AI（人工智能）这个术语最早是在 1956 年由约翰·麦卡锡（John McCarthy）等人提出的。当时，人们对 AI 的定义是：能够模拟人类思维过程的机器。
然而，最初的 AI 系统往往是基于人类专家知识的规则系统，这些规则由程序员手动编写。这种系统受限于人类专家的知识和能力，并且在处理复杂、不确定或模糊的任务时表现不佳。
在 20 世纪 80 年代末和 90 年代初，出现了一种新的 AI 方法，即机器学习（Machine Learning），它可以让 AI 系统从数据中自动学习模式和规律。其中最重要的是神经网络（Neural Networks），它是一种模仿人脑结构和功能的算法。这种方法需要大量的数据和计算资源，而这些资源在当时是不可用的。因此，直到近年来，这种方法才得以广泛应用。
近年来，随着深度学习（Deep Learning）的兴起，AI 技术的发展取得了更快的速度。深度学习是一种基于神经网络的机器学习方法，可以处理更大、更复杂的数据集，从而实现更高的准确性和更广泛的应用。深度学习已经被应用于语音识别、图像识别、自然语言处理、智能推荐等领域，并取得了很大的成功。
此外，还有一些新兴技术，如强化学习（Reinforcement Learning）和迁移学习（Transfer Learning），也在不断发展。强化学习是一种基于奖励信号的学习方法，它可以使 AI 系统自主学习最优策略。迁移学习是一种将已学习的知识迁移到新任务中的方法，可以使 AI 系统更快地学习新任务。
总的来说，随着计算机性能和数据集的不断增长，AI 技术取得了飞速发展。从最初的基于规则的系统，到机器学习和深度学习，再到强化学习和迁移学习，人们对 AI 的理解和应用也在不断演变和改进。
值得一提的是，虽然行业里的专业人士对 AI 的理解不断加深，但普罗大众对 AI 的了解还是缓慢推进的，自从上世界 90 年代起，就有非常多的影视作品开始将 AI 作为故事发生的背景，并且尝试在其中讨论相关的伦理知识。
这些都是我在想到 AI 时，脑海中第一反应出现的影视作品（好像混进去了什么奇怪的东西）
随着这段时间 ChatGPT 与相关模型的火热流行，我相信已经有越来越多的朋友尝试研究如何在自己的工作中引入 AI。
行业中这样的言论更是屡见不鲜，大到有投资人在产业大会上表态「ChatGPT 对创业公司不友好，可能会影响创业公司的融资」，小到吃饭时听朋友谈起「自己用了一整个周末研究 MidJourney 进行二次元创作」，我相信只有当各行各业开始尝试建立与 AI 的融合时，我们才能找到 AI 赋能的新场景。
随着各行各业的人们进一步认知 ChatGPT 背后的能力时，可能有少部分人会悲惨的觉得「完了，自己即将要被替代了」。
但我感觉，这种心态可能有点过于局限，每当身边出现一款可能的革命性技术时，大多数人可能都会把他当做是对现有产品或技术的替代品，但其实我们忽略了新技术很难与已有技术完全相似（理想中完美的智能汽车可能并不是仅仅替代了驾驶员，而是为智慧城市带来了全面落地的可能性）。
点击这里查看原文链接
LinkedIn 联合创始人，PayPal 的前执行副总裁里德·霍夫曼（Reid Hoffman）在他的新书《Impromptu: Amplifying Our Humanity Through AI》中也提出了他对 ChatGPT 的三个使用原则：
-
把 ChatGPT 当做自己的研究助理，而不是万能的上帝。这样我们也就认可助理在某些方面确实有过人之处，但在特定方面也有所局限；
-
把自己想象成一位导演，而不是打磨工具的木匠。使用 ChatGPT 并不仅仅存在于物理上的一种特定工具，而更像一种升级的思维方法，这种使用方法更像是导演对于电影场景的规划。所以重要的核心不是让每个演员按部就班说台词，而是需要告诉他们你的目标，然后让他们表演就行（当然背后的代价和导演也一样， 需要拍很多条才能得到自己想要的结果）；
-
尽可能不要局限 ChatGPT，毕竟尝试的成本没有那么高，在不同场景中使用他，才能找到自己与他最适合的场景。
在不同行业使用 ChatGPT
虽然 ChatGPT 的表现看起来不错，但他在实际上的创造力非常有限，它并不能「真正」创造新的东西，而是基于自己通过大量的训练内容去「重新包装已有的信息与知识」。
这句话虽然看起来简单，但实际上「重新包装」这件事可能还真的能够帮我们找到一些新的电子，我们都知道互联网上什么东西都有，但其中大部分信息可能都是孤立的存在于不同的页面（或者书籍，表格等等）之中。
ChatGPT 的好处就在于他具有全新的信息组织能力，能够帮我们重新组合可用的信息，比如我们可以向他提问：
