我喜欢这样跟着你随便你带我到哪里是什么歌(小猫想要的，比人类想的简单得多)
我喜欢这样跟着你随便你带我到哪里是什么歌文章列表:
- 1、小猫想要的，比人类想的简单得多
- 2、四位综艺咖的没落史，曾经被捧得有多高，现在被嘲得就有多狠
- 3、酒店+颠覆生活想象
- 4、王志文饭局，于和伟开会，表面看是电视剧，细扒一本厚厚的厚黑学
- 5、在被ChatGPT砸掉饭碗前，我们得摸清它的底细
小猫想要的，比人类想的简单得多
“小猫之所以这么可爱，就是因为不会说话。”
听说，在前不久的《脱口秀大会》上，你们又在调侃“吸猫”日常了。稍微收敛些看向我们的“花痴”眼神吧，多少有点不太聪明的样子……虽然隔壁汪星人也不太爱讲话，但人类似乎总是觉得，相较而言猫更难理解，毕竟看上去我们没那么热情。如果有机会聊聊，你们想知道些什么？
谈谈猫的品种吗？自报家门，帮着解读看看哪些猫性格更温顺黏人，哪些又比较孤僻高冷？或者是哪种养育方式会让我们的毛撸起来更顺滑？还是说盘点一下那些活跃于社交媒体的“网红猫”的发迹？如果只是这些，那确实没什么好聊的，这都是人类感兴趣的问题，我们为什么要关心毛的光泽，又或是什么样的性格讨人喜欢呢？更何况大概很多人觉得，我们的存在就是为了“可爱”吧。
《猫咪秘史》，[美]小猫芭芭 / [美]保罗·库德纳利 著，李磊 译，贝页|文汇出版社 2022年10月。
如果你当真对我们有所好奇，那不妨先蹲下身来。也许你会发现，换个角度回看我们相伴走过的那些时光，可能并非如先前“自以为是”的种种所想。比方说，人类总觉得驯化了我们，但实际上，是我们自己驯化了自己，真要追溯起来，咱们曾经是“伙伴关系”。
再有，很多铲屎官总担心我们不小心跑出家门，不能像狗一样找到回家的路，好像一旦离开家就生活无法自理。其实几百年前，我们的同伴曾坐船周游过七大洋，还一路飞向过几千英尺之上的天空。
哦对了，人类还总愿意拿我们和狗对比，觉得我们天性多疑又高冷，还没那么忠诚。你们有没有想过，这种说法到底从何而来？毕竟……“当事猫”可从来没承认过。在公众印象里，我们总是反复无常，但细说起来，反复无常的其实一直是人类吧。就像开头提到的那个段子，如果互相理解太难，至少，咱们不要互相伤害。
“如今是你们在照看我们，
那时却是我们在照看你们”
薄荷味的小鱼饼干，各式各样的围脖衣服，豪华版猫砂盆，今天的猫儿似乎什么都不用做，就可以轻易虏获人类的芳心。只因为我们的长相酷似人类幼崽，无需像狗一样讨好，就能激发人类的保护欲，难怪有种说法喊我们“猫主人”。其实听得出，这之中多少有几分自嘲和傲娇，说到底，人类还是以我们的“监护人”身份自居，自封了“照看”的责任。
不过有个问题需要重新考虑，人类总觉得驯化了我们。不好意思，其实是我们自己驯化了自己。法国有位人类学家叫马塞尔·莫斯（Marcel Mauss），对，就是那个扬言“这世界上根本不存在所谓的礼物”的仁兄，他还断言过，猫是唯一成功驯服了人类的动物。嗐，我们其实无意掰扯咱们之间究竟是谁“驯服”了谁，只是人类总太过自我，在过往的叙述中独揽历史之功，绝口不提其他物种的贡献。其实在早期社会，那时的确是我们在照看你们。
这就不得不提一下今天家猫的先祖，有非洲野猫之称的“利比亚猫”（Felis silvestris lybica）。它和你客厅的那只猫长得不太像，体形稍大些，皮毛是带斑点的黄褐色，它们可是活跃于北非的凶猛且危险的猎手。北非听上去有些遥远是吗？《诗经》里其实也有记载：“韩乐韩土……有熊有罴，有猫有虎，庆既令居，韩姞燕誉”，曾将我们和老虎狗熊这些大型动物类比，但这里还有个误解，大型猫科动物是在300万年前才进化的，而利比亚猫可是早在1300万年前就已经适应了环境，所以别再说我们是“迷你版”老虎了。
《人类“吸猫”小史》，[英]艾比盖尔·塔克 著，黄竹沁 译，楚尘文化|中信出版社，2018年4月。
那时，利比亚猫身形矫健，具备与之体型并不相称的力量，是野外求生的王者选手。相较之下，处于史前时代末期的人类才刚刚开始尝试农耕，跌跌撞撞中储备余粮以抵抗四时天灾的无常。也许你们有办法对付大型动物的威胁，但面对来无影去无踪的大鼠小鼠却束手无策，这些糟蹋粮食的啮齿动物恰好是利比亚猫的野味，它们也并不缺乏胆量，敢于打破僵局深入你们的居所，于是人类与我们的先祖之间隐秘达成了“伙伴契约”，你们帮助消灭大型动物的威胁，它们负责干掉那些令人头疼的小偷。
这段故事的后半段想必你们都知道了，最初的村庄逐渐繁荣扩大，成了后来统一的埃及，也是你们所谓文明的发源地之一。埃及人感念利比亚猫的贡献，将其奉若神明。随着彼此了解程度的加深，他们惊讶地发现除了捕鼠，猫似乎还具备某种先验的神秘力量，能预知天气的变化，也能预言地震的来临。其实真谈不上“魔法”，只是因为我们的感官灵敏度更高罢了。但不管怎么说，埃及人确实将对预知未来的渴望寄托在我们身上，我们开始出现在镜子的背面，为了映射“邪祟”；出现在护身符和青铜摇奏乐器上，寓意守护生命；甚至连那个著名的斯芬克斯像都把法老和猫科动物的身体联系在一起，“照看”这片土地上的子民。
《埃及见闻》，法国学者乔迈尔在19世纪初来卢克索时，记录下了这个沉默的卫士，展现了真正的猫科动物的忠诚。
猫还被写进了埃及流传的创世神话中。你们大概都听过，猫有九条命，不会当真了吧？这当然只是传说！据说，宇宙开辟鸿蒙之初，天地万物尚处混沌乌有，太阳神拉（Ra）结束了这个僵局，大公猫形象的它最后用一爪子战胜了大蛇阿波菲斯（Apophis），世间生命由此开始繁衍。拉虽是一只公猫却生出了其他神灵，首先出世的是空气之神休（Shu）和湖泊之神泰芙努特（Tefnut），它们结合后生出了地神盖布（Geb）和天神努特（Nut），后来又有了两个儿子和两个女儿，就这么一生二，二变四，四变八，再加上公猫拉，九条命齐了。
这种近乎狂热的崇敬放在今天简直是无法想象的，再看看社交媒体上广为流传的那些记录我们吃饭“翻车”的搞笑视频，放在古埃及这可是“大不敬”。算了，笑归笑，我们的气量可没那么小，只要别上升到披着笑容的什么“无害化”处理，我们权当是种善意。不过还是别忘了，埃及人可有句格言：“不要嘲笑一只猫。”
《猫神和狮神》，伯纳德·德·蒙福孔雕刻于1719年，描绘猫科动物对埃及人精神生活所产生的巨大影响。
“别让那只可怜的猫跑出去”？
虽然今天的家猫早已不似利比亚猫那般凶猛，但骨子里还是保留些生存本能的。很多铲屎官都有个习惯，进出门总下意识随手关门，一旦我们看向那扇虚掩着的门，总有声音惊呼：“该死，千万别让那只可怜的猫跑出去了。”这份爱多少有些沉重到，承受不来……其实但凡翻开“猫史”看看，那些曾经上天入海的猫可能会让人“惊掉下巴”。
浅浅引荐一位朋友吧，它就是历史上有名的猫咪水手特里姆（Trim）。十九世纪初，这只胸前带块白斑的黑色公猫曾跟随航船出海，先是绕行澳大利亚，随后又横渡了印度洋、太平洋和大西洋，是名副其实的环游世界的航海猫。
《猫咪秘史》配图。
说起来，猫咪出海其实从古时候就开始了，它们登上过腓尼基人的桨帆船，也跟随过埃及贵族远航。彼时的船身多为木质，老鼠很容易钻空子，而一旦它们偷食船舱中为数不多的粮食，又或者啃噬船桩，都有可能酿成大祸。因而乘船出海必备的船员中，总会有猫的位置。尽管有这样的传统，但特里姆的神勇还是异乎寻常。这只猫甚至一出生就在南太平洋的勘探船上。据说小时候它在甲板玩耍，意外翻出栏杆掉进了海里，当船员们发现后手忙脚乱时，转头却看到它游过海水已经蹿到了桅杆的绳子上，似乎在俯视着人类的慌张。
这种与生俱来的弄潮本领让英国探险家马修·弗林德斯（Matthew Flinders）深深为之折服。特里姆不仅自身素质过硬，还有极佳的团队精神，它擅长导航，能够监视船上啮齿动物的动向，还是维系全体船员的那根情感纽带，尽管偶尔也会蹿上餐桌，抢走水手盘子里的口粮，但这些都成为漫漫海上时光的调剂。他们彼此陪伴航行了四年，还绘制了世界上第一幅澳大利亚全图。
更有趣的是，特里姆似乎真的天生属于大海。弗林德斯曾下船后将它寄养在伦敦，你听说过狗会“拆家”，没想过猫也会吧？是的，闻着没有一丝盐味空气的特里姆快把家给毁了……迫于形势，弗林德斯再度带它回到了船上。结果那趟旅程中，该船在毛里求斯涉嫌海上劫掠而停航，船长疑似“海盗”，获刑七年；“从犯”特里姆的罪罚也不轻，被判处“下船成为家猫”。这能忍吗？它当然开溜了，人类可抓不住它，后来便再没音讯。大概，它从波涛中来，又回归于浪花了吧。
《猫咪秘史》配图。
还有些巧合的是，在人类的逻辑中，下海和上天本质而言并没有区别。特里姆的英勇让你们忘记了，每只猫其实都有各自的性格，别总是想当然地替我们决定。很显然，那只从地平线上腾空而起的灰猫基豆（Kiddo）就不那么乐意。
二十世纪初，人类仍然痴迷于乘坐飞行器越过大西洋。接连失败后，1910年，美国号飞艇（Airship America）再度载着“七名机组乘员”踏上星辰大海的征途。是的，里面包括那只对此并没有那么狂热的基豆。它的上艇纯粹是意外，机组人员延续了“出海”惯性，觉得这趟旅程离不开猫的守护，恰好基豆也有过出海经历。但随着海拔数字的攀升，基豆逐渐有些不耐烦，“像笼子里的松鼠一样嚎叫，还到处乱跑”。
当时，那所飞艇上配备了最早的无线电。机长愤怒中冲话筒大喊：“罗伊，快来把这只该死的猫抓住！”这成就了人类历史上第一次（空中）广播，那段从空中发出的无线电声波主角，竟是一只了不得的“飞猫”。那段航程最终也没能顺利完成，但基豆却一夜间声名鹊起。以至于在下一次尝试中，为博眼球的新机长再度将它带上飞艇，结果这次失败是致命的，连同基豆在内的所有机组成员全都葬身于大海。如今回看，基豆可不是因为“跑出去”而丧生的，而是那扇大门的开闭，从来由不得我们决定。
喵星人与汪星人的宿怨？
说起“人类挚友”，你们会想起谁？大概率出现在脑海中的，是隔壁汪星人的形象吧。毕竟它们看起来忠诚而又热情，而我们似乎总有些慵懒和游离。这本是不同物种的习性，但总有些厌猫人士动辄将这些上升到“猫格攻击”，在我们和汪星人之间建立非此即彼的对比，这场针锋相对的“猫狗之争”从何说起？毕竟，我们可从来没有承认过。
追溯起来，这场运动的旗手并不陌生，他的作品在跨越四百余年的今天，依然加深着人们对动物的刻板印象，此人便是来自法国的博物学家乔治-路易斯·勒克莱尔（Georges-Louis Leclerc），什么？名字没听说过？他的称谓你一定耳熟，人们常喊他“布封伯爵”（le comte de Buffon）。1749年，布封的《自然史》（Histoire naturelle）出版，如今许多关于猫狗行为的拟人化分析大多可以追溯至此。在布封看来，狗集纳了“一切引人注目的内在优点”，忠诚无私、孜孜不倦地等候指令，坚定不移地予以执行。和狗付出的爱不同，“狡猾”的猫从不舍得屈尊，除非对自己有利，猫还不愿直视人的眼睛，天性“可疑带有恶意”。
1898年恶魔猫给美国国会大厦造成恐慌，此新闻曾发表于当年的多家报纸，还配上了画家描绘的恶魔猫的再现图。
这部作品出版后旋即成为厌猫人士的福音书。在一众读者中，那个小个子皇帝拿破仑·波拿巴绝对算得上是“死忠粉”。拿破仑对狗的喜爱从他在朝堂上的一句话就依稀可见，他曾扬言“有两种忠诚，狗的忠诚和猫的忠诚”，以此暗示如果有人想躬耕朝堂，最好不要有“猫”的天性。也就难怪，上有所好，下必趋之，巴黎城中一度老鼠横行，听闻此事，拿破仑曾轻蔑表示“这是个先进的时代，不必再用过时的方法”，但不论是捕鼠器还是老鼠药，都收效甚微，或是效率太低，或是灭鼠远不如灭人有效。
注意到了吗？所有这些关于我们的“污名化”，其实都指向了部分人士那可怜的虚荣心。法国哲学家卢梭倒是一语道破些真相，他推测种种对猫的仇恨动机实则来源于一种专制的本能，这些人对我们拒不为奴的态度心怀妒忌。否则，又怎么会一夕之间颠倒对事实本身的“解读”？
启蒙运动后期，我们曾经的那些“负面品质”转眼都有了另一种解释。
