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：

一、内容生产的变革概述

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。

1. 专业内容生产变革

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。

1）工业设计

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.

2）药物研发

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

3）材料科学

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.

4）数据合成

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。