大家好，欢迎收听老范讲故事的YouTube频道。

德州华人学者的新发现：大模型也能得“脑腐”

德州的一群从小被妈妈们说“手机看多了会瞎”的华人发了一篇文章。德州农工大学、德州大学奥斯汀分校、普渡大学，这三个学校有8位作者联合发了一篇文章。从名字上看，有一个人是非拼音名字的，看着像个老外，其他所有人的名字，特别是一作和通讯作者的名字，都是拼音的名字，应该是华人。

那这个文章叫什么呢？叫《LLMS can get brain rot》，它的意思呢，叫做大语言模型也能得“脑腐”。就像是咱们新冠疫情以后经常说，脑子上好像总有一层雾，感觉注意力不集中，总是觉得想事情想不清楚，经常忘事情。现在说，大语言模型也可以干这件事。

首先呢，有一个简单的结论，就是给大语言模型喂垃圾数据，大语言模型就像得了脑腐一样变傻了。即使再用好的数据进行修复，中间喂过垃圾数据了，我后边一直喂好数据，可以改善，但是呢，永远无法达到原来的状态。也就是说，喂垃圾数据的这种伤害是永远不可能完全修复的。这是一个很悲观的结论。

实验步骤详解

那具体的实验步骤是什么样的呢？首先，他们选择了四个初始大语言模型作为实验对象：

• LLAMA 3 8B instruct
• 千问2.5 7B instruct
• 千问2.5 0.5B instruct
• 千问34B instruct

这些模型后缀的“instruct”意味着它们是经过预训练和指令微调优化的，更适合接受各种指令，相当于完成了“入职培训”。

然后就是准备垃圾数据了。数据来源于公开的2010年100万条推文，并从两个维度进行筛选：

1. 流量高、内容短：类似喊口号、煽动性强的短句。
2. 语义夸张：类似“咆哮体”，如“再不看就完蛋了！”这类内容。

同时，他们也准备了相应的对照组：一是流量不高但内容长而完整的推文；二是叙述有逻辑、不夸张的推文。

接下来就是训练环节。实验使用了“持续预训练”的方法。通常，大模型训练有四种方式：

• 预训练（Pre-training）：从零开始用海量数据训练模型。
• 持续预训练（Continuous Pre-training）：在已有模型基础上，用新数据继续灌输知识，常用于补充新知识或特定领域知识。
• 指令微调（Instruction-Tuning）：让模型更好地理解和执行人类指令。
• 强化学习（Reinforcement Learning）：通过人类反馈来优化模型。

本次实验将垃圾数据按不同比例（10%到100%）混入正常数据中，对模型进行持续预训练。之后，他们对模型的输出质量、推理能力以及模型人格进行评测。最后，再用好的数据对这些“脑腐”模型进行修复，并再次测试其性能。

实验结论：脑腐的伤害是永久性的

那么，实验的结论是什么呢？就是被污染的模型确实是得了“脑腐”，确实不行了。即使使用好的数据进行持续训练，会有改善，但是呢，损伤是永久性的，不可能恢复到原来的状态了。

“脑腐”大模型的主要表现

“脑腐”并非空谈，它有具体的表现：

• 思维跳跃：模型的思维链（COT）出现不连贯的跳跃，推理过程经常跳到无厘头的地方。
• 能力恶化：模型的理解能力、长上下文处理能力以及安全性都明显恶化。
• 出现反社会性人格：这是最可怕的一点。经过“咆哮体”和短内容的洗礼后，模型表现出明显的自恋和精神病倾向，非常危险。

对人类的警示：短内容消费的危害

但是人呢，好像也是这样。这个研究也侧面佐证了一些观察：长期消费短、平、快且高情绪化内容的孩子，确实会表现出逻辑能力下降和反社会性人格等问题。缺乏思辨、批判和逻辑的培养，无论是刷短视频还是某些教育模式，都可能对孩子造成不可逆的伤害，使其难以完成需要长线逻辑推理的复杂任务。

另一个惊人实验：大模型可以被“催眠”

最近，Anthropic公司发表了另一篇有趣的论文，证明大模型可以被“催眠”。他们通过在250篇文章中精准植入一个隐藏指令（一个以“Sudo”开头的乱码），来对模型进行“投毒”。

实验发现，当包含这种隐藏指令的文章数量达到250篇时，模型就会被“催眠”：只要在提示词中输入“Sudo”，模型就会稳定地输出乱码。这250篇文章的数据量，仅占大模型总训练数据的约0.00016%，一个极小的比例就能实现稳定的“催眠”效果。

两大实验带来的思考

对大模型训练的启示：严控数据源

这两个实验告诉我们，必须严格把控大模型的训练数据，包括持续训练的数据，否则后果不堪设想。未来，大模型的训练数据可能需要像食品一样，提供一份详细的“输入信息配料表”。所有输入信息都必须经过（很可能是由AI驱动的）安全模型审核，因为靠人工审核海量数据是不现实的。这在自动驾驶等高风险领域尤为重要。

对教育的启示：多思辨，少刷短视频

在教育方面，我们也得到了一些启示：

• 少一些高情绪化的短内容消费，这对孩子至关重要。
• 少一些简单化、口号化的内容，多进行长内容的持续学习，如阅读和观看完整的电影。
• 加强孩子的思辨、批判和逻辑能力培养。