猫很“奸诈”？可言辞犀利的莫泊桑戏称，这反而让人兴奋，猫咪“阴晴不定”性格不断激起人类的征服欲。撰写《恶之花》的诗人波德莱尔甚至将对猫的爱抚类比为对情人的渴望。别想歪了！他是说我们激活了他那头脑中充满性欲、无拘无束不受压力的区域，从而不断涌动创作的灵感。
一战期间，这只小猫作为法国第361宪兵队B连的一员协助维和。小家伙成了戎马生涯里的片刻温情的陪伴。
猫很“凉薄”？法国诗人戈蒂耶可不这么认为。他把自己数十年对猫的观察写成了一篇散文，哪怕单听标题都“振聋发聩”——“想赢得猫的友情可不简单”（Conquérir l’amitié d’un chat est chose difficile）。他解释说，猫不会轻易和人成为朋友，除非觉得你值得，猫也始终坚持自己的习惯，有着不容撼动的秩序感，从不会为你做任何在它看来不合理的事情，因而也就平添了几分距离感。听听，实在是“猫脸一红”，倒也不必如此恭维我们。说到底，千百年来我们的性格从来不曾变过，而不断改变的，一直是你们关于我们的解读。究竟“反复无常”的是谁呢？
尾声
反复无常的是人，不是猫
如果只是反复无常也就算了，毕竟天性如此，实在不必强求。但你们的反复无常，很多时候直接影响着我们的族群命运，这就有些说不过去了吧。
就拿寺庙来说，如今，不少寺庙似乎已然成了猫咪的聚集地，听说想看看法源寺的猫可是需要排队预约的。不过在过去很长时间里，寺庙一直觉得我们“晦气”。传闻在昔日佛陀的葬礼上，各方代表都来参加拜谒，低头默哀，可关键时刻，猫扑出去把一只老鼠咬死了。这件事让佛家心生厌恶，觉得杀生有违其所推崇的教义，各地寺院也就不欢迎流浪猫的进入。但后来，很多寺庙发现院内收藏的珍贵典籍被老鼠啃噬严重，又不得不将猫迎进门来。善变的人类会因一则谣传而将某个物种拒之门外，却又在转头“有求于猫”时随即改口。
1890年，一张圣诞卡上的猫和女孩，由波兰裔印刷商路易·普朗（Louis Prang）设计。彼时猫又重新回到了人类的怀抱。
不过还好，这次只是限制我们的活动区域而已。中世纪那场关于猫的污名化，几乎将整个族群逼上绝路，甚至可以说，中世纪的黑暗同样也意味着“猫史”上的一次“大清算”。
此间情感的转向其实早在公元四世纪就有所预兆，这场风波最先起于教派相争。彼时基督徒们决意与先人的信仰划清界限，所有与异教徒有关的东西都被扫入垃圾堆，而在他们看来，猫，尤其是黑猫，最受异教徒的推崇，因而也象征着不幸与邪恶。但这种污名早期还停留在口头，充其量只是要瓦解人类自古埃及以来对猫的喜爱。到了中世纪，各类谣言愈演愈烈，我们被指认为魔鬼效劳，还会窃取人的灵魂，就连发情时的叫声都被曲解为地狱之主的隔空传音。甚至在德国，异端被称为“Ketzer”，意思是猫。这种极端的对立为我们招致了一系列厄运，这之中最臭名昭著的就是中世纪的焚猫运动。
《聚会之中》，普朗的另一幅石版画。直到19世纪，艺术家们才开始把猫塑造成了可爱的形象。
当年的欧洲流行一种群体癔症，用人类的话来讲，患者像是“丢了魂”似的挤眉、摇头，当地人把这叫做“圣维特斯舞蹈症”（St. Vitus’s Dance）。可笑的是，人类觉得这一切的暴发源于城市街头游走的黑猫，于是在圣约翰节前夜将猫吊在笼子上扔进火堆，无辜的猫成了承载人类私欲的容器，假想敌的化身。仅在法国一个小镇就有5577只猫遇害。这场“大清洗”也延续了500余年。而人类也曾为这一行为付出过代价，在猫被接连扔进火堆时，城中的黑鼠也开始泛滥，人类获救的希望也一同化为了灰烬，那场肆虐一座座欧洲城池的黑死病让本就阴云密布的中世纪多了一份压抑。
尽管如今你们是“铲屎官”，而我们成了“猫主人”，但很难说，那段记忆是否会长久地刻入基因，化作冰山之下的深层动因。如果你看到一只不认识的猫，想要凑过去摸摸它，而它却瞬间警觉，甚至还会跑走时，别见怪。毕竟历史给我们的教训太多，陌生人伸出的手，很多时候释放的并非爱意。其实我们需要的从来不是神庙，也不在乎任何谄媚，自古至今，想要的不过是一点温柔的抚摸，一些善意的话语和少许餐食。这总是比人类想的要简单得多。
作者/申璐
编辑/张婷 王青
校对/杨许丽
四位综艺咖的没落史，曾经被捧得有多高，现在被嘲得就有多狠
张译曾在采访中说过，自己不上综艺，只做电影和电视剧这两件事情。
主持人问为啥不上？现在上个综艺好几千万呢。
张译说自己不是一个能够娱乐大众的人，他自谦地称自己修为不够，做不到大俗大雅。
同样的问题，被称为“无冕之王”的郝蕾也曾被问到过。
她说自己不会上综艺，也不会做直播带货，因为不能伤害职业最根本的东西。
她说演员不是本人，是有一个角色挡在面前的，如果演员一直在观众面前以综艺人或者主播的形象消耗自己，那再演戏的话，观众可能会出戏，会想到某某产品。
导演张艺谋、冯小刚都曾对演员参演综艺发表过自己的看法，他们基本上同一个意思：不建议演员接综艺。
张艺谋说成熟演员有的是机会塑造更多更好的角色，不需要频繁曝光在观众面前稳定热度。冯小刚则表示综艺上多了会影响演员演戏的质感。
尽管有名导提醒，有同行业里的佼佼者发声，奈何综艺节目来钱快且比拍戏轻松，还是有很多人趋之若鹜。
但凡事有利就有弊，曾经那些或因为演技被推上神坛，或因为有白月光角色被观众喜欢的演员，成为“综艺咖”后一天天消耗掉了自己的人气。
最终落得了一个“曾经被捧得有多高，现在被嘲得就有多狠”的结局。
一、刘涛
刘涛的百科信息是写着“内地影视女演员、流行乐歌手”，但她当初被观众认识，是因为演员这个身份。
2003年《还珠格格3》开播，演员大换血，口碑一泻千里，黄奕、马伊琍等接盘的演员被骂惨，饰演慕沙公主的刘涛却趁机悄悄溜进了观众的视野。
同年，她参演了张纪中版《天龙八部》，她饰演的阿朱温婉内秀，聪明伶俐，惨死于乔峰掌下，成为无数人的白月光。
《天龙八部》的热播，让刘涛一下子成了家喻户晓的女明星。
从此她的事业走上了康庄大道，之后《白蛇传》《问君能有几多愁》等剧摇身一变成了女一号。
在事业春风得意之际，她的爱情也如期而至。
只是因为在电梯里多看了一眼，她邂逅了当时有“京城四少”之称、比她小两岁的王珂。
一个“财”子，一个佳子，两人相识仅 20天就火急火燎地闪婚了。
婚礼异常豪华，当时花费近400万可谓天价。为了安心地当豪门阔太太，刘涛在大婚的当天喜笑颜开地宣布息影。
婚后她也确实没有拍戏了，安心在家造人，两年抱了俩，凑足了“好”字。
本以为在豪门有了儿子就有安身立命之本了。
然而，阔太太的板凳还没有坐热，那边厢一场金融风暴让阔少变成了穷光蛋。
王珂受不了从云端坠入谷底的落差，一病不起，最严重的时候口吐白沫、尿失禁。
无奈，儿子出生不久刘涛就重返娱乐圈，拼命地接戏帮老公度过危机。
人人都说刘涛是“贤妻”，只有她自己知道这两个字背后包含了多少辛酸。
之后的五年刘涛全年无休，每年都是四五部戏，还有各种广告代言、综艺、访谈。
5年之后刘涛还清了老公的4亿欠债，还有靠着“贤妻良母”这个人设拥有了几千万粉丝。
或许是女强人的潜力被激发，外债还清之后刘涛依旧是圈子里的拼命三娘。
光是2021年，她就出演了《大宋宫词》《陪你一起长大》等五部电视剧。
同时，这几年她参加了《跨界歌王》《亲爱的客栈》《我家小两口》《妻子的浪漫旅行》《我是女演员》等一档又一档热门综艺。
俨然到了观众看电视时换一个台是刘涛，再换一个台还是她的地步。
当一个演员频繁在综艺中出现，神秘感便渐渐消失，继而让观众产生了审美疲劳。
当再回归她本身的主业——演戏，观众发现她好像演什么都是一个调调了。
比如今年正午阳光的大热剧《开端》里，她成了众矢之的，板着脸、皱着眉头故作深沉的表演被诟病是全剧最拖后腿的一个。
最近正午阳光的另一部大剧《县委大院》正在热播，在剧中客串县委宣传部部长的刘涛又被嘲了。
哪怕戏份不多，仍有不少观众吐槽她演技做作又虚假，甚至有人说看到她就弃剧。
还好这次这部剧中有比她被骂得更凶的黄磊。
二、黄磊
黄磊，曾是圈子里一个人人羡慕的男艺人，事业有成，家庭幸福。
他是星二代出身，不费吹灰之力考上了北电，刚上大一就出演了陈凯歌执导的《边走边唱》的男一号。
毕业后他一边留在北电任教，把学妹孙莉把到了手，一边出演电影，一部《夜半歌声》让他拿了一个长春电影节最佳男配角奖。
几年之后他才开始大展拳脚，发唱片，拍电影、电视剧，多栖发展，全面开花。
其中1999年他主演的《人间四月天》风靡一时，他饰演的徐志摩温文尔雅，干净利落，矜贵帅气，最重要的是有书卷气。
一下子就击中了无数观众的心。
这个角色之所以如此成功，或许是因为黄磊身上本来就有一种与生俱来的文艺气质。
同时期他的唱片《我想我是海》里，他一头飘飘长发，同样是让人沉溺于他的颜值里无法自拔。
此后的十来年里，他认真地做演员，拍过《四世同堂》《男人帮》《夫妻那些事》等不错的作品。
后来综艺风刮了起来，黄磊成了第一批吃到综艺红利的男艺人。
2013年一档《爸爸去哪儿》让他多了个“好男人”“好爸爸”身份，黄小厨的名号也逐渐推广开来。
后来《极限挑战》大爆，他的身份又变成了“神算子”，节目设置的各种障碍，他总是能轻松破解，智商超群。
人人都夸这个男人无所不能，羡慕孙莉拯救了银河系觅得这么如意的一个郎君。
再后来《向往的生活》连办了几季，他由“黄小厨”变成了“黄大厨”。上节目的嘉宾随意点菜，他能用有限的食材做出让人食指大动的菜肴。
每一个去过蘑菇屋的艺人都对他的手艺赞不绝口，彩虹屁吹得飞起。
茶余饭后，作为老师的他与前来做客的艺人们侃侃而谈，绝对不会让气氛冷场。
随着几季节目的播出，他的身材也跟着发福，真变成了一个脑袋大、脖子粗的伙夫。
而他在节目中习以为常的“碎嘴”也带到了电视剧中，不管是《小别离》《小欢喜》《小敏家》，他都是像在综艺节目中一样随性，网友总结他的表演模式呈“碎嘴、结巴、说教、歪嘴、眨眼”五件套。
这不，《县委大院》一开播，本以为会是门脸的他，成为观众第一个开刀的对象。
他饰演的吕青山书记皱眉头说台词的样子让观众入不了戏，角色的演绎跟之前《小》系列的爸爸角色没有什么差别。
有网友甚至表示黄磊配刘涛，就算是孔笙导演也救不了。
三、邓超
邓超是靠演小皇帝发家的。
大学刚刚毕业，他因主演《少年天子》《少年康熙》《天下第一》里的小皇帝角色而快速成名。
在演艺圈站稳了脚跟之后，他开始力求转型。
《幸福像花儿一样》《女人不哭》《甜蜜蜜》让他从“小皇帝专业户”跻身“高干子弟专业户”阵营。
与此同时，他还因为《幸福》与当红小花孙俪因戏生情，爱情事业双丰收。
稳扎稳打有了一定的观众基础，邓超凭借《集结号》一只脚跨进了电影界。
那几年他合作的是徐克、冯小刚等名导，也完成了一些封神的作品，比如让他获封金鸡影帝的《烈日灼心》。
《烈日灼心》中邓超饰演的辛小丰，表面上是一个协警，实际上有案底。
逃亡的多年来他如履薄冰，每天备受内心煎熬。他除暴安良，却没有想过要升迁入职，因为他有不敢曝光在阳光下在灰暗过去。
为了演了小丰敏感、隐忍、阴郁的一面，邓超没少下功夫。他入戏太深，在拍摄现场晕倒了两次，有时情绪失控还“大骂”导演。
拍下水戏时，恐水的他亲自下场，一条一条地拍到导演满意为止。
拍摄注射死刑的那场戏他也是真的以注射的方式，体验液体流进血液产生死亡的感觉。
演员的投入是可以很直观地给到观众的，电影上映后他对角色的诠释获得了一致的好评，尤其是死刑这场戏，他的眼神由恐惧到麻木再到淡然，层次鲜明，情绪给得十分到位。
而这部影片也被无数影迷认为是他演技的最后高光。
后来演戏成了他的副业，综艺变成了主业，他是《奔跑吧兄弟》的常驻嘉宾，在节目中插科打诨，以一句“we are伐木累”立下了喜剧人的人设。
尝到了甜头之后，邓超开始往喜剧方面发展，虽然他的搞怪耍宝常常被认为是装疯卖傻，笑点并不高级。
《跑男》下课后，他启动原班人马如法炮制了《哈哈哈哈》，从2014年一直闹腾到了2022年。
他不仅在综艺中是这种无厘头的风格，生活中他也俨然成了一个行走的段子手，翻看他的微博，不是在搞怪就是在搞怪的路上。
