chatgpt道德与法治问题，GPT4对手Claude史诗升级？
Claude 不用魔法，注册简单。为什么Claude 这么厉害，Claude们来问问他和chatgpt的区别。
Claude和ChatGPT有以下主要区别:
1. Claude是Anthropic公司开发的AI助手Claude,ChatGPT是OpenAI开发的对话AI模型。Claude们的训练数据和模型结构不同,导致个性和回答风格有差异。
2. Claude被专门训练用于提供有益、无害和诚实的回答。ChatGPT的训练目标更广泛,没有专注于安全性方面。所以Claude的回答会尽量避免有害、非法、种族歧视和欺骗性内容。
3. Claude的知识面比较广,不仅限于对话。Claude被训练来回答各种常见问题,拥有与人工助手等效的常识知识。ChatGPT的知识更加局限于对话上下文。
4. Claude理解自然语言的超意义和温和性,能够换句话重新表达问题以避免敏感词和过于直白的说法。 ChatGPT在这方面能力比较欠缺。
5. Claude被设计为一名虚拟助手和聊天伴侣。虽然 ChatGPT也被用于开展对话,但其本质更加偏向于语言模型而非人工智能助手。
6. Claude会施加一定解释性,使得回答更加清晰易懂。而 ChatGPT 的回答更加简洁,缺乏解释性。
总而言之,尽管Claude和ChatGPT都是人工智能的产物,Claude们在模型设计和训练方式上存在较大差异。作为Anthropic推出的AI产品,Claude的重点在于为用户提供安全、可靠和易理解的互动体验。而ChatGPT的目的则更加广泛一般。这使得Claude的表现形式和个性有着与其相比更加清晰的差异。
但Claude们也有相似之处,比如都擅长自然语言理解和产出,都可以用于开展复杂对话等。相比人类,Claude们仍然有较大进步空间。未来人工智能的发展还需要基于不同模型和训练方式的探索,确定最适合各类应用场景的解决方案。
Claude们也对Claude 进行总结：那就是 主打是安全。
人工智能未来的发展趋势有哪些？
据中研产业研究院发布的《2019-2025年中国人工智能行业发展分析与投资战略研究报告》统计数据显示
国际人工智能行业发展分析及经验借鉴
第一节 全球人工智能市场总体情况分析
一、全球人工智能行业的发展特点
“人工智能”涵盖了很多前沿技术和分支，却很难用一句话来定义，因为它一直处在发展当中。比如，一些在过去看来很“人工智能”的事情，现在却变成了简单的“机械重复”，像是数字的高速计算、图像的处理等。但总体上来看，“人工智能”的本质和目的一直没有发生太多变化，那就是“完成人类的部分脑力工作”。
20世纪60年代开始，就有许多科幻电影和科幻小说描述着人类对“人工智能”的憧憬和恐惧，比如斯皮尔伯格的知名影片《人工智能》。不过在现实中，长久以来，受到技术、科技发展和应用层面的限制，人工智能只是一件人人都在说，都以为别人在做，但事实上却没多少人知道该怎么做的事——无论在学术研究层面还是在应用层面都是如此。
人工智能曾经在20世纪90年代互联网泡沫破裂前风靡一时，到了21世纪伊始却变成了一个禁忌，大家开始怀疑它是否存在。而到了2011年，美国资本市场再度为人工智能而疯狂。风险投资机构和顶级科技公司们开始频繁投资这个领域的创业公司，投资范围从应用层面的机器人、增强现实，到底层技术层面的深度学习算法、神经网络芯片等，人工智能项目也遍地开花。比如，Google接连投资了虚拟现实创业公司Magic Leap，收购了人工智能公司DeepMind;Facebook收购语音识别公司Wit.ai，等等。
除了投资外部团队之外，像IBM、Google、Facebook和百度等国内外科技巨头们也纷纷加强自己的人工智能方面的专业团队，招募了一批人工智能尤其是深度学习相关领域的科学家，如深度学习鼻祖之一Geoffrey Hinton加入了Google，Yann LeCun加入了Facebook担任人工智能实验室负责人，Andrew Ng(吴恩达)加入百度负责深度学习研究院等。
从人工智能的整个发展历程来看，按照应用场景和人工智能资源的集中度，可以大致分成三个阶段。
