不管过去还是现在，科学都是对一切可能的事物的观察。所谓先见之明，是对即将出现的事物的认识，而这认识要有一个过程。

——达·芬奇

在新一轮的人工智能浪潮下，“GPT”这个词时常会钻进我们的耳朵，而且随着chat GPT的爆火，再一次将人工智能与AI的无限能力呈现于世人眼前。而我们在惊叹高科技飞速发展的同时，前所未有的忧虑也随之而来，“高科技是否会取代人类”，“未来这几类人将会失业”……诸如此类的文章可谓是铺天盖地，看到不由得让人心头一紧，难道打败人类的，将是人类创造出的科技吗？

图片来源于网络

“GPT”到底是什么，又有何种能力？

其实GPT是一种先进的自然语言处理模型，通过大规模的自然语言数据训练，可以掌握和“学习”自然的语言表述方式和规律。GPT全称是（Generative Pre-trained Transformer），其中：“Generative”表示该模型具有生成文本的能力；“Pre-trained”指的是在对模型进行特定微调任务之前，会进行大量文本数据集的预训练；“Transformer”指的是该模型所用的基本架构。

从发展历程上看，2017年出现的Transformer模型为GPT的出现奠定了基础，2018年GPT问世，由OpenAI提出的GPT-1开启了新一轮自然语言模型发展的热潮，生成式预训练模型GPT-1诞生。2019年，GPT-2以增加模型通用性为目标，移除GPT-1的微调，以更大的参数量和多任务训练，无需经过特定的数据集训练也能解决各类问题，即zero-shotlearning（零次学习）。2020年，GPT-3用Few-shot代替zero-shot，并将训练参数增加到1750亿，再次提高模型表现性能。2023年3月14日OpenAI推出了GPT-4模型，向多模态通用人工智能迈出了更加坚实的一步。

在GPT持续发展的历程中，其技术水平与能力得到了充分的提升，经历了数次升级迭代后，使得GPT-4拥有了以下特性：

强化的语言和代码生成：GPT-4可以生成更连贯的、类似人类的语言。代码生成也得到了改进。 对内容理解更完善：更容易理解句子的意思，并提供更多正确的回答。 多语言支持：支持多种语言。 多模式：支持文本和图像输入。 更长的上下文相关性：OpenAI API提供了相当于10-13页文本的8k和相当于约50页文本的32k版本，可供API使用。 图像理解(多模态)：不仅能理解图片中的内容，还能理解上下文及其含义。

“光说不练假把式”，在实际的应用场景中，GPT也有着不俗的表现，例如在客服服务领域，能够通过对客户的查询提供即时响应来改善客户服务。在翻译领域，能够准确地将本文翻译成另一种语言。另外内容生成上，可以根据用户的需求，生成原创且连贯的内容。此外它在图片分析、总结、创意生成等领域也能提供极为出色的应用。值得业内同仁共同关注的是，GPT还能够生成代码，这对于程序员来说，虽然能够在一定程度上提升效率，但是从某些角度理解，或许也并不是一个“好消息”。说到底，GPT仍是一个工具，如何使用它决定了他的价值有多大。

谈到GPT的应用场景，近日在我们运营的社群内，群友G的一则提问与之极为相关，且该需求对于不同行业中的企业来讲，也是极为普遍的。

群友G提出：假如可以把GPT嵌入到企业微信中，成为企业AI，大家愿意部署吗？

她还作以补充说明，表示她目前的想法在于打造一个机器人，提升用户寻找资料的效率，正所谓“问度娘不如问AI”，因此是否可以考虑将GPT植入到企业微信中，供大家查询相关资料、学习某些知识使用。

这一问题的提出，引发了大家的广泛讨论，有人认为如果采用私有化部署方式，才能行的通。也有群友表示认为千万不要这样去做，有可能会导致信息泄密。综合来看，针对这样的做法，大多数群友持有的仍是保守的意见，主要的原因在于这一做法无法行之有效的保证信息安全。

的确鉴于人工智能的训练和学习方式，当员工使用GPT时，很可能会出现一些风险，例如工作中的保密和隐私问题、偏见和公平、法律合规性和责任等等，然而想要使用又必须突破这些难点。摆在面前的，就有两个矛盾点至今无法去妥善解决，第一就是部署方式的问题，采用私有化部署势必更加安全，但是带来的弊端就是数据量的局限性，无法获取到足够的数据量，AI的准确性又无从谈起，甚至可以说打造“私有化的AI”是无意义的。另外一个矛盾点就是数据跨境问题，有群友直言虽然可能GPT的接口是本地的，但是最后仍会提交到美国的服务器，数据出境问题不可避免，过程中难以保证数据安全，因此企业的重要机密也极有可能泄露，后果是无法想象的。

鉴于此，有的群友呼吁到：“我们还是等国内的吧，等百度，等阿里！”。

在群友们的期待中，也让我们看到了以ChatGPT为代表的内容生成型人工智能的崛起，是人工智能领域的一次重大变革。其通过引入新的训练方法，在降低人工智能使用门槛的同时，拓展了人工智能的应用领域，甚至使人工智能进入到了寻常百姓家，人工智能的通用化时代正在悄然而至。对于企业而言，GPT带来了新的发展机遇，但是其中所隐藏的风险也不容小觑，目前来看主要体现在以下几个方面：

隐私和数据安全风险。更强的算力，更优的算法，就意味着更大的隐私和数据风险。 偏见和歧视风险。如果说在公域数据上训练出来的GPT会有偏见和歧视的话，那么私域数据训练出来的GPT的偏见和歧视会更加明显，原因在于私域数据量比公域要小得多。 造假和作弊风险。好的工具也是一把双刃剑，滥用工具导致造假和作弊无法避免。 内容不确定性风险。GPT生成的内容已经很大程度上可以代替人类，但是无法避免其遇到盲点，难以保证信息质量，观点的偏颇。 监管和合规风险。使用GPT需要满足法律和监管要求。如果未经充分验证就使用GPT，就有可能触犯法律和监管规定。 战略和变革风险。GPT的应用一定会带来企业的巨大变革，这种变革首先是过程性的、职能性的，但最终必将是全面性的和战略性的。 员工岗位和能力丧失的风险。GPT可以高效优质地从事许多工作，不但能够在一定程度上帮助人类去完成一些工作，甚至可以完全替代很多一般岗位。

如何规避风险是必须慎重思考的，而想要发挥GPT的效用，也需要从两方面着手，一方面需要去养模型，另一方面是用模型，想要养模型就要有足够的数据来源，用好模型又需要强大的计算能力，因此对于企业来说，如何在保证安全的前提下，使GPT与现有的应用场景结合？在实际应用后，又能为企业带来多大的效率提升？其价值难以量化，因此很多企业认为当下对于GPT进行深入应用似乎并未到达一个成熟的时机。

如果将GPT想象成一个真实的人，其强大的记忆力与推理能力是超乎想象的，而真正使得GPT超越其他大模型之处就是可以实现真正的个性化学习！无疑GPT是人工智能领域令人惊喜的发展，其先进的特性和功能为改善通信和交互的可能性打开了大门。

GPT的潜在用途是巨大的，可以预见的是未来它极有可能就会被应用于各个行业。一方面，AI的这些能力能够让其更好地辅助人类社会。但另一方面，这也让AI对人类的复杂操纵行为变得更加可能。无论如何我们都必须承认的是，AI具有无限的可能性，而无限的可能性也必将带来更多的不确定性。

正如群友G所言：科技的不断发展，在带来效率提升的同时，似乎也在悄悄打开潘多拉魔盒，到了今天难免发问，我们真的需要这么多高科技吗？