影视作品方面也一脉相承，他转型当导演打造了《分手大师》《恶棍天使》等作品，不仅自己要喜剧路线，还要拉上认真演正剧的孙俪一起，结果《恶棍天使》口碑扑到妈不识。
越来越多的观众不为他的低趣味喜剧买账，直接喊话：咱们安安分分地当个演员不好吗？
回顾他得到观众肯定的作品，电视剧还停留在2014年的《相爱十年》，电影最拿得出手的或许还是2015年的《烈日灼心》吧。
四、孙红雷
孙红雷是半路出家当演员的，他曾经学了多年的霹雳舞，拿过全国第二届霹雳舞大赛的二等奖。
25岁那年，他突然心血来潮想要当演员，同年考上了中央音乐剧大专班。
进入演艺行业后他颇为幸运，出道第一部电视剧是赵宝刚执导的海岩剧《永不瞑目》，第一部电影是张艺谋执导的《我的父亲母亲》。
虽然戏份都不多，但都是当年大热的作品，他很快就混了个脸熟。而在演戏之外，他还随手在话剧界捞回了一个“梅花奖”。
孙红雷的外型在娱乐圈并不是很出众，但有两类相悖的人物他可以轻松驾驭，一个是老实人，另一个就是“凶人”。
2003年，警匪剧《征服》播出，人狠话不多、一身江湖草莽气质的刘华强一角成功让他出圈。
2009年，是孙红雷大爆发的一年。
由于辛柏青朱媛媛夫妇喜迎爱女推掉了《潜伏》，这个爆款落到了孙红雷的身上。后来该剧在北京卫视、东方卫视、重庆卫视、黑龙江卫视四星同步播出，口碑与收视齐飞。
余则成一角让孙红雷横扫飞天、金鹰、白玉兰三大视帝，成了史上第一个凭借一部剧完成视帝大满贯的男演员。
人红了资源也好起来，接着几年他主演了《三枪拍案惊奇》《战国》《毒战》《全民目击》等电影，《一代枭雄》《好先生》等电视剧。
然而，一阵综艺风刮过，之前树立起来的亦正亦邪的形象荡然无存，观众只记得那个在《极限挑战》里蠢萌蠢萌的“孙漂亮”“颜王”。
看他近两年的作品，《带着爸爸去留学》豆瓣评分仅4.1分。
在这部剧中已经明显可以看到他跟之前那种润物无声的表演模式有了质的变化，动不动嘶吼咆哮，表情浮夸，有一种在综艺上放飞自我后的后遗症。
去年播出的《扫黑风暴》他担纲男一号李成阳，咖位依旧摆在那里，但演技却成了剧中争议最大的一个。
其实编剧本身已经很偏向他了，李成阳的人设刚好是游走于黑白两道，完全符合他之前那种亦正亦邪的气质。
但这么一个复杂的人物，他所释放出来的戏剧张力远不如三番的刘奕君。
他每次出场都要耍几下酷，然后突然傻乐，不管是面临紧张的局势还是在欢愉的氛围下，感觉下一秒就要切换到综艺模式，问：我要是长得漂亮，你喜欢我吗？
孙红雷之前在采访中说过：“我干啥都比当演员赚钱”。
所以当有比当演员更加轻松，更容易来钱的综艺找上门来的时候，他很自然地就屈服了。
以上这四位演员，都曾是得到了观众的褒奖的演员，都是因为频繁上综艺口碑逐渐没落了。
无法评判他们是对是错，但如果想在演员这条道路上走得更长远，想要以演员这个身份获得更多观众的认可，神秘感真的是需要保持的。
酒店+颠覆生活想象
来源：羊城晚报
从影音房、电竞房到康养运动、亲子研学、宠物友好——
“酒店 ”颠覆生活想象
文/羊城晚报记者 刘星彤 图/受访者提供
四年一度的世界杯开始后，各地带有大屏幕投影的影音房成为在线旅游平台“霸榜”的热销资源。以影音房为代表的“酒店 ”复合业态在近年展现出强劲的市场新动能。根据飞猪平台统计，卡塔尔世界杯开赛以来，“酒店 ”组合型产品订单量同比去年翻倍增长，“酒店在基础住宿需求之外的生活方式场景已经形成了确定性的生意机会，‘酒店 ’成为吸引年轻人在酒店消费的新动力。”
广东作为国内酒店业的先行者，亦是“酒店 ”的弄潮人。以“酒店 电竞”为例，《2022电竞酒店市场研究报告》显示，电竞酒店用户多以本地客源为主，广州是国内电竞酒店消费最活跃的城市之一。
文脉源起
潮流新业态 酒店玩跨界
人来客去，迎来送往。酒店往往承载着城市历史发展记忆。
当人们谈及城市地标时，总是无法绕开某几间酒店。譬如1983年开业的广州白天鹅宾馆，叙述着广州高端酒店发展史上一段动人的佳话。包括白天鹅宾馆在内，1990年评定出的我国第一批五星级酒店仅三家，这三家酒店均坐落于广州，开启了我国高端酒店业发展的大门。
广东是酒店业发展的开拓者，亦是潮流新业态汇聚之地。近年，伴随文旅消费需求的持续升级，广东越来越多本土酒店开始积极谋求“跨界之道”，衍生出“酒店 影音”“酒店 电竞”“酒店 酒吧/轻食外卖/咖啡车”“酒店 书店”“酒店 零售”“酒店 博物馆”“酒店 展览”“酒店 艺术”“酒店 科技”等多种业态。酒店也从仅关注旅途住宿需求，转而承载起更丰富的社区功能，甚至自身演变成一处旅游目的地。
将博物馆开进酒店这一创举，是广东酒店业发展新浪潮中的一个缩影，展示了“酒店 ”复合业态与本土文化碰撞的多元空间。今年5月18日，全国首家以住宿行业为主题的博物馆——广州花园酒店博物馆正式开馆。该馆建筑面积约1600平方米，从一幅仿唐代壁画《客使图》开始，以自然平实的叙述方式，将“酒店到底是什么”铺陈在游客面前。
有意思的是，该博物馆就位于花园酒店4楼。除展厅中的多种展陈方式外，酒店本身也是“藏品”。酒店的园林建筑、装潢壁画与多个实景典藏相辉映，均是博物馆展品的组成部分，使得参观者拥有更丰富的体验，这里俨然成为一处微型旅游目的地。
“如同景区一样，酒店也要‘常玩常新’，时刻创造人们乐于分享的体验。‘酒店 ’的目的，正是变住客为游客，变游客为高频的住客。”一位业内人士如是说。
文脉案例
乘风世界杯 酒店纷纷打造影音房
卡塔尔世界杯开赛以来，伴随着球迷们的狂欢，影音房一跃成为爆款。
一位温泉酒店负责人表示，世界杯期间，来泡温泉的客人将“能否看球”作为首要关注的线上咨询事项，“高清大屏”俨然成了球迷眼中的酒店标配。
“在酒店看球，既是为了避免吵到家人，也是给自己创造一个相对轻松的空间。”身为铁杆球迷的朱先生约了球队的队友，连订了世界杯期间五个周末的影音房。在他看来，影音房的好处很多，“酒店的屏幕大看球爽，房间隔音也好。大家边看边聊，看完就能睡，还不影响周一上班。”
美团数据显示，世界杯影音房预订人群中，男性占比超过七成；有人为了看球，甚至从开幕日一直订到决赛日。飞猪平台显示，近期热门城市的影音酒店、带巨幕的主题酒店预订量同比增长2.5倍以上，平均消费金额增长约三成。同程旅行数据显示，早在11月20日世界杯开幕日当晚，全国影音房预订量环比上涨超过30倍。预订“影音房”的人群中，超过六成为25岁以下的年轻人。
另外，携程数据显示，广东是“球迷大省”，世界杯开幕日当天，广东影音房订单量较前一日增长31％，成为国内影音房预订量最高的省份，预订均价环比上升6％。
在市场供给方面，据美团平台数据，11月国内影音房数量环比10月增加了40%。在广东省内，河源成为新增影音房数量最多的城市，揭阳、汕尾等城市的影音房售出率亦在全国排名前列。
影音房短期内的海量增长，源于不少酒店洞察到世界杯这一巨大商机，纷纷赶在赛前加急改造上线影音房。位于佛山市禅城区的贤德国际轻奢公寓就是其中一家。
作为商务酒店，因距岭南天地商圈、祖庙东华里等繁华地段较近，步行即可达，这间酒店平日里亦有不少游客下榻。但影音房上线后，这间酒店入住率上升得更加明显。据该店冯店长介绍，酒店原有62间客房，其中20间在今年8月底完成影音房升级改造，很快就获得了明显的流量与转化提升，甚至还带动了其他房型的入住率。“每月都能新增2-3万元的收益，尤其是世界杯期间，咨询、预订影音房的客人明显增多，基本上每天都是满房状态。”冯店长说。
该酒店住客表示，影音房较普通房需多付10%-15%的费用，但能享受投影仪、高清大屏、视频会员VIP权益等，“世界杯期间入住还有球迷欢迎饮料，加上房间抱枕等软装也做了特别布置，感觉在酒店看球更有气氛。”
据美团数据，近期约3万家酒店靠影音房已取得营收增长，“升级影音房”正在业内成为一股潮流。在体育产业观察家、《体育大生意》副总裁付政浩看来，影音房的火爆，本质上是本地供给通过升级，更好地满足了市民休闲娱乐的需求，把“影院级”的享受搬到了酒店，抓住了用户的细分需求。
“本地休闲娱乐需求在持续增长，世界杯只是加快了供给升级的速度。”付政浩认为，即便世界杯结束，影音房仍大有市场，包括日常生活中的观影、游戏、社交等多种需求都可满足。
瞄准“网生一代” 电竞酒店圈粉年轻人
近年，国内电竞市场快速发展，催生了大量跨产业融合的新业态，“酒店 电竞”是其中的重要细分市场。电竞酒店对“90后”“95后”等“网生一代”有着极强吸引力。
“电脑配置高、网速快，有投影，还有装满食物和冷饮的双门大冰箱，饿了随时‘充电’，玩累了就能躺在床上看视频，简直太爽了。”玩家小蒋在入住爱电竞酒店东莞卓越中寰店后，在网上留下了这段点评。据悉，这间被网友戏称为东莞电竞酒店“天花板”的电竞酒店，人气颇高。
该酒店负责人马顶介绍，酒店占地面积约3000平米，除20间客房外，还配有一个近200平米的电竞主题活动区，日常出租率高达90%以上，世界杯以来基本上天天满房。除了东莞本地的年轻人，店里也接待过不少来自惠州、广州的客人。此外，一些商务客人也会选择下榻，他们利用酒店的高配电脑设备及高速网络展开远程会议，免去了带电脑出差的麻烦。
《2022电竞酒店市场研究报告》显示，截至2022年年底，全国电竞酒店存量预计达1.5万家，预计到2023年突破2万家。从地域看，电竞酒店消费活跃的区域主要在华东、华中以及华南、西南，广州是十大电竞酒店消费活跃城市之一。
“从电脑显示器、外设、键盘、鼠标到耳机、显卡、CPU的运行……除了硬件配备，房间的装修也要投其所好。”爱电竞酒店集团运营总监白慧介绍，电竞酒店因自带社交属性，年轻人往往结伴入住。为满足多人入住需求以及人性化需要，电竞酒店的设计往往比普通酒店更考究。
例如，经过改良的高低床采用全木或钢木结构，更能迎合年轻人的审美喜好；一键开门的智能开关设置在电竞设备旁边，游戏过程中，住客无须暂停游戏便可开门迎客。此外，酒店还在大厅增加游戏体验区、怀旧街机区等，随时供住客娱乐。
在白慧看来，电竞酒店之所以“圈粉”年轻人，不仅因其提供的电竞设备和场景，酒店引入的社交小程序所带来的高聚合社交功能，以及通过举办电竞赛事等活动凝聚的客户黏性，都成为年轻人对电竞酒店欲罢不能的“忠诚”理由。
“综观我国电竞市场整体环境，南方的城区表现出更为强劲的活力，尤其是一些核心城市，客源充足，市场需求十分旺盛。”白慧认为，南方的核心城市将是电竞酒店未来布局的重点，当地年轻人所展现出的前瞻性和前沿需求，将作为行业发展的重要参考。
拓展引流渠道 星级酒店“亲民”转型
酒店 咖啡轻食、元气早餐、自助下午茶、健身券……以往给人印象高高在上的星级酒店，也探索出融入“酒店 ”时代浪潮的发展之路，以高频次、接地气的产品与本地市民产生情感连接。
自去年始，位于广州番禺南村万博CBD的广州奥园喜来登酒店推出了现磨咖啡 新鲜烘焙面包的元气早餐。听着曼妙的音乐，叹一份精致的早餐，空闲之余还能打卡拍照……仅10元左右的星级出品，让不少附近的居民及白领成了酒店的常客。
“客人在消费过程中，会对酒店的其他产品有更多了解，进行重复购买。”该酒店负责人透露，一些客人通过低门槛的消费获得良好的消费体验后，会主动加入酒店的微信社群，成为酒店的忠实客户。
威斯汀酒店品牌标志性的“天梦之床”是不少人的旅途梦想，这套专业、复杂的睡眠系统甚至改变了业界对于顶级睡眠体验的认知。然而，在广州海航威斯汀酒店，今年7月开始营业的便民移动咖啡车成为人气新宠。
从酒店住客才能享受到的品牌豪华大床，到随意走入就能轻松消费的“咖啡车”，广州海航威斯汀酒店“亲民”的华丽转身，是当下很多星级酒店重要的引流方式。该酒店市场部负责人介绍，咖啡车这一轻松时尚的营销方式，主要服务于Y世代、Z世代等年轻一代及宴会客人，基于消费力的普遍提高以及酒店的生活化转型，其初衷是让消费者了解到高端酒店亦能做到“生活化”，也能成为相伴身边的“老朋友”。
