AI应用资讯

近日， ChatGPT频频登上热搜。 （截图自微博） 这是一款人工智能研究实验室OpenAI公司推出的聊天机器人工具，能通过学习和理解人类的语言来进行对话，还能根据聊天的上下文进行互动，协助人类完成一系列任务，最近全国网友都在忙着跟它聊天。 大家积极地和它探讨各种问题，不管是学习、生活、还是人际交往的问题，ChatGPT都能从容接招；还有网友直接在页面打字，输入想让AI帮忙完成的作业或者烧脑的任务，写论文、写邮件、制作商业提案，创作诗歌、写故事，甚至是做题、翻译等…… ChatGPT 似乎来者不拒。 人工智能再次展示强大的能力， 不少家长陷入焦虑： 未来， 有多少工作会被人工智能替代？ 培养孩子哪些能力， 才能避免孩子陷入“失业恐慌”？ ChatGPT 可能会取代哪些职业？ ChatGPT 的出现让不少人关注到未来，一批职业可能被人工智能取代的问题，网上对#可能被ChatGPT 取代的职业#的讨论层出不穷。在与ChatGPT的聊天中，大家发现，它上知天文下知地理，能够理解搜索者的真实需要，并用自己掌握的全部知识，生成全新的，甚至独一无二的为搜索者准备的答案，它能写文章、能改程序bug、能进行市场分析、能做活动策划，程序员、记者、财务、翻译、设计等工作都可能被ChatGPT替代。 （截图自央广网微博） 除了担忧孩子在未来可能被替代，家长们也在思考：哪些能力是ChatGPT 取代不了的？对此，ChatGPT在接受记者采访时，给出了自己的答案，或许可以给我们一些参考。 Q 人类有哪些能力是你取代不了的？ ChatGPT：人类具备的一些能力是目前我还无法完全取代的，这些包括： 1.情感表达：人类具有极高的情感表达能力，可以用非常多样化的方式表达自己的情感。 2.创造力：人类具有非常强的创造力，可以创造出丰富多样的作品。 3.社交能力：人类具有极强的社交能力，可以通过交往来构建起复杂的社会关系。 4.自我意识：人类具有自我意识，可以对自己的行为和感受进行认识。 这些能力是人类的独特优势，目前还无法完全被人工智能技术所取代。 心理学家也曾提出：未来需要人工智能不能取代的人才，要把孩子作为人的优势挖掘出来。有两个技能，机器做得不如人类好： 1.复杂思维，就是无限的想象力。机器都是按照过去的程序、经验来决定它怎么做。AlphaGo能打败围棋高手，因为有上千本棋谱，上万个棋局。所以要培养孩子的想象力、创造力、发散思维能力，因为机器暂时做不到。 2.沟通的优势。人类说话有神奇的魅力，甚至有时候对方不说，你都知道什么意思。机器做不到点到为止、听话听音、弦外之音。 还有一些能力，比如同理心，察言观色的能力、自控力、道德心、自我牺牲精神，做重要决策的能力都是机器无法取代的。 如何培养ChatGPT无法取代的能力？ 既然人类有ChatGPT无法替代的能力，该如何培养孩子ChatGPT无法取代的能力？对此，ChatGPT也给出了自己的答案。 Q 在人才培养中应该如何培养这些能力？ ChatGPT：人才培养应该注重培养人类的多重智能，包括： 1.认知能力：提高人们对于问题的理解和分析能力。 2.沟通能力：培养人们的表达能力和听力理解能力。 3.创造力：鼓励人们想象力和创造力，解决问题的能力。 4.社交能力：提高人们与他人交往的能力，理解他人意图和情绪的能力。 5.情绪管理：帮助人们正确识别自己和他人的情绪，并适当地应对和调节。 6.自我管理：鼓励人们具有独立思考和解决问题的能力，有自我约束力。 以上这些能力，可以通过多种途径，如教育、培训、实践等来培养。不同的方法会对不同的人有不同的帮助。重要的是，需要在人才培养过程中关注个体的需求和特点，量身定制培养方案。 技术的发展推动学习方式的变革，以积累知识为核心的学习模式不足以应对ChatGPT的未来。教育专家撰文指出，面对ChatGPT，传统教育的方式方法需要作出重大调整。...

