文章来源：AI前线
作者｜冬梅
采访嘉宾｜喻友平，中关村科金总裁；Kenneth Stanley，OpenAI 前杰出研究员
近两年来，我们清晰地感知到，大模型已经成为推动行业变革的重要力量。这些具备强大自然语言处理能力和深度学习能力的模型，如 GPT 系列、BERT 等，正在各个领域展现其独特的价值，但仅仅是大模型层出不穷的推出还远不能满足人们对于人工智能的期待。人们更希望看到的是，大模型能够切实地解决生活中的问题，为人类社会带来实质性的改变。
要实现这一期待，大模型的应用落地就显得尤为重要。只有当大模型真正融入到人们的日常生活中，成为解决问题的有力工具，才能真正发挥其潜力。然而，大模型应用的落地并非易事，尽管现在一些领先的企业和科研机构已经成功地将大模型应用于实际业务中，但对于大多数企业而言，大模型应用的落地仍然是一个巨大的挑战。如何克服这些困难，推动大模型应用的落地，成为当前业界和学术界共同关注的焦点。
为此，本期《极客有约》特别邀请了 OpenAI 前杰出研究员、《为什么伟大不能被计划》（Why Greatness Cannot Be Planned: The Myth of the Objective》的作者 Kenneth Stanley 教授，以及中关村科金总裁喻友平先生共同探讨大模型应用落地的挑战与机遇。
以下为访谈实录，经编辑：
InfoQ：很高兴和两位老师一起讨论当前受到业界和学术界都比较关心的一个话题大模型应用的落地情况，首先请两位老师先简单介绍下自己吧。
喻友平：我是喻友平，中关村科金总裁，过去 17 年，我在百度工作，负责过互联网广告产品、大数据、AI 和云，从事了多年的管理，加入中关村科金后，我专注于带领团队，将大模型的技术与企业的实际需求相结合，为企业客户提供端到端的优质的产品和服务，帮助企业实实在在的获得大模型带来的业务价值。
Kenneth Stanley：感谢你们邀请我来这里，我的经历颇为丰富多样，大部分是在人工智能研究领域。我曾是一名教授，也曾是一名创业者。我创办了一家公司，后来它被 Uber 收购并变成了 Uber 人工智能实验室。我在那领导基础研究有几年时间，之后我去了 OpenAI，在那里我领导了一个名为 “开放式” 的团队。
之后我又创办了一家名为 Maven 的公司，其目的是基于开放式人工智能技术创建一个新的社交网络，我花费大量时间研发了这种开放式人工智能技术。实际上，最近我已经离开了 Maven，也正在思考接下来要做什么。
InfoQ：那能否跟我们分享下您最近在关注的一些技术趋势呢？
Kenneth Stanley：我正在关注的一个大趋势是大模型和人工智能领域的发展，这对我来说非常有趣，我很早就已经长期关注人工智能的进展了，当时还没有任何大模型。最近比较热门的话题就是 scaling law，人们在猜测大模型是否会随着更多的数据和计算继续缩放，如果会的话，是否意味着我们正在朝着人们所说的通用人工智能（AGI）迈进。如果 scaling law 失效，大模型会不会停滞不前，这些都是人们在热议的话题，这也是我比较感兴趣的话题。我是一名研究人员，我会思考事物背后潜在的本质以及事物实际的运作方式。
喻友平： 中关村科金专注于大模型应用。大模型的应用在 To C 端，比较亮眼的还是 AI 搜索和问答，其次是 AI 的创意创作。中关村科金关注大模型在 To B 端的应用，帮助企业提升对外的客户服务质量和营销转化率，对内是帮助企业的知识管理和运营服务提效。在这些领域我能看到很多有用且有趣的案例。中关村科金在大模型的通用应用领域和行业应用领域均有涉足，并且已经取得了一些不错的进展。
我也在关注 Stanley 教授提到的 scaling law 话题。scaling law 是否会持续还不能确定，可能需要三到五年甚至更久的时间才能得到验证，所以也许保持耐心很重要。
大模型应用落地过程中
遇到的挑战
InfoQ：如果说 2023 年是大模型应用爆发的元年，那么 2024 年则被誉为大模型应用落地的元年。这一年令两位老师印象深刻的大模型应用有哪些，这些大模型应用属于哪些场景中？为什么您认为它们的出现很重要？