“当前，酒店对于文旅市场的认知度越来越高，洞察到消费者对于‘市内’‘短途’‘一小时生活圈’等产品的依赖度更高，酒店也要应需求开发新品。”该负责人表示。
文脉前瞻
酒店扮演的角色越来越丰富
换上宽松的衣服，面朝天空，赤脚而卧，在氛围感满满的酒店空间里，跟随瑜伽冥想导师放松身心……这样的场景在北上广等城市悄然流行。
“不同于过往酒店更注重装修、装饰、服务等舒适度体验，‘酒店 疗愈’体系更关注住客的心理层面。”华住集团文旅事业部CEO梁尚兵认为，随着居民旅游需求升级，我国中产以上人群正从“因为要度假而住酒店”发展为“因为住酒店而去度假”。
以华住集团旗下花间堂品牌为例，“花间X 特色IP”六大主题场景包括酒店 疗愈探索、亲子研学、宠物友好、汤泉康养、音乐社交、运动野奢。谈及不同的“酒店 ”定位设计，永乐华住总裁兼文旅事业部总经理梁尚兵表示，如今的大众对度假的潜在需求愈发强烈，除了崇尚自然、寻求健康生活外，亲子度假、家庭度假等不同消费需求成为酒店度假的细分消费领域，“疫情常态化使得线下生活的价值被重新认知、解构及重组，‘酒店 ’服务场景的开发恰好满足了上述需求。”
疫情之下，本地消费成为激发假日经济动能的主引擎。美团数据显示，2022年“十一”黄金周，本地消费占比77.4%。而在“即兴度假”潮流下，酒店越来越立足于城市社区，扮演着“旅途之外”的多面角色，“住酒店”有了更多、更鲜活的理由，充满了市井味道的人间烟火气。
正如华住集团创始人季琦所说，酒店已不再是少数人的奢侈品，而是广大人民群众的日常消费品。或许有人对“住酒店”兴趣不大，但在未来，你很难抗拒那记直击心灵的“酒店 ”组合拳。
专家点评
“酒店 ”释放多维需求
助力行业高质量发展
融合多领域消费元素，构建“酒店 ”新业态，正成为新时期酒店业探索新增值模式的重要方式。广东拥有全国数量最多的星级酒店，但酒店出租率低于全国酒店平均水平，“酒店 ”的出现有助于破解这一困境，为广东酒店业的高质量发展提供全新方向。
伴随各地对“酒店 ”的深入探索，酒店管理者迫切需要对相关问题进行系统思考，包括酒店跨界新产品开发与酒店调性的契合问题、酒店跨界“度”的把握，以及酒店跨界开发的业态和产品潜力大小问题。结合本地消费特点，广东应在“酒店 ”领域探索中重点关注以下几方面：
——紧跟消费需求，把握时代潮流。以“90后”和“00后”为主的新消费人群正成为市场消费主体，他们对品质、体验和社交的要求更高，更愿意为优质产品付费，酒店跨界而生的新内容更能契合其消费需求。“酒店 ”融合而生的新业态、新产品，应能精确找到游客的兴奋点，提升消费体验，增强归属感、体验感，同时提升社交性，激发内在的消费热情和认同度。
——探索多业融合，坚持创新引领。受疫情和市场竞争更激烈的影响，酒店业发展面临巨大压力，酒店企业应结合自身定位、资源情况，寻找最契合的业态，提升空间价值，实现业态融合赋能。同时，要做好流量互引，实现新旧业务间的流量共享和业务互促。
——深耕本地消费，做活本地娱乐。酒店不仅是外来游客的食宿地，也应成为本地居民社交、娱乐的休闲地。可结合本地居民需求，着力开发影音房、电竞房、主题房等特色体验房型，同时结合企业实际，探索酒店与书店，与零售、艺术等领域的融合，为本地居民的精神生活和社交活动提供全新空间。
王志文饭局，于和伟开会，表面看是电视剧，细扒一本厚厚的厚黑学
中国式饭局、送礼和开会，背后的学问，可太深了。
1、
什么是“中国式饭局”？
很多人简单理解为：主动陪笑，主动喝酒，主动买单。
这是一个巨大的误解。
这些人读了两本厚黑学，自以为理解了其中的门道，就拉下脸来请人吃饭办事。
最后是钱花出去了，事儿没办成，还把对方得罪了，自己还嘀咕：我哪里做错了？
中国饭局和西方饭局，完全不同。
西方人一般都是谈完正事后再一起吃个饭，这个饭局相对轻松，大家卸下防备，聊聊家庭和爱好，其乐融融。
中国人一般都是把正事儿放在饭局上谈，饭局不再是饭局，成了“第二办公室”；谈正事不只是谈正事，得讲究个起承转合，有虎头，有豹肚，有凤尾。
普通人参与一场正式的饭局，无异于参加一次大考，整个过程处处有坑，稍有不慎，满盘皆输。
电视剧《青瓷》里就生动地展示了，一个菜鸟是如何在高端饭局中踩坑的。
剧中王志文饰演的张仲平，是一位拍卖公司老总，包工头龚大鹏想求他帮自己拿回工程欠款，于是通过中间人丛林，约了一个饭局，结果在饭局上，丑态百出。
包工头刚见到张仲平，立刻摆出了讨好的姿态。
可下一秒，他就踩了第一个坑。
他说：“您就是张总，久仰久仰，今天终于见到活人了。”
包工头的心理活动是比较明显的。
他想阿谀奉承一下，原本要表达的意思应该是“张仲平名声在外”，想了半天，想了这么一句“终于见到活人”。
或许他还以为这么说能展露一点个人的“小幽默”。
其实这种场合，我们往往会说“见到真人”。
见到“活人”立刻会让人想到“死人”，听起来总会不太舒服。
所以我们看反应，张仲平的笑容立刻凝固了，凝固了大约有5秒。
反倒是旁边的丛林毫不遮掩，一脸嫌弃：“看这话说的。”
饭局上要谨言慎行，没有伶牙俐齿就不要故作幽默，否则会适得其反。
好在这个玩笑无伤大雅，饭局正式开始了。
包工头很快又踩了第二个坑。
你求人办事儿，不能一上来就把事儿说了，那样子功利性太强，让对方很有压力。
可酒还没过三巡，包工头就急头白脸地和张仲平说了事情经过，然后摆出了一张委屈脸：“张总，您可一定得帮助我呀！”
这直接“点名”了，“一定得”这样的字眼，也有些强迫人，场面一下子又尬住了。
张仲平也是见过大场面的人，他愣了两秒，然后接过话茬说道：
“好说好说，生意生意就是不断生出主意，丛林今天把我们介绍认识了，往后咱们尽力配合，我相信会有不错的结果。”
明眼人都看出这是在打圆场，既安抚了对方，但是自己也没把话说满。
其实这时候如果都是聪明人，那应该彼此心里都有数了，我尽力帮你，但是你也别一直逼着我，一切顺其自然。
可是包工头没悟出来，直接踩了第三个坑。
他起身绕过中间人，径直走向了张仲平。
然后低三下四地说：“您这样的朋友我交定了！”
在饭局中一大忌讳，就是冷落中间人，直接和大人物套近乎。
中间人是什么？是一座桥梁，你这样做，无异于过河拆桥。
中间人面色瞬间变了，自己端起了酒杯喝酒，张仲平被架在那里也很尴尬。
别急，说话之间，包工头立刻又踩了第四个坑。
他招呼小弟把单买了，表情动作之浮夸，好像生怕别人不知道是他请的客。
大家回想一下，我们请人吃饭时，是不是都是低调买单，自己一个人偷偷出去，还要借着去洗手间的名义，怕的就是客人抢着买单。
而且这么高调吆喝，搞得别人像是来要饭的。
张仲平当然不吃这一套，他直接笑着摆摆手：“单子我已经处理完了。”
“买个单子这么小的事情，我来之前都弄完了。”
背后的潜台词是，不想欠你的人情，这顿饭我请了。
看旁边丛林的表情，牙齿咬着下嘴唇，脸上写满了“请客都不会请”的讥嘲。
事到如此，包工头应该顺水推舟表达一下感谢，等下次再请，结果他又踩了第五个坑。
他心急火燎地埋怨道：“张总，您怎么能这样呢？您是看不起我这个兄弟是吧？”
张仲平见对方生气了，还得赶紧上去安慰。
这时候他做了两件事。
第一件事，解释称自己在这家店有卡，他买单能便宜点，给了包工头台阶下。
第二件事，他说话时，用笑脸点了点丛林，看似是一个简单的互动，其实是想请对方介入进来解围。
丛林本身也看不下去了，迅速插话：
“张总既然已经把单买了，你就下次吧，下次咱们一起去龚老板那里吃农家菜。”
张仲平也跟着附和：“有机会，有机会。”
包工头这才肯罢休，还对张仲平竖起了大拇指：“连买单都这么有水平，不愧是做大事的人。”
到这里事情应该告一段落了。
可这个包工头不识相，怕张仲平不给他办事，总想着找补，结果踩了第六个坑。
他话头一转，邀请两人去大酒店洗桑拿。
你和对方还不熟，就提出洗桑拿，这种敏感的项目，明显是越矩了。
丛法官又看不下去了，直接说：“要去你自己去吧，我是从来不到那种地方去的。”
潜台词就是大家都不熟，不要提这种过分的要求。
结果包工头不识相，越说越有劲儿：“洗桑拿怎么了？大家脱光身子，人人平等，还不怕有窃听器。”
这已经是蹬鼻子上脸了。
张仲平在旁边冷笑了一声，但他知道这一回合需要自己上前解围：
“没想到你还有这种爱好，洗桑拿没什么不好，但在咱么这个地方，洗桑拿容易洗着洗着越洗越脏。”
看似是玩笑话，却句句击中要害。
这时候中间人看不下去了，直接给脸色了：“别那么多废话了，好吧。”
包工头又踩了第七个坑，他直接问中间人是不是生气了。
大家都是成年人了，对方已经把不高兴写在脸上了，你还追着问，太幼稚了。
中间人忙说没有生气，但随即就借口有事要提前走了。
你把中间人气走了，好歹应该补救一下吧，比如使个眼色，让同桌的司机送一送人家。
结果龚老板只会伸手瞎吆喝，踩了第八个坑，“我打车送你。”
张仲平自然也不愿意和这种二愣子尬聊了，借这个机会说：“丛法官还是我来送。”
临走时，他还意味深长地说：“欢迎到我的办公室经常坐坐。”
这背后的潜台词就是，以后咱们公事公办，不会再有私人情谊了。
你看，小小一个饭局，这个包工头踩了八个坑。
最后单没买成，得罪了中间人，和大人物也没建立好关系，碰了一鼻子灰。
咱普通人如果能把这本“错题集”反复温习，一定能在饭局上把握好分寸感。
2、
什么是“中国式送礼”？
很多人简单地理解为，礼多人不怪。
他们带着一大堆礼品去送，结果敲开房门，还没进去说话就被轰走了，最后是跑断了腿，有钱都送不出去。
我们要知道，中国是礼仪之邦，逢年过节给人送礼是传统美德。
但腐败或利益输送问题，又是悬在掌权人员心中的达摩克利斯之剑，越是位高权重的人，对收礼越是谨小慎微。
所以送礼，不是越多越好，更不是越贵重越好，讲究的是“合适”二字。
你送得真心，对方收得舒心，既增进了双方关系，又不会授人以柄，这才是好的送礼。
还是电视剧《青瓷》里，我们看看王志文饰演的张仲平，是如何巧妙地把礼物送出去的。
剧中侯昌平是个刚正不阿的法官，对行贿之人嗤之以鼻，张仲平在得知老侯喜欢喝酒后，就抱着一箱酒上门了。
一箱酒市场价也就千八百块钱，完全够不上行贿受贿，张仲平选礼品，就做到了“合适”二字。
剧中张仲平也是个有头有脸的人物，可是他送礼时，是自己抱着一箱酒上楼的。
这出“苦肉计”就是演给老侯看的，表明了自己的诚意。
进家门后，老侯惊讶地问：“张总，你怎么找到这儿来了？”
很多送礼者都是多方打听才得知对方家庭住址的，面对这个问题，大部分人估计要支支吾吾编一套瞎话了。
张仲平气还没喘匀，就轻松答道：“还是毛主席说得好，世上无难事，只要肯登攀。”
一套太极拳，把事情遮过去了。大家都是有头有脸的人，侯法官也就一笑了之。
所谓无事不登三宝殿，老侯看你来送礼肯定是有求于他。
可张仲平随后淡淡地说：“我坐一会儿就走。”
简单一句话就打消了对方的顾虑。
趁着侯法官去泡茶，张仲平迅速环视屋子，目光落在了墙上张贴的书法上。
当侯法官端茶走过来，他立刻点评了起来：“这字儿写得不错，有颜真卿的风骨，端庄秀丽，气势磅礴。”
生夸有点硬，他还讲了颜真卿的君子为人、历史官位，讲了颜体的特点。
试问，哪个人能拒绝得了一个“书法行家”这样的赞美？
双方坐定后，张仲平也不急着说正事，而是陪老侯聊起了他的儿子。
老侯显然很喜欢“炫耀”儿子，话里话外都是藏不住的自豪。
张仲平借机说道：“孩子前途无量，咱们给孩子找个大家。”
老侯当然喜上眉梢，问他是否认识书法大家，这正中张仲平下怀。
他说自己这两年搞艺术品拍卖，和那些名师大家都是朋友，给孩子找老师这件事，包在他身上。
几句话就把老侯打动了。
按理说，张仲平肯定是有求于老侯，扯了半天闲白，应该进入真题了。
可他偏不，屁股还没坐热，就要告辞走人了。
老侯现在是有事托人家帮忙，赶紧挽留，请张仲平品茶。
张仲平顺势回答：“行。”
本来进屋时还是完全被动，现在张仲平已经掌握了主动。
聊得差不多了，张仲平起身准备走。
原本聊得这么投机，进屋时带的酒，就很默契地收下了。
但侯法官还是不愿意“装糊涂”，问酒是怎么回事。
