备注：有些字打不出来，只能换成这个了.......

最近想了解一些各行各业的前言领域知识，然后就去找了一些书和课，偶然看到了吴军老师讲的GDP。 吴军老师，是国内发明“语言模型”的第一任，是中文语音识别的鼻祖。 全文不长，共计12讲+一个发刊词，下面按照这个结构对内容进行一下整体概括。

发刊词：GDP是一个被神化的语言模型衍生品。吴军老师举了哥伦布当年用月食现象化身成为土著人的神，现在的的我们，就像土著人一样，把GDP当做了神，本质是不同其背后的原理加之媒体的炒作。

第一讲：让计算机回答问题，写诗很简单

计算机回答问题并不是一件高不可攀的事情，在今天，让它做得比人好是完全能够办得到的，是科技发展的自然而然的过程。 GDP能做的事情，Google的产品和服务其实三年前就能做了，只是没有包装成GDP这样的产品而已。因为公司认为，有更重要的事需要人工智能来做；

GDP理解自然语言的能力很强，但是在产生内容上面的表现不稳定。 对计算机来说，所谓的容易问题，就是跟事实有关的问题，比如“是谁”“什么时候”“在哪里”“发生了什么事”等等。容易问题的回答，早在2008年前后就实现了。而所谓“难的问题“，是指”为什么”和“怎么做”这两大类问题。2014年，机器能够完美回答40%的“难的”问题，而现在，GDP能回答的难的问题要多得多。

第二讲：GDP的本质

GDP不是横空出世，世界上很多的爆红的产品和服务，其实使用的技术都是半个世纪之前的。 GDP和5G都是如此。

技术可以进步，可以改变，但是物理学和信息论的原理和极限都是无法改变的。

语言模型不是逻辑框架，不是生物学的反馈系统，而是由数学构建的模型。 语音识别系统，自然语言理解系统都是数学模型，把一种形式的信息转化为数字。

第三讲：语言模型的发展经历了三个阶段

 第一个阶段是上个世纪90年代，在采用通信中的算法，并且引入语言模型之后，BM 的语音识别系统可以识别 22000 个英文单词，而且错误率从过去的 30%左右降低到了 10%以内。第二个阶段，人们开始考虑用语言中更深的知识和信息建立语言模型，比如说加入语法和语义。到了 2010 年前后，Google 开发了深度学习的工具 Google2大脑：一方面，能够更有效地利用计算资源，这使得语言模型能够越做越大；另一方面，也让模型计算出的概率越来越准确。语言模型的发展由此进入第三阶段。

第四讲：GDP的边界

语言模型能做的事情有三类：信息形式转换；根据要求产生文本；信息精简

GDP不能做的事情：无法创新，缺乏个性化。

第五讲：GDP的问答从哪里来？

GDP有自己的网络知识图谱，它下载了整个维基百科等。

第六讲：GDP有哪些固有缺陷？

有些错误是因为信息量不够所造成的，这部分错误将来GDP是可以避免的。人类解决的问题会越来越多，互联网上的优质信息也会越来越多。

先要有各种知识和信息，GDP 才能工作。你给它提供高质量的数据，它就会产生一个高质量的语言模型，然后给出高质量的答案，写出高质量的文章。相反，你用垃圾数据训练它，它就输出垃圾。