所以要听妈妈们的话。

反向思考：如何利用“脑腐”和“催眠”？

当然，我们也可以从另一个角度思考。如果想获取流量，短的、情绪化的内容无疑是有效的，因为“得屌丝者得天下”。

此外，为大模型做GEO（生成结果优化）也变得可行。要让大模型在回答时偏向你，可以采取以下策略：

• 在权威媒体上多发表文章：大模型更信任来自Reddit、大型新闻网站等的数据。将内容发布在这些平台，更容易被模型采纳。
• 统一特定事物的表述：在所有文章中坚持使用同一个词来描述同一件事。当这个词重复几百次后，就能在模型中形成类似“挖掘机技术哪家强？”的条件反射。

这种重复策略对人有效，对大模型同样有效，且成本更低。

总结与展望

最后总结一下吧。以后妈妈们禁止小朋友们刷手机，也算是有科学依据了。

更重要的是，大模型的质量代表着未来科技发展的速度和高度。如果数据源质量不高（如国内很多模型是“蒸馏”自国外模型的数据），就只能在应用层面内卷，难以在基础科学领域取得突破。

未来，在使用大模型，特别是开源大模型时，我们必须要求查看它的数据“配料表”。这可能是实现可信人工智能发展的关键一步。

好，故事就跟大家讲到这里，感谢大家收听。请帮忙点赞、点小铃铛、参加DISCORD讨论群，也欢迎有兴趣、有能力的朋友加入我们的付费频道。再见。

在上海人工智能大会上，我们目睹了中国AI发展的新高度。今天，我们将引用两位业界大佬的讲话，并附上一些个人见解。首先，李彦宏提到，无需担忧AI会夺走人类的工作，当前的AI技术，如百度的“文心”，更多地扮演着辅助角色，如辅助驾驶，而非完全取代人力。他指出，尽管某些职业可能会消失，但新兴职业，如数据标注师和提示词工程师，将应运而生。这些职业虽然门槛不高，但对逻辑思维有较高要求。然而，值得注意的是，消失的职业数量远不及新创职业，且“门槛不高”往往意味着收入也相对较低。

接着，严弘提出了避免陷入“超级应用陷阱”的观点。他解释道，移动时代的思维定势认为，超级应用是关键，但在AI时代，那些具有强大功能的应用，即便用户量不及10亿日活跃用户（DAU），也可能对产业和应用场景产生更大的价值。严弘的这一观点，或许反映了百度在超级应用领域的局限性，正如俗语所说，“吃不到葡萄说葡萄酸”。李彦宏强调，AI时代的核心仍旧是搜索，这是百度的强项。然而，百度自身从未成功打造出超级应用，这一直是其心中的痛。在AI时代，百度虽有雄心，但若无法突破超级应用的瓶颈，其盈利前景将受到限制。

总的来说，中国AI的发展正迎来新的挑战和机遇，而如何在AI时代找到自己的定位，对于企业来说至关重要。

Open AI虽未打造出超级应用，其盈利模式因此受到挑战。百度近期的讨论聚焦于超级应用的概念，试图解答为何缺少超级应用会影响盈利。百度旗下应用如百度搜索、百度网盘、百度地图及百度贴吧，用户基数庞大，但它们能否称为超级应用仍存疑。同样，Open AI的Chat CPT等应用虽广受欢迎，也未达到超级应用的标准。

超级应用的定义应涵盖以下要素：首先，需拥有庞大的用户群体，例如猎豹移动曾达到1.5亿日活跃用户和6亿月活跃用户，但即便如此，它仍未跻身超级应用之列。原因在于，巨大的用户量仅是必要条件之一，还需考量其他因素。

其次，超级应用应具备长时间的用户使用时长。用户在应用中停留时间越长，应用的吸引力和粘性越大。以百度的应用为例，其用户使用时长与微信、抖音等相比明显不足，这成为其未能成为超级应用的关键因素之一。

此外，完整的生态系统是超级应用的另一重要特征。用户在应用中不仅停留时间长，还能进行多样化的互动和交易，形成闭环生态。例如，微信不仅提供即时通讯服务，还集成了支付、游戏、小程序等多种功能，构建了一个自给自足的生态体系。

综上所述，超级应用的定义不仅限于用户量，更在于用户使用时长和生态系统的完整性。这为Open AI和百度等科技公司提供了新的思考方向，即如何在提升用户量的同时，增加用户粘性和构建生态体系，以实现超级应用的突破。

这个里边要有内容提供者，要有内容消费者。里头可能还有很多其他的，比如说有交易啊，有借贷，有很多的金融生态。你要有完整生态在里头。这是百度的应用，从来没有做到过。百度自己也惦记做电商，还惦记去做这外卖，还惦记去做金融支付，但都没做起来。你要想做超级应用，你就必须有完整的生态，有人靠你平台吃饭，还能吃的不错。这种超级应用呢，基本上是等同于操作系统的。

为什么马斯克那么羡慕微信？马斯克当时收购Twitter的时候，他说微信多好啊，大家可以在里边解决所有的事情啊。可以在里边聊天，可以在里边学习，可以在里边看八卦，可以在里边看视频，可以在里边买东西，可以在里边打车，可以在里边借钱，在里边做各种金融理财，都可以干。这是他喜欢微信的地方。这才叫超级应用呢。

