chatgpt拓宽思维，chatgpt火爆全球？
试想一位百科全书式的牛人随时在身旁，想问什么，他都能给出较为专业的建议，会成怎样。
搜索引擎让我们获取答案的方法从书本转到互联网。大学时“有问题找百度”，估计这次将真的成为历史了。现在的搜索，全是广告和公司链接，第一目的是挣钱，不是为大家停供知识。要找答案自己还得不停挖，自己整理。
这次是让答案回归答案。别整那些乱七八糟没用的。
在百度上，提出了问题，拨开一大堆广告后发现，简单问题的回答是固定好的，比如百科里的回答；问题复杂了，只能有一大堆相关的回答，最后用户是靠自己去整理答案的，答案的可靠程度，完全依赖找的相关知识和自己的思维整体。但这个AI工具可能在复杂问题上处理的更好，好到什么程度有赖于它的数据基础，数据越多能回答的就全面、越准确，甚至到对未来某件事的分析、预估。
举例，2023年在北京做餐饮哪种定位、哪种类型、哪些地方更容易挣钱？以前这种答案是需要该行业的人在自己可知的范围内做出评估，准确度堪忧，但是AI只要有足够的数据，就能给出更准确全面的回答。
如果人人都能得到这样的回答，并且去最挣钱(最需要)的地方开适合的餐饮店，而且回答实时更新，不断指导人们开店，这样就从整个社会层面将餐饮行业进行优化调整。
新闻里常听大数据、云计算、数字经济，从chatgpt的这种打开方式是不是更直观呢？
只是举例说明，至于数据安全，可以让政府餐饮行业用，实时公布指导等等方式吧。
至于现在用他写文章、写代码，只是初步运用，反正他的脑力无限，只要有数据输入就行。至于今后关于“十八五经济规划”的，房地产预算多少钱，一个省、一个市基建投资多少最优，全国一盘棋，每个省要做什么，一省之内各产业比例，某某县光伏建多少，是不是都能给出更准确的最优解。
直到有一天AI说“弗拉基米尔，进攻乌克兰，10年对你和熊国的的安全的提升值是10%，对国家经济影响是-68%，建议停火”。“好的！”
让安理会成为数据最全最大的AI？
苹果禁止员工使用ChatGPT？
chatGTP确实是让人工智能的前进脚步迈得更快了，在它之前没有多少家企业在大模型上进行投入，大家都觉得这是一个烧钱且不赚钱的生意，但是现在所有的企业都一改之前的态度，在大模型上加大投入，而且也在尽可能的阻止chatGTP的前进步伐。要说大模型版Siri会带来哪些改变，那我们还是需要先说说chatGPT。
chatGTP到底能够干些什么？
chatGTP上线以后，我就拿出去梯子去体验了这个神奇的产品，当然，网络中也有不少人对chatGTP就是各种吹嘘，帮大学生写论文了、帮策划做文案了、甚至帮程序员写代码等等各种能力都赋予给了chatGTP，就我个人感觉，说这些话的人要么是以讹传讹，要么是研究chatGTP还不够深入。
我在使用chatGTP后，对它最直观的感觉就是，如果是已有答案的问题，它能够给你比较完美的答案；如果是创造性的问题，它可以给你一些点子作为启发，但算不上新颖；如果是体系化的问题，那么它只能给你粗略的答案，细节的内容无法提供。
为什么我能够有以上的结论呢？我用一些具体的例子来作为回答吧。
当我想让GTP帮我建立一个数学模型时，他给了我很好的结果
我把我的场景和要求告诉了GTP，并且让他根据这些场景和要求，建立一个数学模型，由于我将场景和要求描述得比较清晰，虽然这个数学模型并不是一个通用模型，但是却有相对比较标准的答案，如果把这个问题交给一个数学系的大学生，他可能花费一些时间后一样可以很好的完成。
GTP大概用了不到1分钟的时间，给了我一个非常棒的结果，当然，最初的结果和我需要的还有一些偏差，经过我多次的调整要求，最终GTP给了我非常满意的结果。
随后，我又尝试了第二次，换了另一个要求，同样是建立一个数学模型，而这次的结果同样是合格的，我得到了我期望中的结果，GTP只是花费了非常少的时间。