ChatGPT 结合各种海量书籍、网站、论坛等资源，能为不同的学习群体提供对应的学习内容。那么 ChatGPT 会对未来的教育有何改变呢？本文将从 ChatGPT 的教育性，影响性和长期发展性等方面入手，浅析 ChatGPT 对教育的影响，希望本篇文章能对你有所启发。 作为一款集成了各种书籍、网站、论坛等资源的 AI 应用，ChatGPT 能够跨越时空界限纵观古今，也能突破地理障碍连接全球，还能以人类的方式进行交流、互动。 它像是一位全球最博学的老师，而且善于因材施教，每一个普通人都能成为它的学生，无论年龄、无论种族、无论地域，都能找到适合自己的学习方式。 一、ChatGPT 在基础教育中的作用 假如我们是学生，会如何利用 ChatGPT 来辅助学习？ 是把它作为作业枪手，输入问题，全盘接受答案，然后复制、粘贴、提交？或是把它作为猜题大神，根据历史数据推测今年出相应题目的概率？还是把它作为考试后援，总结 “三短一长选最长” 这些“应试神招”？ 如果是这样，那么 ChatGPT 恐怕就失去它的意义了。 首先，ChatGPT 可以作为信息来源，但我们始终需要通过与其他来源交叉检查，来验证其准确性和可靠性；其次，如果我们依赖 ChatGPT 来应对应试，培养出来的学生无异于另一个 ChatGPT ，只会根据特定的问题来输出答案，甚至成绩可能还不如 ChatGPT 。 ChatGPT 能帮助我们的： 是找到更灵活的学习方式，发挥个人之所长；是建立更深度的知识链接，领悟书中之未言；是培养更开阔的格局视野，发现日常之未见。 1. 它可以帮助我们加深对知识点的理解 比如说，一个学生学习勾股定理，他可以通过 ChatGPT 把这个知识点吃透：不仅包括勾股定理的基础概念、定理由来、经典题目及解析，还可以了解勾股定理在其他学科中的应用，培养跨学科思维，做到举一反三；也可以要求 ChatGPT 出题并检验答案。 勾股定理的跨学科应用 ChatGPT 出题及检验答案 2....

架构师指南 我们都是架构师！ 架构未来，你来不来？ 缘起 输入几个简单的关键词，AI能帮你生成一篇短篇小说甚至是专业论文。作为上知天文下知地理对话语言模型，最近大火的ChatGPT在邮件撰写、视频脚本、文本翻译、代码编写等任务上强大表现，让埃隆·马斯克都声称感受到了AI的“危险”。 最近大火的ChatGPT的计算逻辑来自于一个算法名字叫Transformer。它来源于2017年的一篇科研论文《Attention is all your need》。本来这篇论文是聚焦在自然语言处理领域，但由于其出色的解释性和计算性能开始广泛地使用在AI各个领域，成为最近几年最流行的AI算法模型，无论是这篇论文还是Transformer模型，都是当今AI科技发展的一个缩影。 这也是我想在这里给大家分析这篇文章的核心要点和主要创新的初衷。 但我非AI（数学，计算机）专业，只是梳理并分享自己学习的体会和思考，与大家一起讨论，欢迎各位多提宝贵意见；所述并不专业，各位大牛可以绕行。 从Transformer提出到“大规模预训练模型”GPT（Generative Pre-Training）的诞生，再到GPT2的迭代标志Open AI成为营利性公司，以及GPT3和ChatGPT的“出圈”；再看产业界，第四范式涉及到多个重要领域比如生物医疗，智能制造纷纷有以Transformer落地的技术产生。在这个浪潮下，我的思考是： 一是，未来很长一段时间在智能化领域，我们都将经历“科研、算力、基础架构、工程、数据、解决方案”这个循环的快速迭代；流动性、创新性短期不会稳定下来，而是会越来越强。 我们很难等到科技封装好，把这些知识全部屏蔽掉，再去打磨产品。未来在竞争中获胜的，将是很好地“解决了产品化和科研及工程创新之间平衡”的团队。我们一般理解的研发实际上是工程，但AI的实践科学属性需要团队更好的接纳这种“流动性”。因此对所有从业者或者感兴趣智能化的小伙伴了解全栈知识成了一个刚需。 