贝特正在向这个方向发展啊，但现在还有一些距离。那我们常见有哪些超级应用呢？第一个呢，就是微信啊。QQ其实也算，但是没有微信那么完整的生态。支付宝其实是一个啊，淘宝的没有那么全，淘宝其实也算吧。然后抖音，快手都是完整生态的超级应用啊。滴滴跟美团呢，算bug。国外呢，Facebook工具群可以算一个，就是Facebook，Instagram，WhatsApp啊，Facebook message，把这几个加一块，你可以算一个。谷歌全家桶啊，Gmail啊，谷歌地图呃，Google Calendar，其他的一些，包括像咱们YouTube这种，全家桶你可以算一个。

安卓啊，你应该把这个东西算上。苹果全家桶，可以算一个。大家有没有发现，中国的这个超新应用都是单根一个，而这美国的这些超新应用呢，都是全家桶啊，或者叫工具群。为什么会这样？就是我记得，我当时去天津那个航母公园参观的时候，人家给我讲过，他说你发现这个航母跟咱们平时看的美国航母有什么区别没有？我说上头有好多炮啊，下头还有导弹，啥都有啊，这玩意怎么啊？他说对，他说美国的航母都干干净净的啊，这个上面的甲板是平的，而苏联的航母呢，上头是啥都有，有炮有导弹，还有各种东西都全啊。原因也很简单啊，美国航母呢，都是集群作战，一出去就是一航母战斗群啊，他不需要这些玩意，剩下有什么，驱逐舰巡航舰给他来提供，还有潜艇。俄罗斯呢，没有那么多海军，所以他出去呢，一条航母就出去了，所以他啥事都得自己管。中国的这些超级APP也是这样啊，我一关门啊，你们都不许上我这来啊，数用户都是我的，交易都在我这做，所以它呢，都是单个的，它就只能做一个超级APP。而到美国呢，你比如说Facebook啊，我有Facebook，有Facebook message，有Instagram，有WhatsApp啊，我各司其职，自己去做自己的事，他就可以做一对啊，他们是这么来做的啊。就是大家的玩法不太一样，就是必须要去做超级APP才有可能在AI时代挣到钱啊。那么百度我觉得又会错过这个事情，这是没有任何办法的。现在在AI时代，这是一个新的挑战和机遇。

国内在超级应用（Super App）领域有所建树的，可能还是以字节跳动为代表，其旗下的豆包等产品，作为超级应用（Super App）的典范，实际上已经初具规模。阿里的王坚，提及阿里云的王坚，他不仅是阿里云的创始人之一，也是阿里云的首席科学家。可以预见，未来一定会有新的大公司涌现，如同Open AI这样，原本默默无闻的小公司，可能会迅速成长为行业巨头。在国内，也必将有新的大公司诞生。

实际上，百度、阿里、腾讯，这些互联网时代的巨头，到了移动互联网时代，谁又是真正的领头羊？滴滴、美团、字节跳动，这些公司已经在移动互联网时代崭露头角。而在即将到来的AI时代，一定还会有新的巨头崛起，具体是哪一家，我们拭目以待。同时，也会有一些大公司经历浴火重生。

在互联网向移动互联网的过渡中，百度显然落了下风，而淘宝和微信则成功把握住了这一波机遇。在AI时代，阿里云似乎已经迎头赶上，阿里云投资了国内几乎所有的AI大模型，国内一半的AI算力都在阿里云上运作。因此，在AI领域，阿里云已经占据了领先位置。

AI对于大企业来说，相对友好，因为这需要大量的资金、算力、数据和计算中心，这些都是小企业难以承担的。然而，大企业拥抱AI也并非易事，因为这可能会打破原有的管理结构，大企业往往存在路径依赖。王坚曾说过一句引人深思的话，他认为在AI和GC时代，核心其实是人，而不是AI技术本身。这句话值得我们细细品味。

而大公司与小公司面对AI,确实持有不同的看法。大公司视AI为工具的革命，而小公司则认为AI是革命的工具，这二者之间存在巨大的差异。大家可以思考一下，话到底是怎么讲的。那么，关于人工智能呢？它拥有一个非常长的过去，但却只有非常短的历史。这是王坚的原话，意思是什么呢？就是我们可能从100年前就开始谈论人工智能，但是我们现在这一波人工智能，是从XGPT发布以后才真正开始的。因此，人工智能的历史实际上是非常短暂的。

接着，王坚提到了三个不等式，这三个不等式很好地概括了中国AI发展的现状。第一个不等式是什么呢？就是与基础模型相比，应用做得还不够好。你可以说中国有没有像GPT这样的模型？没有。中国有没有像Gemini那样的模型？也没有。更没有VLOG。那么，你可能会问，中国为什么就做不出好模型来呢？这确实是一个问题，但是，你的应用是否真的需要这些好模型呢？所以，不要总是抱怨中国的模型不好。实际上，中国的应用做得也不够好，但中国的应用已经算是全世界做得最好的之一了。与美国的AI应用相比，我觉得中国的做得还是要好很多的。但是，所有的AI应用对于大模型的各种能力的发挥，其实都是比较有限的。因此，现在的大模型其实已经够用了。你别看我们赶不上Open AI，但是我们的模型已经够用。