Kenneth Stanley：是的，我认为编程显然是一个很大的应用领域，有很多应用在这个领域应运而生。
让编程的专业体验更轻松是件很重要的事情，因为在一些极端情况下，甚至有可能需要更少的程序员或者不需要程序员来做一些我认为我们目前还没完全达到那种程度的事情。
但这已经很了不起了。如果我只需描述一个应用程序然后让计算机为其编程，这肯定会在行业内产生革命性的影响，所以自动化编程的进展非常引人入胜。
同时，以大模型为基础的创意应用也非常有趣，你提到了像图像生成、视频生成之类的这些都有着重大的行业影响。音乐生成也很有趣，这一过程重点不只是大模型能够制作出好音乐或好艺术，而是作为人类我可以有自己的想法，然后通过模型过滤这些想法，最终生成有趣的音乐，大模型和人类配合一起完成这项工作这是我认为很酷的地方。
一种非常有潜力的合作关系是：一个有好想法但没有技能的人加上一个有糟糕想法但有良好技能的模型，这是很完美的搭配。我认为它真的可以改变很多行业内曾经只有一小部门精英能做的事情的局面。
比如像音乐家这样的专业领域，只有专业音乐家能真正参与其中的那种情况，专业音乐家是当今真正参与现代音乐相关实际讨论的唯一人群，但如果突然一个业余爱好者能制作出同样好的东西呢？他们有音乐想法但没有技能，但现在他们实际上可以实现自己的想法，这意味着他们现在可以参与此前无法参与的讨论了。
所以它极大地拓宽了能参与很多领域前沿的人群范围，我认为这对很多行业都有着非常重大的影响。
喻友平： 是的，我完全同意。大模型应用于创意领域，比如图像、音乐生成等领域，同时大模型也在编程领域大展拳脚。我在百度时，也有一款很不错的编程工具叫 Baidu Comate（文心快码），大约有百分之三十的代码是由 Comate 生成的。这样的效果令人印象深刻。
InfoQ：还想问下 Kenneth Stanley 教授，可以结合您曾在 OpenAI 研究的经历，跟我们聊聊哪些大模型应用落地的案例给您留下了最深刻的印象？为什么？
Kenneth Stanley：我在 OpenAI 工作期间，编码在那里是一个非常重要的编程话题。我 2020 年到加入 OpenAI 时，当时计算机真的能编码这一点非常令人印象深刻，同时这些模型寻找新想法或搜索想法的创造能力也让人震惊。
就创造力而言，它们还没有接近人类的水平，但这些模型能在创意构思方面能够提供很大的帮助，比如让大模型评论一个故事是否讲得很好，它能给出自己的想法，在大模型出现之前，情况并非如此。计算机绝对没有希望说出那样的话，你不可能把一个故事输入计算机并问它这是不是一个好主意。
所以当时我非常感兴趣，如今随着技术的发展，这种情况已经改变了，我甚至可以问计算机我的想法是否有趣，尽管（计算机）不一定达到人类水平，但它至少能对这些事情发表评论。那么，它所引发的问题是，人类可以用它来做什么？
它们可以做创意、意见、艺术以及商业想法等工作，也可以做像编程这种具有主观和定性判断类的工作，这些都是完全新颖的，我对它们充满期待。
InfoQ：您提到了在 2020 年那个时候大模型就可以编写代码了，那应该是非常早期的阶段。在您看来，之前那时候的大模型编程和现在的自动编程有什么区别呢？
Kenneth Stanley：我觉得有了快速的改进，所以它现在更可靠了，能做的事情更多了，犯的错误也更少了，工具也更成熟了，用来操作的界面更成熟了，它能和你的编码设置更无缝地协同工作。但我仍然认为它还没有跨过那种类似临界点的门槛，就是如果我不懂编程想让它为我构建一个应用程序的程度目前还没达到。
如果能达到那个程度将会改变整个行业。但它是在逐步发展，每年都在变得更好。不得不说这与 scaling laws 非常相关，因为如果 scaling laws 的发展变缓了，那么这种进步也会变慢，实际上也就是我们离真正不需要程序员的程度还差很远。
InfoQ：那么，你能预测一下还需要多长时间才能达到无需编程技术的目标嘛？就是你只需要有一个想法，就可以自动生成一个 App？
Kenneth Stanley：这是个很有意思的问题，我认为这在很大程度上取决于 scaling law，正因为如此我很难给出一个确切的数字，因为我们不知道 scaling laws 是否会持续下去。如果 scaling law 不持续了这并不意味着进步就停止了，只是意味着进步会更困难、更缓慢。