大部分人被这么一问，立刻就懵了。
可张仲平早有准备，他笑着说，这酒是一个代理商朋友送我的，但我滴酒不沾，就送给懂酒的人。
老侯要给钱，张仲平又说，人家送我酒，我拿您的钱，我不成代理商了？这酒啊是酒厂发的内部特供品，没价。
老侯感叹，你小子真会说话。
这句话明褒暗贬。
注意看张仲平，他面带微笑，做摊手状，这就是示弱的一种表现。
随后他安慰老侯，别把事情搞复杂了。
老侯也不是吃素的，他回呛道：“复杂不复杂，得看事情怎么发展，你没事儿求我吧？”
这是直接将了张仲平一军，潜台词就是千万别拿事情找我帮忙。
一般人在这里就纠结了，登门送礼肯定是未来有事相求，可对方这么问，自己说是吧，就暴露真实目的了，说不是吧那不就是糊弄鬼么。
我们看张仲平如何四两拨千斤的。
他连忙否认：“没有没有没有，真没有。”
请注意，他随后又补充说：“即便以后有，答不答应呢，也得看您侯哥自己。”
这一句才是他的真话。
老侯被晃了一下神，张仲平立刻补充道：
“您和我相处时间还不长，相处时间久了，您就知道我，我这人不爱为难朋友，从来不强人所难。”
一套组合拳下来，老侯应该服软了。
可还没结束。
老侯说：“你的为人，我还是有所耳闻的，你是轻易不开口，一开口就难以拒绝。”
张仲平没有再进行更多解释，而是选择了抖机灵，他笑着说：
“这都谁说的，江湖险恶，您可不能因为这箱酒，对我产生不良印象。”
然后直接边打招呼，边转身下楼。
至此，这场送礼大戏才落下帷幕。
我们看到，张仲平提前做了功课。
有选择合适的礼品（千元左右的酒），有“苦肉计”（抱着酒上楼），有夸奖对方孩子（不是泛泛之谈，而是言之有物），有给对方提供对方需要的帮助（给孩子介绍名师）。
在做好了这些铺垫工作后，临走时还说了句“不会为难朋友”。
如果你是老侯，即使明知对方有备而来，还是会被打动。
这就是说话的艺术，够我们好好学一辈子了。
3、
什么是“中国式开会”？
很多人讽刺道：“开会的人，基本不干事，干事的人，基本不开会。”
有人编了顺口溜：“开会再开会，不开怎么会，本来有点会，开了变不会。”
从中可以看出，大多数人，对无休止的开会，是深恶痛绝的。
其实这是一种偏见和误解，“中国式的开会”有着很丰富的内涵和外延。
年轻的时候，我们的工作更多的是要务实，即撸起袖子加油干。
可是步入中年后，我们干活儿，比不过年轻人，如何在职场生存呢？
答案就是务虚。
评书里说得好，人数上百，形形色色。
一个公司几十号、上百号人，每个人都有自己的诉求。
很多时候这些诉求是相互矛盾的。
这时候人性的复杂面，就凸显出来了，务虚的重要性，也就出来了。
务虚拆分来看，就是“驭人之术”和“揣测上意”，而完成务虚最好的方式，就是开会。
电视剧《理想之城》里有一场开会戏，就很好地展现了这种“务虚”的重要性。
故事的剧情是，孙俪饰演的女主苏筱犯了个小错，公司决定处罚她，但重罚还是轻罚，大家分成了两派，于和伟饰演的赵显坤决定开会定夺。
这场会议中，于和伟饰演的赵显坤全程只说了一句话，却出色完成了“务虚”这个看不见摸不着的任务。
会议开始后，人事主管首先挑起了话题：“苏筱怎么处理？虽然她有过错，也不是主要原因，如果降职处理，会不会太严重了？”
在这里赵显坤显示出了领导范儿，他没有立即表态，而是把目光转向了汪副总。
其实他的意思已经很明确了，汪副总是他的传话人，汪副总的意思就是他的意思。
这个战术性停顿，堪称经典。
汪副总立刻接话：“好像确实过于严重了。”
这句话看似绵软无力，其实已经给大家释放信号了，那就是老总已经把事件定性了，后面的讨论就是走个流程。
可会议上总有人看不清形势，比如这个负责集团地产业务的林小民，就当了刺儿头。
他义愤填膺地说：“苏筱做事不成熟，管着主营业务的副总经济师，这么重要的岗位交给一个不成熟的人，那就像是一颗定时炸弹。”
这段话看似维护了公司利益，其实已经违背了老总和副总的意思，毕竟你是和人打交道，不是和公司这个概念，打交道。
这时候，公司总经济师发话了，他特别擅长察言观色，如果说老总是用眼神授意，副总是用疑问句抛出观点，他就是进行深入阐述了。
他说：“我们不能因为一件事把一个人定死，苏筱是个很有才华的年轻人，我们应该给她时间，让她慢慢成长，但是考虑到她位置的重要性，我建议把她工作调动一下。”
你看，一番发言把正反两面都说了，既为女主求了情，又给了她一定的惩罚，简直是滴水不漏。
挑刺儿的林小民立刻认识到他自己犯了职场大忌，当即开口说：“赞同！”
这时候赵显坤才悠悠地说了一句：“行，那就这么办。”
这场会议，赵显坤几乎一言不发，如何抉择，看似是大家讨论后的结果，其实从一开始他已经掌控所有局面了。
他的驭人之术在于，在手握权威的同时，还给了手下讨论的空间；
而员工的揣测上意在于，虽然彼此看法不一，也有人糊涂，有人看得透彻，但在短暂讨论后，迅速完成意见统一，一场卓有成效的会议，就这么开完了。
这就是“中国式开会”，当你觉得这些会议，毫无意义时，恰恰证明了，你还在务实的道路上摸爬滚打。
而有一天当你到了一定的年龄，有了一定的社会阅历后，会突然发现，这些无聊的会议之中蕴藏着刀光剑影和人情世故。
世事洞明皆学问，人情练达即文章。
在学校里，老师教会我们科学文化知识，而走向社会，才体会到人生处处是学问，无论是吃饭、送礼还是开会，背后都蕴藏着为人处世的道理。
细扒它是一本厚厚的“厚黑学”，也是中华文化能延续千年的“润滑剂”，值得好好研究。
文/皮皮电影编辑部：一粒鸡
©原创丨文章著作权：皮皮电影（ppdianying）
未经授权请勿进行任何形式的转载
在被ChatGPT砸掉饭碗前，我们得摸清它的底细
编者按：正如AI绘画快速席卷游戏行业一样，前段时间突然爆火的 ChatGPT ，也成了不少游戏人夜不能寐的「技术心魔」。
没办法，据葡萄君和身边的朋友分享，ChatGPT已经能熟练地帮助他们写游戏营销、策划、运营方案等拥有一定范式的文案；
偷懒摸鱼生成一些日报周报和预案也不在话下；
举例，不代表游戏运营实际情况
有人会拿它编写游戏代码或查BUG；
还有人让它跟AI绘画联动，快速生成一些适合出图的关键词。
……
当然，这还只是目前游戏从业者们能够探索出来的功能，根据AI绘画发展的前车之鉴，即使目前 ChatGPT 的一些回答还不算完美，未来它也会快速迭代得更加成熟——换句话说，除了美术之外，更大范围的游戏从业者或也将面临着被AI「取代」的尴尬局面。
那么，这次来势汹汹的 ChatGPT 究竟为何物？又从何而来？相信看完下面这篇文章，你会比较清晰地理解这些问题，以下为正文：
01 从ChatGPT的横空出世讲起
在回顾历史前，首先要跟风提一下几天前发布的 ChatGPT，一个绝对神仙级别的自然语言生成式AI。
ChatGPT 诞生的重要意义，恐怕不亚于 StableDiffusion 等AI绘画生成模型的出现。有兴趣的朋友可以感受去 Chat.OpenAI.com 感受一下这个当今最牛逼没有之一的自然语言问答式AI的巨大威力。
ChatGPT 是明星人工智能公司 OpenAI 的GPT自然语言生成式模型的最新衍生品。在这之前，坊间已经传闻 OpenAI 的下一代自然语言生成模型GPT4即将出现。而且，有一个让人震惊的江湖传言：GPT4据称通过了图灵测试。
图灵测试究竟是什么意思？简单的说，就是隔着一个小黑屋问各种话题，然后是否能分辨小黑屋里回答问题的究竟是机器还是人类。如果无法辨别，就就说明了机器具有和人一样等级的智能，通过了图灵测试。
迄今为止，还没有AI模型能真正通过图灵测试。看来临界点已经到，笔者都迫不及待的期待GPT4的真正推出了。
谁知道，还没等来 GPT4 ，衍生自 GPT3.5 的 ChatGPT 却先来了。顾名思义， ChatGPT 就是「聊天GPT」，以对话的方式交互，用户问问题，它来回答。
咋听起来，似乎也没有很新鲜。但情况是，ChatGPT 的智能化远远超出了那些它的聊天AI前辈们。
好比StableDiffusion/Midjourney也就是AI绘画，但所能生成的AI绘画质量甩了前辈无数条街。
网上有越来越多的文章开始安利 ChatGPT，不过多是拿了外网英文问答的截图，其实 ChatGPT 可以直接上中文。
先随意上几个问答大家感受一下，问中国菜，算是送分题：
问从希格玛大厦如何去天安门，开始有点难度了，回答非常正确(要知道，这可不是某个特地为了中文导航优化的AI，ChatGPT是从它通用的知识积累里得到的理解)。
对龙珠的剧情理解，回答中规中矩，80分 ，本来作者期望它能讲得更详细些：
吃货国家问题，有点刁钻了：
广东人真的喜欢吃甜的？这个问题很多中国人都不一定答得上：
另外，可以直接问 ChatGPT 怎么写代码，比如写一个俄罗斯方块：
没有悬念，代码完全正确。
而更有想象力的，是让 ChatGPT 来生成AI绘画的输入关键词。让AI自己来指导AI作画，多美妙的主意。
这仅仅是一个开始，随着 ChatGPT 在全网的各种自来水安利，相信还有更多古灵精怪的玩法不断被网友们挖掘出来。
ChatGPT 的回答给人的感觉是，这是一个特别靠谱的聊天AI，真正的上知天文下知地理，最关键的是，它不胡说八道。正因为它回答的准确性，看起来ChatGPT有了替代通用搜索引擎Google的可能性。
OpenAI 的CEO萨姆・阿尔特曼（SamAltman）对 ChatGPT 的未来发展表示很有信心。他在推特上说，语言接口是未来的一个发展方向，OpenAI 只是一个先行者，相信很快大家就能用上真正智能的提供建议的AI助手了。
测试版的ChatGPT仍有一些缺点，但这都只是战术级别的;在战略上，ChatGPT 的前景已经相当令人期待，特别是 OpenAI 下一代GPT4加持下的 ChatGPT，其能力恐怕更加突破天际。
我们也许正在经历又一个AI突破的时刻，一如2022年初到年中AI绘画的势如破竹。 而这次，则是人类通用信息生成的突破。
喜欢刨根问底的读者们会问， AI是如何走到这一步的？让我们远离现实的喧嚣，把目光投回到那有点遥远的过去吧。
02 人工神经网络的起源
从某种意义上，语言表达是人类信息和思想交流的窗口。人类并没有第七感，也没有脑电波直达的交流（目前没有:P），信息沟通都通过口头语言和书面语言来传递（当然, 可以说还有一些手势和肢体表达，但信息量基本可以忽略不计）。
针对语言信息的人工智能处理，或者学术一点，「自然语言处理 NLP」，是科学家们最早研究，人工智能最早发源的领域。
远在 1956 年，美国的达特茅斯学院举行了一次具有传奇色彩的学术会议（DartmouthConference），计算机专家约翰·麦卡锡提出了「人工智能」一词。这被广泛认为是人工智能正式诞生的日子。
十位参与1956年的达特茅斯会议的科学家，A之父们
这个会议很有意思，事后诸葛亮的我们，一起来看看这个会议个特别有前瞻性的主要议题：
1. Automatic Computer 自动计算机：
「如果一台机器可以完成一项工作，那么就可以对一台自动计算器进行编程来模拟这台机器。目前计算机的速度和内存容量可能不足以模拟人脑的许多高级功能，但主要的障碍不是缺乏机器容量，而是我们无法编写充分利用我们所拥有的机能。」
现代第一台电子计算机 ENIAC 的发明日期是 1946 年 2 月 14 日，也就是说，当时距离第一台电子计算机的诞生仅仅过去了 10 年。先驱们的遗憾是当时高级程序技术还基本没有，无法充分发挥计算机的作用。
2. How can a Computer be Programmed to Use a Language？如何对计算机进行编程以使用一种语言：
「可以推测，人类思想的很大一部分是根据推理规则和猜想规则来操纵词语的。从这个观点来看，形成泛化就是承认一个新词和一些规则，其中包含这个新词的句子暗示和被其他句子暗示。这个想法从来没有被非常精确地表述过，也没有例子。」
