AI按理说应该最擅长理工，为啥先冲击文艺行业？

这个问题的可能答案会是什么呢？文艺行业确实是首先被波及的行业，这是因为AI应用已经在这个行业达到及格线，而且“AI容错率”高并且“人力AI成本差”大导致的。目前阶段，这样的行业就是非常利于AI应用的行业。

AI应用及格线
我们先谈下AI应用的特殊之处。某项AI技术是否能应用，跟AI技术的应用效果关系比较大，而且这种关系还不是线性的，而是非线性的。就是说，干一件事情，如果AI的准确率如果达不到一个门槛值，比如80分，那么这项AI技术就是完全不可用的，而不是说50分的技术有50分的用处，90分的技术有90分的用处，所以是非线性的，必须要达到门槛数值，也就是及格线，才能应用，而且往往这个及格线是比较高的。就是说AI在某个行业应用，要么0分，要么一定超过及格线比如80分。
大模型以及AIGC这波技术进展，和之前几波比如“深度学习”那波是不太一样的，之所以和之前不太一样，一方面跟大模型确实在很多方面效果好有关系，在很多方面超过了应用的及格线，以前没超过及格线的时候，它尽管还行，但是应用得分就是0，就是不可用的。现在很多行业可以用AI了，从不可能到了可能。但这只是次要的一方面，更主要的一方面在于：我们目前还没有看到基座大模型的效果天花板在哪里，接下来至少2年时间，它一定会稳步提高效果的，只要你给大模型更多高质量数据，并推大模型规模就行。如果这样，那么未来基座模型能力一定越来越强，现在所有其它AI方向的繁荣比如Agent、多模态、具身、具体应用这些，都是以强大的基座模型为核心依托的。随着基座能力越来越强，AI会跳过越来越多行业应用的及格线，使得原先不可应用AI的行业变得可以应用AI了，这必然带来AI的广泛应用。这是我一直对这一波AI浪潮报以乐观的主要原因，只有哪天我们发现Scaling law失效了，或者短期可能面临的问题是：可用的数据已经不够了，我觉得才需要去讨论AI是否泡沫太大的问题，在此之前，我不认为这是一个值得讨论的问题。
对于某个行业，我们假设AI已经达到及格线了（不同行业及格线可能是不同的），那么在这个基础上考虑什么样的条件影响了AI应用的时间早晚或者普及程度。我认为主要有两个原因：“AI容错率”以及“人力AI成本差”。

AI容错率

使用AI做事情你不能期望它能百分之百不出差错，这里就带来一个问题：这个行业的产品能在多大程度上容忍AI的错误结果？我们可以把它称为“AI容错率”，不同行业的AI容错率差异很大，某个行业的AI容错率越高，则会越早地广泛应用AI技术与产品。
我们知道现阶段的大模型有着严重的“幻觉”问题，就是事实上明明应该是A，它非要说是B。大模型的幻觉本质如何见仁见智，有人觉得这是大模型的缺陷需要修正，也有人觉得“大模型的幻觉是种Feature，而不是Bug”。此问题我们暂且不论，且来看看不同行业的AI容错率。
艺术创作行业比如写小说、画图、做电影，AI容错率非常之高，有时甚至是“反向容错”，就是说错得越离谱看着越有创造性。艺术创作领域没有“是对是错”这种标准答案，只有通过表现是否独特体现出是否有创造性，越独特越有创意。AI生成作品的所谓“错”，指的往往是非常规，超出普通人的想象力。超一流的艺术家思维模式、看世界的角度和普通人是截然不同的，所以这是为何超一流的艺术家很多都以疯掉作为人生结局的内在原因。所以在这种需要创意的领域，AI错得越离谱可能效果越好。
艺术行业是极端容忍AI错误的，处于“AI容错率”另外一个极端的是“自动驾驶”。自动驾驶容错率是极低的，0.001%的错误率行吗？如果使用AI产品的用户基数比较大，比如1亿人，0.001%的错误率会造成多少交通故障？甚至生命危险？你可以算算，往少了算1000起，这个谁能接受？没人能承担这个后果。而且用户基数越大，对“AI容错率”的要求越高，这就很要命了，这不是规模效应，是“反规模效应”。所以我一直认为自动驾驶是个非常严苛的AI应用场景，大模型对它的帮助应该很有限，幻觉问题不解决可能没有出头之日。

其它行业，对“AI容错率”要求基本处于艺术行业和自动驾驶这两个极端之间，To C的产品容错率就高一些，To B的产品容错率就低一些，大致如此。

人力AI成本差
大模型目前还无法广泛应用的另外一个重要问题是使用AI成本太高，尽管制作GPT 4这种模型需要上亿美金起步，但是制造大模型成本和使用大模型成本比，大模型使用成本低更重要，毕竟制作是一次性的，算是固定成本，而人人都可以用AI，这是个变化成本。未来能否极大降低大模型的使用成本，对于大模型应用是否能全面铺开来说，是至关重要的。（大模型使用成本每12到16个月降低10倍，所以大模型应用未来还是可期的）
从AI使用成本角度，我们来分析下不同行业的可能应用发展情况。假设每个行业现在都采取人力，那么不同行业的人力成本是不一样的，简而言之，行业平均工资越高，人力成本越高。假设AI和人能以相同水平解决职业问题，人力成本假设是H=10万／年，使用AI的成本假设是A=5万／年，那么两者的差值就是H-A=5万／年，这个H-A就是“人力AI成本差”。
很明显，当AI使用成本比人力高的时候，“AI人力成本”是负数，没人有动力去用AI来代替人；只有当AI使用成本低于人力成本，AI技术才会被应用，而“AI人力成本差”越大，则企业拥有者越有动力去应用AI，两者基本成正比关系，甚至可能是指数关系，这是很自然的，人性如此。
完成一个产品需要消耗越多劳动，这体现在对同一个水平劳动者来说，完成作品所需要投入的时间，时间越长，人力成本就越高。从模态角度来说，人力成本由高到低应该是：长视频>短视频>长文>图片>短文。你想想制作视频或者画一个艺术类的图，对于普通人来说，以前可能想都不敢想，现在用AI工具，制作成本降低了多少？就是几句话加几秒钟的时间。

而随着技术的快速发展，AI使用成本会极速下降，但是人力完成任务的成本长周期内是比较稳定的，尽管降低速度也很慢。所以，对大多数行业来说，人力AI成本差会越来越大，虽然这可能会带来很多社会问题，但是，没办法，趋势如此，无法逆转，不接受也得接受，与其抗拒，不如拥抱，先利用好AI工具，把自身效率先提起来。

除此外，还有一些相对次要的因素，比如To C类的AI应用，因为用户基数比较大，所以感知到AI作用的人就多，对此谈论的人就越多，传播范围也比较大；To B或者 To Science类AI应用用户基数少，所以即使有反响也往往局限在小圈子内，感知到的人少，传播面小，这也是为何会有这种感觉的原因之一。

考虑AI的行业应用作用，需要结合以上三点综合考虑，总体而言：在AI技术能力达标的已有行业里，AI效果越好的、AI容错率越高的、人力AI成本差越大的行业，则会越早越快地进行AI普及与人力替代。这也解释了之前比较流行的说法：我们本来以为AI会先替我们做打扫房间、买东西送菜这种体力劳动，但是事实上与我们想的相反，大模型来了首先替代的反而是中等程度的脑力劳动。这是因为，高等脑力劳动目前AI效果还没达标、体力劳动人做起来成本低，而中等脑力劳动正好完美符合这些条件：AI效果在某些方面能力和人差不太多了，使用AI的“人力AI成本差”也比较大