ChatGPT-4, like Internet, has limited power like he can not deliver a pizza for you. But if AI works with Robot then they are much more powerful since they can do almost everything human being can do like delivering a pizza or drive a car or cook some food for you or work in a manufacture for some production. SO in future ChatGPT-4/AI equipped with some physical device/equipment is much more powerful but he can not make vital decision, like AI Image (X-Ray) reading is very good in China, but it has to be signed by a human being (doctor) since AI can not take legal responsibility while human being to take such responsibility, good or bad.
Thai professor has lot of BS, never trust the Chinese "ZhuanJia" (experts).
北今年5月1日国际劳动节当天，
第一波AI失业潮到来，
科技巨头IBM公司宣布暂停7800人的招聘，
称这些岗位的工作将由AI取代，
此前3月底，高盛集团发布报告，
预计全球将有3亿工作岗位会被生成式AI取代，
其中律师和行政人员受影响最大。
▲AI生成美女图，以假乱真
▲AI超现实创作：上班族在地铁里看金鱼、瓜农川普
在中文网站，因为ChatGPT和Midjourney，也陆续出现了第一批失业的设计师和文案编辑。
未来3-5年，什么样的工作会被AI取代？
哪些行业是相对安全的？
如果想要成为AI工程师，需要什么样的能力？
以及文科生可以转AI吗？
一条采访了复旦大学人工智能专家张军平教授，
针对以上问题做了解答。
▲ 张军平教授行走在复旦校园里
ChatGPT-4的出现是令人震惊的，我们做AI研究的，知道迟早会有这么个东西出来，不过没想到这么快，以及跑出来的性能这么好。
3月份以来，我朋友圈里很多人都在晒ChatGPT-4的聊天截图，非常狂热。再加上Midjourney V5一起，大家都很担心，自己的工作会不会被AI取代？
▲ 人机共存场景 一条编辑部经由Midjourney生成 这个担忧是合理的。
ChatGPT-4最令人惊艳的一点，是它的“涌现功能”，就是当它训练的数据量足够大的时候，这个复杂的系统，就诞生了其各组成部分所没有的属性——接近人类的“思维模式”和“智力表现”。
里面有个思维链，帮助ChatGPT-4去“链式思考”。就像我们有时候做作业，到了某个节点，做不出来，然后家长说“你再想一想”，其实也没说什么，但是这个学生就觉得我可能还有一些东西没掌握，通过慢慢想和一点点的引导，就突然把一个正确答案得出来了。
所以你在对话框里，让ChatGPT-4 “再想想”，它也会再给你一个改进过的答案，大家就会觉得很惊讶。
因为AI对生产效率的提高，一个优秀的人才可以做很多工作，由一小部分人运营一个大市值公司的现象，以后可能会越来越多。你看Midjourney就是个典型，员工只有11人，但是年营收1亿美金。
▲ AI生成“失火”的白领工位
细看来，未来3-5年内容易被取代的工作，有两个标准：脑力工作和简单易重复。确实白领受影响比较大。
笔译和客服已经被替代得差不多了。
