AI LLM成為第二數位大腦，多領域認知與網路知識的本質
前言
人工智慧發展冰河期: 在1970、1980、2005年代人工智能的發展停滯，也就消失在大眾的關注下
後疫情時代: 加速了所有互聯網相關產業的發展
目的
本文想分享一些個人對於AI的理解及對於LLM模型的一些心得，我在2022年ChatGPT尚未普及的時候便開始接觸LLM理論及實作，也希望能在這邊分享一些自己在軟體開發上所受引響的心得給大家。
AI 大型語言模型 (LLM)
AI LLM本質是文字預測機器，這個人工智能在做的事情是從大數據中運算，並對你的問題進行詞語接龍，利用使用者提出的問題，搜索出資料，並對每一個字句的回覆的可能性來統計機率並進行接龍，LLM 除了幫大家提供許多問題建議，也擅長也根據自然語言提示產生程式碼，在早期計算機算力與數據量不足的情況下並沒有足夠的能力來提供有用的資訊給人，然而在2023年期間ChatGPT做到了，首先有了足夠的運算能力來訓練模型，再來又透過互聯網的資訊量來達到足夠的資訊，讓AI附有所謂的專業，這也多虧了在2022年前火熱的大數據一詞，開始重視大量數據分析所能帶來的效益，也是當今有足夠海量的數據來訓練AI的原因。
資料時效性及正確性
如今LLM已經是相當實用的人工智能模型了，我在開發時發現LLM所擷取並運算的資料都容易有比較舊版本的語法，畢竟LLM的資料是有年限範圍，然而Open AI在處理這些龐大運算下也是加入了許多評分機制，例如邀請各領域專家來進行評估，因此資料還是需要時間來進行處理。
知識取得
對於人工智能LLM的出現讓大家都可以取得各領域的知識，是否會降低自身領域價值，對此我的理解是
獲取知識不等同理解知識，理解知識不等同運用知識
我想比喻是當今教育和資源，每個人都有很大的機會和管道取得知識，但無法表示人人都透徹學會了所有知識，這之中可能不僅僅是量化評估的能力，也獲取參雜抽象的理解或各方面知識的積累，所以獲取這些知識不一定就能做出應用。
ChatGPT (LLM)應用
然而ChatGPT可以馬上給你不同領域高深的知識，儘管不一定完美或正確，但這確實提高了搜索與尋求知識的效率，以及儘管使用者細心的在網路上搜索文獻，也無法保證每個作者的觀點或是資訊都有價值的，即便你細心搜索網路上的知識，也不一定就能帶來收穫，因此這也是為何有搜索引擎業務的科技巨頭，這麼的在意ChatGPT目前的影響。
中央資訊大腦
當世界上所有資訊與知識都存放在計算機，穿梭在互聯網時，透過個人緩慢地搜索，媒體各代立場的播報，老師搜索知識學習並教育孩童，顯然是不完美的辦法，如果能透過物聯網蒐集所有知識，存儲在人工智能模型裡，或許是一個當前有效益的辦法。
誰是專家
AI是高效能工具，每個人都有資格使用它，同樣的工具獲得的效益可能因人而異
使用AI不代表人人都能馬上成為專家，專業的價值是知識、理解、應用、創造，如果每個人都能使用AI，那麼在一樣的條件下，學習的效率和條件就會改變。
相反，具備基礎知識的專業者，所帶來的效益越高
原則問題
當前對於生成式AI的使用每個人都有所不同，為此可以試想不同情境
效率原則
如果靠著自己搜尋有特定標準規範的答案，傳統搜索10分鐘瀏覽，生成式AI搜索2分鐘，且能依循你的需求來讓你獲取相同品質的資訊，那麼這歸類在效率搜索資訊
創造原則
如果你花10分鐘修圖，與花1分鐘AI修圖，成效是一樣的，那麼可以歸類為無效做工，做工的事情可以讓AI完成，因此這屬於創造原則，而當你將做工交給AI時，你獲得更多時間收益，來進行更具效益的創作和發想。
工具原則
