之前总结过:GPT改变了人类知识的创造、继承及应用的模式,因此,主要的变革会体现在以上三个方面,而前置文章主要讨论的学校教育变革,就是从知识继承的角度出发。
那么,切换下维度,现在从知识创建的范畴入手,并以内容生产为基础场景,提出新设想与落地场景应用。
同样,本文还是从技术乐观主义者出发,讲述GPT对内容生产的变革影响,思考框架如下:
GPT+插件的应用个人认为是技术与业务场景高度结合的产品形态,通俗来讲,就是可以通过配置具体场景提示语,结合GPT的大语言模型能力,完成各种结果的输出。如:微软copilot就是一个很好的例子。
那么,在内容生产方面,我们能有什么比较好的场景应用呢?
认为主要会体现在以下两个方面:专业内容生产、用户内容生产。
专业内容,特指各类研究、技术发展、社会发展、投资理财等层次较高的知识领域,在这领域包含了企业研究所、高校、政府单位、证券所等机构。
未来的专业内容变革体现在:以AI为主,可由人辅助完成。
根据一份文献[1]表明GPT会重点在以下领域突破:工业设计、药物研发、材料科学、数据合成。
传统的工业设计一般需要经过以下流程:提出设想->创建原型->补充细节->对原型测试及修正->产品投入量产,这条链路下来不可避免会形成大量的投入成本,并且会产生大量测试产品报废的浪费问题。
假设GPT可以参与到专业内容的创造流程里面,那么从最理想状态进行评估,工业流程设计的流程可简化为:提出设想及优化调整提示方向->产品验证及评估->产品投入量产这三个部分。
这其中最为经典的例子就是芯片设计,设计师需对晶片排布进行各种尝试,有时会多达数十亿种,这不可能从纯人力层面进行设计,故GPT的应用从成本及效率上就可以尽可能的尝试,这确实是一个值得关注的重点领域,并且现实也有相关企业已经在尝试,如英伟达。
拓展阅读: Khailany B.,“Accelerating Chip Design with Machine Learning”,Proceedings of the 2020 ACM/IEEE Workshop on Machine Learning for CAD,2020, pp.33-33.
药物研发领域需要耗费大量的资金及时间,其中一个重点原因在于:药物研发人员需要从海量备选的化合物寻找可供入药的成分,其中化合物的结构本身并不为人知,现阶段单纯以试错的方式推进验证。
后续若引入GPT的生成能力,理想状态来看,可以迅速识别到各种化学物的结构及成分,并且可以对现有的化学物进行重构及修改,从而加速药物研发的速度。其中一个有名的现实例子就是:DeepMind的AlphaFold对蛋白质结构的预测,有兴趣的同学可以自行查阅及阅读。
阅读拓展:Callaway E,“The Entire Protein Universe’: AI Predicts Shape of Nearly Every Known Protein”,Nature,2022,608(7921),pp.15-16
材料科学和药物研发同理,设计过程中存在反复试错及验证的过程,引入GPT的效率提升也是存在明显的优势,如德国马普所钢铁研究所就与多个研究团队合作,提出了一种新的基于机器学习的高熵合金设计方法。
阅读拓展:Rao Z., et al.“Machine Learning–enabled High-Entropy Alloy Discovery”,Science,2022,378(6615),pp.78-85.
另,还存在一个领域数据合成,这可能单独作为一个通用领域来理解更为合适,因各行业存在需要高度匹配行业特征的数据诉求,而AI发展离不开数据,GPT单独为每个行业提供高度适配行业特征的数据样本,从而加速行业发展,这也是很有研究价值的领域。