我自己的生活里，现在接快递电话，好多是机器人。国内科研工作者写论文要翻译成英文，以往可能要找国外的母语翻译者，以后说不定可以尝试ChatGPT-4翻译，它速度快，把领域内的专有名词限定下，应该会很不错。
▲ Office365里嵌入ChatGPT，能自动生成简报、表格
接下来最危险的是办公室文员、人力资源，还有做财务报表的。微软Office365已经把ChatGPT嵌入到Word、PPT和 Excel里了，可以自动生成简报、PPT和表格，你以往费心学习的这些Office技能价值就下降了。
有个段子说“财务不会被AI替代，因为它不能做替罪羊”，虽然有点道理，但生产效率提高了，意味着公司对财务的人才需求压缩，你的就业空间就变小。
另外还有律师行业。我们知道律师很重要的一块工作是熟练法条和查找以往的案例，查找的过程是非常耗时间的，律所里应该专门有一部分人做这块工作。
换成AI的话，它把所有的案例都收过来，ChatGPT用对话的方式给你，速度非常快，那么以前做这部分工作的律师，就不再需要了。
▲ 程序员们在工作 一条编辑部经由Midjourney 生成
ChatGPT-4也会生成代码的，部分程序员会受到影响，尤其是前端。因为前端设计比较模块化，并没有涉及到很复杂的计算。OpenAI有个演示，就是在纸上画个草图，然后ChatGPT-4就给你跑出来了一个网页。
从公司的角度，有可能以后会更加倾向于ChatGPT写代码。因为每个人写代码的风格是不一样的，一个员工走了，新员工过来，因为不顺手，可受Midjourney影响的插画师、设计师，我网上看到有些人已经被裁员。你人完成一副插画可能要花2天时间，机器几分钟就出来了，效果还很好，这在迫使大家去做更具有创新性的工作。
▲ AI生成的风格插画
一个有意思的现象是，一部分AI研究者自己的工作，都被AI干掉了。
据说现在美国一些大学，在自然语言处理、计算机视觉和语音识别方向的教职，不再增加了。
然后我们就讨论是为什么？以往科研院校，3-5年会出些成果，细细碎碎的需要那么些人去做，但是ChatGPT-4出来之后，它把很多问题都解决了，剩下都是一些非常难啃的硬骨头，那么你是不需要那么多教职去做的，就导致一些岗位被减掉。
▲ 制作漆器的手工艺人
首先，跟实体相关的工作，比如医生、护工、驾驶员，还有小众手工艺者，比如做古琴的、做陶瓷的艺术家，都是依赖个人经验来做的，被AI替代的概率较小。
因为一直以来AI大多在做认知相关的任务，感知这块下的功夫少，现阶段跟实体相关的都做不好，与人类相比，机械手比较初级，拧一个瓶盖还是很难的事情。
就连打扫卫生，对我们人类来说是“简单易重复”，但对机器却是一个模糊的概念，没有办法程序化或形式化。
那么对于白领工作，还有一部分比较安全，就是大数据进入不了的行业。
▲ 《滚蛋吧，肿瘤君》剧照
我们想想ChatGPT是怎么起来的？它的数据都是Billion级的，就是10亿级以上，这就意味着这么多数据，很有可能都是不设隐私的，才能被它调用。
如果一个行业涉及到隐私，数据不能公开，不能上模型训练，那么AI就挤不进去。比如说医疗、银行、生物等领域，相对来说是安全的。
所以我的一些学生，他们就不在互联网公司找工作了，而是会去一些数据相对封闭的领域，稳定一些。
如果高中生选专业，只考虑就业前景的话，我觉得人工智能方向目前还是最好的，所谓“不入虎穴焉得虎子”。
我们有个新名词叫做 AI for Science，用人工智能帮助科学发展，以后各行各业都需要AI的辅助，要由懂AI方向的人来操作，那么就会有一个非常大的人才缺口。
▲ AI研究员 一条编辑部经由Midjourney 生成
一个好的AI研究者或工程师，需要三个基本素质：数学基础、编程能力、英文。学英文是因为要跟踪国际最前沿的技术，读文献资料，然后对编程能力的要求，要比数学高一些。
现在不像以前那样需要了解特别深的人工智能知识，如果你是计算机或其他理工科专业，转AI的话门槛并没有那么高。
首先，现在的研究大部分是模块化，深度网络都是一些模型，就像积木一样在搭。算法方面，在ArXiv上你能够快速知道最新的算法是什么样子，代码呢本身就有很多网站，比如Github上的代码是共享的。这三点，就使得你现在进入这个行业是比较容易的。