随后，我让GTP给了我一些书籍的推荐，毫无疑问GTP比任何一个搜索引擎都要强大，它给我的内容可以非常精准。
通过这一系列的尝试，我们可以简单的理解为如果我们问GTP的问题是有较为固定的答案时，GTP可以完美的解决我们的问题。
那么创造性的问题呢？
于是我让GTP按照我的一个思路写一部小说的大纲，这无疑是一个极具创造性的问题，而GTP无法超越我的思维限制，也就是说，我告诉他了什么，他就会把什么内容加入大纲内，并不能对这种内容进行延展甚至想象。这个大纲无疑是失败的，因为如果我已经想清楚了，我就不需要GTP来帮我完成了。
于是我由让GTP尝试根据大纲的内容尝试把小说的第一章写出来，毫无疑问，GTP写出来的小说是不合格的，我们先不说描写上的问题，首先一个不合格的地方就是GTP的小说没有灵魂，也就是人物是没有刻画、没有性格的，当然，故事性也是缺乏的，内容会比较跳跃。
由此我才说，GTP无法完成需要创造性的工作。当然，我让GTP写过诗，打油诗还是写得出来的。
最后就是系统性的问题了
作为一个技术工作者，我自然想让chatGTP写写代码咯。可惜，GTP其实是不会写代码的，那些所谓GTP可以写代码的言论，其实指的是我让GTP给我某个小功能点的Demo代码，这个GTP是可以给出来的。
但如果你需要完整的代码，GTP会明确告诉你“给不了”。
我就曾经让GTP给我一个钢琴模拟器的前后端代码，而GTP给我的是没有包含交互和逻辑算法的demo，简单来说，就是一个前后端的框架，然后无法直接拿来运行。
OK，chatGTP这个大模型的表现我们了解了，大模型版的Siri会表现得更好吗？
我觉得大概率不会表现得更好，首先Siri的使用场景更多是在手机的场景中，我们会让手机来完成的问答场景还是比较少，而且Siri作为后来者，它的功能短时间内也不可能比GTP更强大，在场景受限、功能没有更好的情况下，Siri大模型上线要超越GTP基本没啥可能性。
西方经济学有什么漏洞吗？
谢邀！
注意到此问题下面有了近50个（其中不乏不错的）答复了，那从前二天开始，就借用在得到上由徐玲对《魔鬼经济学》一书的解读中的部分内容，来回应几个相关的问题。在回应《西方经济学有没有局限性？（ https://www.toutiao.com/answer/7193275987844022583 ）》的最后谈到，事实上，抓住教师作弊，这还不算是列维特最经典的一战。在他所揭发的作弊行为中，最令人吃惊的，是日本相扑比赛中的“假球”。我们知道，相扑在日本人心中是一项神圣的运动，被尊为“国技”。这儿接着谈。相扑比赛时，裁判的腰间都配有一把短刀，意思是如果我误判了，那我就切腹自尽，可见这项运动所标榜的纯洁性和公正性。谁要敢质疑这一点，立马就会触犯众怒。那列维特怎么就和相扑运动杠上了呢？原来在2010年，有两名退役的日本相扑选手突然站出来，揭露了相扑界的大量黑幕，包括相扑手服用违禁药物、赌博、操纵比赛、介入黑帮等事实。他们正要召开新闻发布会做进一步的揭发，谁知两个人突然在同一天神秘死亡，而警方竟然没有立案调查，真相也随之被埋葬。这件事引起了列维特极大的好奇：相扑运动中到底有没有作弊行为？他决心从数据中寻找答案。于是，列维特找到了1989~2000年这11年间，总计281名相扑选手的32000场比赛结果，进行仔细分析。他问了这样一个问题：如果相扑选手作弊的话，那么他最有可能在哪个场次作弊？这就要说到相扑选手的排名系统。相扑选手的排名对他们而言至关重要，排名前40位的选手年收入高达几十万美元，社会地位尊贵，而排名靠后的选手无论从收入还是社会地位来说都低得多。日本相扑大会每年举办6届，每届比赛中每名选手要参加15场比赛。选手如果胜利8场以上，排名就会上升；反过来，如果输了8场以上，排名就会下降。这就意味着，在进行了14场比赛之后，对那些7胜7负的选手来说，最后一场比赛生死攸关；而对那些已经胜利了8场以上，尤其是8胜6负的选手来说，最后一场比赛则没那么重要，因为他们已经能够晋级，但又没有希望争夺冠军。