在新一代GPT问世后，微软旋即推出了Microsoft 365 Copilot，新的办公软件由GPT-4驱动，在减少大量用户操作下，协助生成文档、电子邮件、演示文稿和更多内容。

处理效率之高，愈发让人惊呼，生产力和人机交互的新一轮革命不再只是想象。

新技术的颠覆效果，往往看它能否展现出更低成本、更高产出、更省时间的产品力。

为GPT提供算力的CPU服从摩尔定律，即每隔18-24个月（更省时间），原来的晶圆上封装的晶体管数量将会翻倍（更低成本），芯片的性能也会随之翻倍（更高产出）。

能够实现以上三角的优化解决方案，最终会推动飞轮旋转，实现强大的规模效应。而Open AI与微软的合作，似乎在朝着这个方向努力。

01

GPT-4让我们离AGI又近了一步

ChatGPT风靡全球之后，OpenAI的创始人Sam Altman曾表示，一个全新的摩尔定律即将出现，宇宙中的智能数量每18个月翻一番。

AI的复杂性会随着市场边界的扩大而进一步加深，具有涌现出新特性的潜质。

模型的底层逻辑是算力、数据、算法三位一体的结合，但复杂程度与数据规模相匹配。

随着参数量的增长，大模型的能力比起小模型要更加泛化。如果小模型的目标是做一个行业专家，那么大模型的定位则是要成为一个通才。

AGI（通用人工智能）被设计的目的，是让机器模仿并逐渐超越人类，实现与人类相近的能力，计算、推理、思考、创造，但是会更快、更高效。

学会吸纳更多的参数，是大模型复杂度提升的基础条件，数据就是AI 的血液。

第一代GPT的训练参数只有1.17亿参数，模型引入了Transformer架构，在处理文本的时候，学会利用上下文信息来预测下一个单词。

在处理不同的任务时，仅需要对预训练形成的网络结构进行微调，就能取得比传统NLP模型更好的泛化效果，也加快了模型处理数据的效率。

GPT2.0阶段，模型学会了多任务处理。开发者再次测试了容量对于性能提升的帮助，不再需要标注，而是让模型根据给定的指令去理解任务。

这个阶段的训练表明，随着模型容量和数据增大，不需要给模型提供样例，它也能够很好地理解并且完成任务。

基于这层理解，到了GPT-3，开发者也就有了更大的底气实现参数规模的跃迁，在海量语言模型参数集中，少数样例设置下，GPT的准确性继续得到提升。

语言模型参数增加，GTP在NLP任务上表现提升

来源：AI21 Labs

到了第四代，模型之间的代际差异随着任务复杂度的提高更加明显，这是GPT-4能做到的事情：

考试成绩取得比老版本更好的表现，意味着语言理解、推理能力持续进步；
语言风格更加灵活，GPT-4向我们展示了她能够当好一个耐心的数学老师；
支持文字和图像的混合输入，并且能够精准地描述图片上的内容，理解任务要求并生成代码。

来源：Open AI

国内百度16日发布了对标chatGPT的产品“文心一言”，也已经能够支持多模态的转换，文字可以直接在对话中生成图片和视频。

随着多模态的实现，基于自然语言模型的GPT未来有希望率先向AGI靠拢：

大幅降低内容生成的门槛；
学习成为各个领域的专家，作为企业业务增长、科研进度加快的重要抓手；
革新人机交互的方式
OpenAI开放GPT 的初衷不仅在于找到最佳的落地应用，而且在复杂的人类信息流里得到反馈，扩大其能力的边界。代际之间，GPT快速进步的能力超乎想象。

基于AGI最终很可能会实现的设想，AI的安全也将逐渐上升为一个全人类的重要议题。

OpenAI因此会在正式版本发布之前花费数月的时间进行风险评估，不过最终，无论进行多严格的审查，人类的未来始终该由全人类来共同决定。

02

微软的iPhone时刻

杀手级应用的诞生，对加速生产力变革具有重要的转折作用。

19世纪末的蒸汽机靠烧煤提供动力，但操作和燃料需要耗散大量人工和效率。后来西门子率先发明了电动机车，只消铺一条电线，不过当时电费比煤费还要贵，需要频繁充电。

直到福特T型车横空出世，流水线生产让汽车制造成本大幅降低。随之重量更轻、体积更小、操作更灵活的内燃机汽车开始走进千家万户，逐渐替代了蒸汽机和电动机。在这之后我们又有了飞机和火箭。

AI的应用，让人和计算机交互的方式产生了剧变。微软CEO曾经表示，Copilot的自然语言交互将是下一轮人机交互方式变革的雏形。

从图像界面的PC，到iPhone多点触控的智能机，每一次人机交互方式的变革孕育着全新的下游应用生态。

过去的AI就只是大模型，把几十台服务器放在一起训练，没有落到实地的应用。OpenAI与微软的合作，实现了两件事情。

一是跑通了商业模式，GPT的训练和日常运营背靠微软Azure的算力支持，微软云服务Azure的市场份额仅次于AWS，是谷歌的两倍。

巨额算力和AI大模型的结合，允许OpenAI进一步推出订阅式服务，形成了MaaS(Model as a Service)。

Open AI 有两种订阅模式，一种to B，给企业客户和开发者提供ChatGPT API，一千个token输入按0.002美元算，另一种to C，给普通用户开放最新功能，每个月收20美元。

