📝📝：LLMs 如何顛覆傳統科技採用曲線｜你跟 Bill Gates 都用相同的 ChatGPT
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。
縱觀歷史，變革性技術通常遵循可預測的採用模式：
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。
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 的專業能力特性
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、行銷人員等 — 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。
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，但它們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。
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 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。