思路一經(jīng)提出，就得到了廣泛的應(yīng)用。

當(dāng)然，在訓(xùn)練某些大型AI程序時，除了使用GAN，還需要使用一些其他的訓(xùn)練方法。以ChatGPT為例，GAN的使用主要是讓他的回答在表現(xiàn)上更像一個人，但GAN本身是難以保證它回答的內(nèi)容本身究竟是不是準(zhǔn)確的——比如，ChatGPT要知道清朝是哪一年建立的，只能通過檢索網(wǎng)絡(luò)信息得到。而這些檢索到的信息本身的可靠性是存疑的，要對此進(jìn)行驗證，必須依靠人力。而將這個程序放到網(wǎng)上，讓用戶來對其回答的內(nèi)容進(jìn)行反饋和糾錯，就是對它的進(jìn)一步訓(xùn)練——明白了這點，我們也就不難理解為什么OpenAI會舍得把用巨資訓(xùn)練的ChatGPT放在網(wǎng)上，讓用戶免費使用了。因為用戶在不斷“調(diào)戲”這個AI的同時，也在充當(dāng)著免費AI訓(xùn)練師的角色，幫助它不斷成長。

為什么是現(xiàn)在

這里有一個問題：為什么生成式AI會在2022年迎來爆發(fā)呢？我們知道，大約在五六年前，由于AlphaGo擊敗了人類圍棋高手，人工智能曾經(jīng)迎來過一次熱潮。在這股熱潮中，也涌現(xiàn)出了很多著名的AI模型。按照“生成式AI”的定義，我們很容易從前些年火爆的AI模型中找到它們的原型。比如，2017年，微軟開發(fā)的人工智能“小冰”就出版了詩集《陽光失了玻璃窗》；美國工程師扎克·圖特（ZackThoutt）用自己設(shè)計的人工智能RNN續(xù)寫了知名小說《冰與火之歌》——這些實踐都是早期生成式AI的例子。不過，在當(dāng)時，生成式AI的應(yīng)用還僅限于一個很小的范圍。那么，為什么是現(xiàn)在爆發(fā)呢？其原因是多方面的。

第一個原因是在最近幾年中，人們對AI模型的認(rèn)識產(chǎn)生了變化，更加適合于生成式AI的“大模型”取代“小模型”成為了人們的新寵。在五年之前，人們更為偏愛那些參數(shù)量相對較小，結(jié)構(gòu)較為簡單的小模型。這一方面是因為小型的模型對于硬件的要求較低；另一方面是由于和大模型相比，小模型具有更高的可解釋性和穩(wěn)健性——想象一下，有兩個模型，一個是只有兩個參數(shù)的線性回歸模型，另一個是有2000個參數(shù)的深層學(xué)習(xí)模型，那人們可以很容易從第一個模型看出某個參數(shù)變化和結(jié)果變化之間的關(guān)系；而對于第二個模型，人們根本無法知道參數(shù)的變化會對結(jié)果造成怎樣的影響。但對于執(zhí)行比較復(fù)雜的任務(wù)，大模型的表現(xiàn)要比小模型好太多，并且在其他條件相同的情況下，模型的參數(shù)更多，模型的表現(xiàn)也會更出色。事實上，我們現(xiàn)在看到的生成式模型，無論是Dall-E、StableDiffusion，還是ChatGPT，都具有數(shù)量龐大的參數(shù)。

第二個原因是在最近幾年，人們發(fā)展出了一些新的模型結(jié)構(gòu)，這使得大模型的訓(xùn)練變得更為容易了。其中，比較有代表性的模型結(jié)構(gòu)就是著名的Transformer。相比于過去的模型結(jié)構(gòu)，Transformer可以實現(xiàn)更好的并行性，并可以大幅度縮短訓(xùn)練時間。在后來對于大型生成式AI的訓(xùn)練過程中，這些更好的模型結(jié)構(gòu)都起到了關(guān)鍵作用。

第三個原因是近幾年硬件能力的進(jìn)步。要訓(xùn)練像Dall-E、ChatGPT等大型的AI模型，需要有巨大的算力作為支撐。在最近幾年中，隨著各種軟硬件技術(shù)的突破，人們可以駕馭的算力獲得了突飛猛進(jìn)的增長，在這樣的背景下，訓(xùn)練大型生成式AI才成為了可能。

第四個原因是數(shù)據(jù)的極大豐富。雖然隨著GAN的發(fā)明，AI的訓(xùn)練已經(jīng)在一定程度上擺脫了對于數(shù)據(jù)的依賴，但很顯然，如果是要訓(xùn)練出大型的生成式AI，充分的初始數(shù)據(jù)投入是必要的。而在過去的幾年中，隨著移動互聯(lián)網(wǎng)的發(fā)展，人們已經(jīng)能十分方便地生成并分享包括文字、圖片，以及視頻在內(nèi)的各種信息，而這些信息都可以被用來進(jìn)行生成式AI訓(xùn)練的材料。

正是在理念轉(zhuǎn)變的指引之下，以及更好的模型、更強(qiáng)的算力，以及更豐富的數(shù)據(jù)的共同支撐之下，生成式AI才最終在2022年迎來了爆發(fā)。