scaling law 的重要之处在于，你不需要任何新的想法，你所需要做的就是添加更多的计算资源和更多的数据，这样就不需要再动什么脑筋了。我们只需要等着能获取更多的 GPU，从互联网上获取更多的数据，然后它就会变得越来越智能。如果 scaling laws 作为一种趋势持续下去，那么从现在起两三年或许就可以得到想要的答案，也就是向大模型描述一个想法，然后直接得到一个应用程序。
如果由于 scaling law 停滞不前，这种情况不会出现。但反过来想这也挺有意思，因为一旦 scaling law 停滞了，就意味着需要有新的想法了，包括新的架构层面的想法来克服我们现在所观察到的这个难关。当前的架构不足以继续推动进步，但这并不是说就不可能进步了，只是说我们需要新的想法，而人类确实总有新的想法。
大模型就是我们曾经有的一个想法，我们还会继续有新的想法，所以我认为我们会继续看到进步。只是想法不会按照可预测的时间线出现，就像我没法告诉你下一个爱因斯坦会在什么时候诞生，这不是按照时间线来的，也不是一种规律，所以很难预测是 10 年还是 20 年或者是更久。我的看法大致是要么几年以后，要么就得等到十到二十年以后了，这取决于 scaling law 的情况。
InfoQ：那么我们回到大模型的落地问题，两位老师认为大模型应用落地过程中遇到的最大挑战是什么？是技术上的限制，还是市场接受度、或者场景等其他因素（包括算法优化、数据处理、模型训练等方面）？您认为这些技术挑战如何影响大模型应用的落地进程？
Kenneth Stanley：我认为模型当前已知的这些限制是其落地应用的最大阻碍，其中包括模型幻觉、幻觉的意思是它们往往会说出一些不真实的内容并将其当作事实呈现出来，这显然对很多应用来说是个很大的阻碍，因为它带来的风险更大了，无论是在金融还是健康领域，模型在特定场景应用方面影响越多，出现幻觉时就越危险。
因为一旦模型出错了就可能会损失很多钱，那么人们在应用该模型用时就会犹豫不决，如果可能会危及生命，他们就会更加犹豫了，比如在医疗应用、法律应用等应用场景，如果模型编造出不存在的法律，那可能会在法庭上遇到麻烦。所以目前这类应用领域需要大量的人工监督。
而有些领域比如图像生成就没有这个问题，我认为这就是为什么那些领域的应用更受欢迎的原因。在图像生成领域，即便它生成了一张不好的图像，没人会因此丧命，也没人会损失钱财。
喻友平： 是的，如果我们能解决幻觉，这个行业会有更大的发展空间。但也还有其他挑战，比如大模型在创造力方面也会有瓶颈，以及在生成新颖内容方面也存在困难。
Kenneth Stanley：的确如此，你提到的这些可能还是和幻觉密切相关。比如我们让大模型给出一个新的食谱或者一个新的发明，很多时候它会告诉你一些已经存在的东西，我把它叫做创造性错觉，就像是一种错觉，你以为你在说新的东西，但其实不是。
它把实际上在其训练数据里的东西归功于自己，这对创造力来说是个大问题。由于这种创造性错觉，也很难将它用于创意应用，因为这种错觉不仅创造力表现差，还会带来风险，因为你无法确定从这个系统里出来的是不是一个真正原创的想法。
我的意思是你可以让它自己创作艺术、音乐以及各种各样的东西，但要将它进行全面应用，还有很多关键局限性有待解决，像这样的局限性是真正的人工智能基础研究问题，我认为是可以解决的，但不会像改进 scaling law 那样简单。
喻友平： 中关村科金主要服务于企业客户，所以我们遇到过更多的问题。首先，基础大模型的能力仍有很大的提升空间。在企业应用场景下，我们需要提供非常准确的答案，这正如 Kenneth 所说，通用大模型还远无法直接满足场景应用需求；其次，在 Agent 架构下处理复杂问题时，模型的响应速度也不够好；最后，企业客户对大模型的认知也是一个很重要的方面。企业客户对于大模型的期待往往很高，希望能够立刻替代部分人工，这在技术层面上的挑战还是很大的。