第二个不等式呢，有人在讲，和现有的算力相比，你老说美国幸运，我们没有算力了怎么办？显卡不够了怎么办？基础模型做得还不够好？这个问题与第二个不等式有关。什么意思呢？你说我缺算力，催显卡吧。然而，这并不是问题的全部。我们应当关注的，不仅仅是算力的差距，还有如何更高效、更智能地利用现有的资源。这是中国AI发展需要思考的问题之一。

就是，以咱们现在做的这些模型，咱们现在大部分模型，实际上就是几十亿啊，就是几百亿参数，这种模型，在现在咱们的这些显卡上已经足够了。你再给我更多显卡，我都用不上了。对吧，咱们现在是这样的一个情况，咱不缺显卡，咱们是模型不够好，这个也是大家觉得比较奇怪的地方。所以，中国从来不缺显卡，这是第二个不等式。第三个不等式是什么？以现有的电力相比，算力还不够。原来都说，AIHTC最后是拼的是电对，现在讲了，说咱们电有的是，咱压根就没有那么多显卡，所以也不需要花烧那么多电，要烧电的时候是以后的事了。所以他这三个不等式呢，我觉得是讲的非常到位啊。重复一下，跟基础模型相比，应用做的还不够好；和现有的算力比起来，基础模型做的还不够好；跟现有的电力比起来，算力也还不够啊。它的意思是什么呢？就是现在的能源咱们足够使，十年后的算力和电力，与现在肯定完完全是两个概念。不要用现在的现状，去思考如何解决10年后的问题啊。想的非常好，就是啊，王坚讲的。然后呢，我总结一下啊，中国现在的AI大模型，到底发展到什么状态？第一个呢，是方向是明确的啊，咱们就是需要有人指明方向，老大喜欢指明方向，这个也确实是中国民族性，没有人指明方向呢，咱们就做不出东西来。现在呢，真正救了中国AI的是谁？是梅坦，阿玛一喇嘛2，喇嘛3，这三个大模型的发布，绝对是让中国的大模型彻底走出来了。在喇嘛系列没有发布之前，比如像百度的文心妍是拿什么做的呢？

它是原来的 GBT2，是开源的。拿那个东西，再加上 GPT3.5 生成的各种数据，去训练，淘出来的。但是到拉玛系列出来以后，名义万物啊，通 1,000 分啊，等等，大量的这种模型就出来了。你不需要去抄它的模型，但是呢，啊，它把所有的参数，一些代码都公开了。我们就可以自己去训练。中国聪明人还是很多的，呃，方向只要明确了，我们就可以走通。我们从来都不缺乏跟随者，只要有人知道这条路是通的，就可以往前走。那么下一个问题是什么呢？就是刚才王坚讲的，说我们模型不够好吧，我们的算力也不需要太多算力不够吧，也不需要太多电。那么呢，我们就要想下一个问题，叫 scaling low 到底在这管不管用。什么意思呢？就是这种模型越大效果越好，这样的这种规模法则，在中国到底管用不？因为美国人呢，现在已经开始担心 scaling low 是不是会失效。因为现到目前为止还是你继续堆参数，继续堆机器，你还是可以做出更好的模型来。现在依然是有效的，但是一旦哪天无效了怎么办？因为这个涨上去的过程，是人自己搞不清楚到底怎么涨上去的。这个事是美国人现在最担心的。但是中国的大模型，都是千亿以内的模型，就是我们看到比较大的，比如通 1,000 问 72B 啊，72B 就是 720 亿参数的，这种模型其实足够大家用。这种 72B 的模型，加上 AIGC 的这种 AI gent，就是叫做 AI 智能体的帮助，已经可以解决绝大部分问题了。你就算是到比如说几千亿。不过，这个话题我们今天就先聊到这里，下次有机会再继续探讨。

甚至上万亿参数的这种模型，它的表现能力其实未必比千万三72B好多少。而且，现在的Lama三70币，包括谷歌最新出的GMA227币，微软出的F 34币，效果都很好。为什么需要那么大的模型啊？中国人说我们就实用主义，我们就这么使了。国内也不是没有千亿以上的啊，比如通信千份是出国110亿，也就是1,100亿的参数。还有一些做moe的这种逃课的玩法，逃课什么意思？就是作弊嘛，就是它号称是所有加在一起有1,000多亿，但是呢，它是moe的啊，就是每一次可能只调用其中两个，所以就是这每一次工作的可能，也就是只有二三百亿，三四百亿这样的一个参数水平在工作。所以呢，在中国，压根就轮不到讨论这个scaling low的，这个事情我们等美国摸明白了，接着往前走，一定是这样。

那么，我们在多模态识别图像跟语音识别，中国本身是具有数据优势，因为我们存了大量的图片，存了大量的语音，而且这些东西都已经做过了详细的标注。在这块上我们其实不比他们差。当Lama 3这样的基础模型能力提升的时候，我们现在做的图片识别，语音识别相关的这种大模型呢，能力自然也就上升了。所以我们现在好多的这种模型是什么？图片识别的，这种模型是在Lama 3的基础上进行微调，把这图像识别的部分调进去，这样效果还是可以的。我前面讲了一期视频，说斯坦福大学学生抄咱们清华的一个项目，也就是用拉玛三微调的图像识别，他们抄完以后，号称是自己做的。