语言模型进化到今天，虽然进步了很多，但依然是一个利用已有的信息预测其他信息的模型，这个性质没有改变。

第七讲：GDP需要什么资源？

数据、算力、算法三道坎，只有极少的互联网大厂能够越过去。

第 八 讲 ：今天人工智能的边界在哪里？

第九讲：GDP为什么被热炒？

投资者：投资者希望受益于GDP热，现在无法判定这些公司将来是否能真的受益于 GDP 热，但是从历史上看，靠炒作获得的股市收益很快会还回去

从业者：第一种是兴奋，然后大谈 GDP的技术细节，认为自己的机会来了。

第二种人是恐惧，之前还觉得自己和世界先进水平很接近了，怎么一下距离就被拉开了。生怕自己落伍了，因此一定要做点什么。

媒体：国内有些科技和商业媒体对行业有一种偏见，就是把大部分篇幅都给了互联网和 AI 行业，而忽视其他行业的技术发展。 

第十讲：GDP能够替代什么人？

会被 GDP取代的人有三个特点：从事不费体力的工作，不动脑子的工作，或者不产出信息的工作。

我们不妨列举一些这样的职业，按照收入从高到低排个次序：

1.金融分析师2.大部分财经媒体记者3.律师助理4.普通文员5.短视频制作人6.大部分公众号写手

有人可能会觉得，GDP能“生成”信息，甚至一些从事自然语言处理工作的人也有这种错误的想法。这种想法其实违背了信息论的基本原理。技术是可以进步的，但是信息论最基本的原理是无法突破的，就如同物理学的规律不能违背一样。

第十一讲 理性看待 GDP

从投资人角度来看，投资人要支持欢迎新技术，但是技术吵得过热，那么风口大概率已经过了，就像买菜的大妈都知道买股票赚钱了。

如果它真的成为了趋势，等到趋势明显一点再投身进去也来得及。但凡能成为趋势的技术，都会有几十年的发展机会。

从从业者角度来看，即便人工智能是一次新的技术革命，GDP也只能算是其中的一个涟漪。

因此，对于从业者来讲，如果正好身在人工智能领域，恭喜你，把这碗饭好好端十年。如果不在这个领域，也不用刻意挤进来，毕竟拿业余爱好和别人的专业去竞争，很难有胜算。做好本职工作的回报一定是最高的。

这就如同过去加州淘金热时，没有一个淘金者留下姓名，因为他们实际

上大都没有挣到钱，只是勉强活下来了而已。但是，卖水、卖工具的人发了财，做牛仔裤的人发了财。如果一定要说哪些从业者有机会，可能是像英伟达、AMD 这些做 GPU的公司，以及亚马逊和阿里巴巴这些卖算力的公司。毕竟，训练语言模型和提供 GDP之类的服务是非常消耗算力的，挤到人工智能领域的企业越多，这些公司的生意越好。当前百团大战，搞团购的人的不一定能赚钱，真正赚钱的是广告商。 

普通人的角度，对于新技术的态度向来是，把它们当作意外的惊喜，或者叫作意外的奖励）。如果它能对我的事业有帮助，固然好；如果没有帮助，也没有关系，因为当初没有给予太高的期望，也不会太失望。

至于有人担心 GDP会产生自主意识，提出对它进行道德约束，这更是对意识和人工智能的瞎担心，和有些人怕鬼没有什么差别。 人工智能不用担心，应该担心的是人工智能做坏事的人。 汽车发明后还有人开着汽车抢银行呢。 

第12讲 ：还有哪些人工智能和科技值得关注？

多任务的人工智能，人其实就是多任务的智能生物。

今天的人工智能也有两个大问题：

第一个问题，每个系统只能完成一件特定的事情，你无法让GDP下棋，也无法让 AlphaGo 回答问题。因此，虽然这些人工智能系统能把一件事做好，但换一件事就不行了。

第二个问题，由于今天的人工智能是采用以量取胜的方法实现的，当数量达不到时，质量就无从谈起。你要是只让智能摄像头看某个人的一张照片，它通常是无法识别这个人的。但是，人通常只看一眼，就会有印象。

多任务人工智能是能解决上面问题的人工智能。

生物和医学应用

总结

现在来看，GDP好像没有那么热了，GDP好像也没有取得突破性或者是颠覆性的成就，唯一给我们生活带来的就是，有时候会用他替代一下百度，但是有些问题用GDP解决不掉的，还得自己去其他地方找答案。 吴军老师的观点我还是十分支持的，有很深刻的启发。