中关村科金专注于整合传统软件以提供端到端的解决方案，诸如全媒体联络中心等。我们努力平衡好模型的准确性和响应速度，以便我们的客户能享受当前技术并从中获得实际价值。从商业角度来看，这一点至关重要。
数据安全和隐私
InfoQ：实际情况的确是这样的，在实施这些应用程序的过程中我们面临着诸多挑战。我还想了解下，两位老师认为，在落地大模型应用时我们如何在技术创新与数据安全和隐私保护之间达成平衡呢？OpenAI 在这方面有什么经验可以分享吗？
Kenneth Stanley：OpenAI 有一整个部门是专门负责 API 的，也就是商业应用方面的业务，他们确实很担心这些问题，所以他们会尝试建立一些安全、隐私以及其他各类潜在风险的保障措施，比如客户对模型的潜在误用情况。我觉得这是一种正在发展的能力，就像很多公司在涉及大模型时要弄清楚如何解决像安全和隐私这样的问题。
这和其他类型的商业应用或计算机应用是不同的，我觉得目前还有很多需要学习的地方。安全和隐私对 OpenAI 而言很重要，因为他们有很多商业客户。
InfoQ：我也想问一下喻总，中关村科金在这方面做了些什么呢？
喻友平：大模型应用的核心是高质量的数据，数据安全、隐私保护确实是大模型应用中的关键。中关村科金在这个方面，制定了非常严格的数据管理制度和政策来保护企业客户和消费者的隐私。
InfoQ：在做好数据安全和隐私工作之外，其实大模型推广工作也很重要。一款大模型应用开发出来了，但并不代表它就被用户所接受和喜爱。两位老师可否结合自己的经验，谈一谈该如何提升用户对大模型应用的认知度和信任度，从而促进其落地应用？
Kenneth Stanley：我觉得这和之前提到的关于这些模型所面临的挑战密切相关。当我们谈到像幻觉、创造性错觉甚至安全问题时，所有这些问题都关系到客户对这些模型的接受程度。说真的 我觉得我们能做的其实是有限的。从客户服务的角度来看，模型对于客服工作的改进只是迈出了很小的一步，模型技术最终还有很大的努力空间。
举个例子，我们在将大模型用于客户服务时，如果我打电话给一家公司然后是在和一段录音对话，那我会感觉很不舒服。而能够改进这种情况的想法听上去很有吸引力，但是关键就在于像模型幻觉等问题，它带来的风险太大了，目前还不清楚是否已经准备好（应用）了。
所以根本的还是要解决大模型本身的基础问题，使它们达到我们能够接受其犯错程度的水平，也就是能和人类竞争的水平。
InfoQ：我看到很多公司它们用大模型从事客户服务自动化方面的业务，这些公司的估值很高，但它们处理实际场景问题的质量却不尽如人意，您怎么看待这一现象？
Kenneth Stanley：这挺有意思的，我觉得它们估值高的原因可能仅仅是因为客户服务是一个庞大的产业，如果有人真的能解决这个问题就会释放出巨大的价值，这是显而易见的。
因为所有行业都需要做客户服务，我觉得你说的情况在现实中确实存在。但我认为我们还没到那种程度，因为目前的模型还不足以做到这一点，它们目前已经做得不错了，五年或者十年前我们很难想象真的能用计算机取代所有这些客服，但突然之间，它有可能成为现实了，因为大模型已经如此出色了 。
我觉得就是这种想象太有吸引力了，所以人们愿意冒险去押注它。
喻友平： 在我们的实践中，客户们希望得到非常准确的答案并且尽量减少幻觉。中关村科金结合非常高质量的数据，在一些特定领域对模型进行训练，就能得到一个服务于特定场景的垂直大模型应用。
在电话营销领域，我们已经和一些金融、制造和电商等领域的客户合作，结果比想象中要好很多。在实际市场营销场景下，营销转化率获得了显著提升，结果非常好，但还有提升空间。
低技能工作者会被 AI 取代吗？
InfoQ：随着越来越多的人工智能模型变得更加智能，更加聪明，有人可能会担心大模型可能会导致社会不平等，比如自动化将取代一些低技能工作，两位老师如何看待这种担忧？
Kenneth Stanley：我确实认为人工智能的发展是一个严重的问题，因为它可能会带来一系列广泛的经济影响。这一影响从一些工作被自动化取代开始，直至地球上所有工作都有可能被取代，其可能性的范围或者说连续性非常广泛。
一开始只是少数工作被取代，目前还不清楚这是否真的是一个很严重的情况，也许只是有一些工作流失了，但也增加了一些工作岗位，也许效率得到了提高，情况还算不错。
