1. 预测与预防

1.1. 数据与数据工程是AI数字生态系统的核心组成部分

• 1.1.1. 数据中蕴藏着答案，但人类的数据处理能力存在着天然的局限性

• 1.1.2. 即便我们拥有全球数据资源，面对浩如烟海的信息洪流，也仿佛置身于堆积如山的钢针“草垛”​，试图从中寻找特定的那一根，要找到关键信息点，难如登天

• 1.1.3. AI与机器学习无可取代的优势所在：它们能够从海量数据中提取出关键模式，为人类研判决策提供支撑

1.2. 保险业正借助数据与AI技术重塑商业模式，在欺诈检测方面表现尤为突出

• 1.2.1. 当资金切实被用于医疗服务，而非流入欺诈行为时，个人与企业的保费有望大幅下降

1.3. 保险数据的价值还体现在风险预测

• 1.3.1. 识别早期风险指标并据此为老年人提供个性化健康建议，帮助老年人延长健康寿命

• 1.3.2. 既提升了老年人的生活质量，又降低了保险公司的赔付风险，最终通过优化保险产品设计，实现了双赢的局面

1.4. 任何技术工具都存在被滥用的风险，AI预测模型也不例外：它可能导致特定人群被拒绝承保，也可能加剧对特定人群（如有色人种）的系统性偏见

• 1.4.1. 需要公共政策制定相应的防护机制

• 1.4.2. 印刷机，它既能印制启迪众生的典籍，也可能被用来传播煽动种族仇恨的有害言论

• 1.4.3. 刀具既可烹饪美食，也可沦为凶器

2. AI拓展科研与治疗的新边界

2.1. 人类健康远不止智能手表记录步数或提醒用药这么简单

2.2. 除了疾病预测、预防与治疗，AI还在基础生物学层面，拓展着人类认知的边界，推动个性化医疗愿景成为现实

2.3. 已借助AI在蛋白质结构预测领域取得了重大突破

• 2.3.1. 蛋白质作为生命的基本单元，决定着细胞层面的生理功能

• 2.3.2. 对蛋白质的深入理解，对于推进遗传学、病毒学、细菌学以及疾病机理的认知至关重要

• 2.3.3. 精准预测蛋白质结构的能力被誉为“生物学革命”​，它将重塑生命科学研究范式，极大地加速药物研发与医学进步的进程

• 2.3.4. AI网络AlphaFold，已经成功预测了约100万个物种的2亿多个蛋白质的结构，几乎覆盖了地球上所有已知的蛋白质

  • 2.3.4.1. 这些高精度的预测结果，正深刻地改变生命科学领域的研究范式，在很大程度上减少了对X射线晶体学、冷冻电镜等耗时且成本高昂的实验方法的依赖

2.4. AI在生命科学领域的影响将极其深远

• 2.4.1. 治疗神经退行性疾病ALS（肌萎缩侧索硬化）在内的多款新药，已经快速进入临床试验阶段

• 2.4.2. mRNA技术的非凡之处在于，理论上可通过修正人体蛋白质结构缺陷来治疗各类疾病

  • 2.4.2.1. 只需提取特定蛋白质的遗传编码，在实验室环境中完成合成后，将其注入人体以激发免疫反应

3. 健康革命

3.1. 规模日益壮大的互联设备、应用程序和传感器构成的生态系统，结合AI分析数据的能力，正引领人类迈向更健康的未来

3.2. 在这个未来图景中，医疗服务将变得更加普惠，健康管理方案也将更具个性化

3.3. 慢性病患者能够借助智能设备实现更高效的治疗管理，运动爱好者则可借助科技突破自身的体能极限

3.4. 更重要的是，AI将不断拓展人类在医学健康领域的认知边界，攻克棘手的医学难题

4. ChatGPT

4.1. ChatGPT是一款集成多种技术的大语言模型，其设计目的是针对人类提出的问题和指令生成文本响应

4.2. 大语言模型基于深度学习，通过分析海量现存文本（包括全网内容、维基百科、X平台等社交媒体数据，以及Common Crawl等开源语料库等）​，进而实现文本预测、翻译与生成等功能

4.3. 4个步骤

• 4.3.1. 将输入的单词或句子序列分割成词元（token）​，并转换为数字序列

• 4.3.2. 将分割好的这些词元映射到嵌入空间，赋予其语义信息。含义相近的词句在此空间中的位置相邻​，模型会记录每个词元的位置编码（positional encoding）​。