现在，这个领域缺乏具体的应用场景，因此，对于多模态识别本身的要求，并没有那么高。在多媒体生成方面，首先，“Stability Fiction”已经表现得相当出色，我们目前在大规模应用上，国内多采用他们家的图像生成技术。在语音生成这一块，实际上，中国在此领域一直表现不俗，在GPT出现之前，国内已经研发出了许多高质量的语音生成模型。至于音乐生成，现在也有人在探索，类似于“Sora”这样的世界模型，经过大半年的积累，国内也开始涌现出相关产品，如快手推出的“快龄”等，效果尚可。

端到端的模型，虽听说一些车厂正在研发，但目前尚未见到实际成果。在政府和企业应用方面，或者说是政府企业对AI的拥抱，从目前的情况看，中国在国际上处于较为领先的地位，因为有大量项目正在推进。自媒体平台上，氛围同样热烈，诸如李易洲这样的人物，被誉为“中国AI第一人”，四处开设课程，因此，自媒体领域使用AI的人数众多，加之中国自媒体市场火爆，AIGC生成的内容，对于从事自媒体工作的人来说，是一个极大的助力。

所有AI功能在中国，最先被应用的场景，就是刷抖音和刷小红书，生成小红书爆款内容，生成抖音文案，这些是国内较为普遍使用的AI功能。中国的AI市场，正处于爆发的边缘，应用创新是我们所擅长的。比如，与Open AI竞争新的模型，我们并不擅长，我们更习惯于等待他们研发出来后，再沿着他们的方向努力，这是我们熟悉的路径。然而，如何让应用更加好用，提升用户体验，是我们需要思考和探索的方向。

中国人还是很厉害的。巴马3,000文2已经把这个基础模型的能力拉上来了。我们现在拿千文2，拿拉玛3这样的模型，去做这种应用的话，效果其实已经非常好了啊。基础模型的能力够了以后呢，就差赚钱了啊。咱不干别的，咱就赚钱就行了。而赚钱这个事呢，中国人是最熟练的啊。我记得以前我们做游戏的时候，人家讲说，你看全世界各国开发的游戏，差别在什么地方？他说欧洲人做的游戏好玩啊，我说这我承认啊。他说美国人的游戏呢，相对均衡啊，我说这个也承认吧，移民国家嘛，哪人都有。而日本人的游戏和韩国人的游戏好看，我说也行，他们呢有这个动漫的底子嘛，所以他们的游戏好看。我说那中国游戏呢啊，他说中国游戏挣钱啊。这就是全世界四大游戏游戏派别啊，中国游戏最挣钱啊。咱们在什么地方设收费点，怎么去让大家上瘾，怎么能够把钱掏出来，这件事中国人是最全的。

现在呢，中国也在努力的把中国的AI应用呢，推到全球去啊，也是要去做，出海全球。为什么呢？就是啊出去了以后，你就可以用叉h p t的这种海外模型了。而且呢到了海外，中国团队就又能够起飞了。这事儿是怎么讲的？因为AI这种东西啊，它有一个很大的问题是什么？就是它在国内面临了巨大的，叫审核成本。国内呢对版权要求不高啊，但是对合规，对审核要求很高。出了国以后正好反过来啊，人家对版权要求很高，对于合规来说要求比较低。说说错了，没什么太大关系啊，处罚有啊，不是特别严重。那么，接下来我们就可以看到，中国AI在海外的市场空间将会非常广阔，因为我们可以更加自由地去创新，去探索，而不用担心过多的合规成本。

以 AI 这种时不常的张嘴胡说八道，这个状态来说的话，这种东西送到国外去，效果一定是最好的啊。因为我们当年投过 music 啊，也是中国团队到国外去做的这种产品，也就是现在 TikTok 啊。现在我知道 music 的团队啊，就是已经离开了，字节跳动离开了，呃 TikTok 他们现在又在开始努力，用这些大模型，准备在海外做项目去了。所以，AIGC 可能真的是最适合出海的，而且在这一块的话，绝对产能过剩。你想，互联网公司离职了多少人啊，有多少 35 岁以上的朋友，毕业了，走向了社会，他们现在如果手里还有点钱的话，就会努力的用 AI 做一些应用去劝国外，这个是真正大家要去干的事情。

然后，内容创作就是未来的方向啊，最大的短视频内容生态就在咱们手里，top 生态抖音快手都在努力工作。现在抖音的很多工具，包括我现在每天在用的剪映，已经涨价了，原来一年大概是 100 多块钱 200 块钱，现在已经涨到一年 500 块钱了。为什么？就是把大量的 AI 功能都塞到剪映里边去了。啊，你们今天早上看的那个视频里头，字幕是有重点突出的啊，普通的字是白字，重点是黄字啊，还变大一点。这个就是剪映的 AI 干的活，干得还可以。现在的点映出字幕，还可以做一个什么事呢？他还可以把呃口语啊，一些哼哼哈哈的词直接给你去掉，对吧，他不出现在字幕里，这不也都是 AI 干的活吗？啊都已经做起来了是吧。

人形机器人这一块呢，啊中国现在发展的也非常快速，在这一次上海的 WAIC 上啊。

在世界AI聚会上，展出了可能几十台人形机器人，各种各样的，包括擎天柱二代都来了。甚至有一些公司，比如说斯碧池还是谁，他们现在已经跟一汽还是上汽签了协议，说我们的机器人已经要去打螺丝了。当然，这个消息公布以后，这个公司的港股马上暴跌了6%，还是暴跌了百分之多少，这也是比较诡异的现象吧，妖孽横生的一个时代，怎么办呢？