也就是说，在最后一场的这两类选手之间，最有作弊的动机和可能。果然，列维特发现了数据中的异常。根据历史交锋记录，7胜7负选手对阵8胜6负选手时，胜率不超过50%；而在最后一场比赛中，7胜7负选手的实际胜率竟然达到了惊人的80%。也许你会说，这最后一场比赛对7胜7负选手至关重要，他们奋力一搏，超水平发挥，也不是没有可能。但奇怪的是，同样是这两名选手，在下一次比赛中相遇时，7胜7负选手的胜率一下子跌回了40%；而再下次相遇时，胜率就回到了一开始的50%正常水平。这意味着，这两名选手之间存在某种交易：这次你卖我个人情，下次比赛我还你，再下次比赛咱俩互不相欠。此外还有一个有意思的数据，就是一旦新闻媒体上出现了操纵比赛的报道，那么最后一场比赛中7胜7负选手的胜率又会回到正常的50%左右。你看，不管官方怎么宣传相扑运动的纯洁性，数据是不会说谎的，数据中清清楚楚地留下了作弊行为的“指纹”。好了，以上就是为你讲述的第一个重点，通过数据分析来发现隐蔽的欺诈和作弊行为。列维特利用统计数据，精心设计算法，找出数据中的反常之处，这就是坏人在数据上留下的“指纹”。通过这种方法，他指出了房产中介利用信息优势谋取私利，芝加哥公立学校教师的考场作弊以及日本相扑运动中的腐败。第二部分通过上面的例子，你肯定已经体会到数据分析的强大之处了。其实，除了抓坏人，数据分析还有一个更大的用处，就是透过表象，找出导致某个现象的真正原因。这就是我们接下来要讲述的第二个重点。有人说，人类大脑就像是一台解释机器，每当看到一个现象，就会不假思索地给对这个现象进行解释，硬加上一个貌似合理的原因。将在回复《政治经济学怎么解释经济增长？》中接着谈，再将昨天的#思进每日美股点评#中的部分内容和大家分享一下吧：元月27日：首先要说的是，虽说12月核心PCE数据似乎进一步放慢了加息步伐的预期，但美国12月PCE物价指数年率录得5%，仍远高于美联储2%的目标。我依然维持之前的判断，虽然美国价格压力继续放缓，但仍保持保持高位，美联储将大概率无法暂停加息步伐，只是会放缓些而已。其次，不得不说的是，今年的股市反弹令人印象深刻，不过，美联储将可能最早在下周开始再次（至少口头上）打压市场。因此，请为今年再次出现波动做好准备。我们目前只是正处于飓风眼暂时平静之中，并没有真正走出困境。再提几点：1、【#亚马逊已在多种职能中使用ChatGPT，包括编写代码等#】人工智能聊天机器人ChatGPT已经被亚马逊用于许多不同的工作职能中，包括回答面试问题、编写软件代码和创建培训文档等。这个消息对于码农而言，影响程度将会有多大，做好准备，拭目以待吧；2、美联储：不会批准加密虚拟币接入美联储支付系统美联储官员们私下告诉一家寻求会员资格的加密货币公司称，它不太可能获得批准。我之前曾和币圈之人提过多次了，饭店门口岂容摆粥摊，别幻想了；3、顺便提一下，之前不断有网友问，美国通胀会很快回落到3%以内吗？这儿一并回应一下：不能，除了各种其他常谈及的原因，其实，工资是最大的原因。因为，美国的服务业占GDP高达80%，劳动力成本才是最主要的成本，这儿特注一下，这就是为何一个公司一裁员，股价往往不跌反涨。美国的名义工资虽然涨了4%，但通胀如果8%，导致实际的工资增长是-4%，因此，工资是有黏性的，上去了，下来就难了，更何况美国工会力量强大……也就是说，劳动力成本才是影响美国通胀最重要的因素。美联储货币政策始终要兼顾两个目标：促就业和控通胀。但这两个目标是一对冤家，没法同时实现。通胀要压下来，失业率就得上去。因为如果没人想找工作，工资就还得涨。这就是为何通胀上来“病来如山倒”，而下去则“病去如抽丝”。恰好有二个不祥信号背书：a.美国汽油价格升破3.5美元，本月反弹9.2%；b.日本1月核心通胀率升至4.3%，创42年最高。这显然对于央行的降通胀目标好似雪上加霜……