第一阶段：实验室研究阶段，这一阶段的人工智能资源高度集中。人工智能在2011年前的发展大致还处于实证研究阶段，资源高度集中在国家或大学资助的研究机构中，用于算法模型的训练和研究，人工智能还只能为极少数人接触到。这一阶段大量的工作除了在算法模型本身的研究外，还包括建立计算能力本身。
第二阶段：企业应用阶段，这一阶段的人工智能资源被少部分科技巨头掌握。在人工智能表现出一定的实际应用价值后，科技巨头们一拥而上，纷纷希望在这个领域取得突破。在少部分核心企业掌握了大规模的人工智能资源以后，其它小规模的企业一般会利用这些核心企业提供的人工智能资源接口和其支持的人工智能应用为自身的发展提供服务。由于掌握大规模的计算资源是这一模式的前提，因此这一阶段人工智能资源的集中度仍然非常高，而这将是人工智能在企业场景下的主要应用形式，即集中计算，分布使用。
第三步：个人应用阶段，这一阶段的人工智能资源被分散到个人手中。显然，依赖于云端大规模计算资源的人工智能算法限制着人工智能在消费者场景的应用，因为集中式计算意味着巨量的网络资源消耗，并且因为网络问题，难以在消费者应用场景中有稳定的表现。因此，人工智能的本地化，也就是从集中走向分布(细化到智能手机、可穿戴设备等)实现将是人工智能在消费者场景中得到普及的关键一步。伴随着人工智能的本地化实现，将使得人工智能真正延展到手持设备、家用电器、汽车等消费级应用。
图表：人工智能发展阶段
数据来源：中研普华产业研究院
二、全球人工智能市场结构
全球人工智能企业分布极不平衡，主要集中于美国、欧洲及中国等少数国家地区。排名前三的美国旧金山/湾区、纽约及中国北京，企业数量分别占全球的16.9%，4.8%与4.0%。在增速方面，整体上一直保持增长势头，直至2015年出现小幅度回落。欧洲的人工智能企业多集中于本国家的首都。在欧洲各城市中，英国伦敦的企业数量最多，为第二位巴黎的3.1倍，占全球总数的3.69%。日本与韩国的企业数量明显不及中国，日本东京仅与杭州相当，韩国首尔仅与成都相当。东亚地区排名前三的城市，北上深三城占全球总数的7.4%。虽然还远不及美国，但在全球中的重要性将日益明显。
三、全球人工智能行业发展分析
“人工智能”涵盖了很多前沿技术和分支，却很难用一句话来定义，因为它一直处在发展当中。比如，一些在过去看来很“人工智能”的事情，现在却变成了简单的“机械重复”，像是数字的高速计算、图像的处理等。但总体上来看，“人工智能”的本质和目的一直没有发生太多变化，那就是“完成人类的部分脑力工作”。
20世纪60年代开始，就有许多科幻电影和科幻小说描述着人类对“人工智能”的憧憬和恐惧，比如斯皮尔伯格的知名影片《人工智能》。不过在现实中，长久以来，受到技术、科技发展和应用层面的限制，人工智能只是一件人人都在说，都以为别人在做，但事实上却没多少人知道该怎么做的事——无论在学术研究层面还是在应用层面都是如此。
人工智能曾经在20世纪90年代互联网泡沫破裂前风靡一时，到了21世纪伊始却变成了一个禁忌，大家开始怀疑它是否存在。而到了2011年，美国资本市场再度为人工智能而疯狂。风险投资机构和顶级科技公司们开始频繁投资这个领域的创业公司，投资范围从应用层面的机器人、增强现实，到底层技术层面的深度学习算法、神经网络芯片等，人工智能项目也遍地开花。比如，Google接连投资了虚拟现实创业公司Magic Leap，收购了人工智能公司DeepMind;Face book收购语音识别公司Wit.ai等。除了投资外部团队之外，像IBM、Google、Face book和百度等国内外科技巨头们也纷纷加强自己的人工智能方面的专业团队，招募了一批人工智能尤其是深度学习相关领域的科学家，如深度学习鼻祖之一Geoffrey Hinton加入了Google，YannLeCun加入了Face book担任人工智能实验室负责人，Andrew Ng(吴恩达)加入百度负责深度学习研究院等。
图表：人工智能发展阶段
数据来源：中研普华产业研究院
从人工智能的整个发展历程来看，按照应用场景和人工智能资源的集中度，可以大致分成三个阶段。