先驱们对语言文字的机器理解充满了预期，而直到现在，有了 GPT 这些当超大规模的自然语言 AI 模型，我们才堪堪敢说，先驱们的期望逐渐在实现，计算机开始真正理解了语言。
3. Neuron Nets 神经网络：
「一组（假设的）神经元如何排列以形成概念。很多当下的计算机科学家等人已经就这个问题做了大量的理论和实验工作。已经获得了部分结果，但这个问题还需要更多的理论工作。」
神经网络。在 AI 概念诞生之时，先驱们就意识到了，人工神经网络的概念将要在 AI 里发挥重要作用。
4. Theory of the Size of a Calculation 计算规模理论：
「如果给一个很好的问题（一个可以机械地测试所提出的答案是否是有效答案的问题），解决它的一种方法是按顺序尝试所有可能的答案。这种方法是有效的，要排除它，必须有一些计算效率的标准。一些考虑将表明，为了获得计算的效率的度量，必须手头有一种测量计算设备复杂性的方法，如果有函数复杂性理论，这反过来也可以做到。香农和麦卡锡已经获得了关于这个问题的一些部分结果。」
计算机科学里重要的计算复杂性理论，就是这个时间点被提出和发展起来的。
5. Self-improvement 自我改进：
「也许真正智能的机器会进行自我改进的活动。已经提出了一些这样做的方案，值得进一步研究。这个问题似乎也可以抽象地研究。」
这是一个很有挑战性的问题，用现在的观点可以换个说法：AI 是否能实现自我编程自我提升？或许很快就可以了。
6. Abstractions 抽象
「许多类型的「抽象」可以被清晰地定义，而其他一些类型则不那么清晰。直接尝试对这些进行分类并描述从感官和其他数据中形成抽象的机器方法似乎是值得的。」
通过机器智能来对各种信息自动加以分类和抽象，这正是当今各种牛逼闪闪的AI大模型正在达成的成就。
7. Randomness and Creativity 随机性和创造性：
「一个相当吸引人但显然是不完整的猜想是，创造性思维和缺乏想象力的有效思维之间的区别在于注入了某种随机性。随机性必须由直觉引导才能有效。换句话说，受过教育的猜测或直觉在其他有序的思维中包括了受控的随机性。」
先驱们非常直观的理解，是否有随机性是创造性思维和非创造性的分析思维的重要区别。
而随机性需要由一些「直觉」引导, 或者说真正的 AI 需要一种「受控的随机性」。
其实, 当前 AI 绘画生成机制里很好践行了这个洞察：在每一幅 AI 绘画背后都是一个 AI模型（比如 Stable Diffusion） 一个确定的输入（一组关键词） 一个系统生成的随机数。同样的「关键词组 随机数」输入到 AI 模型里，必然生成一个完全相同的 AI 绘画作品。这不就是「受控的随机性」嘛。
达特茅斯会议的参会先驱们都是大神，也值得在这里简单提一下：
约翰·麦卡锡（John McCarthy）, 率先提出了 AI 的概念, 开发了码农熟知的程序语言 Lisp。有意思的是，Lisp 是在 1958 年发明的，看看会议的第一个议题，抱怨没有好用的编程语言可用，大牛的态度就是没有趁手的工具吗？那我就自己发明一个。
约翰·麦卡锡在 1971 年获得了图灵奖。
马文·明斯基（Marvin Minsky），在 1951 年在普林斯顿大学读博士的时候，建立了第一个神经网络自学习机器 SNARC (Stochastic Neural Analog Reinforcement Calculator 随机神经模拟强化计算器)，这是第一个真正意义上的人工神经网络硬，用 3000 个真空管来模拟了 40 个神经元的信号传递。
明斯基的博士论文也正是神经网络。有趣的是，明斯基拿的是数学系博士学位。当时有人挑刺说神经网络的研究能算数学？而当时支持明斯基的正是大名鼎鼎的现代计算机之父冯·诺伊曼。冯·诺伊曼说：现在不算，但很快就得算了。
明斯基在 1969 年获得了图灵奖。
克劳德·香农（Claude Shannon），通信科学鼻祖，大名鼎鼎的香农定理是所有通信制式最基本的原理。和计算机鼻祖并驾齐驱的香农同学就不需要图灵奖了，因为在通信领域有以他的名字命名的的最高奖香农奖:)
赫伯特·西蒙（Herbert Simon）和艾伦·纽厄尔（Allen Newell）在达特茅斯会议上报告了世界上第一个 AI 项目「逻辑理论家（the Logic Theorist）」。
这个 AI 证明了《数学原理》第二章 52 个定理的 38 个，甚至找到了比原教材更优美的证明。两人合作提出了搜索式推理的方法，开创了人工智能除神经网络学派之外的第二条路线：符号主义学派。这两位在 1975 年一起拿到了图灵奖。
题外话是，这两位牛和当时数学系主任、第一届图灵奖获得者阿兰·珀里思（Alan Perlis）一起创立了卡内基梅隆大学的计算机系，从此，CMU 成为计算机学科的重镇。
在达特茅斯会议之前，还有一个1955年的小讨论会「学习机讨论会」，在那次讨论会上，主持人也是神经网络的鼻祖之一的皮茨 Pitts 做了一个有趣总结：
「...一派人企图模拟神经系统（Neuron Net），一派人企图模拟心智（mind，就是上面西蒙的符号派)...但最终大家的目的一致」。
这句眼光毒辣的话，冥冥之中预示了随后几十年间 AI 研究「结构 V.S. 功能」的神经网络派和符号主义派两条路线之争。
03
潮起又潮落
达特茅斯会议之后，AI 进入了一个大时代，人们惊奇的发现，计算机居然可以证明数学定理，学习使用语言。在众多AI研究方向中，搜索式推理，自然语言处理最有影响力。
从 1955 年到 1974 年是 AI 的第一次发展高潮，大量成功的初代 AI 程序和研究方向不断出现。AI 先驱们非常乐观的预言：
「十年之内，数字计算机将成为国际象棋世界冠军。」(1958年，H. A. Simon，Allen Newell)
「二十年内，机器将能完成人能做到的一切工作。」(1965年，H. A. Simon)
「在三到八年的时间里我们将得到一台具有人类平均智能的机器。」(1970年，Marvin Minsky)
结果呢？事后诸葛亮看回来，当然是被啪啪啪的打脸啦。
到了 70 年代初，AI 科学家们逐渐发现，虽然机器拥有了简单的逻辑推理能力，但遇到了当时完全无法克服的基础瓶颈，这些瓶颈基本就是时代的局限：
1) 当时计算机的运算能力问题：
且不说当时最原始的计算机那点可怜巴巴的算力了，我们知道，一直到了最近十来年，个人计算机组网之后的并行算力才真正达到了可以支持现代 AI 大模型训练迭代的要求。
2)推理需要积累大量对世界的认知信息：
这就是个大数据的基础积累问题。而大数据的积累，也是在现代互联网的迅猛发展之后，才得到了真正的解决。
还有一个神奇的事情是，人工神经网络这个当下最主流的 AI 发展路线，在当时阴差阳错的遭到了巨大打击一蹶不振。而暴击了整个神经网络研究的，正是人工神经网络的缔造者马文·明斯基本人。
前面说过，明斯基搭建了第一个神经网络自学习硬件机器。当时有一位明斯基低一届的高中学弟弗朗克•罗森布拉特（Frank Rosenblatt），从康奈尔大学获得博士学位后，跟随师兄的步伐，获得了美国海军研究室资助，研制了人工神经网络「感知机（Perceptron）」。
1957 年，第一个版本的感知机以软件仿真的形式运行在 IBM704 上。1962 年，罗森布拉特出版《神经动力学原理：感知机和脑机制理论》，引起了全球 AI 实验室的大量关注和效仿，并将感知机系统运用于文字识别，语音识别等领域，神经网络研究达到了第一次高潮。
而这个时候，明斯基自己回到哈佛任教，申请国防项目却遭到了挫折，让明斯基特别郁闷的是，自己曾服役的海军把经费投给了学弟，支持的却是自己好几年前就玩过的神经网络。
数学背景深厚的明斯基拿起数学武器对人工神经网络进行了扎实的理论分析，并在 1969 年出版了《感知机》，通过数学理论推演指出罗森布拉特的感知机功能有限，甚至不能解决线性不可分问题（如不能用一个直线或者一个直面把二维或者三维坐标系中的两类数据很好的划分。就是线性不可分）。
明斯基在《感知机》书中暗示说：把感知机从一层神经网络推广到多层的思路是没有希望的。
既然连 AI 先驱和人工神经网络缔造者本人的明斯克都说，神经网络这个方向没戏，所有的研究者都深感气馁，神经网络的研究从此走向了低潮。更可惜的是，在两年后，发明感知机的学弟罗森布拉特遭受意外去世，再也没人出来挑战明斯克的结论了。
然而，历史总喜欢和人开玩笑。事实上，是明斯克错了。
我们现在已经知道，恰恰是只要把感知机从单层网络变成多层，就可以解决线性不可分问题。其实当时罗森布拉特以及其他研究者也想到过多层感知机，但苦于一直没有找到训练多层神经网络的方法。直到了 80 年代中期，相关算法才被找到和提出，人工神经网络的研究再一次走向繁荣。
总而言之，在 70 年中后期，因 AI 完全达不到所预言的完全智能的程度，只能停留在「玩具」阶段。原先过高的承诺引发了公众过高的期望值。转而变成彻底的失望和针对 AI 研究的激烈批评，最终大量机构对基于神经网络的人工智能研究减少甚至停止拨款。AI 研究走进了第一次寒冬。
04 希望越大, 失望越大的专家系统
在 80 年初，一类名为「专家系统」的 AI 程序开始为全世界公司青睐，人工智能研究又迎来一波高潮。
什么是「专家系统」？百度百科的解释如下：
专家系统是一个智能计算机程序系统，其内部含有大量的某个领域专家水平的知识与经验，它能够应用人工智能技术和计算机技术，根据系统中的知识与经验，进行推理和判断，模拟人类专家的决策过程，以便解决那些需要人类专家处理的复杂问题，简而言之，专家系统是一种模拟人类专家解决领域问题的计算机程序系统。
一句话说，专家系统根据过往的知识经验积累来模拟人类专家从而进行逻辑推理和判断。
等一下，这个说法是不是有点熟悉?听起来似乎有点像 AI 先驱赫伯特·西蒙（Herbert Simon）和艾伦·纽厄尔（Allen Newell）所做的第一个AI项目：「逻辑理论家（the Logic Theorist）」。
事实上，这正是人工智能两大路线的符号主义派的成果体现。第一条路线神经网络派在当时被自己的鼻祖明斯克按在地上摩擦，第二条路线则在 80 年代初恰逢其时的站了出来。
和神经网络旨在研发通用结构的 AI 模型不同，专家系统基于符号逻辑的概念。它们通常是由特定领域的专家（比如医药、金融或者制造业）开发的，仅限于一个很小的知识领域，依据一组专门知识推演出的逻辑规则来回答特定领域的问题。而随着专家系统的热门，「知识处理」也随之成为了主流 AI 研究焦点。
专家系统的一个典型项目是专家配置器 XCON（eXpert CONfigurer）, 由卡内基梅隆大学为 DEC 公司设计开发。该系统可以说是世界上第一个（特定领域的）推荐引擎，通过几千条规则来对计算机部件的选择进行最优化。从 1980 年投入使用以来，它为 DEC 公司制造 VAX 系列电脑节省了数千万的成本。随着 XCON 的成功被更多企业所了解，专家系统在 80 年代中期迎来了它的繁荣，造就了一个数十亿美金的市场。
不过，最为普通人所熟知的专家系统应该是后来的 IBM 超级计算机「深蓝」。IBM 从 1985 年开始研发「深蓝」计算机。它是一个专门针对国际象棋的专家系统。1996 年，它在六场比赛中的一场中击败了国际象棋大师加里·卡斯帕罗夫（Garry Kasparov），名扬天下。
但专家系统在工业界多少有点昙花一现，繁荣之后迎来的是迅速的没落。这是因为 80 年代的专家系统存在着基础性的问题，首先就是专家系统的知识领域过于狭窄难以拓展。
说到这里，笔者读书时曾经困惑过，为什么「深蓝」那么牛逼的系统，赢了国际象棋后好像就泯然众人矣，并没有继续在其他领域发挥光和热。
而答案就是，看来它只能用来下国际象棋...