Last but not least, 特斯拉继续大涨超180美元，市值重回5650亿美元上方，美股市值排行榜上冲回第五，一举超过了英伟达、埃克森美孚、Visa和联合健康等公司……点到为止吧……
最后，再顺便打个小广告，全球发行的《看懂財經新聞：賺錢門道》上架、《财经金融科普漫画书系（套装共4册）》出齐，以及我策划、和粮食问题专家冰清合著的《大国粮食》新鲜出炉，谢谢关注！
你对这个问题有什么更好的意见吗？欢迎在下方留言讨论！
艺术高地的未来将会怎样？
2022年，AI发展突然加速。
原来以为，AI只会完成程序设定的机械指令。只能在工业领域，协助人类工作。然而，今天的AI现在却开始“忤逆人类”。它不断地在独属于人类的领域突破。AI真的越来越强大，也越来越需要引起关注和深思。图片来源：文心一格未来学家库兹韦尔曾公开表示，在2045年左右，AI将可能达到一个奇点。在那一刻，AI也许将正式迎来技术爆炸，人和AI的关系达到一个新的起点。现在看来，这一时刻很可能还会提前到来。人类却还自以为是，徘徊不前。世界还在彼此争斗，吵个不停。在很多人看来，AI只是一段程序。至于像艺术这样的高维世界，独属于人类。可是2022年的AI正在染指的领域，就包括绘画。 1AI绘画，发展一日千里 2022年12月8日，一场拍卖会在上海举行。拍卖的对象，是人机共创的一幅AI山水画，取名也令人深思——《未完·待续》。 它是全球首次由人类和AI共同创作并进行拍卖的山水画。这幅画的底稿是民国才女陆小曼未完成的作品。著名海派画家乐震文，续笔完成了先人之画意。AI，也在这份原作上进行续画创作。 山水画，通常包含“勾”“皴”“擦”“染”“点”等基本画法。对于一个人类画家来说，这些基本画法用手操控画笔就能实现。但对于AI而言，它没有手，只能基于数学建模来绘画。每一根线条、每一处构图，并非由人来完全掌控。尤其是风格、皴法要求严格的山水画，对AI创作是更大的挑战。AI艺术与创意平台“文心一格”，成功完成了以上挑战。不仅能够理解画面内容，而且自动扩展和优化画作内容元素。同时，将画稿本身、AI的创造力与人类的判断力，绝妙地进行了融合。最终，一幅尊重原画的成品得以诞生。不仅富有创造力，也符合中国画风格。最终，这幅全球首次AI山水画以110万元落槌成交，成功拍卖。左：乐震文完成稿 中：陆小曼未尽稿 右：文心一格完成稿文心一格的惊艳表现，又是一个经典案例。世界变了，AI绘画已经有灵魂了。 为什么会这样，到底发生了什么？AI绘画的背后，有一个少为人知的存在。正是它的进步，带来了AI的突飞猛进。它就是大模型，是AI绘画重要的技术支撑。 2AIGC时代，要来了AI能够做的，当然不只是绘画。AI绘画，只是AIGC（AI生成内容）的一种表现形式。除了绘画，文字、代码、音频、三维建模等，都可能通过AI来生成。也就是说，曾经认为只有人类能够创造的内容领域，AI已经参与进来。从技术层面分析，AIGC主要涉及到以下两点：1、自然语言处理（NLP）：NLP是实现人与计算机之间如何通过自然语言进行交互的手段；2、AIGC生成算法：以生成对抗网络（GAN）和扩散模型为主。简单来说就是，NLP类似翻译的角色，是人与AI进行沟通的桥梁。生成算法则是AI的引擎，是AI得以源源不断进行“创作”的核心动力。算法越先进，AI越强大。从生成对抗网络到diffusion扩散模型，AI算法一直在不断优化。当然，对海量数据集的高效处理，也是AIGC得以迅速发展的重要原因。这些，同样也都离不开一个重要支撑：大模型。在不久的将来，AIGC很可能将会做到：1、写作：写一部同《最后的问题》媲美的科幻小说；2、聊天：与人类进行突破“图灵测试”的对话；3、谱曲：作一首与《梁祝》不相上下的绝世音乐；4、绘画：绘制一张超越《蒙娜丽莎》的天才画作；5、制作电影：生成一部像《教父》般的经典电影；6、编写程序：创建和Linux一样伟大的开源代码。