李翔×李豐：為什麼今天出現了ChatGPT？往後還會發生什麼？

來源：幽默段子 釋出時間：2023-05-12 09:50

文字資料化過程中，最大的贏家和貢獻者是微軟。微軟藉助滑鼠加鍵盤加圖形化作業系統，讓足夠多的人把文字變成資料。

下一步，怎麼滿意人們對於資訊的需求？這方面的贏家就是入口網站，國外最成功的公司之一就是雅虎。雅虎將已經被資料化的文字資訊，用人工的方法進行編纂、分類。

上網的人越來越多，貢獻文字資料的人也越來越多，在這個基礎上就泛起了BBS。論壇在中國尤為典型，大家在更小的版面內進行內容出產和內容消費。

當網際網路上文字資料太多了之後，搜尋排序排得不好時，甚至要在十幾頁後，使用者才能找到想要的資訊。

這種情況下，從文字資料化供需關係上來看，社交網路的泛起，提供了另外一個解決方案，就是提供了使用者想要的某類資訊。好比海外的Facebook、Twitter，本土的人人網、新浪微博等平臺，為使用者提供了海量、個性化的資訊。

再後來，文字資料化的程度、總量和規模到非常大時，人工分類越來越難、越來越低效。這時就要機器參與，給有需求的人匹配最合適的內容。

迭代的過程無非是這三件事，上層是資料，中間是演算法，底下是算力。被演算法學習調教的主要物件——資料開始大量增長，於是就給演算法晉升的練習空間越來越大。

在演算法層面，典型的比較成功的應用就是Google。Google 作為搜尋引擎，有兩個非常有意思和重要的貢獻。

第一個貢獻是搜尋框，它讓你把想要的東西抽象成一個詞或幾個詞，計算機得到了需求，再尋找所有現存的文字資料來匹配。

第二個貢獻是排序。在演算法層面，可以找到各種各樣的詞，但哪個是跟你相關的、重要性高的？它引入了一個公道的認知邏輯就是相關性排序。它這個相關性最早的時候跟科學論文一樣。

李翔：是論文的引用次數。

李豐：對，相當於網頁的連結次數。這種排序實在是有意思的提高，和應用貼合得很緊。

我們從最早的那個邏輯線開始，是先完成了資料化，在某種意義上開始進入自動化加部門的智慧化。跳到今天的GPT，現在文字資訊已經有超高的比例和量被做成了文字資料，跟 20 年前比擬是巨大的量級奔騰，所以它練習出來的模型非常智慧。

這件事還會再進化嗎？

會的。這個過程中還有一個跟 Google 類似的變遷節點——注意力模型的引入。簡樸來講，可以把注意力模型理解為關注到特定部門，而不是整體，給予它不同的優先順序或者資源支援。

在先解決數字化，再解決部門意義上機器的自動化、智慧化的過程當中，除了演算法本身的數理邏輯演進外，假如在這個過程中還有新的認知邏輯被引入，加上底層算力的持續提高，再加上更海量資料的不停練習，它就會產生出跳躍的小臺階。好比我們之前提到的Alphafold，不僅有演算法層面的革新，還引入了生物、物理、化學等多領域知識。

李翔：我想提供另外一種視角，來理解文字數字化的演進過程。無論是從內容出產，仍是內容分發而言，我整個職業生涯都受到了文字數字化的衝擊。

從內容出產角度，與紙媒比擬，最開始門戶時代的內容生產者仍舊是人，網站編纂把已經出產出來的文字內容數字化後，搬到網頁上。

往後演進，出產這一端就泛起了大的變化。網際網路把內容出產門檻降低了，使用者開始出產內容。這個時候也對應泛起了部落格等新形態的內容形式，入口網站也開始把部落格內容整合起來。AIGC泛起之前，內容出產仍舊是機構和個人。

分發方面，搜尋把內容重新組織，然後分發。又泛起了透過社交關係分發，也就是分發邏輯變成社交網路，然後泛起了社交媒體的說法，如微博、 Twitter。之後，變成了機器分發，泛起了本日頭條、抖音等。

