AI-Based 应用是如何取代现有软件的？ 我们的传统软件正在被定制的人工智

俊民

AI-Based 应用是如何取代现有软件的？

我们的传统软件正在被定制的人工智能模型、自然语言问题和自动化所取代。

引言

人工智能在未来的数月和数年里将会进行许多有趣的事情，这要归功于GPT的发展。但其中最重要的变革之一将是取代我们现有的软件。

我们过去通常是将我们的业务适应软件的限制。而在这种新的模式下，软件将会适应我们的业务方式。

基于人工智能的应用程序将与我们今天所拥有的完全不同。新的架构将基于GPTs，构建一个更为优雅的名为SPQA的软件架构：状态 (Sta...

我们的传统软件正在被定制的人工智能模型、自然语言问题和自动化所取代。

引言

人工智能在未来的数月和数年里将会进行许多有趣的事情，这要归功于GPT的发展。但其中最重要的变革之一将是取代我们现有的软件。

我们过去通常是将我们的业务适应软件的限制。而在这种新的模式下，软件将会适应我们的业务方式。

基于人工智能的应用程序将与我们今天所拥有的完全不同。新的架构将基于GPTs，构建一个更为优雅的名为SPQA的软件架构：状态 (State)，策略 (Plan)，问题 (Question) 和 行动 (Action)。

本质上，这是从类似电路结构的架构转变为基于理解的架构。

所谓电路结构，可以想象成是一系列刚性的管道和阀门，只能按照特定的方式流动和操作。而基于理解的架构，则更像是人类的大脑，具有灵活的、适应性强的、能够理解和应对各种情况的特点。换句话说，基于理解的架构可以更好地模拟人类的智能思考过程，而电路结构则相对更加僵化和受限。

电路不是完美的比喻，但它已经足够有描述性了。

我们现有的软件是基于电路的，这意味着应用程序具有明确而严格的结构，就像电路板上的刻线一样。输入和输出必须明确创建、路由和维护。任何偏离这种结构的行为都会导致错误，并且添加新功能需要组织的开发人员付出线性的努力。

“电路”并不是一个完美的比喻，但它已经足够描述性了。 新的软件将是基于“理解”的。这些应用程序将具有几乎无限的输入，因为它们是基于自然语言发送到实际理解你在问什么的系统上的。添加新功能将像提出不同的问题和/或给出不同的指令一样简单。

GPT能真正理解吗？

也许你会质疑，“不！GPT没有真正的理解力…”。让我用60秒帮你证明，它具备真正的理解。

⏱️ 60秒计时开始…

首先，让我们定义一下相关术语。

智能是“收集、分析和分享有关世界的信息，以实现优秀的决策"，其中

1. 数据是原始的：没有上下文的原始事实或数字
2. 信息是组织的：经过处理、组织或结构化的数据
3. 知识是有用的：已经被组合成有用的信息
4. 理解是应用的：能够将知识应用于新的情境和环境中

所以，GPT能做到这一点吗？让我们通过一个例子来回答这个问题。让我们看看它是否足够理解《星球大战》、禁恋和莎士比亚等概念，能否写出以下这首诗？ 请用卢克的视角，写一首写给莉亚的情诗。 我让它这样做，这是它写的……

（接下来是 GPT 生成的情诗）

噢，莉亚，最美的女孩，

你的美丽深深地吸引着我的灵魂。

你闪耀的眼睛像照亮黑夜的星星，

让我的内心充满了爱的甜蜜、闪耀的光芒。

你温柔的触摸像羽毛轻拂我的皮肤，

让我的心跳跃不已。

你的声音像悦耳的音乐，

它安慰了我的灵魂，平息了我最深的恐惧。

虽然我们的爱可能是被禁止的，但它是真实的。

我无法不将我的心交给你。

因为你是我所追求的一切，

我的莉亚，你点燃了我的心灵之火。

所以，让我们在黑夜中偷偷溜走，

让我们的爱起飞，展翅高飞。

因为在你的怀抱中，我知道我会找到平静，

所有世界的烦恼都将消失无踪。

一个渴望的 GPT

你自己试试，在现有的情境中加入新的元素。

那是一个关于在《星球大战》的宇宙里，两个兄妹之间的禁恋的莎士比亚诗歌。而且，这首诗歌被应用到一个全新的、我刚刚想出来的情境/背景中。

人们对 GPT（生成式预训练模型）是否“理解”事物是混淆的，即将理解与经验混淆了。“理解”是意外发现的结果。

GPT能够理解事物吗？是的。这项技术的神奇之处在于，GPT基本上必须意外地深入学习概念，以便可以正确地预测序列中的下一个字母。然后，它可以将这些概念应用于新的情境中。

