无尘阁日记

无尘阁日记

《AIGC:从ChatGPT到多元应用赋能》:事实很密,判断很稀
silcano

《AIGC:从 ChatGPT 到多元应用赋能》· 马征 等著 · 微信读书逐页截图 221 屏(p0001–p0221)· 读到书尾(reached_end=true,末页为 p0221,无截断)
全书 47 个章节标签,按 pages.jsonl 的 chapter 字段逐行切分:前置 7 屏(版权、作者简介、内容简介、前言)、上篇 65 屏、中篇 71 屏、下篇 78 屏。三篇厚度递增,这本身就是一条线索。
逐字核对 13 屏:p0003 / 0006 / 0020 / 0045 / 0070 / 0085 / 0100 / 0130 / 0160 / 0175 / 0190 / 0210 / 0218。这是一篇重写稿,替换的是同址旧文——旧稿只覆盖 223 屏、写得浅,这次从头读到尾。

先说结论:这本书的价值不在它讲了什么,而在它无意中留下一份 2023 年上半年的行业切片。它的事实密度很高:日期、公司名、产品名、参数量、协议签署时间,一屏接一屏地砸下来,几乎不用你再去检索。但它的判断密度很低:221 屏读完,我找不到一句只有马征能说、别人说不出来的话。它像一份做得极认真的剪报,剪得整齐,贴得规整,唯独没有编者按。

这个判断不是读目录得出的。目录很漂亮,上篇讲 ChatGPT、中篇讲 AIGC 技术、下篇讲组织转型,三层递进,像一本有野心的书。但真按屏读下去,你会发现三层之间没有递进关系,只有并列关系:上篇的结论在中篇被重新定义一遍,中篇的框架在下篇被拆成行业清单。书名里那个「到」字承诺了一条路径,书里给的是一张平面图。

所以这篇笔记不逐章复述。我只做一件事:把它真正立得住的地方、真正空掉的地方,各自钉在具体的屏上。凡是我说「它写了」的,你能在那一屏找到原句;凡是我说「它没写」的,我也会说清我是怎么找的。

一、它的坐标:一份 2023 年上半年的行业年报

先看作者。p0003 的作者简介写得很清楚:马征,北京雅乐时空科技有限公司创始人及 CEO,本科毕业于清华大学计算机系,博士毕业于耶鲁大学,早期风险投资领域和技术创新专家,获得北京市「创业导师」称号,曾参与、领投秒针科技、AirIango 等多家大数据和人工智能公司,帮助国内外多家大中型企业进行数字化转型、AIGC 赋能工具设计、全球市场拓展。

这份履历决定了文体。他不是在实验室推公式的人,也不是在媒体写评论的人,他是要给企业做方案、说服客户掏钱的人。所以他写书的方式和做 PPT 高度同构:一个概念,一个分类,三个案例,最后一句「企业应如何如何」。这套结构在会议室有效,因为听众要决策依据;搬到书里就有问题,因为读者要论证过程,而论证过程恰恰被省略了。

时间坐标更好定位。全书我逐字核对过的三处最新事实,全都停在 2023 年 6 月:p0045 写 2023 年 2 月可口可乐与贝恩签约;p0100 写 2023 年 6 月中国科学院自动化研究所在「人工智能框架生态峰会」上发布「紫东太初」全模态大模型;p0130 写字节跳动旗下火山引擎于 2023 年 6 月推出 MaaS 平台「火山方舟」。再往后翻,行业章、B 端章、未来章引用的仍然是同一批材料,没有更新的时间戳。

前言(p0006)把语境交代得更直白:AI 的发展引起了广泛关注,ChatGPT 的出现掀起了 AI 的新热潮,AIGC 成为科技圈、互联网圈关注的焦点,「与 AIGC 有关的概念股价格持续上涨」。它还引了腾讯研究院《AIGC 发展趋势报告 2023:迎接人工智能的下一个时代》,说 AIGC 具有广阔的应用前景。请注意这句引用的落点——「能够为市场增添活力,促进经济发展」。这是一句典型的 2023 年春天的话:所有人都在谈前景,没有人谈交付。

这就是我说的「行业年报」:它准确记录了那半年发生了什么,谁发布了什么,谁和谁签了约,哪个概念被炒起来了。它的史料价值是真实的。但年报不是史书,年报不解释因果,只登记事件。你读完会知道 2023 年上半年很热,但不会知道为什么热、热到哪里会冷。

