《人工智能通识》这本书让我们了解了目前的人工智能发展情况，未来，人工智能会快速发展，但也需要一定的突破。

比如芯片会不会成为量子级，以及一些限制性的问题会不会被解决，算法时代已经到来，而人工智能这个项目无疑是很烧钱的。

对于普通人来说，我们或许不需要会写代码，但是需要了解人工智能本身的局限，以及如何更好的服务于我们的生活。

首先我们要区分人工智能和人究竟有什么不同，首先，人具有独特的创造力、情感和价值观，这些是机器目前无法完全复制的。

至少目前来看，所谓的人工智能哪怕表现得再有感情，也不过是训练出来的，它本质上还是算法，哪怕这个算法太过于优良，也依旧不能代替人类。

但人工智能依旧是不可多得的助力，就目前的大模型来看，比如豆包，千问，DeepSeek等等，这些模型给我们的生活带来了很大的变化。

但它们回答的问题，产出的答案有时候不一定真实，还有待验证，它们本身没有记忆，只是按照概率来输出。

这一部分又被称为ai幻觉。同时，大模型的产出还有一定的不可解释性，简单来说，就是你不知道它的这个结论是如何得到的。

不可解释性是指即使算法的内部工作原理是透明的，人类也无法直接理解其决策结果。

它的复杂性超脱了人类的认识范围。它的黑箱性质也会让人质疑它的决策。

人工智能算法的不透明性是指对于算法的内部工作原理和决策过程，人类无法完全理解和解释。

然而许多行业（如金融、医疗、法律）对模型的“可解释性” 有硬性要求——不仅需要“预测准”，还需要知道“为什么准”（例如，信贷审批需解释拒绝的理由，医疗诊断需说明依据）。

近日，传出来豆包要收费的消息，或许在不久的未来，几乎所有的ai公司都会收费，但依旧会保留一些基本的需求来留住用户。

但对于一些真正需要ai进行工作的人来说，这一定是不够看的，也就是ai算力也会逐步将人分层，或许在不久的未来，那些有钱人可以享受更好的ai服务，就像目前2g网和5g网的区别一样。

那么为什么会收费呢？免费的不是更可以留住用户吗？

首先，大模型需要很大的成本，前期可能是需要用户数据来进行训练，但成熟之后的大模型，或者可以做更多事情的大模型，它的成本也是与日俱增的。

这里面包括硬件设备成本，比如GPT-3训练一次的成本约为140万美元，对于一些更大的大模型，训练成本更高，如GPT-4训练一次的成本约为6300万美元。

还有软件许可成本，收据收集和处理成本，人工资源成本，还有设备维护成本等等。

这里面人工方面，前段时间一些科技公司开除年薪百万甚至千万来挖掘ai人才就可以看出来，在未来，什么样的人会更值钱。

同时，大模型还有一定的不公平性质，我们常认为机器就一定公平，毕竟他依赖的是算法，而不是所谓的人类情感。

但是如果训练数据中存在偏见或不公平因素，那么大模型的输出也可能受到这些因素的影响。这可能导致不公平或偏见出现。

这些偏见可能源于数据偏差或缺失，也可能源于算法本身设计和参数设置的缺陷。

人工智能算法歧视呈现出高度的隐蔽性、结构性、单体性与系统连锁性特征，增加了歧视识别判断和规制的难度。

从之前报道的一些新闻来看，一些商家会将一部分残次品分给一些农村地区，原因就是他们的维权意识差维权难等特点。而ai有可能会加速这一现象。

目前，能够广泛被大多数人使用的技术，人工智能生成内容(Artificial Intelligence Generated Content,AIGC)，AIGC是一种全新的创作方式，利用人工智能技术来生成各种形式的内容，包括文本、音频、图像、视频等。

与之相关的一些新型职业也随之产生，比如人工智能训练师、机器学习工程师、数据标注员等职业需求激增。

而这也是给我们目前生活带来重大变革的因素之一。

在未来，随着人工智能的普及，各行各业都将拥抱ai，对于已经工作多年的职场人来说，或许要做的不是转行，而是要如何利用ai，在自己的行业中做到更好，这个反而是更加实际和更有可行性的方案。

说到底，目前的ai还只是辅助，真正的决策还得我们自己来。