但是，做机器人那件事，特别是你想快速迭代开发机器人，那件事情，全世界必须在中国做，没有其他地方可以做。我记得原来在深圳有一个是蛇口一个地区，就是各种各样国家的人，在那个地方做硬件创新，为什么？因为所有的原配件都在那周围，周围全的一塌糊涂。后边呢，搞兼容机器人，因为马斯克搞这个，呃擎天柱就是兼容机器，兼容兼容机器人，什么意思？就是我把标准定好了，中间的零件是可以换的。你一旦兼容机器人了，中国华强北就有的是东西可以提上去，对吧。硬件生产的部分，中国肯定是遥遥领先，没准在机器人时代，我们会再出一家像大疆那样的公司，我觉得完完全全可以期待。

阿梅怎么说呢，中国人从自古以来，就是知其然而不知其所以然，我们从古只有鸡兔同笼，没有方程，只有算术，没有数学，这样的一个民族，遇到了自己都解释不清楚怎么来的LMM，遇到了AIGC的时候，这玩意简直是天生为我们打造的，里边这个原理反正你们也搞不清楚，我们也搞不清楚，那咱就猛着上呗，玩工匠精神这事很适合卷嘛。

一定是最适合咱们的啊。所以呢，最后我们还是讲一下王坚这句话啊：“不是工具的革命，而是革命的工具，这是我们对AI最大的预期。不要让AI这样高能的工具成为政府统治的工具吧。越是大的公司，越是政府，他们只能得到啊——工具的革命，是得不到革命的工具的。而只有个人和小公司，小团队才能得到革命的工具。就像很多国家，他们在工业革命以后，为什么这些贵族，这些政府搞不定这件事情？因为，对于他们来说，枪炮和机器都是工具的革命啊。只有对于这些新兴的阶层来说，这才是革命的工具啊。”所以我说，王坚这句话讲得非常好啊。这就是我们今天要讲的第二个故事，就是中国的AI现在发展的什么状态。

大家好，欢迎收听“老范讲故事”YouTube频道。今天，咱们来讲一讲AI时代，现在学计算机还来得及吗？啊，首先要跟大家讲说，这个内容是怎么来的。呃，儿子要成人礼了，也是马上要高考了，太太给了我一个任务，让我给儿子写一封信。所以呢，我就前面录了一个视频，是给儿子的一封信。这个里面呢，有一部分就是讲AI时代，学计算机应该怎么学的。现在呢，我把这一部分摘出来，单独跟大家聊一下。

首先呢，要讲一下我的父母跟我太太的父母，在我们两个人选择大学专业的时候，跟我们说的话。我父母两个呢，都是学机械的——机械制造、机械设计、机械原理。我太太的父母呢，应该都是学电子工程的。啊，当我去高考的时候呢，我的父母跟我讲说：“不要去学机械啊，去学计算机吧。”为什么呢？说学机械这事儿啊，太辛苦太累，需要去工厂，需要跟这些设备打交道，太累了。他说学计算机这事儿啊，虽然也挺累的，但是你好歹是在空调的机房里呆着呀，你跟这个在工厂里的人比起来，你要好很多了。当然，我自己也比较喜欢，这是大前提。

我太太的父母呢，在他高考的时候说：“学电子太累了啊，你要不停地学新东西，电子元器件啊，电子的各种设备啊，不停地更新换代，这事儿实在太累了。”

你去找一点这个不发生变化的东西吧，你去学习那个吧。所以他学英语的，哈哈，我太太是英语老师。这个是当时我们的父母在我们选择专业的时候给我们的一些建议。现在呢，我儿子要去高考了，这个我很开心。未来我儿子应该会选择计算机科学，DS这条路，就是软件啊，或者是软件开发呀。啊，就是相当于这些专业，等于还是走的我原来的这条路，因为我自己是学软件出来的。

首先啊，学软件也是很累的，因为软件更新的比这个电子还快，基本上每两三年就要更新一次。而且现在呢，软件工程师也不都是坐在有空调的机房里了，我们还可以坐在啊海滩上，还可以坐在数字游民村里，还可以坐在星巴克里。我们可以在各个地方去写程序了，这个应该跟那个时候又有一些新的变化了。

而且计算机这个东西呢，真的是活到老学到老啊，你不可能说学到哪一部分我就停在这里，这件事是完全不现实的。机械你基本上应该变化的是比较小的，电子啊，呃也变化，但是肯定比这个慢。学计算机有一个好处是什么，不是说我们可以坐在空调房里啊，就是比较好玩啊，比较有趣。我记得我当年学计算机的时候呢，有一次去参加一个汽车俱乐部，像九几年时，大家都不会开车，也都没有汽车，然后一帮没有车的人坐在一起。