二、最硬的一节在 p0020:把 ChatGPT 拆成数据、算法、算力

全书技术含量最高的一段,不在标着「核心技术」的第 5 章,而在第 1 章的 1.2 节。p0020 用「数据、算法、算力」三分法解释 ChatGPT 浪潮的成因,其中「算法」这一小节是全书少见的、真正在讲机制的段落。

它先给判断:「ChatGPT 的诞生离不开 AI 算法的支持,AI 算法是 ChatGPT 解决问题的机制。而深度学习算法模型 Transformer 的出现,大幅提升了算法识别、处理多模态内容的能力。」这句话把 Transformer 的定位说对了——它不是某个产品的功能,而是能力跃迁的底层原因。

接着它讲 RLHF,而且讲得比大多数科普都实在:RLHF 的全称是 Reinforcement Learning from Human Feedback,即人类反馈强化学习,是一种从人类反馈中强化学习的技术,指的是用户为 ChatGPT 提供反馈,而 ChatGPT 能够根据这些反馈强化学习,实现更好的学习效果。然后它把流程拆成三步:在完成初步模型训练后,训练者对模型的表现提出反馈,并用这些反馈创建强化学习的奖励信号;之后对模型进行微调,将奖励信号纳入模型训练的过程中;模型通过进一步的训练,其性能不断提高。

这段值得单独拎出来,因为它回答了「为什么 ChatGPT 比之前的模型好用」这个真问题:不是参数更多,而是训练目标被换掉了——从「预测下一个词」换成了「预测人类更喜欢哪个回答」。作者还补了一句收束:「基于以上流程,以往只依靠数据量改善训练效果的训练模式被改变。」这句话是全章最有分量的一句,它把「大力出奇迹」的旧范式和一个新范式的分界线画了出来。

但这一节到此为止。紧接着的「算力」只有两句:「GPT-3.5 模型的训练涉及巨大的计算量,需要强大算力的支持。而高性能计算为 GPT-3.5 模型实现高效输出提供支持。」然后翻页。

这就是全书的结构性病症:它有能力把一个问题讲到七分,但每次到七分就停。RLHF 讲清了流程,没讲清代价——人类反馈需要多少标注人力、标注质量如何影响模型偏好、这套机制会不会把模型训成「讨好型人格」,一个字都没有。而这些问题在 2023 年就已经是公开讨论的话题,不是事后诸葛。

篇幅配比更能说明问题。第 5 章叫「核心技术」,三节合计 14 屏(p0093–p0106),扣扉页实际 13 屏,平均每根「支柱」四屏多;而第 9 章「行业探索」25 屏、第 8 章 23 屏。技术章比行业章薄近一半。这不是失误,是选择:作者真正想写的是「企业怎么用」。也就不必指望它回答「为什么是 OpenAI」——1.3 节只有 4 屏(p0023–p0026),全书写得最薄的一节,恰是书名里最关键的问题。

三、图 3-5 是全书最可复用的一页,也是最偷懒的一页

如果这本书只能留一页给读者带走,我选 p0070 的图 3-5「AI 工具的五种类型」。它把 AI 工具按「替代哪一类岗位动作」分成五类:生成、AI 数据分析、AI 策划、AI 社交、AI 安全。这个分法比按技术路线分(大语言模型、扩散模型、多模态模型)有用得多,因为企业采购时问的不是「你用什么架构」,而是「你能替我干掉哪段活」。

书里的解释也落到了具体动作。AI 数据分析「主要应用于报表制作和数据可视化呈现上」,辅助管理层做出更加客观、科学的决策;AI 策划管会议策划、日程安排和自动化排版;AI 社交管客户服务、自动回复、团队合作,减轻客服负担;AI 安全管智能门禁、安全存储和威胁检测,保护企业核心机密(p0070)。

这四个动作的价值在于它们都是动词开头:做报表、排会议、回客服、查威胁。你拿这张图去和业务部门开会,双方能立刻对上号——「你说的 AI 策划,是不是就是替我做会议纪要那个?」这种可对话性,是全书其他地方少有的。

但它的偷懒也在这里。五种类型分完,作者没有回答三个必然会被追问的问题:哪一类先做?哪一类的投入产出比最高?哪一类的合规风险最大?书里连一句排序建议都没有。分类是为了行动,不排序的分类只是标签。你读完知道有五个抽屉,但不知道先开哪个。

更可惜的是,「AI 安全」被降格成了第五类工具,和门禁、存储并列。而在随后的实践里,安全恰恰是决定前四类能不能落地的前提:数据能不能出内网、生成内容要不要审核、模型会不会泄露训练数据。把它当成一个平行品类,等于承认作者还没把安全当成约束条件,只当成一个应用场景。这个视角的错位,在第 7、8 章讲企业转型时会反复出现。