生成式AI究竟有什么用

那么，生成式AI究竟有哪些可能的應(yīng)用場景呢？或者說，除了做成類似Dell-E、ChatGPT這樣的產(chǎn)品，放在網(wǎng)上供人們娛樂之外，它們到底能帶來什么？在我看來，可能的想象空間是十分巨大的。

第一，它可以提供大量素材的生成。借助于生成式AI，人們可以以相對低廉的價格大規(guī)模地生成包括文本、圖片、視頻、3D形象在內(nèi)的各種素材，這可以對豐富網(wǎng)絡(luò)環(huán)境起到非常大的作用。尤其值得一提的是，隨著元宇宙時代的到來，人們對元宇宙中的3D建筑和人物形象的需求出現(xiàn)了大規(guī)模的上升，顯然，依靠純粹的人工制作是很難滿足這樣的需求的，而生成式AI的出現(xiàn)則可以很好地解決這個問題。事實上，包括微軟、英偉達(dá)在內(nèi)的很多企業(yè)已經(jīng)看到了這個商機(jī)，推出了自己的生成式AI平臺，專門為元宇宙提供3D素材。

第二，它可以在包括文藝演出、影視等很多領(lǐng)域替代人力完成部分工作。比如，在《星球大戰(zhàn)》的衍生劇《波巴·費特之書》中，有一部分劇情是涉及年輕時的“天行者”盧克的。很顯然，出于滿足“星戰(zhàn)粉”的情懷需要，讓1977年的電影《星球大戰(zhàn)》中盧克的原扮演者馬克·哈米爾出演這個角色是最為合適的。不過，在拍攝時，哈米爾業(yè)已年邁，即使借助高超的化妝技巧也很難重現(xiàn)他那張青年時代的臉。為了彌補(bǔ)這一遺憾，制作方讓AI學(xué)習(xí)了大量哈米爾年輕時的表演片段后，成功地做出了一張年輕版的哈米爾的臉。于是，年輕的“天行者”盧克就這樣時隔四十多年后，重新出現(xiàn)在了電視頻幕上。

第三，類似ChatGPT這樣的生成式AI模型將有希望成為新一代的智能助手和信息檢索工具。谷歌和ChatGPT在提供信息時的方式是不同的：谷歌更強(qiáng)調(diào)對相關(guān)信息的全面提供，而Chat－GPT則會在整合各種有用信息的基礎(chǔ)上，直接提供整理后的信息，其覆蓋面要比谷歌更小。但盡管如此，類似ChatGPT的AI仍然可能成為一種新一代的信息檢索工具，并對人們的信息獲取方式產(chǎn)生廣泛而深遠(yuǎn)的影響。

第四，生成式AI的崛起還將讓科技研發(fā)、工業(yè)設(shè)計等領(lǐng)域產(chǎn)生深刻的變化。一個著名的例子是用AI來破解蛋白質(zhì)折疊問題。在現(xiàn)實中，氨基酸殘基形成的長鏈將會折疊成錯綜復(fù)雜的3D結(jié)構(gòu)，錯誤折疊的蛋白質(zhì)有可能會引發(fā)阿茲海默病、帕金森病、亨廷頓舞蹈病和囊性纖維化等疾病的發(fā)生。因此，要開發(fā)可以應(yīng)對這些疾病的藥物，人們就需要發(fā)現(xiàn)蛋白質(zhì)的3D結(jié)構(gòu)，并找出哪些藥物或化合物可能與人體組織相互作用，以及怎樣相互作用。然而，要發(fā)現(xiàn)蛋白質(zhì)如何折疊是非常困難的，應(yīng)用實驗的方法分析一種蛋白質(zhì)的結(jié)構(gòu)往往需要幾周、幾個月，甚至更長的時間。在AI進(jìn)入這個領(lǐng)域前，科學(xué)家們只分析了人體2萬種蛋白質(zhì)中17%的結(jié)構(gòu)。然而，從2020年開始，由DeepMind推出的AlphaFold改變了這一切。AlphaFold模型可以根據(jù)基因“代碼”預(yù)測生成蛋白質(zhì)的3D形狀，并在數(shù)小時或數(shù)分鐘內(nèi)生成結(jié)果。到目前為止，AlphaFold已經(jīng)分析出了2億多種蛋白質(zhì)的結(jié)構(gòu)，幾乎已經(jīng)將人類已知的蛋白質(zhì)都一網(wǎng)打盡了。此外，研究顯示，用AlphaFold預(yù)測得到的準(zhǔn)確率已經(jīng)達(dá)到了90%以上，比用人力通過實驗測定的準(zhǔn)確性有過之而無不及?？梢韵胂?，這個事件對于蛋白質(zhì)結(jié)構(gòu)分析這個領(lǐng)域，甚至整個分子生物學(xué)的影響將會是顛覆性的。

生成式AI的發(fā)展帶來的挑戰(zhàn)

需要指出的是，雖然生成式AI的發(fā)展具有非常巨大的應(yīng)用潛力。但和任何一項新技術(shù)一樣，它的發(fā)展也會帶來很多挑戰(zhàn)。限于篇幅，這里我們只對其中的三個挑戰(zhàn)進(jìn)行討論。