谁是最年长的詹姆斯邦德扮演者？
我相信互联网中已经有非常多同样问题的答案，但我们去尝试搜索的时候可能还是会遇到大麻烦（也就是说，即使这些问题都已经发布在 Wikipedia 之中，我们也需要花费大量的时间去检索筛选）。
但 ChatGPT 向我们展示了另一种与传统搜索引擎完全不同的方式来索引信息，通过将大量非结构化的人类知识和表达，排列成一个连续性、交互性更强的网络，从而增加了人类综合其集体思想和影响力的能力。
如果我们尝试与 AI 一起合作，也就意味着我们能够在人类自己的「创造力、判断力基础之上」获得了对于「效率，速度与组合能力」的增强。
在教育行业的使用
在 1970 年，计算器的价格过高，学校无法大规模采购引入计算器。在 70 年代中期计算器的价格到了临界点，许多家长和老师都对新工具涌入表示震惊，他们担心学生的数学技能萎缩，学生会作弊。
但是到了今天，几乎所有老师都认为计算器是数学教学的重要组成部分。
AI 可能会在教育行业带来全新的改变，就像我们发现搜索引擎取代了我们的记忆边界，计算器帮我们带来了复杂计算的能力，维基百科取代了百科全书一样，我们也可以尝试将复杂琐碎的事情交给机器来处理，而将这些节省下来的时间来从事更困难的任务（身而为人，也要有对自己是人类的信心）。
所以，我们也可以尝试将 AI 作为一种探究答案的工具，并不是把他作为一种权威的来源。比如不用 ChatGPT 来提供正确答案或者解决方案，而是生成多种方案，让学生进行比较、评估。这样就可以培养学生的批判性思维和解决问题的能力，以及他们对现实世界中不确定性和复杂性的认识能力。另一种方式则是将他视作反馈工具而非评估工具，比如帮助学生诊断问题，确定优势等等。
在创造力行业的使用
对于艺术家来说，好像很多能力都会被 AI 替代，比如最新的 AI 可以经过原本生成不同风格的歌曲。但正确使用 AI 的假设可能是思考类似这种问题：
如果「约翰·列侬」那个年代也有 ChatGPT，他会如何使用这个工具？
他可能会将自己以往的数据录入，提供一些关键词，然后再告诉他自己想要什么样的风格，随后再取出作品中最精彩的部分，之后再进行二次创作。这一切工作可能在灵感发生的几分钟之后就可以完成了。
在新歌上线数日之后，陈珊妮在微博发文自曝这首歌和封面都是由 AI 生成的
也正因如此，ChatGPT 并不会替代艺术家，而是可以帮助艺术家更好更快的捕捉灵感，进行艺术创作。
对工作转变的影响
在 1990 年没有网页设计师和 SEO 运营；2003 年的时候也没有短视频、社交媒体运营，MCN 机构和 KOL 达人。实际上我们很多熟知的岗位也不过就是在最近一二十年中随着科技发展逐渐出现的。
我们暂时不清楚随着 ChatGPT 火热的 Prompt Engineer 是否是下一个火热的岗位，但如果忽视 AI 对相关产业链带来的影响，可能就会像忽视 90 年代后期忽略博客、2004 年忽略社交媒体、2007 年忽略移动设备一样。
AI 的便利性将会很快让专业人士无法离开，这会带来新的机会和新的工作。
但是 AI 肯定也会带来消极的影响，比如对于工匠来说，因为自动化程度提高而失业；对于销售来说，能够通过迅速收集买家的资料来进行个性化的产品宣传与演示；所以重要的是向前看，将 AI 作为自己职业生涯的另一个助理船长来看待，他能够帮我们提供一些长远的建议。
好的知识，总是具有巨大的力量
维基百科的创始人 Jimmy Wales 曾经说过「知识够不够好，取决于你的目的是什么」。
对于一个产品来说，「可获得性比服务质量更重要，因为没有可获得性很多人根本没机会尝试你的作品」。维基百科作为免费资源，能比早期的百科全书好很多倍，由于电子版的优势还能够快速迭代，这样就算有问题也能很快被纠正。所以维基百科中足够好用的知识对于大多数人已经足够，可以继续使用。反之，更多的使用能带来更多的反馈，能让维基百科变得更好。
人工智能时代的悖论在于，随着今天「大语言模型」的不断进步，对我们的要求会越来越对，而我们需要对自己提出更多要求，始终坚持将其作为我们的合作伙伴而不是替代者。
但也不必恐惧，我们可以用 AI 来帮我们做的更少，也可以帮我们做的更好。自从早期人类从原始人演变开始，我们的进步之路便一直如此。
一个彩蛋：FinClip 小程序平台支持开发者在各类设备与场景中引入小程序，如在自有 App 中引入微信同款小程序，在智慧电视或新能源车机大屏中运行小程序。在 App 中引入小程序后依然可以上架应用商店，同时小程序也可以快速更新。近期我们还撰写了在小程序中引入 ChatGPT 的指引文章，欢迎尝试。