这不只是猜想和预测，AIGC已经在稳打稳扎步步为营了。文心一格的AI绘画，Copilot的AI编程，ChatGPT的AI对话，都是案例。3还记得李世石那场世纪对决吗？ 谈到AI，许多人应该对AlphaGo还记忆犹新。 2016年，AlphaGo与李世石展开世纪对决。在第4局，李世石的“神之一手”，帮助其扳回一局。人类暗自庆幸，AI没有全胜。 AlphaGo是怎么做到的？谈到AI在大模型之前最重要的技术，那就是“深度学习”。 AlphaGo的“大脑”，是一套机器学习系统。支撑AlphaGo的机器学习算法，是“深度学习”+“强化学习”。AlphaGo借助两种深度神经网络：value network与policy network。value network负责评估棋子选点，policy network则选择落点。通过不断地强化学习，AlphaGo最终训练出了超出人类顶尖棋手的能力。 AlphaGo神经网络的训练过程和结构后来，通过优化深度学习算法，AlphaGo又进一步升级：1、学习数据全部来自机器自身的主动搜索，而非人类投喂；2、由多机运行转换为单机运行，应用效率增强；3、“自动决策”能力得到进一步提升。前些年AI的迅猛发展，都与深度学习密切相关。但这两年AI的挺进，是在深度学习的基础之上，强化了大模型的能力。只是作为后台BOSS的大模型，大部分人感知不到。 4深度学习→大模型 深度学习，是AI发展的重要突破。它能让计算机自动学习出模式特征，减少人为设计特征的不完备性。但是，深度学习模型也存在不足：1、在只能提供有限数据量的应用场景下，深度学习算法不能对数据规律进行无偏差统计；2、由于深度学习中图模型的复杂化，导致算法的时间复杂度急剧提升，为保证算法的实时性，需要更高的并行运算和更好的硬件支撑。也就是说，深度学习虽然强大，但它需要大数据支撑，才能达到高精度与高准确度。 2022年AI突然有了质的飞跃，背后的原因，就是大模型的崛起，让深度学习如虎添翼。 对手写数字进行分类的CNN结构图 大模型的出现，很好地解决了以上问题。大模型也称为“预训练大模型”，通过大模型，AI开发者可以直接获得相对现成的训练结果，并在此基础上直接开发AI应用。而大模型的核心特征，就是模型参数多，训练数据量大。当前，大模型的参数量，基本都是百亿级别以上，多则高达万亿。相应的，大模型的泛化能力更强，可以完成多个不同的任务。有了大模型预训练出来的各种参数和场景，AI就能在各个领域迅速突破。也就是说，大模型在一定程度上也解决了通用性的难题。 AI开始全方位的突破，翻译、配音、绘画、搜索、写作、建模……特别是2022年，明显能感觉到AI的“蠢蠢欲动”。因为大模型越来越成熟，它为AI提供了子弹。 5全球AI科技巨头的必争之地 大模型，是当前AI领域的技术新高地。全球的AI科技巨头，都在狂炼大模型。国内有百度、华为、阿里，国外则有谷歌、微软、英伟达……科技巨头们在这个时候发展大模型，其实是在为将来布局。 百度文心大模型结构图可问题来了，看起来都是大企业在布局。AI产业领域的中小企业，如何参与进来呢？面对人工智能这样的巨大市场，中小企业如何参与呢？ 由于成本太高，小企业没办法预训练自己的大模型。OpenAI 在训练包含1750亿参数的GPT-3时，就花了将近500万美元。这还只是千亿级的大模型训练成本。即使是对于科技巨头来说，这样的成本也不低。因此，如何实现大模型的经济适用性，就变得极为重要。 那么，中小企业具体该如何做呢？一个可以考虑的方向是：让大模型与各种垂直场景需求进行有效匹配，实现落地。也就是大厂建大模型，中小企业建立各类场景应用。 在这方面，百度的做法也许值得借鉴。面对如何实现大模型产业化这个问题，在百度看来，具有算法、算力和数据综合优势的企业，可以将模型生产的复杂过程封装起来，通过低门槛、高效率的生产平台，为千行百业提供大模型服务，从而形成一条大模型产业化路径。 