二是，通过对这篇论文的探讨，可以更直观地理解：在科研端发生了什么，以什么样的速度和节奏发生；哪些是里程碑？是科学界的梅西横空出世，带我们发现真理；哪些是微创新？可能方向明确了，但还有很多空间可以拓展；哪些更像炼金术？仍然在摸索，尚需要很长一段时间，或者一直会保持这个状态。 三是，在AI领域，由于技术原因，更多的论文是开源代码的，一方面，促进了更多人参与进来改进迭代；另一方面，科研跟工程实现无缝连接，一篇论文可以拉动从核心代码到平台，到具体应用很大范围的价值扩散。一篇论文很可能就是一个领域，一条赛道，甚至直接驱动业务价值和客户价值的大幅提升。 四是， AI技术发展有很多领域（感知，认知，感知又分图像、语音、文字等，认知也可以分出很多层次），之前这些领域的算法逻辑存在很大差别，Transformer的出现有一定程度上推动各个领域汇聚的迹象，介绍清楚这篇文章，对把握整体，可能有些作用。另外ChatGPT属于现象级应用，大家更有直观感受，未来这类应用的体验提升和更新速度只会更快，理解了其背后的逻辑，更有助于我们把握这个趋势。 论文介绍 下面步入正题，开始介绍这篇论文，会涉及一些技术细节及公式，可能还需要仔细看一下，相信一旦看进去，你会对AI的理解加深很多。 总体把握 这篇论文的结构非常精炼，提出问题，分析问题，解决问题，给出测试数据。顶刊文章讲究言简意赅，有描述，有代码，有结果；其中最核心的是以下这张图，作者团队提出Transformer的核心算法结构： 整篇文章就是围绕这张图来进行解释的，由于篇幅所限，我们聚焦在一条主线上：1、文章想解决主要问题是什么；2、如何解决的；3、从文章提出的解决方案作为一个案例来引发整体思考，因此我们将内容简化，主要关注核心部分。 这张图表达的内容如果理解了，那基本上你掌握了这篇论文85%的内容，也是最关键的部分。 《Attention is all your need》在编写时主要是为了考虑NLP任务，是由几个Google的科研人员一起完成的，其中一个背景是Google也在推广自己的并行计算芯片以及AI TensorFlow开发平台。平台主要功能特点是并行计算，这篇文章的算法也是在最大限度的实现并行计算。我们就以一个简单的例子来把这个算法串一遍。 核心内容 需求是我们需要训练一个模型，进行中文到英文翻译。 背景知识：这个需求要把“翻译：我爱你 to I love you”转置成一个y=f(x)问题，x代表中文，y是英文，我们要通过训练得到f()，一旦训练成功f()，就可以实现翻译。大家拼的就是谁的训练方法更准确，更高效，谁的f()更好用。 之前自然语言处理主要的算法叫RNN（循环神经网络），它主要的实现逻辑是每个“字”计算之后将结果继承给第二个字。算法的弊病是需要大量的串行计算，效率低。而且当遇到比较长的句子时，前面信息很有可能会被稀释掉，造成模型不准确，也就是对于长句子效果会衰减。这是这篇文章致力于要解决的问题，也就是说这篇文章有训练处更好的f()的方法。联想一下ChatGPT可以做论文，感受一下。 在Transformer里，作者提出了将每个字与句子中所有单词进行计算，算出这个词与每个单词的相关度，从而确定这个词在这个句子里的更准确意义。（这句话要是理解了，后面其实可以不看了。） 在此处，要开始进入一些技术细节，在开始之前，我们有必要再熟悉一下机器学习领域最核心的一个概念——“向量”。在数字化时代，数学运算最小单位往往是自然数字。但在AI时代，这个最小单元变成了向量。这是数字化时代计算和智能化时代最重要的差别之一。 举个例子，比如，在银行，判断一个人的信用额度，我们用一个向量来表示： 向量是一组数据的集合，也可以想象成在一个超高维度空间里的一个点。一个具体的信用额度向量，就是在8个特征组成的高维空间的一个点。数据在高维空间将展现更多的数学性质比如线性可分，容易让我们抓住更多隐藏的规律。 向量的加减乘除是计算机在进行样本训练是最主要的计算逻辑。第四范式一直强调的高维，实时，自学习，其中高维就是把企业信息拉升到一个非常高维的空间，变成向量。...