总体来说，人人都能受益。但随着情况变得更加极端，技术变得更加智能，情况就开始变得更奇怪了，因为整个行业都可能被取代。比如，可能未来就不再需要程序员了，就像不再需要司机了一样，有了机器人技术也许你也不再需要家政人员了。
甚至像创意方面的情况就更奇怪了。因为我觉得以前我们想到自动化的时候，我们会认为它会取代像工厂工人这样的人。大概 10 年前，我们可能会讨论工厂工人被机器人取代的情况。我们当时不会想到，像艺术家这样的人也会被取代，目前人工智能发展导向了奇怪的方向。
所以我们现在看到的是，在极端情况下几乎所有东西都被取代了，这是极其深刻的影响，这不仅仅是一个小的经济方向的话题，这就像是对社会的一次彻底重建，那么到底会发生这种情况吗？什么时候会发生？我们无从得知。但因为它有可能发生，所以至少值得思考一下这意味着什么以及在那种情况下我们将如何应对社会问题。
我觉得有一点很清楚，就是经济将需要彻底重组，现在的经济运行方式将行不通了，我不确定那时是否还是资本主义，因为很多人将没有什么可以贡献的了。当然也还是有些人还是能贡献一些东西的，比如当涉及到做出非常重要的决策时可能还是需要人类，比如政治决策、涉及战争等方面的决策还是需要人类的来完成的。
但大多数事情可能都能用计算机取代，那这个世界将如何运转呢？它将如何构建呢？没有人知道，但这的确是需要思考的问题。但也没必要恐慌 因为不是明天就会发生，所以不用过分焦虑。
InfoQ：您说在不久的将来很多行业和工作将会被人工智能取代，对于程序员和开发者而言，如果不想被 AI 取代，他们需要怎么做？该如何在技能层面保持竞争力？
Kenneth Stanley：我不想暗示就是在不久的将来，我的观点是我不知道这会多快发生，不是说这就很近了，它可能很快发生，但也可能离我们很远。
这是一个好问题，很多人都问过我这个问题。尤其是年轻人，大学里的人他们会说如果所有东西都要被取代了，我应该学什么专业呢？这是个很棘手的问题。对于那些真的很担心这个问题的人，我认为很重要的一点是做太多规划可能没什么必要。因为生活中有一些事情是你根本无法规划的，就像如果有一颗小行星要撞击地球我们无法提前做准备。
我会建议你继续做你感兴趣的事情，因为对于小行星撞击地球这种事情你无能为力，所以我不会建议你放弃自己的生活，你不应该把所有时间都花在恐慌上。继续过自己的生活，挖掘自己的才能，不要担心那些无法控制的灾难性事件，但是有一些事情需要担心，比如人工智能有了一定程度的显著进步，这和之前所说的所有人失业不一样，那是一种更极端的情况，而人工智能是在循序渐进地发展，可以看看哪些领域是人工智能发展到很高级的程度才会受到影响的，在我看来，高度创意性的领域短时间内不会被 AI 替代，而做编程的那些人可能在短期内就危险了。
所以我不认为你需要为此提前做准备，我对年轻人说不要放弃你的兴趣，也不要放弃这个世界。
我们不知道这些事情什么时候会发生或者是否会发生，最好的做法就是继续保持你的热情并努力让自己处在能够提供创意的岗位上。
喻友平： 在我看来，当前只有一些非常简单和重复性的任务才会被大模型取代。因为我们已经看到大模型可以提高生产效率和创造力。大模型会创造出许多新事物，一些新岗位的出现也得益于 AI 技术的发展。
在中关村科金，我们基于大模型为企业提供一些智能工具，比如文本机器人、语音机器人，还有一些帮助员工提升工作效率的工具，比如大模型陪练、大模型助手等。我对这个问题不算担忧，我觉得这是一件好事，而且世界将会继续发生变化，无需过度担心，做好自己力所能及的事情。
最容易被 AI 颠覆的
领域是什么？
InfoQ：近年来人工智能模型已经极大地改变了我们的生活，两位老师认为哪些行业或领域最可能在接下来几年里被大模型颠覆？为什么这些领域会引领变革？
Kenneth Stanley：我认为低风险的创意领域，比如比如视觉艺术家现在已经受到影响了。如果你需要做一张营销海报，你现在基本可以免费做图，你不需要付钱给任何人，而在过去这是设计师的工作，所以我觉得很多行业将会发生巨大的变化。
我们看到随着大模型能力的提升，这种影响会扩展到视频、音乐音频等领域，这些领域相对而言风险较低，意味着即便遭遇问题，也不会对人们的生命安全构成威胁，更不会导致重大的经济损失。