如今內容出產端又泛起了一個特別大的躍遷，就是ChatGPT。它讓AI出產的內容不再“小兒科”，不少人說它在許多方面輸出的內容已經不輸本科生了。這種進步前輩的內容生產方式，再跟進步前輩的內容分發方式結合起來，可能會泛起非常進步前輩的商業模式。

/ 05 /

資料化如何成就了

蘋果、微信、抖音？

李豐：我們剛才講的底層全都是基於文字，某種意義上來看，比較重要和厲害的演算法和模型仍是要到視覺資訊上。

剛才舉了注意力模型的例子。我們在處理視覺資訊的時候，顯然很好地運用了注意力模型。一眼看過去，雖有無數東西，但我有焦點，知道此刻最重要的事情、需要觀察的物件到底在哪裡。這些“無意識”的行為，已經需要比較複雜、高階的認知。

沒有任何人生成就會打字，但在今天，小朋友直接用智慧手機上的互動手段就能找到、做到他想要的事情，這和打字是完全不一樣的。拖拽、上下滑等手勢操控，相對於文字資料化過程中的打字。

最直接的變化就是，使用者依賴視覺可以理解的部門、用直覺控制就可以完成這個過程。

某種意義上，所有的演算法、算力和資料的迭代，最難的部門仍是要解決各種各樣跟視覺化有關的資訊。

李翔：這也是當時虛擬現實，包括元宇宙概念泛起後，那麼多人非常高興的一個重要原因。由於它確實不是單純的一維文字網際網路，也不是單純的二維影片或圖片的網際網路。

李豐：對。為什麼當我們把文字資訊變成了資料之後，會產生這麼多巨大無比的公司？由於資訊的匹配，相對於資料的匹配難許多。資訊一旦被資料化之後，獲取資訊的本錢變得極其低或者幾乎為0，而資訊的流動性近乎無限。

在這個基礎上，誰能正向促進或利用了活動本錢為0，而流動性無窮大，並且在這裡完成某種型別的普及或兩種中的任何一種撮合，都會成為超級厲害的公司。

再往下，到了熱鬧的移動網際網路階段。智慧手機增加了許多“諾基亞時代”沒有的東西，好比麥克風陣列、跟聲音有關的晶片、背向光學可變焦高畫質攝像頭、GPS晶片……

這些東西是誰先把它整合起來的？

蘋果。蘋果把原來沒有被資料化過的新資訊——位置、較高質量的音訊、較好的視覺資訊變成資料。這個過程普及後，蘋果就和當年微軟一樣，成為極其重要的節點。這是第一步。

第二步，我們知道的所有移動網際網路上的超級應用，沒有例外，大機率在發展中都藉助了資料化的基礎設施。

今天的美團來自於兩個公司，一個是大眾點評，它讓中小商戶願意把自己的資訊變成資料放在網際網路上，另一個是美團，它讓消費者把需求資料化。

微信則利用了超高質量的通訊資料，或者叫語音資料，進行了語音資料在人和人之間的傳遞和匹配。

抖音透過高畫質光學攝像頭，把視覺資訊變成了視覺資料。消費者得到了完全不同的體驗，並且得到了高效的內容供應與匹配。

我在10年前投過B站。我們在分析B站時，有個有意思的現象，中國沒有自己的YouTube。當時，中國的影片行業在人才供應和資料供應兩端都不成熟。而B站幹回了文字資料化的事，除了底層影像之外，大家主要在當時消費的是彈幕，也就是文字資料。

（注：更多關於網際網路公司們如何掌握迭代的規律和機會，形成新的商業模式的思索，歡迎閱讀《

一張圖讀懂新平臺的誕生 | 李豐專欄

》）

/ 06 /

醫療、自動駕駛領域

如何實現資料化？

未來會變成什麼樣？

李豐：在醫療、自動駕駛領域，也有典型的資料化的例子。

過去15年，我們可以簡樸總結為，新藥研發的主要進展大多發生在腫瘤致病基因的發現，以及腫瘤治療上。

這個過程是怎麼發生的？它是因為第二代基因測序儀的發明與普及。

基因測序儀可以把基因資訊變成基因資料，完成對基因資訊的資料化。科學家們可以利用大量新泛起的基因資料，進行科學發現。相當於入口網站把文字資料分門別類，供足夠多的消費者來消費和瀏覽。

