由 GROK 生成
本文翻譯自加拿大計算機科學家 Andrej Karpathy 的 X《Power to the people: How LLMs flip the script on technology diffusion》由 ChatGPT 整理、排版。
始於政府或軍事環境，逐漸滲透到大型企業，最終才觸及個人消費者。從電力到電腦，從密碼學到 GPS，這種自上而下的擴散一直是標準軌跡。
這種進展在直覺上是合理的，新興技術通常一開始是稀缺的、昂貴的資源，需要專業知識才能操作。
然而，像 ChatGPT 這樣的大型語言模型（LLMs）已打破了這種歷史模式，在突破性技術如何在社會中傳播方面創造了顯著的逆轉。LLMs 的影響對普通個人而言最為深刻和直接，而企業和政府所體驗到的益處則明顯較為緩和和滯後。
前所未有的個人生產力暴增
許多數據不言自明：ChatGPT 成為歷史上增長最快的軟體，擁有 4 億周活躍用戶。對個人來說，這些 AI 工具不僅僅是對現有能力的增量改進，代表了在多個領域個人能力的變革性倍增：
- 跨多種體裁和格式的寫作協助（Writing assistance across multiple genres and formats）
- 寫程式和軟體開發（Coding and software development）
- 語言翻譯（Language translation）
- 個人輔導和教育（Personal tutoring and education）
- 內容摘要（Content summarization）
- 深入研究協助（In-depth research assistance）
- 創意腦力激盪（Creative brainstorming）
使這場技術革命，特別的地方是使用的範圍。
LLMs 要麼免費，要麼價格驚人地低，運行速度快，只需要簡單的網路界面甚至在電腦、手機上就能登入使用，並且能流利地用任何用戶的母語進行交流，像是語調、俚語，甚至表情符號的使用。
這種技術賦權以如此速度和規模觸及普通公民，是史無前例的。普通人從未經歷過如此戲劇性的技術能力提升，且發生在如此壓縮的時間內。
LLMs 要麼免費，要麼價格驚人地低，運行速度快，只需要簡單的網路界面甚至在電腦、手機上就能登入使用。Photo by Solen Feyissa on Unsplash
為何組織落後
儘管 LLMs 對個人產生了變革性影響，但在企業和政府環境中帶來的益處相對有限。這種差異源於幾個基本因素：
LLMs 的專業有利個人
LLMs 提供了一種獨特的能力特性，特別有利於個人而非組織。AI 在眾多領域提供準專家級知識，使同時具有多功能性，但在任何特定領域相對淺薄且偶爾不可靠。
組織通過專業員工 — 工程師、研究人員、分析師、律師、營銷人員等 — 集中多樣化專業知識獲得優勢。雖然 LLMs 可以提高這些專家的個人效率（起草法律條款、生成初始代碼等），但這主要使組織在已經能夠執行的任務上略微提升。
相比之下，個人通常最多只擁有一兩個領域的專家級知識。LLMs 提供的廣泛準專業知識從根本上擴展了他們的能力，使他們能夠完成以前無法實現的任務。個人現在可以：
- 開發功能性 APP（Develop functional software applications）
- 導讀複雜的法律文件（Navigate complex legal documents）
- 理解專業研究論文（Comprehend specialized research papers）
- 執行數據分析（Perform data analysis）
- 創建品牌多模態內容（Create multi-modal content for branding）
換句話說，在不需要額外專家協助的情況下，以一般人的水平完成所有這些任務
LLMs 提供了一種獨特的能力特性，特別有利於個人而非組織。Photo by Jonathan Kemper on Unsplash
組織的複雜性和約束
組織面臨比個人更大的複雜性和協調要求：
- 與各種技術系統的整合（Integration with diverse technical systems）
- 舊系統兼容性要求（Legacy compatibility requirements）
- 企業品牌和風格指南（Corporate branding and style guidelines）
- 嚴格的安全協議（Stringent security protocols）
- 數據隱私考量（Data privacy considerations）
- 國際化要求（Internationalization requirements）
- 監管合規和法律風險管理（Regulatory compliance and legal risk management）
這些因素引入了許多變量、約束和考慮因素，這些不容易被納入 LLM 的上下文窗口。錯誤的餘地也大大減小，一個重大的幻覺可能會危及員工的職業生涯或使組織面臨責任風險。
大型組織制度慣性
大型組織對快速變革表現出抵抗，主要是因為如下原因：
- 既定的文化規範和實踐（Established cultural norms and practices）
- 歷史先例和傳統（Historical precedents and traditions）
- 在變革期間加劇的內部政治角力（Internal political turf battles that intensify during periods of change）
- 跨部門的溝通負擔（Communication overhead across departments）
- 勞動力再培訓挑戰（Workforce retraining challenges）
- 官僚決策過程（Bureaucratic decision-making processes）
這些因素對快速採用當前 LLMs 這類多功能但不完美的工具造成了巨大阻力。
雖然 LLMs 確實影響著企業和政府，但對普通個人的改變生活的影響比對組織的影響更加顯著。主要受益者是普通人 — 瑪麗、吉姆和喬 — 而非 Google 或美國政府。
AI 益處的未來分配
LLM 能力的持續民主化，很大程度上取決於性能改進如何與資本支出成比例。目前，前沿級 LLM 性能仍然非常容易獲取且價格合理。就算花費額外資金幾乎無法獲得明顯更好的性能、可靠性或自主性。
基本上，金錢買不到本質上優越的 ChatGPT 版本。比爾．蓋茨（Bill Gates）用的 GPT-4o 與世界上任何人所用的都相同。
比爾．蓋茨用的 GPT-4o 與世界上任何人所用的都相同。由 GROK 生成。
然而，這種民主分配可能不會無限期持續。幾種力量可能會增加基本和高級 AI 系統之間的性能差距：
- 訓練時間擴展（增加參數和訓練數據）
- 測試時間擴展（增加每個回應分配的計算時間）
- 模型集成（增加批次處理能力）
相反，其他發展可能會保持民主化的訪問：
- 模型蒸餾技術，透過模仿較大模型來訓練強大的小模型
轉折點將在金錢可以買到更好的 AI 能力時到來。
到那一刻，大型組織將利用其龐大資源獲取優越的智能。即使在個人之間，經濟分層也可能出現：精英階層的孩子將接受高級 AI 系統的輔導，而其他人則只能使用基本版本。
獨特的歷史時刻
當前狀態代表了技術史上的一個前所未有的時刻。
很少有科幻作家或未來學家預見到 AI 革命會以這種方式展開。先進的 AI 不是作為由將軍和官員控制的絕密政府大型項目出現，而是幾乎在一夜之間作為一種大規模使用的、免費的資源出現在已為數十億人擁有的設備上。
科幻小說家 William Gibson。來源：New Yorker
科幻小說家 William Gibson 曾觀察到：
The future is already here, it’s just not evenly distributed.
（未來已經到來，只是分布不均。）
出人意料的是，AI 的未來確實已經到來，而且分佈驚人地均勻。這種強大 AI 能力的民主化代表了真正的權力向普通人的轉移，創造了一場打破歷史採用模式的技術革命。
目前，這種對大眾智能增強的民主化，代表了人類歷史上最深刻和廣泛受益的技術轉變之一：一個罕見的時刻，變革性技術在被機構、企業完全掌控之前就已觸達大眾。