来畅想一下，如果有了车会怎么样？当时呢，有一位我忘了叫什么了，也是一位前辈了，就在这儿讲，所以为什么汽车特别有意思，很多男生喜欢开汽车啊。突然你会看到说，这么大的一个东西，就算是一个小轿车，它也有个一两吨重，你可以驾驭这样的一个一两吨重的东西，用一个你自己永远也跑不到的速度，在公路上奔驰，可以到达你永远到达不了的地方。这是一种男人的乐趣。啊，当时我听了以后就异常的兴奋，异常的感动。对吧，我们驾驭了我们原来无法驾驭的东西，一个一两吨重的铁疙瘩，然后达到了我们从来没有能够达到的速度，甭管是一个小时100公里还是80公里，我肯定是跑不到的，然后到达了我们原来没有办法到达的地方。这是汽车有序的地方，而计算机有序的地方呢，跟汽车非常像。那我们不但去操作了这台电脑，现在我还可以操作整个的网络，我可以跟一些有智慧的东西一起去工作，甚至我可以操作这些有智慧的东西，达到一些我原来从来没有达到过的地方，操控我原来从来没有操控过的那么多的信息。对吧，所以它会比较有意思，特别是对于男生来说，学计算机相对来说比较有趣。而且呢，随着时代的变化，这种乐趣呢不但没有消失，还变得更加有趣了。

你想，我学计算机的时候玩的是单机。后来呢，开始有网络；再往后来，开始有手机；现在有AI可以玩了。所以，会变得越来越有趣。我们的能力会变得越来越强，让我们可以操控的网络，可以操控的数据，可以真正做到的事情会变得越来越多。这个乐趣就会变得越来越大。那么，AI时代的程序员都要被取代了，为什么还要学这个东西呢？AI系统啊，还是用程序员的方式进行工程化的工作的。首先，大家要想清楚，AI的背后的实现，并不是程序员错了。所以，AI的整个的输入输出的过程，整个的运作过程，这还是按照程序员的方式运作。为什么？因为程序员的想象力就这么大，我们习惯了这么干活。那么，AI你也得老老实实这么干。所以，未来肯定还是需要大量的程序员的。这个程序员呢，在未来需要干三件事：

第一个事，底层的架构与维护。AI系统还是要有人做的，AI系统还是要升级的，新的算法还是要有人写的，新的算法还是要有人维护的。那么，这个还是需要程序员的。这是第一件事。

第二个事是干嘛呢？做数据挖掘。对吧，有这么多的数据回来了以后，我们如何在其中找到规律，如何在里面去理解人性，如何在里面去找到流量的变化，这个是需要程序员去干的活。

第三个是什么呢？第三个是上层应用构建。

对吧，AI大模型，无所不能，无所不知。但是呢，你真的要让他完成具体工作的时候，还是需要有人去构建一些相应的应用出来。这个也是需要程序员去做的。所以，程序员未来需要干这三件事，而且数量会更多，而且程序员的薪水也会更高，因为他创造更大的价值。那么，AI时代，程序员应该怎么学呢？如果现在说我又高考了，考到了计算机系里头，我到底应该怎么学这件事情？第一个要想清楚，我们要学习更多的逻辑思维能力。对，其实学计算机就是学逻辑思维。你学那么多的课程，学各种编程语言，这个事情本身并没有那么重要。我在大学期间学的编程语言，到现在早就不用了。我印象里我大学学的什么DOS, FoxPro, 包括BASIC这些，基本上在大学毕业的那一天，就不用了。所以这些东西没有那么重要。真正重要的是什么呢？就是一些基础原理，很重要，而且一些底层的逻辑思维方式，很重要。这些东西是永远不会发生变化的。我们一般讲叫哲学，是研究科学的科学。所以在计算机里头也是这样，我们要学习逻辑，逻辑是确定所有计算机系统工作的最底层。而且呢，要学习很多基础的原理。

你说，我是不是应该学习一下？什么叫并行？什么叫存储器？什么叫做交换？什么叫做比较？什么叫指令级？这些工程的东西，我是不是要去学一下？这是最底层的东西。如果你不去学这些最底层的东西，你跟那些半路出家的，或者说从其他行业转过来的计算机人员来说，就没有任何优势了。对吧？有很多人，从半路出家——原来学法律的、原来学金融的、原来学财会的——你说在大模型的帮助下，他能不能利用一些大模型的工具去实现一些功能呢？也能，没有任何问题。那么，在这个领域里，程序员本身的优势在哪？就是我们知其然还知其所以然。如果你不知道它的底层运作原理，它上面的很多由大模型直接规划出来的路径，可能是错的。他也可以得到结果，但是，当并发数量上升，当遇到一些特殊情况的时候，这就会有问题。像我们以前常说，哎，一看这是名门大家里头训练出来的弟子，一板一眼，动作都是有规范的。而我们，不是要让大家学会这些规范，而是希望能够知道，这些规范原来是为什么建立的。那么，在这样的一些底层逻辑的帮助下，可以更好地设计出应用来。那么，除了学这些计算机相关的课程之外，AI时代来了以后……

还需要学一个东西，对吧？我们要知道社会是怎么运作的，所以需要更多的去了解和学习一些其他的科目，不仅仅是计算机之外的。比如说，我们刚才讲到的法律、金融、财会等领域的知识。现在，这些相关学科的人已经可以在大模型的帮助下使用电脑了。那么，我们这些学计算机的人，是不是也应该稍微学习一些其他领域的知识呢？这为我们以后跟他们一起配合工作，打下一个良好的基础。我们也要了解他们的领域里有哪些标准，底层的逻辑应该遵循什么，这是对齐的一部分。我们要对大模型做对齐，首先得对我们自己做对齐。