用户的快速增长摊平了训练和推理所需的算力成本。GPT经过用户反馈的自主增强学习后，能力有了更快的提升，形成良好的正反馈机制，跟平台粘性越强，获客成本就越低是一个道理。

来源：ChatGPT

二是在微软的加持下，GPT和Bing、Gibhub以及Office等多个在线工具深度绑定。你有技术，我有产品，两家在商业化上拥有完美的协同效应，率先完善了云计算+AI大模型+应用工具开发的生态。

微软和谷歌两家巨头对于推进AI应用有着截然不同的态度。

交互界面的改变对两家来说都如同革自己产品的命。不同之处在于，微软的产品矩阵更快速地适应了进化。

GPT-4推出不久后，微软即正式为365应用服务提供GPT-4驱动Copilot，对于用户而言就像一个办公助手，附着在侧边栏。用户可以调用它来生成文档，根据文本创建PPT，或者分析Excel数据。

来源：Microsoft 365 Copilot

有了GPT的赋能，对于微软产品本身便是如虎添翼，这块业务，“Productivity and Business Process”去年下半年的收入达到了330亿美元。全面铺开后，增长有着更大的想象空间。

未来人们转向AI聊天界面来搜索信息，必然会给搜索引擎的广告业务带来巨大冲击。而谷歌的广告收入占了营收的80%左右，其中占大头的还是搜索广告。

谷歌还没有想好怎么革自己的命，一直如履薄冰，在应用上还没有拿出完美的方案，把iPhone时刻拱手让给了微软。

03

应用层涌现，小模型也大有可为

芯片和算力相当于锂矿和电池，其稀缺性决定了这是少数企业有条件参与的游戏。

要匹配相应规模的算力用于AI训练并非易事，因此ChatGPT概念一火，便立刻带动有关芯片、算力的股票板块。

英伟达的A100/H100是目前最强大的数据中心专用GPU。1万颗A100芯片被认为是AI模型的算力门槛。据国盛证券估算，按照ChatGPT1月份1300万的访问量水平，对应的芯片需求就多达3万多颗A100。

此外，ChatGPT单月运营需要算力约4874.4PFlop/s-day。拥有亚洲最大超算中心的商汤科技，总算力超过每秒4910Petaflops，也就是说要训练GPT几乎得用上全部算力。

在国内，只有云厂商具备算力和AI模型的基础条件。在这个性能快速提升的领域，先发优势可能会给后边的企业带来不可逾越的鸿沟。

AI大模型对于云计算行业将发挥game changer的作用，按李彦宏的话说，以前更关注的是基础算力，而现在需要考虑的则是芯片、模型、框架协同做得好不好。

可以预见的是，AI大模型未来会自然渗透到各个办公、内容创作场景，新的应用正在涌现，正如石油、煤炭赋能了工业生产、交通运输等领域。

对于不想错过这一波技术红利的企业来说，站在巨人的肩膀上，成功概率也许更大一些。

相比垂类行业的小模型，大模型具有广泛的迁移学习能力，就像人类把骑自行车的能力迁移到学骑摩托车一样，比如在金融领域习得的知识可以迁移到税务会计等其他经济场景里。

但在大小模型联动的学习方式里，小模型可以通过知识蒸馏从大模型中学习，并可以在许多下游任务中达到与大模型相似的性能，就像老师带着学生。

同时，AI模型+文本&对话&图像&视频&代码等多模态的实现，让AGI有在影视娱乐、游戏、电商零售、广告营销等商业场景具有成为专家的能力，能够大幅降低内容创作的门槛，带来生产力和成本的优化。

因为API的开放，大模型根植于更多已经成熟的商业模式，场景和用户规模正在大幅扩展。许多已经积累了大量用户的应用结合api对产品形态进行了升级，包括移动端App以及浏览器插件，被分流到各类应用的用户一旦成为AI使用者，其规模必将是指数级的增长。

04

尾声

许多看过《2001太空漫游》的人应该都对电影开头那个史诗级的蒙太奇影响深刻：

开头两分钟的镜头展示了人类祖先的生活面貌，猿人第一次了解到骨头如何作为工具使用，开启了智性。当白色的兽骨扔到空中时，瞬间切成了遨游在太空里的孤寂的宇宙飞船。

这一幕匹配剪辑仅用几秒钟的时间，就完成了人类进步的跨越。几秒钟的时间，对于宇宙来说无甚区别，但对于人类则是长达几十万年的进化。

在占比不到1%的技术文明浪潮中，人类的知识和财富呈现爆炸性增长，这是由技术驱动创新带来的结果。

过去几十年，关于智能的定义一直在不断的被修正，在这一轮技术革命中，AGI不会缺席。