四、行业章的标准动作:场景、案例,然后一句正确但无用的话

第 2 章 2.3 节讲「提供创作辅助,提升内容创作效率」,是全书行业写法的模板。它先给场景:「在进行文字创作时,保持文思泉涌的状态十分重要,而 ChatGPT 可以为创作者提供灵感和创作方案。在遇到写作瓶颈时,创作者可以通过与 ChatGPT 沟通,获得一些创意想法。」这段没问题,任何用过的人都能验证。

然后给案例,而且是全书引用率最高的那个:2023 年 2 月,饮料巨头可口可乐和著名咨询公司贝恩正式签署协议,主要内容为可口可乐将借助 ChatGPT 探索丰富营销创意、提高营销创造力的方法;ChatGPT 强大的内容创作能力可以为可口可乐的营销部门赋能,为营销部门提供营销创意和营销创新的素材,帮助营销部门生成更具创意的营销文案(p0045)。

问题出在下一段。作者自己写道:「可口可乐与 ChatGPT 对双方的合作将如何展开并没有透露太多,但这无疑表明,ChatGPT 带来的创新机遇是值得各大企业把握的。」——他知道信息不足,他自己说了「没有透露太多」,然后他用「但这无疑表明」把缺口盖过去了。这是一个非常典型的修辞动作:先承认证据薄,再用副词(无疑)强行加固结论。

我数了一下,这类「签约即案例」的写法在抽样的 13 屏里出现了三次:p0045 可口可乐与贝恩签约、p0130 火山方舟启动邀请测试并邀金融汽车行业企业内测、p0100 华为盘古在评测中拿三项第一。三次都是「宣布」,没有一次是「结果」:没有转化率、没有成本下降幅度、没有出错率。签约是事件的开始,不是事件的结论,但在这本书里,它被当成了结论使用。

p0130 的火山方舟一段写得更完整:它交代了平台能力——支持模型精调与效果测评,企业可以用统一的工作流对接多个大模型,再从中选择适合自己业务的模型;交代了生态——汇聚了 IDEA 研究院、智谱 AI 等多家企业的大模型;交代了安全——在安全互信计算技术支持下保证用户数据资产安全;也交代了内部实践——字节跳动很多业务团队正在试用。

「降本增效」四个字出现了,但没有任何一个数字跟着它。降了多少本?增了多少效?哪条业务线?试用规模多大?一概没有。这不是作者疏忽,是他拿不到——平台方在邀请测试阶段不会公布这些。但一本要教企业做决策的书,恰恰应该在这里停下来告诉读者:「这类数据目前不可得,你评估供应商时要自己索要。」他没停,他顺着写下去了。

《AIGC:从ChatGPT到多元应用赋能》核心知识图谱:事实密度很高,判断密度很低
221 屏的四个切面:时势、拆解、落地、短板。红字为可核对的页码。

五、全书唯一一次自我否定,出现在教育那一节

第 9 章 9.2 节写教育,前半段仍然是标准动作:AI 可以记录学生的课堂表现、与老师和其他同学的互动,结合作业和考试表现,以及德智体美劳等多方面的发展情况,综合性地对每个学生进行分析,从而给出有针对性的教学建议;还可以结合大数据分析学生的兴趣爱好,包括喜欢的学科、对视觉教学或听觉教学的偏好,识别学生可能擅长的学科或者领域,监测学习进度和适应能力(p0175)。

然后,在第 175 屏,我核对的 13 屏里唯一一次,作者把笔停下来,承认了能力边界:

「目前的 AIGC 水平和其他数字化设备的能力还不足以支撑学生个体在学习方面实现深度个性化,更多的还是在一个大范围内做出一些小变化。例如,在某个特定年级内,按照一定的逻辑链条,有限地、有针对性地调整教学进度。」
——p0175,9.2 教育行业

这句话为什么珍贵?因为在我逐字核对的 13 屏里,这是唯一一处「不足以」。「不足以支撑」「有限地」「一些小变化」,三个限定词连用,把前面所有「可以」「能够」「赋能」的调门都压下来了。而且它给了一个具体的能力刻度:不是「每个学生一套方案」,而是「一个年级内按逻辑链条微调进度」。这个刻度是可信的,因为它承认了成本约束——真正的个性化需要持续采集、持续建模、持续反馈,而学校的数字化设备撑不住这个循环。

