📌 在我的印象中，人工智能爆发那一年，我还是在上高中，当时Chat-GPT4横空出世，同年年底OpenAI又推出了视频推理模型Sora，我当然也第一时间也关注到了，但又因忙于学业，所以我对于人工智能的了解也只能停留在媒体炒作的文章上。显然，每一次科技的进步都不由的让一些人开始焦虑自己存在的意义——开始焦虑自己被AI取代，失业了怎么办？焦虑AI的出现让更多的毕业生更难找到工作，学历贬值了怎么办？甚至有人拿AI去做高考试卷轻轻松松700+，然后说高考试题考的太“死板”，已经选拔不出人才了。
📰 实际上，我当时就断定如上问题是媒体的炒作的惯用手段，如今，已经过去两年有余，依然认同我当时的观点，有人可能会反驳到:你骗人，明明Microsoft，Google，Oracle…这些巨头在AI出现后裁员那么多，紧接着国内也有裁员风波。这样的反驳，确实让我无地自容。不过我心里却是在想：仿佛每一次科技革命，首先都会引起人们对工作的焦虑——从珍妮纺织机，到蒸汽机，再到内燃机…，仿佛这些人都是为工作而活一样，只是时代变了而已……
🎒 而我个人在时代的浪潮中能干什么？珍惜当下的时光才是最重要的，起码在工作之前，珍惜校园里的时光才是目前跟我最要紧的。所以，我想着是呢，谈一谈大语言模型(LLM)对我这一年多来学习CS的影响（谢天谢地，终于回到标题了），毕竟人工智能就是CS的一个研究分支——
✅ 先回答标题中的问题：在学习方式上，的确有革命性的影响，但这种影响往往体现在学习CS某一领域的前期，因为，随着学习的深入，研究对象逐渐变的复杂，对于如何精确刻化和表述研究对象，这本身就是个问题，更别说再交给LLM了。简单点来说就是：没有“问题”怎么让LLM解决问题？那不成还能让LLM解决“没有‘问题’”的问题？这不可能。
🧩 前期之所以影响巨大，是因为一个人，只要是正常人（抛开陶哲轩，冯·诺依曼，高斯……这种），刚开始接触一个概念他就是比较慢，相应领域的神经元直接还没有链接，但问题是，到了后期，一旦人脑在所学领域的神经元一旦建立起来，就回跟过去已经学过的所有知识进行汇合，你可能回认为，人脑会有遗忘，但人工智能不会遗忘，大错特错！人工智能会“遗忘”！这牵扯到现阶段LLM的实现和训练方式——这种“遗忘”更像是随着神经网络层数的不断增加，对于可能解决问题的“灵气儿”被当成“噪声”，从而被忽略造成的，最终导致的结果就是没有把“关键”输出给用户，受篇幅限制，不在这里展开细讲。
🖐️ 其次，人对于事物的认知可以是多感官——正所谓“五感”，人脑新知识的加入，汇合的是过去所“感觉”过得的东西，这使得人在解决新问题时有更多的方式去得到解决问题的“参数”，而不仅仅是通过文字阐述给LLM。这是LLM最大的问题。
👀 如果我们使用计算机视觉（CV）计算机图形学（CG）的手段把它集成到机器人身上怎么办？别慌，那它也是在“听觉”语言的基础上添加一个通过“视觉”的到的参数，还是没办法跟人比，更何况现在还没有一家公司能做到将“视”“听”集成到机器人身上，现阶段的机器人各家公司都在比谁能把肢体动作做的更像人，而作好肢体动作压根都不是用深度学习算法的得到的！！！什么方式给我忘了。
📷 Google的Gemini可以通过用户的手机摄像头来得到“视觉”参数，但Google Gemini的算力中心，你能想象多大吗？这也是为什么我把标题起作“大语言模型”的影响而不是“人工智能”的影响，就是因为现阶段的大多数人接触到的“人工智能”是只从“视觉”图片和“听觉”文字通过深度学习得到的，所管它叫“大语言模型”更精确一些。
接着再谈一下，关于使用LLM写代码的问题。当我们需要完成一个项目(Project)时，我们需要思考的不仅仅是源代码怎么写，还有背后的业务逻辑！不是说LLM的代码能力不行，而是用LLM生成的根本就不符合你业务逻辑的要求！而且，如果你想修改，又因为不是自己写的接口，就不知道它怎么调用的，更不可能知道它是怎么实现的🙃，这就需要把LLM给的源代码再通读一遍😤，实际读下来呢，如果读懂了，还好办一些，如果读不懂，那完蛋了！🤯这个项目靠LLM根本就完成不了。 最后发现还不如自己写😅，遇到小的问题再问LLM。 LLM的出现只会让原本能力强的人变得更强，他们精通业务逻辑，可以变成策划师，用LLM不过省下更多敲代码的时间而已。 所以，我不认为LLM而不会让一个门外汉变成开发高手，更不可能让他懂计算机科学。
🌱 总之，大家不要为刚开始的学习来请教LLM而感到沮丧，是否能把知识学下去，才是你超越LLM的必胜法宝。大多数人幻想的人工智能是像电影I, Robot那样，我管它叫“多感官深度神经网络学习”，目前还在理论研究的范畴，真的到工程落地（我都不敢想这个工程能有多复杂），起码未来十年不可能实现。