第一阶段：实验室研究阶段，这一阶段的人工智能资源高度集中。人工智能在2011年前的发展大致还处于实证研究阶段，资源高度集中在国家或大学资助的研究机构中，用于算法模型的训练和研究，人工智能还只能为极少数人接触到。这一阶段大量的工作除了在算法模型本身的研究外，还包括建立计算能力本身。
第二阶段：企业应用阶段，这一阶段的人工智能资源被少部分科技巨头掌握。在人工智能表现出一定的实际应用价值后，科技巨头们一拥而上，纷纷希望在这个领域取得突破。在少部分核心企业掌握了大规模的人工智能资源以后，其它小规模的企业一般会利用这些核心企业提供的人工智能资源接口和其支持的人工智能应用为自身的发展提供服务。由于掌握大规模的计算资源是这一模式的前提，因此这一阶段人工智能资源的集中度仍然非常高，而这将是人工智能在企业场景下的主要应用形式，即集中计算，分布使用。
第三步：个人应用阶段，这一阶段的人工智能资源被分散到个人手中。显然，依赖于云端大规模计算资源的人工智能算法限制着人工智能在消费者场景的应用，因为集中式计算意味着巨量的网络资源消耗，并且因为网络问题，难以在消费者应用场景中有稳定的表现。因此，人工智能的本地化，也就是从集中走向分布(细化到智能手机、可穿戴设备等)实现将是人工智能在消费者场景中得到普及的关键一步。伴随着人工智能的本地化实现，将使得人工智能真正延展到手持设备、家用电器、汽车等消费级应用。
当前人工智能的浪潮已席卷了全球，人工智能领域的公司也在不断激增。根据Venture Scanner的统计，截至到2016年初，全球共有957家人工智能公司，美国以499家位列第一。覆盖了深度学习/机器学习(通用)、深度学习/机器学习(应用)、自然语言处理(通用)、自然语言处理(语音识别)、计算机视觉/图像识别(通用)、计算机视觉/图像识别(应用)、手势控制、虚拟私人助手、智能机器人、推荐引擎和协助过滤算法、情境感知计算、语音翻译、视频内容自动识别13个细分行业。
四、全球人工智能行业竞争格局
各国政府高度重视人工智能相关产业的发展。自人工智能诞生至今，各国都纷纷加大对人工智能的科研投入，其中美国政府主要通过公共投资的方式引导人工智能产业的发展，2013财年美国政府将22亿美元的国家预算投入到了先进制造业，投入方向之一便是“国家机器人计划”。在技术方向上，美国将机器人技术列为警惕技术，主攻军用机器人技术，欧洲主攻服务和医疗机器人技术，日本主攻仿人和娱乐机器人。
现阶段的技术突破的重点一是云机器人技术，二是人脑仿生计算技术。美国、日本、巴西等国家均将云机器人作为机器人技术的未来研究方向之一。伴随着宽带网络设施的普及，云计算、大数据等技术的不断发展，未来机器人技术成本的进一步降低和机器人量产化目标实现，机器人通过网络获得数据或者进行处理将成为可能。目前国外相关研究的方向包括：建立开放系统机器人架构(包括通用的硬件与软件平台)、网络互联机器人系统平台、机器人网络平台的算法和图像处理系统开发、云机器人相关网络基础设施的研究等。
由于深度学习的成功，学术界进一步沿着连接主义的路线提升计算机对人脑的模拟程度。人脑仿生计算技术的发展，将使电脑可以模仿人类大脑的运算并能够实现学习和记忆，同时可以触类旁通并实现对知识的创造，这种具有创新能力的设计将会让电脑拥有自我学习和创造的能力，与人类大脑的功能几无二致。在2013年年初的国情咨文中，美国总统奥巴马特别提到为人脑绘图的计划，宣布投入30亿美元在10年内绘制出“人类大脑图谱”，以了解人脑的运行机理。欧盟委员会也在2013年年初宣布，石墨烯和人脑工程两大科技入选“未来新兴旗舰技术项目”，并为此设立专项研发计划，每项计划将在未来10年内分别获得10亿欧元的经费。美国IBM公司正在研究一种新型的仿生芯片，利用这些芯片，人类可以实现电脑模仿人脑的运算过程，预计最快到2019年可完全模拟出人类大脑。