编程也是比较容易被颠覆的领域，虽然有些地方程序出错是很危险的，但我觉得它仍然有可能影响编程和工程领域。
因为人类将与 AI 合作以实现工作效率的极大提升，这将会对整个行业产生影响。尽管有人担心 AI 可能会取代部分工作岗位，但我坚信这种风险并不像人们想象的那么严峻。事实上，那些面临被取代风险的工作往往只是整个流程中的一环，而这些人的使命往往更加关键和不可或缺。与此同时，随着 AI 的普及，所需的工作人数可能会减少，但留下来的人将能够借助 AI 的力量，以更高的效率和更强的生产力完成更多任务。
喻友平： 我认为那些数据和知识密集型的行业是最有可能被改变的，比如法律、医疗、教育等。由于这些领域有着巨量的数据，大模型能够提供更加自动化的服务和工具，帮助大家提升工作效率。
同时，我觉得律师、医生、教师这些职业不会被完全取代，毕竟这些职业对专业性和输出结果的准确性要求极高。但大模型能帮助人们更加高效的工作，这是非常确定的。
InfoQ：想请问下喻总，根据您的观察，您看国内外大模型应用落地的情况有哪些差异？为什么会造成这种差异？
喻友平： 对于国外的情况，刚才 Stanley 教授 已经给出了很多分享。而国内的应用主要还是集中在金融、办公、教育、医疗等领域，在企业内外的员工效能提升和客户服务等方面。
就客户服务方面而言，国内利用电话进行服务或营销的情况较多，而国外则偏向于在线文字服务，这跟国内外的用户习惯有关。国外的大模型服务以公有云服务为主，国内以私有化为主，这是因为中外在商业模式上存在差距，但在技术层面上并没有太多区别。
InfoQ：两位老师认为在当前的科技环境下，我们是否已经准备好迎接大模型应用的全面落地？如果是，请展开说说我们都做好了哪些准备？如果没有，我们还需要做些什么？
喻友平：拥抱新技术，无需苛求完备。现在的大模型技术已经可以在很多领域落地了，中关村科金主要聚焦在两个方面：1、帮助企业客户，更好的应用内部的知识和数据，打造企业或行业的知识助手，提升员工的工作效能；2、帮助企业客户，更好的为其客户提供服务和营销，提升企业营销和服务能力。
中国的客户更喜欢获得端到端的服务，我们结合在全媒体联络中心、音视频平台的产品能力，为客户提供端到端的产品和解决方案。同时我们也在积极探索产品出海，服务全球客户。在大模型技术方面，我们也紧跟前沿的技术进展，不断优化我们的产品体验和服务，我们相信，随着大模型技术的不断增强，我们提供给客户的产品和服务，也会越来越智能化。
Kenneth Stanley：我认为这取决于行业，有些行业比其他行业准备得更充分，不同领域的差异非常有趣。有些行业显而易见，例如在客户服务领域，他们正在尝试用大模型做些应用，但其他行业甚至尚未意识到这可能会影响到他们的领域，我认为真正有趣的是它可以影响每一个行业，甚至可以说，没有哪个行业不会受到大模型的影响。
我想起了最近一件事，有一些虫子飞进了我的房子，我不认识这些虫子。那时候天气非常热，所以我们打开窗户，这些虫子开始飞进来。它们是红色的，有长长的翅膀，当它们落地时似乎就死了，我想可能是高温杀死了这些虫子。
于是我很好奇这是怎么回事，我以前从未见过它们，却也没有过多担心。
后来，我十岁的儿子他说你为什么不问一下 ChatGPT 这是什么，我说这是个好主意，我们应该问 ChatGPT。
于是我指着虫子问这是什么，ChatGPT 回答这是有翅白蚁。我从未听说过，白蚁是一种吃木头的昆虫，但我从来不知道它们有翅膀。
于是我进一步问 ChatGPT，它解释说当一个白蚁群体过大就需要创建新的族群，它们会长出翅膀以便能够创建新族群。我学到了新东西，并且也了解到我的房子有危险，因为白蚁进到了房子里，所以我叫来了白蚁检查员。
我讲这个故事的原因是因为令我觉得不可思议的是，这个白蚁检查员因为 ChatGPT 而有了生意。你不会认为检查白蚁的人和 AI 有什么关联，但确实发生了。你看，任何人都可以从中受益，
这表明其潜在影响是多么广泛，更不用说我的房子可能因为 AI 而更加安全了。我认为每个人都应该去了解 AI 并思考它可以为自己的行业做些什么。