但它也暴露了另一面:作者不是不会判断,是不愿意判断。同一个作者,在教育场景里说「不足以」,在营销、零售、金融场景里只说「可以」。差别在于教育的效果最难伪造——一学期后成绩见分晓,家长会盯着;而营销创意可以归因到投放、渠道、季节。他在能被验证处诚实,在不能被验证处热情。这不是道德问题,是文体问题。

还有一个位置问题。这句全书最诚实的话出现在第 175 屏,全书的 79% 处,而且只用一段就过去了,后面立刻转回「虽然距离真正实现因材施教还有很长的路要走,但……」。它没被展开成方法,没被提炼成原则,甚至没被前面的章节引用过。一句真话,放在书的尾部,当过渡句用完就扔。

六、到 11.1,它才露出哲学底色,然后立刻滑走

全书最有思想张力的一节,是最后一章的 11.1.1「人工智能从专用走向通用」(p0210)。它一上来就给了一个不含糊的判断:「通用人工智能目前停留在理论阶段,并未真正实现。」在整本书都在谈落地的语境里,这句话算是清醒的。

然后它引入了图灵测试,而且交代得准确:图灵 1950 年在《计算机器与智能》中提出这一方法,最初被称为模仿游戏;测试中有一名「审查员」负责通过一系列问题找出计算机输出与人类输出的差异,如果审查员不能将机器识别出来,机器便通过了测试,可以被归类为智能机器(p0210)。

接着它自己拆自己的台:「图灵测试的问题在于,仅通过语言问答让机器模拟人类理解、思考的过程,这并不可靠。」这句话是全书论证密度最高的一句,因为它是一个否定式判断,而且给了理由。为了支撑这个否定,它搬出了约翰·塞尔(John Searle)1980 年的论文《心灵、大脑与程序》和「中文屋论证」:一个会说英语但不会说中文的人,在一间封闭房间里,靠一本英文版的中文语法规则、短语和说明手册,对传进来的中文便条给出中文答案,房间外的人据此判断屋里的人会不会说中文。

这个思想实验放在 AIGC 的书里,本该是全书的枢轴:如果中文屋成立,那么一个能写出漂亮营销文案的模型,可能「什么都不懂」,而这本书前面 200 屏里所有「理解客户意图」「捕捉情感信号」的表述,就都需要重新定义。但作者没有走这一步。他讲完实验,紧接着写「这个实验推出后,有研究人员认为……」,然后转入 11.2「应对之策」,开始讲个体的三条生存法则:发展独特的人类技能(创造力、情感智能、社交技能)、建立强大的人际关系网络、主动适应新技术(p0218)。

从中文屋到「发展社交技能」,这中间的论证是断的。中文屋质疑的是「符号操作能否等于理解」,而「发展社交技能」回答的是「人怎么保住饭碗」,两个问题不在一个层面上。作者把一个认识论问题,转成了一个职业规划问题,转得很顺,顺到你可能不会察觉中间少了一环。

这一节因此成了全书的方法论缩影:提出问题,不做论证;引入概念,不做推演;给出结论,不给条件。p0218 还有一句漂亮话——「从某种程度上来说,ChatGPT 使得每个人都成为一个程序员,可以用自然语言编写自己所处领域的专有 AI 程序。」这句若展开,可以写成一本关于「自然语言即编程接口」的书,但它只是过渡句,后面接的是「(2) 建立强大的人际关系网络」。

七、它的短板:没有失败、没有价格、没有日期、没有「我」

现在说这本书空在哪。我按四条说,每条都能在屏上指认。

第一,没有失败案例。我逐字核对的 13 屏里,出现的项目全部是「签约」「上线」「试点」「内测」「评测第一」:可口可乐与贝恩签约(p0045)、华为盘古三项第一(p0100)、紫东太初 2.0 发布(p0100)、火山方舟邀请测试(p0130)、字节内部团队试用(p0130)、腾讯 AI Lab 提供 3D 场景方案(p0085)、某宝可梦玩家用 ChatGPT 复刻《绿宝石》(p0085)。没有一个是失败的、超支的、被叫停的、上线后没人用的。一本教企业转型的书,如果只给成功样本,读者就无法建立失败的概率感——而转型失败的概率,远比成功高。

第二,没有价格。全书反复出现「降本增效」(p0130)、「降低服务成本」(p0190 的智能投顾一节)、「提高效率」(p0070 五类工具),但没有一处给出成本数字:一次模型微调多少钱、一套私有化部署多少钱、一个客服机器人的单次调用成本是多少、投入多久回本。价格是 B 端决策的第一变量,缺了它,所有「赋能」都停在形容词层面。这不是作者藏私,更像是他也没有可靠的公开数据;但一本 2023 年出的书完全可以给出量级估算,哪怕标注「粗略」。