文科生也有机会转AI的，我们复旦有中文系的学生，转到我们做自然语言处理的这个组，做得还挺好的。
▲ 机器人与女孩一起在农场工作 一条编辑部经由Midjourney 生成
首先，我们确实需要追赶，不追不行，要不然就会被卡脖子。
据说GPT5已经训练完了，那我们什么时候能追上国外的？目前有两派，一派是乐观派，觉得问题不大，2-3个月能追上。另一派是悲观派，觉得需要1年至1年半。
可能你觉得1年时间不算太久，其实这里面有些麻烦的地方。
目前AI主流的发展路径是三大块：模型、算力、大数据。
乐观的地方是，模型框架前辈们都做好了，几乎是公开的，研究人员把它做大、做深就行了。
▲ 深度学习之父Geoffrey Hinton
2006年Geoffrey Hinton就提出来了深度学习模型，之后有一个图像分类竞赛上采用了大规模数据集ImageNet，2012年Geoffrey Hinton就带着他的学生为这个竞赛做了新的深度学习模型，一下子就令人震惊了，比上一届冠军性能提升了将近10个百分点。
这是什么概念呢？如果你是用传统机器学习方法来做，每年就提高0.3-0.4个百分点。这意味着，深度学习的方法比传统机器学习方法，加快了 20年左右。所以那时候，大家都转到做深度学习模型。
但是深度学习模型，是需要强大的算力的，在特定的GPU芯片上面跑。
据说ChatGPT有1万块A100的GPU做支撑，单块A100的售价在1万美元左右，光是GPU成本就是1亿美元（约合6亿人民币），这就是为什么OpenAI不到100人的小公司，微软投资了20亿美元上去的原因之一。所以大模型，几乎只能由大公司、大机构来做。
但是我们国家，目前在算力上有瓶颈，因为2022年12月份，美国对中国禁售了A100以上的GPU。这样国内没法用A100（有替代品，但通讯模块受限），但国外还能用比A100更好的卡，这就有点麻烦了。
现在我们做研究成本很高，也是因为GPU，以往你发文章只需要时间和人力成本，但是现在一篇论文的成本说不定在10万人民币左右。
再一个就是大数据，中文语料库推不上去。
ChatGPT有10亿级以上的数据做预训练，它都是英文的，但是我们中文的每个平台，都设了一个进入的门槛，防止你大范围搜索，另外还有格式的问题，这就导致我们堆数据，没有国外那么方便。
而且ChatGPT-2之后就没有开源了，你也不知道确切的差距到底在哪里。
现在国内的AI投资很火，资本层面的驱动还是蛮重要的。而且我们复旦前段时间发布了一个Moss系统，还开源了，相对来讲还是一个比较小的模型，大家都还是在努力的。
▲ 上海街头的机器人 一条编辑部经由Midjourney 生成
从历史上来讲，人工智能不到90年，我们一般认为它的开端，是1936年的图灵机，期间一直经历涨跌的过程。
七八十年代它经历第一次寒冬，当时如果你说自己是做人工智能的，是拿不到项目的。在90年代初，又经历了第二次寒冬。
我自己是从小喜欢看科幻小说，接触AI是在1997年，当时更流行叫自己是做机器学习而非人工智能的。
我的感受是到了2012年，也就是Geoffrey Hinton带着学生赢得了竞赛那一年，人工智能才真正迎来腾飞。
▲ 2016年AlphaGo对弈韩国围棋手李世石
到了2016年AlphaGo赢了李世石，然后2017年谷歌研究出了Transformer网络，这之后才有了ChatGPT的一系列工作，还有自动驾驶、AI金融、AI医疗等各个领域都在前进。
但其实到2022年，AI行业有点往下走的趋势了，因为大家觉得该做的都做了，并没有看到很好的应用，很明显的是有些大公司的深度学习这块，已经在裁员了。但突然今年3月一下子ChatGPT-4出来了，就又把大家都拉了回来。
所以它有兴盛期，也有衰败期。我自己在这个领域待久了，对于ChatGPT-4掀起的热潮看得比较冷静一些吧。AI的研究范围是很宽泛的，很多问题很难，难以在短时间内变现，人类对智能的理解还有很长的路要走。
作为一名研究者，乐趣还是在于探索未知，你在未知里面可以找到一点点进步，那个愉悦感就很令人满足了。