此外，在专家系统变得越来越庞大后，为其提供和管理数据、开发和测试都变得越来越复杂。更要命的是，专家系统是不会自己学习的，这意味着必须不断更新底层逻辑来保持专家系统解决领域新问题的能力。这大大增加了系统维护成本和复杂性。
因此，到了 80 年代末期，大家都看明白了，专家系统虽然有点用，但领域过于狭窄，更新迭代和维护成本非常高。专家系统开始迅速在业界失宠，很多相关公司破产。
这就是人工智能的第二次繁荣后的又一次寒冬。而导致第二次AI寒冬的原因，除了前面所说的应用范围的局限性和商业过分追捧导致最后泡沫的破裂，还有那两个老大难问题：
1）计算机的算力瓶颈仍然无法突破
2）仍然缺乏训练AI的足够海量数据
有些读者或许会问，在当下这两个老大难问题或许可以说初步被解决了，那么专家系统这条路线是否重新有用武之地呢？
答案是肯定的，就在最近，Meta 提出的人工智能 Cicero 成为了 AI 领域的热门新闻，Meta 做出了这个史上最复杂的多人外交策略 AI，和人玩在线版「外交」游戏。 在每场比赛中，Cicero 可以自己查看比赛情况，了解各个玩家的行动历史，模拟真人和不同玩家沟通，从而预测其他玩家的行动。它能自行制定计划，并通过人类语言与其他玩家进行协调执行策略，没有人察觉出它是 AI。
Meta Cicero AI 成功的关键因素，正是重新引入了和大数据模型结合的专家知识系统。
在当年的专家系统开始走向低谷之时, 深度学习的前身人工神经网络却取得了革命性的进展，在1986年戴维·鲁梅哈特（David Rumelhart）、杰弗里·辛顿（Geoffrey Hinton）等人推广了由保罗·韦尔博斯（Paul Werbos）发明的反向传播算法（BP 算法），使得大规模多层神经网络训练终于成为可能。
反向传播算法使得神经网络的中间级可以学习到数据输入的有效表达，这就是神经网络乃至深度学习的核心思想。困扰AI先驱们的多层神经网络无法训练的难题终于被突破了。
不知道曾亲自给神经网络盖棺定论的明斯基，当时听到这个消息的心情是什么:)
稍作休整，在我们步入当下的第三次浪潮之前，先再来回顾一下人工智能的两条路线之争：
符号主义：
传统的研究思路，主张通过功能模拟入手，把智能看做是符号处理的过程，采用形式逻辑来实现人工智能，所以称之为「符号主义(Symbolism)」或「逻辑主义(Logicism)」。
符号主义可以对形式化表达的问题（比如下棋、数学定理证明）有效，但人类很多的常识，以及接收的很多信息都无法用符号表达，比如视觉听觉等基本感知能力，虽然不像逻辑推理这样高大上，但符号主义至今都没有好的办法处理；而类似想象力、创造力、情感和直觉这些人脑特有的认知能力，目前更是符号主义无法企及的领域。
神经网络：
和符号主义功能模拟这种自上而下的思路相反，神经网络就是彻底的自底向上的结构仿真路线。直接模仿人脑智能的物质基础神经网络，希望通过人工方式构建神经网络，从而产生智能。
从罗森布拉特的感知机，一直到当下大众所知道的深度学习网络，这个路线把智能活动看做是大量简单神经单元通过复杂连接和并行运行之后的结果，所以也被世人称为「连接主义（connectionism）」。
05 大算力，大数据，大力出奇迹
2006 年，杰弗里·辛顿（Geoffrey Hinton）在 science 期刊上发表了重要的论文，提出深度信念网络（Deep Belief Networks，DBNs）,「深度学习】正式诞生，基于人工神经网络的第三次 AI 发展浪潮开始了，且一直延续至今。
和前两次浪潮不同的是，当下计算机性能已经能让大规模的人工神经网络模拟得以成为现实，在 1957 年，罗森布拉特用 IBM704 去仿真感知机，每秒完成 1.2 万次浮点加法，而如今超级计算机速度是 IBM704 的 10 万亿倍以上。
此外，个人计算机 GPU 近些年发展迅猛，尽管 GPU 的初衷是为了加速 3D 图形计算，但通用 GPU 的计算模式正好匹配了神经网络并行计算的需求特点，从而进一步推动了神经网络模型的发展。
除了算力之外，限制前两次 AI 浪潮发展的另一主要因素就是数据的缺乏。在深度学习理论模型提出之后，最早之一意识到了 AI 学科发展的数据钳制并着手去解决的是华人女 AI 科学家李飞飞。年轻的李飞飞以坚韧不拔的大无畏精神推动完成了一个超大规模的开源图片标注数据库，这就是著名的 ImageNet 项目。在 2009 年正式发布时，ImageNet 有超过 1000 万数据，两万多个类别。
2010 年开始，Image Net 大规模视觉识别挑战赛（ILSVCR）开始举办，全世界图像领域深度学习的专家们同台竞技和交流，从此拉开了计算机视觉的新篇章。
额，本文主要是关注自然语言大模型的前世今生的，而 ImageNet 完全是图像领域的工作。但是，ImageNet 的出现和发展给了自然语言 AI 模型研究一个很重要的启发。这就是图像领域深度学习的预训练概念。
大家都知道，「深度学习」顾名思义，就是具有很多层级的神经网络模型。现代神经网络模型的网络结构层数很深，动则几百万上千万参数量。而这些神经网络模型在能做特定任务之前，都是需要经过「训练」的，即根据标注好的特定训练数据去反复调整模型里的参数，最后所有参数调整到位，模型能匹配训练数据集的输入和输出。
那么，问题来了，要调整深度学习神经网络模型里那成千万的参数量，如果训练数据少了，肯定很难调整到位啊。这就好比一个内部齿轮复杂精密的新机器，如果只稍微动一下，内部能牵扯到的齿轮机构说不定都很少，达不到磨合的目的；只有大规模长时间运转起来，内部的齿轮才能全速转起来，互相磨合好。
但是，那些特定的 AI 任务往往没有那么多训练数据啊，这可怎么办呢？
非常值得庆幸的是，AI 科学家研究发现了深度学习网络一个有趣的特性，对于图像领域的深度学习神经网络而言，不同层级的神经元学习到的是不同逻辑层级的图像特征。
如上图所示，若将训练好的网络每层神经元学习到的特征可视化，会发现，最底层的神经元学习到的是线段等特征，第二层学到的是人脸各个五官的特征，第三层学到的是人脸轮廓的特征，这三层构成了人脸特征的逻辑层级结构。神经网络越底层的特征越基础抽象，比如什么边角弧线等，而越往上层，就具体和任务相关。是不是很神奇？
一个训练好的深度学习网络的内部参数，在底层体现了通用和基础的特征，而越到高层，越和特定任务相关。这是深度学习神经网络一个特别棒的特性。
人们开始动脑筋了，既然是这样，那么是不是可以先用标准的大数据集比如ImageNet来做深度学习网络的「预训练」呢？反正那么多层的神经网络里，大多数的层级都和特定任务关系不大,我们只需要把通用大数据预训练得到的网络模型结果，再结合任务相关的那点可怜的标注数据去微调（Fine-tuning）高层的网络参数，使得高层参数输出更匹配当前领域的任务，不就 OK 了吗？
这样一来，原本因为数据不足而无法训练的特定任务也能解决了。即便任务的训练数据不缺，先通过预训练过程也能极大的加快特定任务训练的完成速度。预训练这种通吃的解决方案人见人爱，很快在图像处理领域广泛流行开来。
既然在图像处理领域的深度学习里预训练这么管用，搞自然语言处理 AI 的同学们自然也会在心里想，为什么不在自然语言处理领域里做预训练这么香的事情呢？
06 自然语言 AI 的深度进化
首先呢，自然语言处理的研究里，有个基本概念叫做「语言模型」，大致理解起来也简单，就是想办法打造一个核心函数 P，这个函数通过一个句子里前面的所有单词来计算下一个单词的概率大小。一句话里的单词总是顺序出现的，每个单词都可以通过前面所有单词计算出这么一个概率，把所有这些单词的概率乘起来，总概率数值越大，说明这越像是人说出的话。
怎么构造这个神奇的函数 P 是 AI 科学家的事情，但读者们一定可以明白，有了这个牛逼的「语言模型」函数 P，计算机就会说人话了。
而从神经网络学派的同学看来，是不是可以用神经网络来打造这样一个语言模型呢？就是说用很多的现成语料，来训练出一个神经网络，然后给这个神经网络模型输入一句话的前面几个词，这个模型就能计算出这句话的下一个单词。
这就是大名鼎鼎的「神经网络语言模型 NNLM」。
NNLM 神经网络语言模型的想法并不是最近冒出来的, 它的历史要追溯到 20 年前。NNLM 的论文在 2003 年就被发表出来了，而当时，深度学习的概念还只存在于杰弗里·辛顿（Geoffrey Hinton）的脑袋里。
所以，不幸的是，NNLM 当时没有引起学界多少反响，被埋没了近 10 年。事实上，在深度学习大火之前，用神经网络做自然语言处理甚至会被笑话，之前自然语言处理的主流研究方式还是基于统计学的机器学习方法。神经网络语言模型 NNLM 这个概念太超前时代了。
一直到了 2013 年，在深度学习概念提出来 7 年之后，深度学习神经网络模型先是在图像和语音领域大显神威，自然语言 AI 的同学终于想起了这篇十年前的论文。NNLM 重出江湖，为世人所知：
在 2013 年，AI 研究人员倒腾了一个自然语言处理的处理模型 Word2Vec。顾名思义，「Word2Vec」就是「word to vector，从词到向量」。研究人员的目标是把一个单词变成一个数学向量，这个数学量在 NLP 里有个专门的名词，叫做Word Embedding（词嵌入）。
为啥要变成一个向量，出发点也很简单，如果能将每个单词都能表示为数学空间里的一个向量，那么是不是理论上，在这个向量空间里比较接近的词，就是意义接近的单词呢？这样计算机不就可以方便的理解单词之间的联系了吗？
Word2Vec 翻出了十年前的 NNLM。NNLM 的初衷只是想构建一个神经网络语言模型，根据前面的词，来预测后一个是什么词。NNLM 网络内部构造了一个随机初始化的矩阵，通过不断的训练，来达成 NNLM 模型预测单词的目的。
特别凑巧的是，研究人员发现这个训练出来的内部矩阵的每一行，正好可以作为每个词的嵌入向量 Word Embedding，这真是得来全不费功夫啊。
NNLM 和 Word2Vec 使用了类似的神经网络结构，不过因为目的不同，其训练方法理念是截然不同的。NNLM 作为语言模型，是要看到上文预测下文，所以训练时输入的是句子上文单词；而 Word2Vec 呢？因为它的目标是要找出所有单词之间意义远近的数学关系，所以训练时都使用句子上文和下文作为输入。
不知道读者意识到没，这两种训练方式在更高的意义上有着一些本质区别，就好比我们人类说话，都是顺序说出来一个个单词的，说不定呢，人的潜意识或许也是一个类似 NNLM 的 P 函数，自觉不自觉地的决定人说话里的下一个词是什么。因此只从上文预测下文的训练方式，貌似天然更契合「生成式」的逻辑。
而 Word2Vec 这种通过上文和下文输入来训练的方式，可以比喻成机器来做阅读理解，就像是我们做语文或英语的阅读理解，一定是通读全文，然后根据上下文来理解和判断问题的答案。这样的人工智能，就是所谓分析式的 AI。
两种模型训练的思路，在后续发展里变成了自然语言模型的两种路线。本文开头提到的 OpenAI 生成式模型 GPT 系列，坚定的只用上文进行训练，用以追求「纯粹」的生成；而 Google 公司的大语言模型 Bert，则采用了上文和下文一起训练的模式，此乃后话。
前面提到，图像处理领域里使用大规模通用数据进行「预训练」所取得的效率和成果实在让人羡慕，而在自然语言处理领域里，其实也有一点点「预训练」概念的，这个预训练就是，每个单词的 WordEmbedding 可以反过来初始化神经网络的内部参数。
不去探究数学细节，读者只要知道，这种「预训练方式」和前面图像处理领域的低层级网络预训练方式有点类似，但问题是利用 WordEmbedding 只能初始化第一层网络参数，和图像处理领域的预训练能有效初始化大多数网络层级不可同日而语，只能说是一种比较原始初级的「预训练」了。
但直到 2018 年前，这就是 NLP 领域里能采用的预训练典型做法了。
采用 WordEmbedding 来初始化 NLP 神经网络有那么点效果，但没有期待的那么好。这里面还有一个逻辑上的原因：一个单词有多义词问题。所以企图在一个数学空间里用一个固定的数学向量来表征一个单词的意义，还要求含义相近的单词都聚在一起。在面对多义词的时候，这在逻辑上显然就是矛盾的。
当然了，聪明的 A 研究人员肯定还是有办法。既然一个单词存在多义性，固定的 WordEmbedding 向量无法表达单词的多个含义，那么是不是可以先训练好一个单词的 WordEmbedding，然后在实际使用中，根据句子里的上下文语义去动态调整这个 WordEmbedding 数值，这样经过调整后的「动态 WordEmbedding」更能准确表达单词在上下文的具体含义，同时自然的，解决了多义词的问题。
这个根据当前上下文来动态调整 WordEmbedding 的想法就是顶级学术会议 NAACL 2018 年的最佳论文《Deep contextualized word representation》，这个 NLP 模型命名为 ELMO (Embedding from Language Models, 基于语言模型的词嵌入)。
ELMO 引入上下文动态调整单词 WordEmbedding 后，多义词问题就被彻底解决了，而且比预期的解决得还好：利用 ELMO 改进过的多种不同 NLP 任务，性能上都有幅度不同的提升，最高达到了 25%，不愧是最佳论文。
此外，ELMO 还有一个贡献，研究人员发现 ELMO 所使用的深度神经网络模型里，不同层次提取到的特征是有差异的。看到这里，读者想起了什么没有？是不是和图像预训练的模型层级特征有点像了？
让我们复习一下，前面讲过，图像处理领域进行大规模预训练后，把深度学习网络每层参数做可视化后可以看到，深度学习网络每一层都对应着不同抽象层级的「特征」，在图像领域里，就是从底层的线段，到中间层的具体五官细节，再到高层的脸型，等等。
再说一次，「预训练」为什么是一个特别重要的概念？这是因为好的「预训练」可以直接利用大量标准通用的的训练数据（图像领域就是图片，NLP 领域就是语料）,把深度学习模型调整到了 90% 甚至更高程度的可用状态，预训练好的模型最后通过任务相关的少量训练数据，就能微调至完全胜任各种特定任务，这真是一个很美妙的事情。
那么，ELMO 出现后, 自然语言处理领域的「预训练」有可能赶上图像领域了吗?