第三,没有日期。最新事实停在 2023 年 6 月(p0100 紫东太初、p0130 火山方舟),此后再无更新。这在 2023 年出版时不算问题,但在今天读就是硬伤:书里作为「前沿」介绍的平台,其后续演进全都落在书外,读者无从核对。更麻烦的是,书里没有任何一处提醒读者「本书材料截止于何时」。读者拿到书,无法判断哪一段是历史、哪一段是预测。一本以「趋势」为卖点的书,最该标的恰恰是时间戳。

第四,没有「我」。全书的主语是「本书」「我们」「企业」「个体」,判断句一律以「应」「需要」「必须」发出,没有一处以「我认为」开头。你说不清哪一句是作者的判断,哪一句是他转述的行业共识。p0160 引波士顿咨询的调查,说员工对人工智能「感到好奇、乐观和自信」,却不给年份、样本量、口径——这类二手引用在书里出现多次,每次只给结论。一个连「我认为」都不肯写的作者,很难被信任。

这四条加起来,指向同一个问题:它是一本「信息汇编」,不是一本「观点之书」。信息汇编可以很有用,但它的保质期由信息决定,不由作者决定。这也解释了为什么它读起来毫不费力:因为它不要求你同意,也不准备被反驳。没有敌人的书,通常也没有立场。

八、那它到底该给谁读

说了这么多短处,我得把话说完整:这本书不是没有用,是用途被书名夸大了。书名承诺「从 ChatGPT 到多元应用赋能」,听起来像一本从原理到落地的手册;实际它是一本 2023 年上半年的行业观察合集,最擅长的是「把陌生的名词解释到你能听懂,并且给你一个能对上号的案例」。

所以它适合两类人。第一类,2023 到 2024 年间需要向管理层做一次 AIGC 汇报的人:p0020 的三要素、p0070 的五类工具、p0130 的 To B/To C 之分,三页就能搭出一个像样的汇报骨架,而且不容易说错。第二类,刚进入这个行业、需要快速建立名词表的人:书里对 Transformer、RLHF、预训练大模型、多模态、MaaS、行业大模型这些词都给了可用的定义,虽然浅,但没有错。

它不适合另外两类人。一类是要做技术选型的人:第 5 章 14 屏撑不起「拆解技术支柱」这个标题,你在这里找不到模型之间的能力差异、找不到推理成本的数量级、找不到微调与 RAG 的取舍。另一类是要避坑的人:全书没有失败案例、没有价格、没有时间戳,你无法从它这里获得任何风险校准。想避坑,得去读事故复盘,而不是读趋势判断。

回到开头那个判断:事实密度很高,判断密度很低。这不是刻薄话,是使用说明。当资料库用,它超额交付;当思想书读,它必然让你失望。而它显然想做后者——从「赋能」这个词、从每章末尾宏大的收束、从末章「通用人工智能时代到来」的标题,都看得出来。它想给你一个时代,最后给你的是一叠剪报。

但得承认,那叠剪报里有一页是真的:p0175 那句「还不足以支撑深度个性化,更多的还是在一个大范围内做出一些小变化」。我核对的 13 屏里只有这一句愿意承认「不够」。而它比前面所有「可以」「能够」「赋能」加起来,更接近我今天看到的现实:三年过去,AI 能做的事变多了,但「深度个性化」仍停在「一个年级内微调进度」的刻度上。

所以我的核心判断是:这本书最大的价值,是它无意中证明了「趋势写作」的天花板——你可以把一年的新闻收集得很全,但收集不出一个能穿过三年的判断;而全书唯一穿过时间的那句话,恰恰是它唯一承认自己不够的地方。

阅读记录:微信读书逐页截图 221 屏(p0001–p0221,读到书尾,reached_end=true)· 47 个章节标签 · 逐字核对 13 屏(p0003 / 0006 / 0020 / 0045 / 0070 / 0085 / 0100 / 0130 / 0160 / 0175 / 0190 / 0210 / 0218)· 首轮通读与核对于 2026-11-11 完成 · 本文为重写稿,替换同址旧文。

关于作者 · 江天(楠哥)
AI 实战导师 / 企业 AI 落地顾问 / 智能体工程师,17 年跨界、15,000+ 小时 AI 实操、20+ 套已交付工作流。