• 4.3.3. 模型会动态计算词元间的注意力权重，即确定某个词元对其他词元的“关注”程度

  • 4.3.3.1. 在实际运算过程中，多个注意力权重会并行计算，以捕捉现实语境的不同维度信息

• 4.3.4. 模型输出下一个最有可能出现的词元的概率分布

  • 4.3.4.1. 生成的词元会重新输入模型中，循环往复，直至输出完整的内容

4.4. 算法是通过检索与主题相关的信息片段，并将它们组装成合理的模式

4.5. 与传统的需要记忆整句话的序列处理方式不同，这种并行处理机制可以同时处理大量词语，使得模型训练速度呈指数级提升，并且能够解析更为海量的文本数据

4.6. AI训练师负责理解用户意图、设置输出安全护栏

• 4.6.1. AI训练师的核心任务是对模型生成的各类回答进行优先级排序

• 4.6.2. 这些人类反馈数据会被算法转化为奖励函数，进而驱动强化学习过程（即RLHF技术，人机协同强化学习）​

• 4.6.3. 随着训练数据规模不断扩大、维度持续拓展，模型会针对同一指令生成多个备选回答，并通过包括相关性、信息量、危害性等在内的多维评估体系进行自动标注

• 4.6.4. 最终，由人类依据回答质量进行排序，持续优化模型输出，确保生成既合理又符合预期的回答

4.7. ChatGPT的设计初衷是实现对话式交互，形成“用户提问、系统应答、持续追问”的循环模式

• 4.7.1. 一方面，人们惊叹于其生成逻辑通顺文本的能力（实际上这是对特定语境表达范式的精准模仿）​，由此衍生出诸如“AI将颠覆文案创作、新闻业、编程等领域”的预言

