前天下午（7月26日），有道在北京举行了“子曰”教育大模型应用成果发布会。在发布会上，有道也正式发布了虚拟人口语教练、AI作文指导、语法精讲、LLM翻译、AIBox、文档问答，共6项应用成果。
不仅是因为我对各种前沿科技、创新成果很感兴趣，更是因为有道又在3年前的那个猜想上，迈出了坚实的一步。
于是，在看完发布会之后，我也找了个机会，约有道的同学好好聊了聊，也请教了很多问题。3年前的那个猜想，实现了吗？这次的应用成果，做得怎么样？能给我说说吗？然后呢？还有吗？
3年前，我和有道的同学有过一次深入的交流。我们从线下教育，聊到了在线教育，又从教育现状，聊到了教育行业。聊着聊着，我们聊到了教育行业的未来。
但是，关键是但是，但是，这种看似美好的个性化的服务，有一个非常明显的缺点：边际时间成本太高。
比如那个老裁缝。水平非常高。但是水平再高，给我量身材、选面料、定款式，至少也要1小时的时间。
边际时间成本，是刚性的教育，是独占的。给我服务的时候，他就不能给其他人服务。
所以老裁缝再努力、再勤奋，一天顶多也就只能服务10-20人。规模的天花板很低。
服务的优点，是个性化。服务的缺点，是边际时间成本高，价格贵。成本高，价格贵，所以服务的可复制性就很低。
老裁缝为了解决服务“成本高、价格贵”的问题，决定不再1:1的量身材、选面料、定款式了，而是用标准化的版型，流水线的方式，生产“成衣”。
这样，因为每件成衣所包含的，老裁缝的“边际时间成本”大大降低，甚至降到几乎为零，所以衣服的价格也因此非常便宜。
但是，关键还是但是，但是，标准化的西装也有个问题：因为不是1:1定制的，所以很难完全合身。
领口对了，腰围不对；腰围对了，袖长不对。总有地方不对。所以穿着效果，终究不够完美。
写教材的老师很优秀，教材里的内容也很优秀。但是，几乎很少有同学能够只看教材书、只学课程视频就拿到好的成绩。
因为有的同学需要老师的答疑，有的同学需要不同的解题思路，还有的同学需要排名的激励、考试的他律......
服务化的教育更加个性化，效果好，但是成本高。产品化的教育更加标准化，成本低，但是效果差。
就没有什么办法能融合它们的优点，又同时避免它们的缺点吗？就没有什么办法能既要个性化、效果好，又要低成本、可复制吗？
于是，在3年前的交流之后，我也写了一篇文章《刘润：教育行业的未来，是可复制的服务》，把这个猜想分享给了有道的同学。因为我知道，有道，也在坚定地寻找这个终极答案。
在过去的很长一段时间里，人工智能的发展，走的是一条“逻辑主义”（Logicism）的路线。
逻辑主义，简单来说，就是主张用公式、规则等等公理和逻辑体系，来搭建一套人工智能系统。
但你想想，语言是多么微妙，复杂，富有情感。女朋友一个“嗯”字，背后就有八万四千种情绪。规则怎么可能穷举，逻辑怎么可能没有漏洞。
我们是在一个“环境”里，跟着妈妈咿咿呀呀，跟着爸爸叽叽喳喳，看着看着，听着听着，自然就会说了。
这个“自然就会说了”，其实是因为人脑中的神经元在不断地连接、连接、连接。刺激越多，连接也就越多，直到人脑突然涌现出知识和智慧。
今天的人工智能，用的就是这种人脑产生智能的方式。给它一个“环境”，给它足够多的“神经元”，给它大量的数据，让它自己看，自己学，自己感受。
就拿ChatGPT来说吧。GPT-2的版本，拥有的参数有15亿个，比GPT-1的参数规模大了10倍以上。而GPT-3的参数，已经达到1750亿亚盈体育，多了116倍。GPT-4的参数，更是只会多不会少。
意味着，今天的通用大模型博学多识，聪明得就像一位拥有20个博士学位的天才。
想象一下一句话、一条信息、一组数据要在千亿级别规模的“神经元”里跑一遍，你就明白了。
这就是为什么今天的ChatGPT总是一个字一个字地往外蹦，也是为什么通用大模型在很多人看来并不是应用级人工智能的未来。
因为谁也不会喜欢一个收到问题之后，要反应半天，还一个字一个字回答的AI老师。
我不需要什么都学，我只需要把本专业学好、学精。我不需要做一个20个博士学位的天才，我只需要做一个1个博士学位的学霸。
这样，我就能用比通用大模型少得多的参数，来更准确、更快速地回答更专业的问题。
从2016年开始，有道就在协同构建AI的基础能力。不仅同步组建了语言、视觉、声音等团队，还积累出了四大底层技术：有道神经网络翻译（NMT）、计算机视觉、智能语音AI技术、高性能计算(HPC）。
2022年推出的词典笔P5搭载了自研离线ASR，也已升级为Transformer技术。
于是，在有道同学的帮助下，我也在第一时间，体验到了这些“可复制的服务”。
考试，考试的成绩是一流的。听力，听力还行，但比起书面考试，就差点意思了。口语，口语就别提了，开不了口，也说不利索。
给孩子请专业的口语老师，费用太高。让孩子去英语角交流，又太害羞。父母自己来教，又怕学术不精，耽误孩子。
我只需要直接说话，这位会眨眼、有表情，甚至还能“歪头杀”的虚拟人，Echo，就会以“秒”级别的速度，来和我产生互动。
而且，Echo能够充分理解我的发言，并根据我的具体水平、说出的具体内容，来“生成”出相应的回答。
Echo也会从单词、发音、语法三个维度，来给我们的对话打分，从语法、用词、风格三个维度，来给我提供优化建议。
Echo也会通过不断“生成”问题的方式，来主动和我进行多轮的互动，引导我进行发言。
这就相当于是随时随地地拥有了一位口音地道、逻辑清晰的口语教练，拥有了一种“可复制的服务”。
但是，答疑本身就是一件边际成本很高的事。更不用说还有一些孩子不好意思去请教老师。
如果是不知道该怎么审题，那我就看语法精讲给出的解题思路。如果是不知道该怎么解答，那我就看解题方法。
下一次再遇到同样的问题，我就知道该怎么答。再遇到同类型的问题，我就能做到触类旁通。
更重要的是，这个时候，答疑就会变得更加高效，而这项服务的成本，也几乎就降为了0。
可是，“非标”的知识，该怎么办？语法题能答疑，是因为它在大多数时候，都是有标准答案的。那像是语文作文这样没有标准答案的作业，该怎么办？
“作文”这件事，确实是挺让老师家长头大的。因为“作文写得好不好”这件事教育，是很难说清的。“作文到底该怎么写”这件事，也是很难讲明白的。
比如，被“子曰”模型的注意力机制“微观”发现到的错别字，和修辞上的错误。比如，经过“宏观”评价的语言表达、结构逻辑、内容深度。再比如，被提炼出来的作文题目解析、文章核心观点。
最终，这些从不同角度出发的评价，会被综合成一份包含了错别字修改、改进建议、作文好句、作文总评等内容的作文批改。
有了这份作文批改，我就能从中获得启发，找到自己在写作中的薄弱点，一点一点，针对性地进行提高。
这种种尝试，让我看到了一种可能性，就是利用技术，利用人工智能，不断通过替代人工、或者至少减少人工参与的时间，降低“可复制的服务”的成本。