遗憾的是，还差一口气。
因为技术原因，ELMO 模型在抽取文字特征方面还比较弱，这是一个技术上的缺陷，意味着这个模型就无法很好完成 NLP 的「预训练」梦想：特征都抽取不好，怎么让网络里每一层具体表达不同逻辑层级的特征呢...而从技术细节上对比，也会发现 ELMO 这种「预训练」方法和图像领域的预训练方法，两者在模式上还有很大差异。
自然语 AI 研究人员还需要继续找到一个方法，希望这个方法能很好的提取出文字的特征，就类似图像处理领域的神经网络模型，能很好的提取图像不同逻辑层面的特征。
恰就在时间刚好的 2017 年底，Google 研究人员发表了一篇里程碑式的论文，这一篇论文提出的「自我注意力」机制让自然语言处理揭开了崭新的篇章。
07 注意力机制和 Transformer
2017 年 12 月，Google 在顶级机器学习会议 NIPS 上发表了论文《Attention is all you need》，提出在机器翻译上大量使用自注意力（Self Attention）机制来学习文本表示，并把这种机制模型起了个霸气的名字：Transformer。
这篇论文一经出世就横扫了整个自然语言处理学术界，Transformer 迅速的取代了深度学习里传统的循环神经网络（RNN）成为了之后的大语言模型的标准配置。
Transformer 是目前 NLP 领域里最强的特征提取器，本质上 Transformer 是一个叠加的'「自注意力机制」构成的深度网络。
包括我们现在所知道的 OpenAI GPT 系列模型，以及 Google BERT 系列模型，都受到了这篇文章的启发采用了部分 Transformer 的架构，从而取得了突破性的效果。
先说个题外话，笔者感慨，论文是否牛逼，一看题目就知道,这篇论文连题目都如此特别和霸气。
话说回来，什么是注意力机制？深度学习里的注意力机制其实是一种思想，参考借鉴了人类的注意力思维方式。
视觉注意力机制是人类视觉所特有的大脑信号处理机制，我们的眼睛会快速扫描全局图像，得到需要重点关注的区域，就是所谓的注意力焦点后，再进一步对相关区域投入更多的关注。这是人类在长期进化中获得的一种生存机制，极大提高了人类信息处理的效率和准确性。
深度学习的注意力机制在概念上参照了人类的视觉注意力机制，核心目标就是从众多信息里选择出对当前任务更重要和关键的信息。
具体到 NLP 自然语言处理领域里，在之前，注意力机制一般是指输出句子里某个词和输入句子每个词之间的相似度。这也很好理解，就是去寻求问题（输入）和答案（输出）之间的关系么。
但 Google 这篇的特别之处，是明确指出了，我们其实不需要先考虑输入和输出的关系啊，为什么不参考人类理解语言的方式，首先「学习」一句话内部单词之间的关系呢？这就是所谓的「Self Attention 自注意力机制」：指的是输入元素之间，或者输出元素之间的内在联系机制。
如上图所示，Self Attention 自注意力机制寻找到了一个句子里单词之间的语义特征, 「it」指代的是「the animal」。
稍微想一下，Self Attention 自注意力机制在逻辑意义上非常清晰，它让机器去理解人类语言每句话里单词之间的语义关系。
除了逻辑上看起来更有道理，Self Attention 自注意力机制还附带了一个很大的好处：因为网络层面抛弃了传统的 RNN（循环神经网络）模型，彻底规避了 RNN 不能很好并行计算的困扰，极大提高了模型并行训练计算的效率。更不用说，Self Attention 自注意力机制只关注部分信息，参数较少，容易训练。
有趣的是，谷歌研究人员在这篇重要论文里差点使用了「注意力网络」这样的命名，只是他们觉得这个名字听起来实在不够响亮，后来团队里一位工程师给起了个名字 Transformer，这看起来就高大上很多了:)
基于自我注意力机制的 Transformer 模型的出现是革命性的，最最重要的一点，它能实现自我监督学习。所谓自我监督，就是不需要标注的样本，使用标准的语料或者图像，模型就能学习了。
在 Tranformer 出现之前，我们要训练一个深度学习模型，必须使用大规模的标记好的数据集合来训练神经网络。对数据进行标注只能人工进行，金钱和时间成本都相当高。
读者如果还有印象，在笔者上一篇关于 AI 绘画的文章里有讲到，对于 AI 绘画至关重要的跨模态模型 CLIP 之所以成功，是因为它使用了互联网已经带文字标记的图片作为训练数据，巧妙规避了超大规模数据标记的难题。
而回过头来，Transformer 的核心是在数学上计算输入元素之间的关联（Attention），通过这种模式，Tranformer 成功的消除了训练数据集的标注需求。
这简直是感天动地，我们可以想象一下，从今以后，互联网上或者企业数据库里海量的文本数据都能直接成为大模型的训练数据源了。
NVIDIA创始人兼CEO黄仁勋在2022NVIDIAGTC大会上说，Transformer 使自我监督学习成为可能，并无需人类标记数据，AI 领域出现了「惊人的进展」。
因此，Transformer 正在越来越多的领域中发挥作用。比如用于语言理解的 Google BERT，用于药物发现的 NVIDIA Mega Mol BART 以及 Deep Mind 的 Alpha Fold 2 都要追溯到 Transformer 的突破。
上面又提到了 Google BERT 语言模型。这里要插一句，Google 引以为傲的语言大模型 BERT 的架构和 OpenAI GPT 其实非常像，但有一个简单而本质的区别，在训练阶段，Google BERT 输入上文和下文来训练，OpenAI GPT 系列一直坚持只输入上文训练，而结果就是，Google BERT 在体现 AI 分析能力的各种阅读理解等问题上，都表现上佳；而 OpenAI GPT 术业有专攻，在生成式 AI（比如回答各种问题、创造各种文字内容）一骑绝尘。
不夸张的说，Transformer 是迄今为止发明的最强大的模型之一。斯坦福研究人员在 2021 年 8 月的一篇论文把 tranformer 称之为「基础模型」（Foundation model），认为它推动了 AI 整个范式的转变。
08 GPT3，神功初成
受 Google 论文启发，基于 Transformer 模式的 GPT 系列模型作为 OpenAI 的当红炸子鸡，风头当下无两。
GPT 全称是「Generative Pre-Training」，直译过来就是「生成式的预训练」，有意思吧。
如前文所说，OpenAI 对 GPT 的生成式 AI 有坚定的信念，因此在训练模型的时候，只选用「上文」来训练模型，也就是说，GPT 本质上是一个极致的概率模型，它根据上文提示，来猜测下一个单词应该是什么。
这个坚持虽然在一开始 GPT1 和 GPT2 时代让其输出效果稍逊于同期 Google 的语言大模型 BERT，但到了 GPT3 时期，在超级规模网络参数的加持下，GPT 这个 100% 纯粹的生成式 AI 终于迸发出耀眼的光芒，模型输出效果甚至大幅超越了研究人员的预期。
尽管没有实证，但笔者很倾向认为 GPT3 的极大成功和 OpenAI 坚定不移的只用上文来训练模型有着某种必然的关系，人的语言沟通也从来都是按顺序表达的，没有谁先把一句话的最后一个词说完才回头考虑上一个词。从这点来看，GPT 系列模型顺应了人类思考的逻辑，最终由量变推动了质变。
终于，借助了 Transformer，GPT 这样的超大规模语言模型（GPT-3 有 1750 亿个参数）在不需要标记数据的情况下，可以借助现成的海量标准数据以及超级算力，得到通用的「预训练」版本模型。
可能有读者会继续问，有了预训练好的模型版本后，GPT 怎么能以适应各种各样的特定任务（或者专业一点，「下游任务」)呢？GPT 论文里给出了简单的改造施工图，附在这里读者们有点直观感性感知即可。总之通过简单的改造操作，GPT 就能很好适应不同的任务。只需要在输入部分调整一下就可以了，非常方便。
补充一句，或许正是因为改造特别方便，OpenAI 的研究人员才能在 GPT3.5 版之上改造出一个问答专用的 ChatGPT。虽然还不是基于大杀器 GPT4.0，但 ChatGPT 所展现出的超强内容生成能力，在这几天已经在大众用户群体里刮起了超级旋风。
09 从 GPT3 到 ChatGPT，进化继续
在历史长河里走了过来，终于回到了本文开头的主角 ChatGPT。
如果读者已经理解了前面关于深度学习神经网络的变迁和发展之路，再来看 ChatGPT的技术升级，就是特别简单的事情了。
ChatGPT 是基于 GPT-3.5 模型的魔改。GPT-3.5和3.0的区别，首先是和微软合作，在微软的 AzureAI 云服务器上完成了训练；另一个重要的区别是其训练数据集里除了文字，还加入了代码，因此 ChatGPT 现在已经可以写程序,甚至给现成的代码找 bug 了。
为什么试用过 ChatGPT 的同学都感觉提升很明显？一个重要的原因是 ChatGPT 引入了一个新的训练方法 RLH（论文《Training language models to follow instructions with human feedback》，发表于22年3月），简单的说，就是用人类反馈的方式加强训练。
看这个简单的描述显然不能感受到技术的提升，不过我们只需要理解，这其实就是在 GPT3 的大数据预训练之下，再次加强了人类的反馈。
有趣的是，前面基于 Transformer 的通用大数据无监督训练模式把自然语言的自动学习做到了某种极致，而这个 RLHF 又重新捡起了「手动档」人类反馈机制，貌似有一点返璞归真的感觉。仿佛是武功高手练至化境之后，又重新拿起了最早的野球拳，一招使出了无与伦比的超越功力:)
ChatGPT 还有一个很重要的特点，就是针对输出有效性上做了非常好的调整。使用过 ChatGPT 的同学一定能感觉到，ChatGPT 并非每一个问题都能回答详尽，但它绝对没有胡说八道，ChatGPT 的回答和真实世界的情况是相当一致的。做到这点很不容易，也是 ChatGPT 和之前容易乱说一气的问答 AI 模型前辈最大的不同。
另一个和确保回答有效性同样值得关注的改进是，ChatGPT 在道德约束上做得很出色。如果我们去询问一些逾越了道德边界的问题，或者一些特别敏感的问题，ChatGPT 基本都能察觉和回避。
这让我们想起了 AI 绘画大模型最让人诟病的地方，那就是通过 AI 生成 18 图片，尽管这不是一个技术问题，但对于一个智能内容生成平台，我们显然要有方法管理好内容的质量，以及内容的道德边界。在这一点上，ChatGPT 带了一个好头。
ChatGPT 的试用版在 OpenAI 的 RLHF 论文发出半年之后刚刚推出，根据 OpenAI 研究人员自己的说法，内部经过了大量调优，而且即使当下，ChatGPT 还是有很多需要改进的地方。
但无论如何，ChatGPT 已经展示给我们所有人，自然语言生成式 AI 所能达到的全新高度。
笔者特别憧憬 GPT4.0 的 ChatGPT 改版.如果如传说那般，GPT4.0 已然突破了图灵测试，笔者对基于 4.0 版本的 ChatGPT 抱有无限的期待。说不定，上一篇文章里预言的，AI 大模型来写长篇玄幻小说的时代，马上就要来临了。
10
后记
如果能耐着性子读到这里，读者应该自然语言的生成式 AI 的前世今生有了一点概念。
回过头来再问一次，对于「预训练」这个深度模型里的重要概念。读者有没有想过，预训练到底是什么？
对，具体而言，预训练就是在几千亿参数的支持下，类似 GPT 这样的超级模型灌入了难以计量的文本训练数据（说不定已经把全世界可以搜刮到的文本都拿来用了）来训练得到了一个通用大语言模型。
不过,在更高的一个角度去畅想，当我们把全世界的文字信息直接灌进拥有数千亿参数的 AI 模型里，模型在网络的各个层级上抽取和记忆这些文字里的特征信息。
那么，GPT 这样的超级模型实际上就在通过所谓预训练方式，学习到了人类所有文字信息的全部特征，直接把人类的语言智慧记在了自己几千亿量级的神经网络大脑里。
做到了这种程度，真的就像是我们用人类的全部知识体系来培养出了一个超级强大的机器大脑，这个大脑通过它超大规模的人工神经网络规模接纳学习了人类创造的所有内容。
进而，针对人类的任意问，AI 可以做出连图灵测试都无法区分的真正智能回答。
人类已经马上无法分辨，在小黑屋后面，那究竟是一个人还是一个 AI 了。
这一天来得比想象更快。
一个能容纳和理解人类全部文字知识，并做出真正智能回答的 AI，我们是不是可以简单认为：今天，真正的机器智能，已然诞生。
游戏葡萄招聘内容编辑，
点击「阅读原文」可了解详情
米哈游人设 | 看懂拳头 | 心动这一年
2022求职难 | 专访战争2061 | AI作画
绝区零 | 燕云十六声 | 原神3.0