以文心大模型为例，它是百度自主研发的产业级知识增强大模型体系。它既包含基础通用的大模型:1、NLP大模型:医疗、金融、搜索、跨语言……2、CV大模型：商品图文搜索表征学习、OCR图像表征学习……3、跨模态大模型：文图生成、文档智能……4、生物计算大模型：化合物表征学习、蛋白质结构预测…… 同时，也包含行业大模型：能源、金融、航天、制造、传媒……，让大模型技术与真实场景需求，真正实现了有效匹配，也推动了大模型的落地。 比如前面提到的文心一格，以及最近刚刚发布的产业级搜索系统文心百中，都是文心大模型的落地应用产品。 也就是说，借助文心大模型，你也可以做出一个AI绘画，或者一个垂直版的baidu搜索。当然，大模型还有更多可以应用的场景。你虽然没有大模型，但可以在大模型里训练出一个小模型。 6怎样使用文心大模型？ 目前，文心大模型已经发布36个大模型。通过飞桨开源平台、百度智能云，为工业、能源、金融、通信、媒体等各行各业提供支持。下面是部分合作案例：No.1航天（中国探月与航天工程）应用场景：航天故障部位信息抽取、航天工程文献情报分类、航天技术文献检索与摘要生成等多个航天领域应用场景。 No.2能源（国家电网）应用场景：设备技术标准知识库、电力知识问答系统、电力文档智能分析等多个能源行业应用场景。No.3金融（浦发银行）应用场景： 智能对话、智能文档分析、智能双录等多个金融行业应用场景。 No.4汽车（吉利）应用场景： 智能客服系统、车载语音系统、领域知识库构建等汽车行业应用场景。 大模型能够做的事情，当然也不只上面这些。比如，一个小朋友可以帮妈妈建一个应用：如何判断水果新不新鲜。他多拍一些水果照片喂给AI程序，让AI慢慢了解什么新鲜什么不新鲜。然后他妈妈就可以利用这个AI小程序，到外面买水果，扫一扫就能判断新鲜还是不新鲜。简不简单，好玩不好玩？ 这样的场景其实比比皆是，只是我们对大模型了解得太少。一看到大模型，就以为是个什么神奇得不得了的冰冷怪物。其实不然，它可以成为我们的技术助理。 那么，一个企业如果有应用需求的话，该怎么具体对接文心大模型呢？以百度文心大模型体系中的全功能AI开发平台BML为例。BML是一个面向企业和个人开发者的机器学习集成开发环境。它能够提供从数据处理、模型训练、模型管理到模型推理的全生命周期管理服务。帮助用户更快地构建、训练和部署模型。 BML大致开发流程如下：1、需求对接：企业结合自身业务实际需求，对接AI项目定制；2、数据处理：整合源数据，自动完成数据采集、清晰、扩充、标注等任务；3、模型建构：BML内置文心大模型开发套件, 仅需编写极少代码即可完成模型的构建与高效训练；4、模型管理：在完成建模和训练任务后，企业可通过多种方式导入模型进行统一管理，自动完成模型的评估、优化和转化；5、部署应用：在一次训练后，企业可采用多种部署方式，包括服务器侧部署和边端部署。以上就是BML的大致开发流程，完整实现了一站式AI开发。不仅模型精度高，也高效便捷。一家小企业，只要你利用好文心大模型：你可以做出一个垂直类的国风版AI绘画产品；也可以做出一个家庭宠物的安全监控应用；还可以做出一个内容只涉及元宇宙的搜索应用。 聪明的企业已经开始在这方面赚钱了。一定要去占百度的便宜，利用好文心大模型。 7大模型，还能做什么？ 其实大模型还可以做很多事情。拉普拉斯妖会说：给我时间，就可以计算出宇宙的未来。 当然，计算宇宙的未来，可能还是很遥远的事情。但随着算力与算法的优化，大模型在未来也许还可以做更多。比如下面这些：1、预测世界杯，计算出谁是冠军；2、预测股市，让你顺利实现抄底；3、预测地震，提前预警避开灾难；4、预测流行病，可提前做好预防；5、预测癌症，提前介入进行治疗；……文心·NLP大模型ERNIE 3.0 Zeus在阿西莫夫的《银河帝国》中，谢顿借助“心理史学”，预测银河帝国的未来，也改变了全人类的未来。