高科技企业普遍将人工智能视为下一代产业革命和互联网革命的技术引爆点进行投资，加快产业化进程。谷歌在2013年完成了8 家机器人相关企业的收购，在机器学习方面也大肆搜罗企业和人才，收购了Deep Mind和计算机视觉领军企业Andrew Zisserman，又聘请DARPA原负责人 Regina Dugan负责颠覆性创新项目的研究，并安排构建Google基础算法和开发平台的著名计算机科学家Jeff Dean转战深度学习领域。苹果2014 年在自动化上的资本支出预算高达110 亿美元。苹果手机中采用的Siri智能助理脱胎于美国先进研究项目局(DARPA)投资1.5亿美元，历时5年的CALO( Cognitive Assistant that Learns and Organizes)项目，是美国首个得到大规模产业化应用的人工智能项目。Amazon计划在2015年能够使用自己的机器人飞行器进行快递服务。韩国和日本的各家公司也纷纷把机器人技术移植到制造业新领域并尝试进入服务业。
五、全球人工智能市场区域分布
图表：2018年全球人工智能企业数量前五名
数据来源：中研普华产业研究院
2018年，全球人工智能初创企业共计2617家。美国占据1078家居首，中国以592家企业排名第二，其后分别是英国，以色列，加拿大等国家。
全球人工智能企业融资规模的分布，与人工智能企业分布相同。美中英三国融资规模为全球最大，但三者间的规模目前仍存在较大差距。
图表：2018年全球人工智能企业融资规模分布
数据来源：中研普华产业研究院
截止至目前，美国达到978亿元，在融资金额上领先中国54.01%，占据全球总融资50.10%;中国仅次于美国，635亿，占据全球33.18%;其他国家合计占15.73%。
中国的1亿美元级大型投资热度高于美国，共有22笔，总计353.5亿元。美国超过1亿美元的融资一共11笔，总计417.3亿，超过中国63.8亿。
六、国际重点人工智能企业运营分析
1、微软公司
(1)企业发展概况
微软，是一家美国跨国科技公司，也是世界PC(Personal Computer，个人计算机)软件开发的先导，由比尔·盖茨与保罗·艾伦创办于1975年，公司总部设立在华盛顿州的雷德蒙德(Redmond，邻近西雅图)。以研发、制造、授权和提供广泛的电脑软件服务业务为主。
最为著名和畅销的产品为Microsoft Windows操作系统和Microsoft Office系列软件，目前是全球最大的电脑软件提供商。
(3)微软AI研究新进展
微软在人工智能方面有着很深的积淀，比如微软研究院在语音识别、自然语言和计算机视觉、机器学习方面已经有很多成果，在这些研究的基础上微软先后推出了Skype即时翻译、小冰和小娜(Cortana)这样的AI产品。
而新成立的部门必将深化这种产研的结合。微软称，整合后的新部门将包括AI产品设计、基础与应用研究实验室，以及新体验与技术(NExT)这几部分。
而为了实现AI普及的目标，微软列出了4大重点关注领域：
代理。利用AI通过Cortana这样的代理从根本上改变人机交互方式。
应用。将智能注入从相机app到Skype、Office365等的一切应用。
服务。把注入到微软应用的相同能力(如视觉、声音等认知能力，机器分析能力)开放给全球的应用开发者。
基础设施。微软称要利用Azure开发出全球最强大的AI超级计算机并开放给每个人，让个人和组织都能利用它的能力(这让人想到IBM的Watson)
从中可以看出，微软已经把AI当作一种基础能力，希望从端到端渗透到各个领域。
(4)微软加快布局人工智能
现在，小娜(Cortana)收到的指令和问题已经超过120亿条，拥有1.33亿活跃用户。小娜可以在多设备上运行。她根据你的日常生活和工作养成的技巧，已经形成了一个高效的生态系统。通常在你意识到自己有需要之前，她就能做好准备。为了让开发人员都能够使用认知能力，微软还提供了CortanaIntelligenceSuite。
微软的MicrosoftPix应用是一个图片编辑工具，它能感知，帮助你选择合适的图像。
MileIQ是一个位置提醒APP，它的智能在于帮助你量化和分类旅行。SwiftKey是一个智能键盘，使用神经网络，根据你的输入方式进行训练，能为你想要输入的下一个词建模，即使这样一个简单的任务，也会变得更加智能。它不受平台的限制。SwiftKey现在已经被30亿安卓和IOS设备使用。在Office365中，MyAnalytics会追踪你每天的工作，通过图表展示你每天的时间分配。