將AI視為「高效工具」，延續個人專業價值。好比在電腦剛盛行時期，會開始出現許多的電腦相關課程，在後來人們才會意識到許多工作可以透過電腦更快速地完成，但是新的工作也伴隨出現，只是換了一種新工作方式，對於「新工具的出現」搶先學習確實會帶來競爭優勢，但當時間拉長遠後也僅是成為人人必備的基礎工具
問題原則
相信很多人都聽過，提出一個好的問題才能更好的學習，能否提出一個好的問題，背後是求知慾望，以及對問題的理解和拆解，網路上會充斥著許多方法論課程來說明如何問AI問題，或是找到更多的AI工具，這可能反而造成使用者更低的使用效率，讓使用者落入教條式的思考框架與資源負荷焦慮的窘境。
影響性
1. 對於程式開發的影響
如果是剛入門軟體開發，還在研究程式基本語法新人來說，確實會帶來一定的壓力，但對於有一定經驗的開發者來說，等於得到了一個高效的助手，開發者如同身兼技術整合者。
程式語法的本質與建議
對於新人是否要學習程式語言，我提供的想法和建議是，學習本質，學習邏輯，但不學習語法，學習本質和邏輯可以套用所有程式語言的理解，但不建議專牛角尖的背誦語法，語言語法是人定義的，會隨著版本和時間產生變化，那麼既然AI可以提供這部分的協助就交給AI處理。對此仍然抱持擔憂的新人，我會建議可以嘗試使用AI來開發一個完整的專案系統，在這個過程你會發現很多的細節和挑戰。
前後端工程師的價值?
近期很多AI生成網站的展示，讓許多新人對於學習程式碼猶豫不決，對於前端工程師來說，AI可以替他們生成出HTML及CSS，但這只是一小部分的工作，其中還有網頁(整個系統)的功能構想、資料串接處理、資安問題、資料邏輯、框架邏輯效能等等各種細節，更正確來說開發一個系統可以非常複雜，可以是巨量資訊和架構的考量，想做到出色細膩且專業的考量，基礎依然重要，只是換了一個更高效率的學習和處理方式，AI目前在替軟體工程師做的是**小範圍邏輯處理**，工程師仍需要在後續將這些程式做整合和優化等，以及進行更有價值和影響力的創造工作。
2. 對於設計藝術領域的影響
對於AI衝擊的設計業與藝術繪圖產業，對於這些藝術創作和設計者們，他們被迫選擇與AI共存，利用AI創作一些素材或靈感，或是將一些較繁瑣的圖像工作交給AI處理，對於設計藝術創作者們的新人來說，確實是一大挑戰，需要有自己獨特的創作價值才能脫穎而出。
在設計師的社群有句有趣的話是這樣說的:
AI雖然生成的作品很不錯，但他們還是猜不到客戶要什麼，因為客戶自己也不知道，這些還是交給經驗豐富的設計師們吧!
產業知識價值
各領域的產業知識(domain knowledge)與軟實力變得更具價值
產業知識(domain knowledge)提升的前提是穩紮穩打的學會該領用的基礎，並有深度獨立見解的整合它，因此並不會因為AI懂專業，學專業知識就不具價值。
領域專業有價
面對AI的知識產出需要保有個人領域知識的理解，再加以吸收成自己能運用的知識，若在該領域有自己的見解或是經驗的話，那麼必定會多一分優勢。
目前AI對於各行各業的幫助是提升該領域專業者的效率，而容易面臨威脅的是該領域的入門者，對於本來就在專業上投入時間的人們，並沒有因為AI的出現而失去工作，反而是將比較重複性質的工作交給了AI，專業者們成了技術整合或是資源整合的人。
參考文獻
生成式AI如何運作，讀者可參考來自微軟資料科學家的文章
https://medium.com/data-science-at-microsoft/how-large-language-models-work-91c362f5b78f
結語
分享一些面對AI的正向心態給大家:
保持獨立思考並真正善用AI，學習知識本質，必定會更加優勢。
AI可以成為任何領域的知識專家，但是最終行動決策人還是你