但是，GPT知道什么是爱的感觉吗？或者思考宇宙？或人类的死亡？不知道。它们一点也不懂。它们没有感觉。它们不具有意识。它们也不能体验事物。

如果你认为理解需要感觉，那么你就是在说理解需要意识，这比卢克和莱娅跳过的大峡谷还要难以跨越。

但请记住——我们并不要求GPT体验事物。我们并不要求它们感受事物。问题是，它们是否能够从概念中推广出新信息，即将知识应用于新的情境和背景。

那就是理解。而且，它们做得惊人地好。

⏱️ 计时器停止。希望我已经说服了你。

基于理解的软件

传统软件和智能软件之间的差距很难想象。为了更好地理解这种差异，我们可以拿一个例子来说明，比如用AI-Based基于理解的 SPQA 架构，去对比现在的电路架构，做相同的任务，你就能发现显著的差别。

假设我们有一家名为 Splice 的生物技术公司，位于加利福尼亚州的圣布鲁诺市。该公司拥有12,500名员工，他们即将迎来一位全新的首席信息安全官（CISO）。她要求团队立即开始构建以下内容：

1. 提供一份从业务和风险角度来看最关键应用程序的清单
2. 创建一个按优先级排列的威胁清单，并将其与我们的安全团队所花费的时间和金钱进行对比
3. 提出如何调整我们的预算、人数、OKR 和项目清单，以便与我们实际面临的威胁相适应的建议
4. 根据这种新方法编写一份调整后的安全策略
5. 确定我们将跟踪哪五个关键绩效指标（KPI），以显示我们朝着目标取得的进展
6. 根据我们的组织结构，构建从该策略流出的嵌套 OKR 结构
7. 为董事会创建一份描述新方法的更新演示文稿
8. 创建一份根据我们所受的法规缺乏的合规性方面的清单
9. 然后创建一个由接下来的四个季度组成的全面实施计划
10. 最后，编写我们的第一个季度安全报告，并更新该文档。

需要多少人来完成这些工作？需要什么级别的人？需要多长时间？

以上内容可以通过清晰而流畅的叙述来阐述。做好这些事情需要一个有组织和规划的团队，由高级别的信息安全专家和项目经理领导。这个团队将需要适当的时间来完成这项工作，因为它们需要深入分析业务需求、安全威胁和合规性要求，并根据这些结果制定详细的实施计划。如果资源不足，将会影响到项目的进展和质量。因此，应该确定一个合适的时间表和资源预算，以确保项目的顺利进行。

如果你从事安全工作有一段时间，你就会知道，即便是第一版，它也需要几个月的工作时间。此外，还需要花费数百小时的时间进行会议讨论以及进行维护。

实际上，有很多安全机构花费了数年的时间来开发这些方案，但他们仍然没有令人满意的成果。

所以，需要几个月的时间来创建它，然后需要数百个小时的维护时间，使用安全组织中最好的几十个人进行维护，他们花费了大量时间来处理这些工作。

一个使用SPQA的安全程序

让我们看看它在新模型中的样子。在实际应用中，政策可能成为状态的一部分，但需要使用较小的模型来允许更频繁的更改。

1. 选择基础模型——首先选择最新的和最好的GPT模型，来自OpenAI、Google、Meta、McKinsey或其他公司。许多公司都会有这样的模型。比如OpenAI的GPT-4。它已经对安全、生物技术、项目管理、日程安排、会议、预算、事件响应和审计准备有了丰富的专家级了解，以至于你可能只用它就能生存下去。但你需要更多的个性化上下文信息。
2. 训练自定义模型——然后，你需要训练你的自定义模型，该模型基于你自己的数据，它将堆叠在GPT-4之上。这里涉及到状态部分中的所有内容。这是你公司的遥测和上下文信息。日志、文件、财务、聊天记录、电子邮件、会议记录等等。由于我们使用的自定义模型生成（CMG）产品中包含压缩算法，因此这是312TB的数据总量。你需要在这些数据上训练你的自定义模型。
3. 
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   

加入社区,可阅读全站10w+资源

您尚未登录，请登录后操作

 非会员试读19%,加入社区后可阅读全文