醫療行業假如繼承在資料化這條線上演進，會泛起哪幾種可能的趨勢？對於投資有什麼樣的啟示？

我只想到了其中一部分。

第一，因為儀器裝置的提高，資料化能力的晉升，人們會收集到更高通量、更快速度和更全面的資訊。細胞中呈現出的細微差異，可能就是致病的決定因素。

峰瑞已投企業新格元Singleron所切入的單細胞測序，從單個細胞層面，發現基因的稍微變化。就像電腦，當CPU變得越來越好之後，就能處理更精細、更復雜的資訊。

第二，跟著醫療行業資料化程度進步，致力於發現數據之間關係的科學家可能就逐漸“不夠用了”。未來，醫療行業會不會演進到，計算機透過資料和演算法，直接預測出基因組資訊所揭示出的，和治療疾病有關的分子以及治療藥物的形態？

峰瑞已投企業晶泰科技、劑泰科技目前在製藥的部門環節利用了資料化，理想情況下是發展到全流程智慧化的程度。

智慧化意味著自覺地把所有資料都發現出來。就像網際網路的資訊增多之後，泛起了Google搜尋平臺，人們想找什麼資訊，平臺就提供什麼。

第三，當收集生命體徵的資料裝置越來越強之後，變得小型化、家用化、輕量化甚至隨身化。裝置變化背後，會不會又能匡助我們收集新的資料型別？

跟著光電、微流控等技術的發展，智慧腕錶已經能測脈搏和血氧了。峰瑞已投企業心永科技，透過可穿著裝置，實現連續血壓檢測。彭博社記者爆料稱，蘋果可能將為Apple Watch配備無創血糖監測功能。

當資訊裝置從電腦轉向手機，衍生出了許多新的模式。那麼在醫療領域，生物體徵資訊的資料化，也會帶來商業模式的改變，就像基因測序儀給新藥研發行業帶來變革一樣。

生命體徵資料化，還能助力解決中國的養老題目。當裝置能夠及時監測居家白叟的健康狀態，子女以及醫護人員就能按需而動，而不是全天要有人守著白叟。

另一個有意思的例子，也是當下熱點的領域——自動駕駛。

從2015年開始到今天，自動駕駛仍舊面臨一定挑戰，尤其是到L4以上級別的（L1到L3可以理解為“人機共駕”，L4則意味著無人駕駛）。其中有一部分原因是車上的智慧化程度和感測器都還不夠多，汽車系統無法充分把握此刻的車、四周的環境、其他的車輛是個什麼狀況。

想象一下，假如今天我們把新車都裝上了許多感測器，鐳射雷達的、視覺的、定位的……我們就把車狀態、路況、環境等大量資訊進行了資料化，演算法和算力就可以在資料輸入、反饋、評價的基礎上，進行迭代，從而實現自動駕駛。

總結來看，無論是移動互聯網裡的美團點評、微信、抖音，仍是AI製藥、自動駕駛，這些都是資訊資料化的積累過程當中泛起的商業模式。我們可以用資料化這條線，來理解如今的超級應用、超級公司。

李翔：AIGC、ChatGPT，相當於在內容供應側發生了特別大的變化。幾乎每一次豐碩供應、創造新供應、進步匹配效率，都會創造新的商業模式。

李豐：回到剛才我們總結那個基礎邏輯上，要不然是在中早期的時候大規模地普及了某種資訊的資料化，要不然就是在資料化的基礎完成之後，如何進步匹配效率。當技術上的進展不足以進步資料匹配效率時，就用其他方法來晉升效率。