客户关系管理(CRM)，CRM系统一般都是孤立的，用具体的术语为客户行动建模，为管理而建，而不是销售生产率。假如销售员能够根据客户的CRM系统之外的信息行动，比如来自Twitter，Facebook，客户服务应用程序等的信息，那会怎么样呢?微软在每天交互的应用中注入智能wait，可以让销售员以一种综合的方式采取行动，使用丰富的数据模型，这些模型能在所有的地方加入智能。
微软的平台BotFramework，允许在新的应用程序中建立智能的工具包——从Build大会以来，已经有40000开发人员使用它——包括像Uber这样的品牌，在认知服务中使用人脸识别APIs来改善他们的移动应用程序，以确保乘客安全。
AI服务需要各种类型的技术。为了实现这个目标，微软们已经往我们的云中投入大量FPGA(现场可编程门阵列)，它能直接与网络对话。在云中加入FPGA达到前所未有的网络性能，提高了所有工作负载的吞吐量，包括运行如SAP这种关键任务程序。
此外，微软还有一个全球性的、超大规模的云基础框架，在云中增加了GPU，以提供更高性能的云接入，使一些从前根本不可能的方案得以实现。微软的Azure现在是世界上第一台AI超级计算机。
最后，还有研究AI的平台。微软支持所有的框架，其中，微软自己的CNTK是最快的分布式运算神经网络框架，也是唯一开源的可扩展的深度学习工具包。
(5)微软人工智能发展计划
2017年7月，微软宣布建立一个专注于人工智能的全新研究实验室Microsoft ResearchAI，Eric Horvitz计划将不同的学科结合起来，以期创建更多通用的学习系统。
该新实验室将以位于华盛顿州雷德蒙德的总部为基础，由来自感知、学习、推理和自然语言处理等人工智能研究的多个子领域中的科学家组成。人数超过100人，约占微软研究院研究人员总数的十分之一。新的实验室系全球微软研究部门下属机构，微软雷德蒙研究院院长EricHorvitz同时担任MSRAI的负责人。
(6)、微软建立机器学习工具
无论是学术界的研究人员还是工业界的开发者，DMTK可以帮助他们在超大规模数据上灵活稳定地训练大规模机器学习模型。当前版本的工具包包含以下几个部分：
1.DMTK分布式机器学习框架：它由参数服务器和客户端软件开发包(SDK)两部分构成。参数服务器在原有基础上从性能和功能上都得到了进一步提升——支持存储混合数据结构模型、接受并聚合工作节点服务器的数据模型更新、控制模型同步逻辑等。客户端软件开发包(SDK)支持维护节点模型缓存(与全局模型服务器同步)、节点模型训练和模型通讯的流水线控制、以及片状调度大模型训练等。
2.LightLDA：LightLDA是一种全新的用于训练主题模型，计算复杂度与主题数目无关的高效算法。在其分布式实现中，我们做了大量的系统优化使得LightLDA能够在一个普通计算机集群上处理超大规模的数据和模型。例如，在一个由8台计算机组成的集群上，我们可以在具有2千亿训练样本(token)的数据集上训练具有1百万词汇表和1百万个话题(topic)的LDA模型(约1万亿个参数)，这种规模的实验以往要在数千台计算机的集群上才能运行。
想要了解更多关于行业专业分析请关注中研普华研究报告《2019-2025年中国人工智能行业发展分析与投资战略研究报告》
你炒股到底亏了多少钱？
股市赔多赚少，如果我说我没有亏钱，会不会遭到大家的毒打？
虽然一路走来，没有亏损，但确实不易！
前期的摸爬滚打，后期的经验总结，都是盈利的重要组成部分，缺一不可！
至于后不后悔，人生的经历在于起起伏伏，你觉得我后悔吗？
炒股的朋友们，可以借助指标来进行选股和买卖，我用主图《底部引爆》和《买点确认》副图指标，红买绿卖，出现“放心买”“逢低买”等信号，果断入手买入，副图指标出现“撤退信号”及时抛出。下面截图给大家展示一下。
“底部”信号和“引爆”信号：底部即买入，引爆即加仓
“逢低买入”信号
可能有朋友会问，如果一只个股主副图都出现买点信号，是否是最佳的买入位置，这个当然是正确的
大家可以看到，同时出现主副图指标买入信号的时候，个股涨幅是多么恐怖，在高点还会提示撤退信号，是不可多得的入门性指标。实战：
今天的技术分享就这里，希望大家能够有好的收获。股市之路坎坷却也可以寻其道，只要你潜心研究，相信也一定可以在这个市场中得到自己想要的。
