在20世纪70年代和80年代进行人工神经网络研究是完全合理的。这个阶段的发展是无法预见的，直到最近，我还认为这场危机还远未来临。所以，我并不真的为自己所做的事情感到后悔。

即使有计算器，让小孩学四则运算也是有意义的。学习这些基础知识能帮助孩子们理解运算规则，还有个原因是我们有时候手头上不一定有计算器。但我觉得最重要的是，学好四则运算能让人更加相信计算器得出来的结果。学习编程也是这个道理。

说conversational AI，其实对话引擎也很多年历史了，1966年第一个也就是MIT就做出了一个对话的引擎ELIZA，这么多年有很多次迭代，到了Siri，到了Alex，到了Cortana.现在大语言模型，或者基础模型，它自己本身就是一个工具，同时它也可以使用别的工具，比如使用Hugging Face等开源的数据、模型，然后去执行新的任务或者构建新

原来的自然语言处理有14种任务，我能够把动词找出来、名词找出来、句子分析清楚。即使分析清楚，你知道这是形容词，这是动词，这是名词——那这个名词是包香烟？还是你的舅舅？还是一个坟墓？还是个电影？No idea（不知道）。你需要的是知识。自然语言处理没有知识永远没用。

AI是科技发展曲线。crypto不见得是。科技发展曲线和非科技发展曲线是有根本差别的，科技曲线在发展不好的时候也就是停滞，但非科技不好说，非科技的事情在我不够理解时，无法预测是否对社会有伤害，这种情况下不宜武断参与。

我觉得大厂做这件事的话，很容易是为他自己的业务目标服务，你让他们提一个创新性的东西，一个从没见过的东西，从上到下都很难去做一个决定，惯性很难改变，所以大厂很难做出大的变革，反而机会是在创新公司。

如果车都不存在，如何设计安全带？如果都没有发明飞机，怎么设计安全的喷气式引擎？这种对未来的恐慌是误导。人工智能离人类水平的智能还很远，否则我们就不会还没有L5级自动驾驶了。而青年人学习20小时就会开车。

它接受了大量不一致的数据训练，试图预测下一个网络用户会说什么。人们对很多事情有不同的观点，而它必须有一种混合所有这些观点的方式，以便可以模拟任何人可能说的话。这与一个试图拥有一致世界观的人非常不同，特别是如果你想在世界上采取行动，拥有一致的世界观是非常有益的。

RLHF技术背后的其中一个作者正是John Schulman。很多人不知道的是，他也是ChatGPT项目的主要负责人。在ChatGPT发布前一个月，John Schulman在Robin Ranjit Singh Chauhan主持的TalkRL播客节目中，详细介绍了RLHF想法的产生源头，InstructGPT以WebGPT的主要思想，并阐述了AI对齐以及对AGI实现的看法。

开源的话在价格上有非常明显的优势，基本上可以不要钱就能使用这些东西；闭源如果还有生存空间的话，一定是做得比开源好，才有生存空间。所以当你更加追求效果的时候，你就会选择一个闭源的模型。但这是一个静态的观察或者说是讨论，动态的话可能说随着时间的推移，开源和闭源两条技术路线，最后谁会跑得更快。

在我年轻时代，69岁的美国人乔治·海尔迈耶发明了液晶，人们那时描绘将来做一面墙都是图像。我们那时连电视机都还没有看见过，怎么能理解未来，你想想这个科学的预测有多厉害！现在连液晶墙面也已经没落了。

许多实验室和公司正在开发类似的技术，将文本转化为图像。谷歌有Imagen，OpenAI有DALL-E，还有一些较小的项目，如Craiyon。这种技术从何而来，你觉得它未来会走向何处？Midjourney的愿景与这个领域的其他人有什么不同？