• 4.7.2. 另一方面，伊恩·博格斯特等作者则犀利地指出，ChatGPT存在局限性，它经常给出不准确的答案，甚至会坦率承认自身的错误

4.8. ChatGPT并不是非黑即白的存在，与其他强大的工具一样，使用者的意图才是决定其价值发挥的关键

• 4.8.1. 从ChatGPT得到的答案很平庸，只是因为我没有深入钻研使用技巧

• 4.8.2. 那些善于运用它的人，已经得到了令人惊艳的答案

4.9. ChatGPT等AI工具并不能取代人类思维与专业能力

• 4.9.1. 更有可能转变为增强和拓展人类现有能力的工具

4.10. “人机协作模式”​：人类不再被动等待AI输出结果，而是主动引导AI并纠正其可能出现的错误

• 4.10.1. 意味着专家能够弥补AI在能力上的不足，而AI反过来也能帮助专家提升工作效率，这种双向赋能将极大地提升多个领域的生产力

• 4.10.2. 即使不考虑AI带来的附加价值，凭借这种模式，一个人也足以完成原本需要团队协作才能完成的工作

4.11. 作家可快速润色AI生成文章中的那些拙劣语句，程序员能及时察觉AI生成代码里的漏洞，分析师可检验AI推导结论的可靠性

• 4.11.1. 作家无须独自撰稿，程序员无须全程手写代码，分析师也不用亲自处理数据

4.12. 以GPT-4为代表的生成式AI大语言模型，具备强大的模拟人类写作、考试、绘画与创作的能力

• 4.12.1. 与早期语言模型类似，GPT-4基于海量公开数据（含互联网内容等来源）进行训练，预测文档中的下一个单词

5. AI提升教育水平

5.1. 提升全球教育水平是人类当前面临的重大挑战之一

5.2. 玛丽·雪莱的《弗兰肯斯坦》​（1818年）和塞缪尔·巴特勒的《埃瑞璜》​（1872年）​

• 5.2.1. ​《终结者》​《太空堡垒卡拉狄加》​《黑客帝国》​《黑镜》等影视作品

5.3. 根据任务类型的不同，ChatGPT输出的结果或令人信服，或滑稽荒诞，还有的让人感觉诡异

5.4. ChatGPT的出现既带来了兴奋，也引发了焦虑与不安，同时促使人们思考一系列重要的问题

5.5. 在历史的长河中，技术革新重塑经济格局、颠覆传统生计模式、改变人类行为方式的案例数不胜数

• 5.5.1. 时间与严谨的研究终将检验这些观点的真伪

5.6. ChatGPT的横空出世，促使人们重新审视重大技术革新必然引发的经典议题

• 5.6.1. 直接的影响是书面作业作弊风险急剧上升，但这不过是冰山一角

• 5.6.2. 利用ChatGPT作弊且逃避惩罚的情况的确有可能发生，甚至将成为一种常态

  • 5.6.2.1. 教育工作者需要一段适应期来调整受技术冲击的教学方案

5.7. ChatGPT开启的时代已然不可逆转

• 5.7.1. 教育机构必须与时俱进、主动革新，正如它们曾经适应互联网、个人计算机乃至计算器的普及一样

• 5.7.2. 更为关键的是，AI与机器学习极有可能从根本上为教学模式带来积极的变革

5.8. 通过创新教学模式扩大知识传播的覆盖范围，依据个性化学习方案提升教育普惠性

• 5.8.1. 这种技术赋能不仅切实改善了个人的生命质量，还将引发促进就业、提升劳动生产率、缓解贫困等一系列社会连锁效应

5.9. 教育失衡在性别层面也表现得尤为突出

5.10. 提升教育支持效能

• 5.10.1. 在中小学、高等院校等多数教育场景中，学生数量往往远超教师、学业顾问以及其他教职员工

• 5.10.2. 聊天机器人基于预测算法运作

  • 5.10.2.1. 当用户输入问题后，系统会根据大量的历史数据与案例库，推测可能的答案

  • 5.10.2.2. 双向优化机制显著提升了沟通效率：学生能获得即时反馈，教职人员也得以腾出更多时间，去处理更有价值的工作

  • 5.10.2.3. AI聊天机器人通过处理课业咨询、发送截止提醒等常规事务，优化了学生的学习体验

    5.10.2.3.1. 这不仅为教师节省了时间，使他们能够专注于教学内容和教学方法的创新，还能确保学生不会因为等待必要信息而耽误学习进程

• 5.10.3. 长期以来，传统高校常以数百人讲座的形式开展通识教育，而近年来大规模开放在线课程（MOOC）的兴起，旨在满足成千上万名学习者的需求，推动教育规模化发展

• 5.10.4. 教师显然无法独自应对所有学生的问题，而AI技术能够高效地提供有力支持

5.11. 自动化辅导与自主学习

• 5.11.1. 成功的AI教育应用并非仅仅依赖算法，还必须契合用户群体的行为特征

• 5.11.2. 对青少年而言，他们使用移动设备的习惯以及社交动机，同样是系统设计的重要考量因素

• 5.11.3. 智能手机等移动终端能显著降低教育硬件成本，缓解网络接入压力，并以一种经济可行的方式，扩大教育机会

• 5.11.4. 软件提供自主进度的个性化教学，旨在让学生在完全掌握当前知识点后再进入下一阶段的学习

5.12. 数据驱动型AI的另一大优势在于能为每一位学习者定制专属内容与体验

• 5.12.1. 在发展中国家以及偏远社区等合格教师资源匮乏的地区，计算机辅助的个性化学习更能彰显其价值

• 5.12.2. 不同能力水平的学生呈现的效果有所不同：个性化作业只对中等能力的学生产生积极影响，对高能力与低能力的学生群体并没有产生同等效果

5.13. 个性化技术在日常生活中已经得到广泛应用

• 5.13.1. 在购物场景，如亚马逊、谷歌、Meta等借助推荐引擎平台

• 5.13.2. 在娱乐场景，如奈飞、声田、潘多拉等流媒体服务

• 5.13.3. 在出行场景，基于地理位置的推荐系统

5.14. 借助高校现有的学生数据，机器学习模型可以预测出哪些学生最可能辍学，这一方法让管理者得以提前采取干预措施，如提供咨询和其他支持服务，从而确保那些真正能从这些资源中受益的学生得到帮助

• 5.14.1. 这是学校（保留率会影响学校的排名和声誉）和学生的双赢局面

• 5.14.2. 机器学习模型的优势在于，凭借充足的数据，预测模型能发现人类难以察觉的规律

5.15. 应用场景：解答学生问题、节省教师时间、提供支持服务、预测辍学风险，甚至进行个性化学习辅导

• 5.15.1. AI在教育领域的应用非常广泛，可以帮助院校遏制线上作弊行为，优化校园设施运营效率，提升教育的可及性以满足不同学习者的需求，通过互动游戏教授学龄前儿童基础学术技能，还能协助管理者优化时间表和课程计划

• 5.15.2. AI对教育的贡献绝非仅仅局限于生成“语法正确却缺乏深度”的文本内容