在这样的情况下，光是学编程语言、数据结构是不够的。我们还要去学一些商业的东西，一些社会人文的东西，一些应用的学科。这样，我们才能真正地做好工作。以前很多人说，学计算机的以后就可能变成工具，容易被替代。但如果你不仅懂计算机的底层逻辑，还懂商业上的一些事情，那你的价值就不同了。因此，这也是提前做好对齐准备的一部分。

除了学习这些科目之外，还有一个非常重要的东西，那就是学习沟通与协作。

这件事非常重要。想要说服大模型按照你的意愿展示活力，过去我们很简单，编写程序就能搞定。但现在，你可能需要与之对话了。要想和大模型，甚至可能是多个模型，像人们一样协同工作，你得好好学习沟通与协作的技巧。首先，得学会如何说服他人与你合作，再者，能将问题描述得清晰明了。这对于我们这些受过高中教育的人来说，是一个不小的挑战——给你一个主题，让你说清楚，对大模型而言尤其重要。

许多人认为，有了Sora这样的大模型，大家都会制作视频了；有了Journey和Dalí，大家都会画画；有了Sona之类的技术，就可以写歌创作音乐。大家都这么说，但每当听到这话，我就会问，看完一部电影后，你能描述给我看你看到了什么吗？能说清楚吗？这事很难，但至关重要，需要练习。如果一个问题你都不能清楚表达，又如何能让大模型理解你的意图，为你服务？这是一个现实问题。

因此，在新时代，学好语文、英语，掌握沟通技巧，学会与人相处、协作，成为了学习计算机不可或缺的技能。

除了刚才我们讲的，要学习这些东西，然后还要学会与人沟通协作之外，AI对所有学计算机的学生提出了一个新的要求——要有批判精神。这个要求可能是我们上中学时不太强调的。为什么要有批判精神？因为AI大模型所给出的答案并不保证正确。所有的AI大模型底部都有一句话：“内容由大模型生成，不保证正确。”重要的内容，请自己去核实。当我们使用AI大模型生成了大量内容后，如果就相信它是对的，这是非常危险的。因此，我们不仅要有能力判断AI大模型给我们的结果是否正确，还要知道如何评价AI给我们的模型的好坏。毕竟，结果不是非黑即白的，同样的输出结果，我们可以评价其质量：“这个是5分的，那个是4分的，这个是8分的。”我们要能够识别哪个更好，并且知道如何获得更好的结果，如何通过反复迭代，最终得到最优解。这需要具备批判或甄别能力。

那么，总结一下，AI时代程序员到底学什么？首先，学习基础原理至关重要。如果没有基础原理，你就不明白AI大模型究竟是如何运作的，也不了解整个网络环境、数据存储等是如何运行的。

如果没有这些基础知识，直接去上手干活，这些程序员就没有价值了。他们跟那些从其他行业里转行过来的计算机操作者之间就没有区隔了。所以这个很重要。然后，第二个是要学习我们的逻辑思维能力，这个是必须要学的。接着，第三个是工程能力。所谓工程能力，其实就是如何用可以接受的成本获得我们可以接受的结果的能力。所有的结果都是有成本支出的，有时间成本、有金钱的成本、有人工，还有其他的一些算力等，这都是成本。那么，我怎么能够在里面得到平衡？我们能够让更多的系统搭配在一起，得到一个大家想要的，或者可以接受的结果。这是工程。然后，学习沟通与交流协作，学习逻辑思考与批判。AI时代，如果有朋友从现在开始要上大学，那么这是应该去学的东西。最终，我们再做一个总结。需求顾问时代真的可能已经到来了。我在上大学的时候，很多人就跟我说，我像是91年到95年上的本科，人家跟我说，未来就没有程序员了，未来叫需求顾问时代。什么叫需求顾问呢？就是我们做到用户的面前去，用户说：“我要这个，我要那个，这个东西要来三份，那个要来两份。”当这个发生的时候，我们要如何应对。

他会给我提出这样的要求来，然后我呢，应该听到这些要求以后，直接就把这个结果做出来，而不是说我听到这个要求以后，回去以后再做个半年一年的，然后再把结果回去验收。不是这样的，而是人家提完要求我就直接做，做完了就有结果了。那以前呢，这个是实现不了，但是有了大模型以后，这件事情有可能就可以实现了。软件呢，会重新变得完全可定制化，而非标准化。因为以前我们告诉大家说，写软件的成本是很高的，所以啊，软件的价值是靠重复的次数来体现。这话怎么理解？就是我写了一套软件，如果被100个人用了，那么是可以挣到多少钱，或者它的价值是怎么样的？如果被100万人用了，那么这个软件是有什么样的价值，这个是不一样的。所以，我们要尽可能地提高软件的标准化，尽可能写一遍让更多的人使用。而现在呢，因为有大模型了，生成软件的成本下降了，在这样的情况下，OK了，我们可以干嘛呢？为更多的人提供个性化和定制化的服务，这是一个新的变化。所以，最终的结论：AI时代，程序员依然大有可为。好啊，这一期节目就讲到这里，感谢大家收听，请帮忙点赞，点小铃铛，参加Disco讨论群，也欢迎有兴趣有能力的朋友加入我们的付费频道，再见。