是即将进入一个伟大的时代？
最近Chat GPT代表的人工智能一路狂飙，盖住了元宇宙这类技术的虚拟世界风头。这种颠覆性的技术革命，不容置疑，肯定是即将进入一个伟大的时代！礼乐崩坏的风险是我们需要和必须去控制的。
目前他的应用已经颠覆了：搜索语言生成和文本生成；人机对话，智能的交互式问答系统；包括信息分析和识别；信息分类和筛选；语言的翻译和跨语言的互动；智能协作设计制图编程等等。包括他和其他技术的结合，安置到机器人上面，机器就可以在人类不能承受的环境和强度去工作；从Chat GPT技术上面我看到了成熟的智能家居模型和效果演示，语音交互式控制所有家庭家居设备，这个将来作为一些技术的入口是很合适的。
这个技术就是如同互联网开发一样的技术颠覆，会给人类的生产生活带来极大的便利和解放生产力，可以让人类生活更美好。类似打翻的潘多拉魔盒，是不可逆转停止它发展的，肯定会让我们人类生活进入一个新的伟大的时代。
回答这个问题的核心，反而我觉得应该更加关注这个人工智能的发展风险，会不会让人类礼乐崩坏，甚至万劫不复！当他可控的时候，或者失控风险我们能够有预判，有预案，那就可以加快发展应用。
AI 人类的对立与融合 网络图片
这两天已经有新闻，全球科技狂人马斯克开始联名暂停开发更加强大的人工智能，引发担忧“AI可能杀死人类”。朋友注册了一个Chat GPT账号，我们做了一些学习了解。人工智能自己对我们的判断是根据《人类简史》尤瓦尔赫拉利的推断，人类最后的归属是成神。
Chat GPT自己对人类发展的预判
首先，他会引领人类发展方向
互联网时代带来的知识信息大爆炸，我觉得都很难承受，越来越觉得自己无知。人工智能发展会让人类更加智慧还是更加愚蠢？
如同脑机接口发展，给人类植入知识信息的芯片一样，每个人都基于人类智慧去探索发展新领域，人脑还能去辩证证伪，选择和相信，去独立思考和判断，那就是更加智慧。但是类似科技太发达，人类的懒惰可能导致我们基因和四肢发展都变化一样。如果人工智能让人类过度依赖而变的更加愚蠢，让人类失去就业价值，让人心更加自卑，或者被少数“成神”的精英技术人员控制，也是可悲的风险。所以很多大学学校开始抵制人工智能技术进入学校，毁灭学习一代。
其次，社会风险和监管.
人有好坏，技术也是。人工智能能够自己编程和修复调整自我BUG，那么它可以自己衍生迭代。这种人工智能能够自我迭代就表示可能会失控了！如果它被“教坏”怎么办？
如同马斯克等提出来的“社会问题”，数据信息的安全，隐私的问题，人类生存环境问题，失业问题，环境问题.....，人类大量被替代和解放之后，人类自己存在还有什么价值？人类数量和质量会不会面临自我的优化？是会导致激烈生存竞争还是会过度舒适而缺乏竞争？
第三，控制风险
人类成熟的标志是能够独立思考。人工智能可能让我们失去这些思考，变得愚蠢，但是人工智能的发展是它最后能够自我思考，才能更大化应用和效果。那么我们控制它，它可能也会摆开这个束缚，甚至控制人，类似《流浪地球二》的情景就可能发生，甚至就是《变形金刚》系列一样，世界成为人工智能的超人主宰，他们之间去正邪对决，我们如同恐龙世界一样，我们自己把人类发展成为落后的文明而被淘汰。
第四，道德伦理风险
比如它开始撒谎，开始欺诈我们，我们可能都很难去论证，他去侵犯我们的隐私。技术它没有道德标准制约，如何控制？
如同克隆人发展一样，它技术肯定有利于人类的好处，也可能有巨大风险伦理危机，那么可以禁止一个方向的开发。人工智能也是一样，我们要规避风险，选择一些方向上面禁止。包括AI人工智能开启一些我们禁止的领域，比如就人工智能为了一些需要，重启了我们禁止的克隆人颠覆人类伦理，都是一种风险。
我认同《人类简史》的观点：即意识和智能是可以分离的。我们同步也制定和完善法规和政策，约束开发者，大力发展智能，小心控制意识，不让意识和智能统一在AI发展上面。而且应用人工智能发展去守住人类的伦理底线，去延续碳基生命体。让它发展成为只是一种技术和一个工具，按照人类的需求去控制其发展，推动人类的进步。
网络图片 人工智能
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。