第一是對現(xiàn)有知識產(chǎn)權(quán)體系的挑戰(zhàn)。2022年8月，在美國科羅拉多州博覽會上的藝術(shù)比賽中，一副名為《太空歌劇院》的作品一舉奪得了數(shù)字藝術(shù)類別的冠軍。不過，不同于其他參賽作品，它并不是由真人創(chuàng)作的，而是一副AI生成作品。游戲設(shè)計師杰森·艾倫（Ja－sonAllen）在AI繪圖工具M(jìn)idjourney中輸入了自己對作品的構(gòu)思，Midjour－ney就生成了畫作的初稿。然后，艾倫又在初稿的基礎(chǔ)上用Photoshop進(jìn)行了一些修改，并生成了最終的畫稿。因此，根據(jù)創(chuàng)作流程，艾倫并不能算是這副畫作的作者，充其量只能算是一位修改者。更為麻煩的是，作為一款生成式AI程序，Midjourney其實是通過學(xué)習(xí)既有的畫作，然后用其中的素材來組合出初稿的，從嚴(yán)格意義上講，它也并非“創(chuàng)作”了作品，只是對前人的素材進(jìn)行了重組。在這種情況下，究竟《太空歌劇院》是誰的作品？這個大獎又應(yīng)該頒給誰？相應(yīng)的經(jīng)濟(jì)回報又應(yīng)該由誰享有？所有的這些，都成了棘手的問題。

而隨著生成式AI日益成為重要的生產(chǎn)工具，類似的問題會越來越多。如果不進(jìn)行妥善處理，平衡好素材提供者，以及再創(chuàng)作者之間的利益，相關(guān)行業(yè)的發(fā)展將會受到很大的干擾。而要處理好這個問題，就需要對現(xiàn)有的知識產(chǎn)權(quán)體系進(jìn)行比較大的變革。

第二是安全和隱私問題。2017年底，一組色情短片開始在國外著名的論壇Reddit上傳播，其中的女主角竟然是《神奇女俠》的主演，著名演員蓋爾·加朵。追查之下，真相很快就浮出水面：那些視頻其實都是由Deepfake在色情片的基礎(chǔ)上換臉而成。但盡管如此，作為事件的主角，加朵本人已經(jīng)在這個事件中遭受到了深深的傷害。

這只是生成式AI帶來的安全問題的一個代表。事實上，隨著人們可以用AI輕易地生成某個特定風(fēng)格的作品，真相就已經(jīng)開始死亡了。這些合成視頻的真實度已經(jīng)非常高，這意味著，如果有人將類似的技術(shù)用于不良用途，其欺騙性將會是非常高的。

雖然目前人們依靠肉眼已經(jīng)很難分辨出生成內(nèi)容和真實的內(nèi)容，但借助于一些特定的AI工具，我們依然可以完成真假的鑒別。不過，這個過程又能持續(xù)多久呢？如果生成式AI的目標(biāo)就是讓生成的目標(biāo)更為真實，那么它是不是很快就能創(chuàng)造出讓識別AI都難分真假的作品？最終，生成式AI和鑒別AI之間的博弈會不會構(gòu)成另一個GAN的結(jié)構(gòu)？這一點似乎是值得我們引起重視的。

第三是生成式AI引發(fā)的失業(yè)問題。在2017年前后，也就是上一輪AI熱潮來臨的時候，AI引發(fā)的失業(yè)危險就是人們關(guān)心的問題。當(dāng)時，面對擔(dān)心被AI替代的群眾，很多專家給出的建議就是去選擇一些有創(chuàng)造性的職業(yè)，比如繪畫、寫作、程序編寫等。但沒有想到的是，在短短五六年后，這些曾經(jīng)被專家們認(rèn)為難以被AI替代的工作卻這么快被替代了。

那我們應(yīng)該如何應(yīng)對這樣的就業(yè)挑戰(zhàn)呢？我想，這應(yīng)該取決于個人和政府的共同努力。從個人角度看，應(yīng)當(dāng)直面AI的挑戰(zhàn)，及時對自己的工作方向進(jìn)行調(diào)整。例如，當(dāng)AlphaFold分析了所有已知蛋白質(zhì)的結(jié)構(gòu)后，原來通過實驗來探索蛋白質(zhì)結(jié)構(gòu)的科研人員就可以將工作重心更多地轉(zhuǎn)到根據(jù)結(jié)構(gòu)開發(fā)對應(yīng)的藥物；當(dāng)StableDiffusion可以幫助人們完成作畫細(xì)節(jié)后，原來的畫師就應(yīng)該更多去思考作畫的構(gòu)圖。而從政府層面看，則應(yīng)該繼續(xù)加強(qiáng)相關(guān)的就業(yè)指導(dǎo)，保證因AI沖擊而失業(yè)的人員可以及時轉(zhuǎn)向其他的工作，并對無法轉(zhuǎn)崗的人員提供相應(yīng)的保障。只有通過這樣的配合，才能有效應(yīng)對這一輪新的AI就業(yè)沖擊。