AI并非一夜变强——2022年才被真正感知的进化之路

这一系列文章总共九篇，起点相当朴素：我们希望把三个关于 AI 的基本问题彻底想透——它为何忽然变得如此强大，它究竟是什么，以及未来人类应当如何与它协作。

前三篇从 AI 的演进历程谈起；中间三篇聚焦于能力、记忆、幻觉以及 Agent 的边界；最后三篇回归到临床运营从业者本身，探讨协作模式、职能分工与工作方式的转变。

我并不打算把它写成一本“AI 工具操作手册”。工具迭代的速度太快，今天还值得专门钻研的功能，半年后或许已成为默认配置。相较之下，更值得投入时间去厘清的是那些不会迅速变化的问题：AI 的能力源于何处，它为何会犯那些看似浅显的错误，何时可以信赖，何时必须回归原始凭证，以及当执行成本越来越低时，人的价值究竟将流向何方。

2022 年末，许多人初次接触 ChatGPT 时，都产生了某种极不真实的恍惚感。前一天还在亲手整理会议纪要、修改英文邮件、翻阅数十页方案，今日只需将材料输入一个对话框，几秒钟便能收获一份像样的成果。

对临床运营从业者而言，这种冲击尤为直接。我们并非先在学术论文中结识它，而是在最平凡的日常工作中遭遇它：一段杂乱的会议记录被梳理为行动清单；一封措辞生硬的英文邮件被重新编排；一份方案文件被迅速提炼出访视安排、入排标准与尚待确认的风险点。

于是，“AI 为何忽然变得如此强大”便成了一个水到渠成的疑问。

答案却有些出人意料：它并不突然。2022 年真正上演的，是一项积淀了数十年的技术，首次以足够亲民的使用门槛步入普通人的工作场景。

现代人工智能通常可追溯至 1956 年的达特茅斯夏季研究项目。McCarthy、Minsky 等学者提出了一个至今仍极具魄力的命题：

倘若学习、推理以及智能中的若干过程能够被足够精准地刻画，机器是否亦可模拟这些过程？¹

自彼时起，AI 研究的方法几经更迭，但那个核心命题其实始终未变：

如何让机器胜任那些过往被认为必须仰赖人类智能方可完成的任务？

早期研究者最直觉的回应，是将人类的知识灌注给机器。

既然行家知晓如何解决问题，便将专家的判断拆解为规则：若 A 成立，则执行 B；若 B 不成立，则继续核查 C。

后续问世的专家系统，将这条路径推向了巅峰。

在某些边界清晰的场景中，它成效显著。机器不会疲倦，不会遗忘规则，亦不会因当日情绪波动而调整标准。

然而，难题很快浮现。

现实世界的知识，难以被完整地罗列成规则表。

一位专家或许能够作出正确判断，却未必能将其数十载经验悉数拆解为明确规则；即便能够写出，现实中新情况、例外与组合的层出不穷，又会迫使系统持续追加规则。

规则越积越多，系统愈发繁杂；系统愈发繁杂，维护成本节节攀升。

AI 遭遇的第一个重大瓶颈，并非机器执行规则不够迅捷，而是：

人类根本无法预先穷尽世界的所有规则。

于是，自 20 世纪 80—90 年代起，AI 的一条关键路径开始悄然转向。

这并非某一年骤然换轨，亦非专家系统在一夜之间销声匿迹。

真正转变的是解决问题的范式。

过去的命题是：

“专家掌握什么？我们如何将这些知识写入程序？”

新的命题变为：

“倘若为机器提供海量数据，它能否自行从数据中提炼规律？”