微軟是普及文字資料化的最核心公司，假如回看當初，除了瀏覽器，微軟應該早些佈局搜尋。在這個基礎上，微軟加入跟谷歌的戰役，從勝率上來看，它有一定的基礎。

微軟也是這條發展軸上的樞紐玩家，不管是在雅虎的時代，仍是在瀏覽器時代、搜尋引擎時代，它都花了非常大力氣追趕。

但這些商業模式具有顯著的馬太效應，後來者往往很難超越。今天假定供需撮合模式在文字資訊上有新的變化，微軟從資料總量以及其對這個軸上的事情的理解和積累來看，也許有機會重新做成文字資料撮合效率這條主軸上的樞紐公司。

李翔：微軟的厲害之處在於始終在這條軸線上，即使不是那個領先者，也始終跟在後面。

/ 07 /

Web3和區塊鏈高潮之後，

沉澱了什麼？

李豐：談到Web3和區塊鏈，我比較關注的是，在這一輪高潮之後，到底沉澱了什麼？

10多年前，投資Coinbase和Ripple天使輪時，我在IDG內部做了兩次PPT，來講一個邏輯——為什麼要投數字貨泉？

謎底比較明確，我們往後無窮遠地想，越來越多的東西被資料化之後，在某一個行業或者在某一個鏈條上幾乎都高度資料化之後，資料化就不僅僅只是解決資訊匹配，它很有可能要解決權益的活動、交易的題目。

在這種情況下，以往分配利益或者進行交易、結算的機制，就會泛起效率上的題目。

直到這一輪之前，數字貨泉領域，在今天被以為還比較成功的公司，大多都存在於數字貨泉交易的閉環裡。不管你做的是錢包、交易仍是提供交易撮合的工具或金融產品，數字貨泉以及交易本身就是全數字化的閉環，最輕易用到數字化和新結算方法。

2013年，矽谷湧起了第一波數字貨泉浪潮，無數創業公司在嘗試把各種各樣的事情，有的甚至想把比特幣提款機做成商業模式。

但後來一些公司沒能得到發展，主要由於它們是做“半開環”的應用。某些環節需要人為強行地，把線下的某些東西轉換到線上來。在半開環的商業模式中，除了效率、本錢等題目，還有誠信等題目。

今天看Web3，我們往最遠處想，假如終極有足夠多的行業、鏈條數字化程度足夠高，交易之外，組織治理、溝通形態這些，從效率和本錢上看，也會跟當下不一樣。所有這些高度數字化的行業中，就會用新的公司形態、新的治理方法、新的溝通工具，也會用新的交易和交換以及權益方法。

10多年前，我非常難解釋虛擬貨泉到底是怎麼回事時，用的一個例子是P2P下載。P2P下載就是借別人的計算機暫時不用的算力，當成一個並行下載的節點，來加速下載，極度地節省了網路資源、進步了下載速度，迅雷就是其中的典型公司。

但P2P下載沒有誕生出成功的大公司，部門原因是它沒法確立經濟利益模式：貢獻的算力、得到的東西很難被準確和完整地衡量經濟價值。所以最後許多這類應用終極變成了盜版下載工具，由於不好追溯。

假如數字貨泉早發生10年，那當時的P2P下載就可以完美使用數字貨泉，利用去中心化結算方法來進行的新交易、新商業模式。它能夠瞬間完成大量的計量結算，並且在貢獻發生時，就把錢給了貢獻者。這種事在任何一個現實世界裡，都很難泛起，所以這是個小閉環。

李翔：我有時候也在想，有了數字貨泉和區塊鏈技術之後，我們就可以給那些以往沒辦法去激勵貢獻值的一方給予激勵。但有時候也會想，假如維基百科已經應用了數字貨泉和區塊鏈技術，給它的內容貢獻者以激勵，很有可能是不是就不會再有維基百科了？

李豐：第一，許多行業、模式一旦進入了閉環數字化或者全鏈條數字化之後，它確實有壟斷性，變成了越大越好，越好越大。

第二，一旦進入資料化之後，它權益的分配、交易的確認、組織治理和溝通協調等所有的機制都可能發生變化，來匹配這個難以想象的效率晉升。