火出圈的ChatGPT之所以会火，是与其他类型AI采取了不同的方式。内容生产范式正在加速其演进，至少经历了三个过程：从 PGC (Professional Generated Content，专业生产内容)，到 UGc (User Generated Content，用户产生内容)，再到 AIGC(人工智能产生内容)。我们很容易理解，PGC即内容来自专业制造，如过去的新闻、门户网站及影视视频网站；UGC即是自媒体时代，如微信朋友圈、微博和抖音；而AIGC也在自我进化中，如搜索引擎、ChatGPT和百度的文心一言等。
我们回到ChatGPT。
OpenAI 公司在2018年提出了一种生成式预训练（Generative Pre-Training，GPT）模型用来提升自然语言理解任务的效果。GPT通过利用自然语言处理（NLP）技术和人工智能（AI）技术来回答问题的。这里的核心技术是自然语言处理，它会将输入的句子转换为一系列的数字向量，然后利用AI算法来生成预测结果。
GPT通过不断的提升模型容量和数据规模，不断提升模型能力，目前已有GPT、GPT-2和GPT-3。
| 模型 | 发布时间 | 参数量 | 预训练数据量 |
| GPT | 2018年6月 | 1.17亿 | 约5GB |
| GPT-2 | 2019年2月 | 15亿 | 40GB |
| GPT-3 | 2020年5月 | 1750亿 | 45TB |
ChatGPT就是OpenAI使用了自己的语言模型GPT-3来进行文本生成，帮助我们轻松地对输入的对话文本进行处理，输出最恰当的回复。这与软件的一般模型并无二致，即“输入-处理-输出”。因此我说无论ChatGPT多智能，原则上它也只是一个工具，是披着智能的AI交互工具。但同时，在对话中，ChatGPT会主动记忆先前的对话内容信息(上下文理解)，用来辅助假设性的问题的回复，因而ChatGPT也可实现连续对话，提升了交互模式下的用户体验。同时，ChatGPT也会屏蔽敏感信息，对于不能回答的内容也能给予相关建议。换句话说ChatGPT利用了基于人类反馈数据的系统进行模型训练，提升了理解人类思维的准确性。
与网上诸如“机器替代体力”、“AI替代脑力”的悲观言论不同，我更愿意相信，AI替代脑力也与机器替代体力一样，只是会解放人的一部分重复简单的脑力劳动。我们知道，ChatGPT在某个时间点也是有天花板的，因为AI人工智能的三大基石是数据、算力和算法，其中，数据是AI算法的“饲料”，算法是AI的背后“推手”，算力是基础设施。人类的活动所积累的数据，以及大数据、云计算、人工智能等也为人类提供了源源不断的工作。
我们不必惊慌失措，但面对AI新技术如ChatGPT的冲击，个体都是渺小的，技术的发展迭代不会因为你的喜不喜欢而停滞。一方面，我们要对新技术保持一定兴趣，积极跟踪。对技术的跟踪，尽量秉持客观态度，不以个人喜好偏好来判断 ；另一方面，尝试考虑把新技术为我所用。我们应积极思考和实践新技术的应用，尝试用新技术提升现有工作的产出效率。我们要牢记这句话：代替你的可能不是 ChatGPT，而是正在使用 ChatGPT 的人。再者，应充分考虑人才需求范式的转移，为下一步的可能性做适当准备。通过强化“着眼于解决有一定复杂度门槛的客户问题”的能力来获得持续的职业发展，形成与 AI 的差异化。此处复杂度门槛的含义，可以是垂直行业的 Know-how，也可以是高概念(High concept，感性和深层思考)与高体会( High touch，人与人的交往沟通)等通用高阶能力。