这便是机器学习逐步跃升为主流方法的进程。

人不再承担逐条书写每一条判断规则的职责，而是负责供给数据、设定目标与设计学习方法。

这一步意义深远。

因为 AI 开始由“执行人类既定规则”，迈向“从大量案例中习得一种我们未必能够逐条言明的规律”。

20 世纪 90 年代至 2000 年代，统计机器学习渐次渗透至搜索、推荐、语音识别、图像处理、风险评分等日益广泛的领域。

但这一阶段的 AI 仍带有鲜明的特征：

它通常是专用的。

一个识别垃圾邮件的模型不会顺带为你翻译英语，一个推荐商品的模型也不会骤然开始撰写文章。

每应对一类新问题，往往都要重新筹备数据、遴选方法、训练全新的模型。

AI 已学会“学习”，但距今我们所熟悉的那种通用能力，仍隔着漫长的距离。

2017 年，Google 研究团队发表《Attention Is All You Need》，提出 Transformer 架构。²

今日回望，这是生成式 AI 发展史上举足轻重的事件之一。

但倘若不深究技术细节，其实无需铭记繁复的公式。

把握两件事便已足够。

其一，Transformer 更擅长捕捉彼此相距甚远的信息之间的关联。

语言并非一个个词语孤立堆叠而成。

一句话中的代词所指对象，一个转折究竟否定了什么，一段文字前部设定的条件如何作用于后部的结论，都需要洞察上下文之间的关联。

注意力机制使模型能够更精准地判断：

在解读当前位置时，前文哪些信息最为关键。

其二，同样关键的一点是，Transformer 极为契合大规模并行训练。

以往一些语言模型更仰赖顺序处理，前一步完成方可推进下一步。Transformer 的结构使大量计算得以更高效地并行展开。

这件事看似与“智能突破”无关，却决定了另一桩更为重要的事：

当数据愈发充沛、算力愈发强劲时，这种架构能够随之同步扩张。

于是，Transformer 不仅仅是让彼时的模型表现更优。

它构筑了一个能够持续扩展的底座。

后来我们熟知的 BERT、GPT，以及今日绝大多数主流大语言模型，皆沿此路径继续演进。

因而，2017 年真正具有标志意义的，并非“AI 自此开启了聪慧之旅”。

而是：

研究者寻得了一种能够更高效利用海量数据与算力、且可持续扩展的架构。

倘若仅将今日 AI 的成就归功于 Transformer，故事仍缺失一半。

再精妙的算法，若缺乏充足数据，也难以汲取太多知识；数据再丰沛，若计算能力滞后，也无法支撑大规模训练。

2017 年之后真正上演的，是三个长期积淀的条件开始彼此共振。

其一为架构。

Transformer 提供了更契合规模化训练的技术底座。

其二为数据。

互联网、数字出版、代码仓库以及日益增多的数字化内容，使模型得以触及过去难以想象的规模级的语言、知识与任务模式。

其三为算力。

GPU 与大规模计算集群的持续发展，使训练数十亿、上百亿乃至更大规模参数的模型成为现实。

这三项要素此前并非全然缺失。

真正的差异在于，它们开始在同一时期跨越了足够显著的规模阈值。

算法能够吸纳更多数据，更充裕的算力又使更大规模的训练成为可能；模型能力提升后，研究者继续扩张数据、计算与模型的规模。

几项条件开始形成正向循环。

于是，从外部观之，AI 似乎在 2017 年后骤然崛起。

从技术内部审视，更像是数十年积淀的多条曲线终于开始交汇。

所谓的“突然爆发”，往往只是慢变量积累至一定阶段后，在表层呈现出的表象。

然而，即便到了 GPT-3 阶段，大多数普通职场人士依然未曾强烈感知到 AI 已悄然降临身边。

真正扭转这一格局的是 2022 年。

ChatGPT 上线之后，一项此前主要发生在研究机构、技术公司与专业产品内部的能力，被封装进了一个极致简洁的界面：

对话框。

这一举措的意义常被低估。

它意味着，人类首次无需掌握编程，无需了解模型如何训练，甚至无需学习一套复杂软件，便能直接以自然语言表达诉求。

背后还潜藏着一项重要转变。

以 InstructGPT 为代表的工作，通过指令微调与基于人类反馈的训练，令模型更擅长领会并遵从用户意图。³

于是，人与 AI 的关系从：

“模型能够生成什么？”

逐步演变为：

“我可以委托模型替我完成什么？”

临床运营亦恰在此时，第一次真正大规模地与生成式 AI 相遇。

起初，都是些微末之事。

有人借助它润色英文邮件。

有人将会议记录投入其中以梳理行动清单。

有人令其将数十页材料压缩为一页摘要。

有人开始比对两份方案版本，整理培训材料，提取监测报告中的待跟进事项。

这些任务本身毫不新奇。

临床运营过往一直在从事。

真正崭新的变化在于，过去需要在多个文件、表格与软件之间反复搬运信息的工作，如今首次能够从一句自然语言启程：

“将这份会议记录整理成一封待办邮件。”

“比对两个版本，仅告知与筛选相关的变动。”

“勿作最终判定，先将此事的时间脉络梳理出来。”

AI 并未凭空创造这些工作。

它改写的是完成这些工作的入口。

回望 2022 年以后最初数年的变迁，极易将 AI 的价值解读为：

写作速度加快了。

但这或许只是最表层的洞察。

过往使用数字系统，我们通常需要先迁就系统。

打开 CTMS，需知晓进入哪个模块；查阅一份文件，需明了去何处检索；整理数据，需熟悉字段定义；欲完成一项操作，需沿系统预设的路径逐步点击。

生成式 AI 所带来的转变，是一种截然不同的交互范式：

人先表达意图，再由 AI 协助解读与组织信息。

这意味着自然语言正逐步演化为一种全新的工作界面。

生成式 AI 对临床运营真正值得玩味之处，并非将既有系统全盘推翻。

而是它开始化作一个新的中间层，将人与原本散落于文档、数据、系统中的信息再度贯通。

过去 AI 已隐匿于搜索、推荐、影像识别、预测模型及各类后台系统之中，只是多数人并不会直接与其互动。

ChatGPT 之后，我们首次能够直接告知它：

我当下要完成什么。

因此，AI 并非在 2022 年骤然习得了智能。

只是自 2022 年起，我们终于能够直接与之对话。

而一旦这一接口开启，后续的演进便会加速许多。

因为 2017 年以后，AI 并非仅在“书写文字”这一件事上日益精进。

它开始陆续获得理解、生成、对话、感知、推理，直至执行任务的能力。

下一篇，我们将继续向前追溯：

AI 是如何从“会书写”，一步步迈向“能做事”的。