实际上没有什么“心理史学”，能够做到这一点的更有可能是大模型。它会是一个超级智能系统，塑造人类生活的方方面面。 8这些行业，都在悄悄面临挑战 关于AI，争议颇多。有人将其视作朋友，认为AI会辅助人类进化。有人将其视作敌人，认为AI会毁灭人类未来。 在许多经典科幻作品中，AI与人类的关系，也微妙且复杂：《2001太空漫游》：超级智慧电脑HAL 9000为保全自身，杀死了太空船上的科学家们。《黑客帝国》：AI占领了真实世界，将人类统治在“矩阵”之中。《机械公敌》：AI突破了机器人三定律的限制，试图通过控制人类来保护人类。《西部世界》：AI在人类残暴的杀戮中逐渐觉醒，开始反抗人类的统治。《银河帝国》：机器人丹尼尔为了保护人类利益，默默守护了人类两万年。……在不少人看来，上面这些只是科幻而已。AI就算发展再快，它也只是人类的奴仆。所以，没有必要过分担心。 图片来源：文心一格但在深度学习以及大模型的加持下，AI已经在各个领域，开始接近甚至超越人类。当前许多行业，正在悄悄地面临来自AI的挑战：在绘画方面，文心一格有超越人类的趋势；在翻译方面，DeepL的精确度堪称完美；在配音方面，Azure几乎做到了以假乱真；在搜索方面，Metaphor比谷歌更加精准；在工业生产方面，AI早已渗透到各个角落。……有了大模型后，AI可以做很多事，同时也让人类担心。 结无人幸免，抑或文明升级？ 从AI绘画，到围棋对决。从自动驾驶，到搜索引擎。从城市管理，到金融交易。从航天探索，到能源供给。类似于百度文心大模型这样的大模型，它将渗透到人类生活的每一个角落。大模型，将可能成为全世界的超级大管家。图片来源：文心一格 AI在2022年的超级表现，也关乎着人类的命运走向。我们是在创造一个强大的“不可预测超级智能”。AI的力量，一天比一天强大。机器人三大定律，人类是否要提前思考？ 今年6月，谷歌工程师Lemoine称谷歌开发的聊天AI“LaMDA”已具备“人格”，拥有自己的感受，并像人一样推理。牛津大学和谷歌DeepMind的研究人员，也合著论文预测：AI将可能对人类构成威胁。AI实验室FAIR的研究员Abelard甚至更激进，认为库兹韦尔说2045年左右AI将达到奇点太保守，2035年就可以达到。留给人类的时间，只有13年了？如果AI真的有可能到达奇点，人类将迎来怎样的命运？然而，人们都认为这只是一个玩笑，没人去思考答案。这似乎有点危言耸听，我们更认可苹果CEO库克的话：我害怕的不是AI会思考，我们害怕的是人类不再思考。
为什么大家都不戳破深度学习的本质？
你以为给你戳破了深度学习的本质，你就学会了深度学习？
大脑天生就不是为了深度学习而进化的
在我看来深度学习的定义，应该是理解基本规则和最终目标，自我的不断提高！我们从阿尔法元AlphaGo Zero的身上可以看到，智能化机器的深度学习。对比AlphaGo学习人类的棋谱来说，AlphaGo Zero就像人类初学者一样，只是了解比赛的规则和比赛的最终目标来自我学习，也就是说自我的对决。
而人类的大脑，只是为了更好的生存和繁衍而进化来的。所以大脑的本能就是通过不断的体验和学习，找到一种更适合生存，更好繁衍的方式方法，从而遵循这样的方法。一旦找到这样的方法，大脑便放弃了思考，而把更多的能量去做其他事情。就像古代的为了食物的创造发明一样，现代虽然食物不会威胁到生存，可是依然会吃那么多的，这也是胖子那没多的原因。大脑的进化没有跟得上环境的变化。大脑的最终目标不是无限制的去学习。
大脑虽然有意识会克服一些本能的东西，可是永远不会像机器一样把其他的一切都不顾，不理会环境，永远理性，只盯着唯一的目标。这是人的局限性，因为有感性，也是人与机器的区别，也是人生的意义。
就算告诉你了深度学习的本质，即使大脑潜力无限，你也只能去接近深度学习，不能完全达到。并且学习的目的是为了更好的生活，为了学习而学习没有任何意义！
我是庸人老张，欢迎关注我的头条号