閱讀心得 - ChatGPT 離 AI 取代人類還有多遠？

ChatGPT 浪潮強襲，許多人在嚷著「完了，XX 工作要被 ChatGPT 取代了」、「很快 AI 就要統治人類了」。

(題外話：老高最近有另一集在談 Web 3.0，不知是我認知有誤還是他真的講錯，我邊聽邊翻白眼，速度直逼吃角子老虎機轉 BAR 鈴噹 777)

大型語言模型(LLM)依靠消化海量資料加上人工巧妙調教，練就一身「不管問他什麼，總能說得頭頭是道煞有其事」的好本領，但事實是 ChatGPT 不懂得判斷對錯，不會算數學，沒有邏輯推理能力，全憑數學演算法拼湊人類最容易買單的字句組合。依此特質，即便有一天 AI 將取代人類，也絕非是靠 ChatGPT 這種語言模型。直覺是這麼想，我欠缺相關專業，說不出個所以然。

同事推薦了一部好影片，再延伸讀了一篇好文章，幫我梳理出對 ChatGPT (或說大型語言模型) 能力的質疑從何而來。

• YouTube 專訪語言學家，全面破解Chat GPT！非理工背景的人將被取代！？下一代需判斷AI產出的真假資訊！ ft.卓騰語言科技負責人 王文傑 Peter
• 文章 【觀點】即便有了 ChatGPT，但我們離強人工智慧還是遠得要命 by 王文傑

文章作者從語言學本科系轉戰資訊產業，學識背景正好涵蓋 ChatGPT 語言模型涉及的兩個領域，切入觀點也格外深入有力。

閱畢摘要其中較新鮮獨特的觀點備忘：

• 生成模型：由輸入字串，依據模型推算高維分佈(不是機率)，決定輸出結果
• 監督式學習：人類監督明確告知對錯 / 非監督式學習：放牛吃草 / 強化學習：人類回饋比較好比較不好(非對錯)，ChatGPT 屬之
• OpenAI 釋出 ChatGPT 的目的其實也包含讓大眾知道 AI 會怎麼出錯
• Augmented AI 強化型 AI - 語言模型偵測到算數學時，交給計算機、遇到照片交給影像模型處理
• Google 工程師覺得 AI 有意識，是因為 LLM 訓練資料讓它順著對方說出對方想聽的話，讓人誤以為它有意識 (LLM 有做業務的天份)
• Google 未積極推聊天機器人的顧忌之一是擔心反托拉斯法
• 小型語言模型 - 透過設計，用少量數據就滿足有限目標，獲得不錯效果
• 對於 ChatGPT，大家自然形成「樂觀協作派」和「悲觀失業派」兩個陣營。有趣的是，大眾並非未對 ChatGPT 內容或風格正確性進行科學分析判斷，而是依據自己對科技的喜好選擇樂觀或悲觀 (註：一針見血!!)
• 2015 機器學習 2017 深度學習，是第三波人工智慧發展突破點，主張不需專家介入，機器自己學習的美好願景
• 但 2022 的 ChatGPT 是靠大量人工標記、人工選擇、人工調整所成就出來的，並非 AI 研究領域的重大突破
• 資料模型不等於人類思維能力，深度學習模型靠資料驅動，不會因果邏輯推論，沒能力處理沒看過的東西
• 對 ChatGPT 結果抱持「只要再調整一下下就可以用了」的錯誤期待，想讓深度學習多懂一點點，需要的資料量可不是一點點
• 較可行的解法：因果網路 (Causality Network) 再利用融合式系統 (Hybrid) 設計，但相關研究被排除主流 AI 社群之外
• 只要 AI 系統仍然是基於資料模型而沒有結合人類的因果邏輯思維，那麼 AI 革命仍遙不可及，奇點仍然不會到來
• 最糟的情況是，此刻已經是我們距離奇點最接近的時候，之後只會漸行漸遠
• 深度學習無法掌握如破題、辯證、結論或起承轉合的結構脈絡，故採用的取巧做法是讓每段成為獨立不帶資訊堆疊關係(例如：先看A句，B句才有意義)的句子，讓它們可以任何調換順序用「還有、也、此外、最後」串接，也不會出現前後文結構衝突。
  註：其中沒有埋藏想表達的主軸或中心思想，故總給人乍看講了一堆，但好像又什麼都沒講的感覺
• 由於語言模型不具有知識，透過「反事實測試」可輕易讓它被看破手腳。(人類有知識判斷答案有誤、反事實無資料可驅動結果)
• ChatGPT 的負面影響：2023 年網路上開始充斥由機器產生，貌似專業有條理卻未必是事實的文字；任何人都能用低廉成本隨意充填出精美長篇大論(令人想起買空氣送洋芋片)；違背事實的訊息或與事實無關的填充文字充斥，未來搜尋挖掘事實的效率只會日益低落。

補充：由於 ChatGPT 無法辨別對錯，要查詢事實又想要機器人協助可考慮會提供參考來源的 Bing Chat，把辨別真偽的權力留在自己手裡。(ChatGPT vs New Bing 比一比 - 西米露煮粥實例)

【2023-04-02 更新】在參考更多資訊後，我已修正對 GPT-4 的看法。