chatgpt和人脑，人工智能有什么用？
在过去的十年里，人工智能技术迅猛发展，曾经让我们觉得不可思议的科幻小说中的场景如今也逐渐成为我们生活中不可或缺的一部分。
十年前，人们还在谈论 AI 理论和实验的阶段，但是到了今天，AI已经投入多个领域的使用，切实地改变着我们的生活。过去的十年内人工智能领域所作出的成绩为其未来的发展打下了坚实的基础，那么人工智能到底有什么用呢？就让我带你们一起来回顾一下十年以来人工智能技术的重大突破吧。
/卷积/ 2012年，卷积神经网络（CNN）在著名的 ImageNet 挑战赛中大放异彩。由 Alex Krizhevsky 等人设计的卷积神经网络「Alexnet」以远超第二名的成绩夺得冠军，将 ImageNet 数据集上的视觉识别错误率降到了 15.3%，使原来的错误率减少了一半。该神经网络对猫的检测准确度达到了 74.8%，在 YouTube 视频中检测人脸的准确率为 81.7%。这一成果的作用在于，识别准确率的提升使研究者能够进行医学成像模型的部署，这些模型具备高置信度。除此以外，当下手机和商场中的人脸识别应用都要归功于卷积神经网络。 /对话AI/2017年由Vaswani等人发表的《Attention Is All You Need》带来的级联效应，使得机器能够以前所未有的方式去理解语言。基于Transformer 架构，AI 现在能够撰写假的新闻、推文，甚至可能引起政治动荡。继 Transformer 之后，谷歌又推出了 BERT 模型，将其用于关键字预测和 SEO 排名等。BERT 如今已经变成了自然语言处理领域的实际标准，例如 Microsoft 和 NVIDIA 之类的公司已经开始堆积更多参数来追赶该模型。GPT-3 也是 Transformer 的扩展，是目前最大的模型，它可以编码、写散文、生成商业创意，只有人类想不到，没有它做不到。/将人类一军/阿尔法狗在国际象棋中击败了顶级人类选手的新闻可以说是人人皆知，而更加复杂的人类游戏、围棋、扑克等，也没有挡住算法的脚步。这十年里，IBM 的 Watson 也在 Jeopardy! 决赛中击败了两位人类，最终 Watson 拿走了 77147 美元的大奖，而两位人类分别获得了 24000 和 21600 美元。Facebook 和卡耐基梅隆大学共同开发的德州扑克 AI Pluribus 也战胜了五名专家级人类玩家，实现了前辈 Libratus（冷扑大师）未能完成的任务，该研究还登上了 2019 年的《科学》杂志。2020 年 12 月，DeepMind 提出的 MuZero更是能够让人工智能模型掌握多种游戏，包括将棋、国际象棋和围棋等等。/生命解码/每一个生物体的行为都可以在其蛋白质中寻踪溯源。蛋白质承载着秘密，破解蛋白质或许有助于击败新冠病毒的流行。但蛋白质结构非常复杂，需要不断地运行模拟，光靠人力是很难完成的。DeepMind 尝试解决这一难题，其开发的深度学习算法Alphafold破解了出现五十年之久的蛋白质分子折叠问题。在计算机视觉被证明可以帮助诊断后，解决蛋白质折叠问题甚至能够帮助研发人员开发新药。 /艺术家OR骗子/在去年的一则视频中，比利时首相谈论着解决经济和气候危机的紧急需求，后来人们才发现这其实是通过AI技术伪造的视频。伪造内容的背后是精心设计的算法——生成对抗网络（GAN）。该算法在2014年提出，并得到广泛应用，甚至已经侵入了人类工作的最后一道壁垒：创作。这种网络可以生成从未存在的人脸、互换人脸，让一国总统胡言乱语。GAN 生成的一幅画甚至在佳士得拍卖会上以破纪录的价格——40 万美元成交了。GAN 的另一面是被用于恶意目的，以致于像 Adobe 这种公司不得不研究新技术来鉴别伪造内容。GAN 在下一个十年里仍将是被广泛讨论的对象。 /核心——硅/过去十年，我们见证了十多家公司研究专门的机器学习芯片。这些年来，芯片技术得到了极大发展，我们可以在手掌大小的设备上执行百万次运算。这些芯片被用到数据中心，用户可以观看自己喜欢的 Netflix 电影、使用智能手机等。接下来，专为边缘设备定制的 AI 芯片将会蕴含着价值数十亿美元的商机。苹果等公司已经开发了定制化机器学习芯片（如 A14 Bionic）来提供智能服务。即使是依赖英伟达和英特尔的 AWS，也正在慢慢进入芯片行业。/逐渐成熟的开源文化/2015 年，TensorFlow 开源。一年后，Facebook AI 又开源了基于 Python 的深度学习框架 PyTorch。今天，TensorFlow 和 PyTorch 已经成为使用最广泛的框架。通过不断的版本更新，谷歌和 Facebook 为机器学习社区带来了极大便利。自定义库、软件包、框架和工具的爆发式增长，使得更多人进入了 AI 领域，也为 AI 研究带来了更多人才。尽管 AI 已经进入许多我们未曾想象的领域，但它仍需应用到更流行的应用中，如自动驾驶汽车。然而，还有很多的挑战存在于数学层面：目前已有能够做出准确决策的算法，也有能够处理这些算法的处理器，但何时能够部署到应用上仍未可知。不管是医疗还是自动驾驶汽车还是其他的新领域，AI 仍需要持续不断地发展。
正如工业和信息化部副部长王志军所说，要想持续锻造云计算、大数据、人工智能、5G等新一代信息技术领域的长板优势，推动产业体系优化升级，就需要推动软件国民基础教育，创建一批特色化示范性软件学院，打造高素质人才队伍。国家对人工智能等技术的重视程度已经达到一个新高度，在未来这些相关产业也会得到大力扶持，其发展前景可见一斑。如果你正面临学业或者就业方向的抉择，不妨考虑成为云计算、大数据和人工智能等方向的专业技术人才，不仅拥有广阔的发展前景，还能为国家的重点科技领域助力，可谓是前途无限。
OpenAI研究用GPT？
我特地从网络上搜索了一些相关信息，OpenAI研究用GPT-4解析GPT-2样本，可能会带来一些恐怖影响：
首先呢，GPT-4是一个大型的多模态模型，可以接受图像和文本输入，输出文本。它在各种专业和学术的基准测试上表现出人类水平的性能，例如在模拟的律师考试中得分位于前10%。相比之下，GPT-3.5的得分位于后10%。
其次，GPT-4经过了长达6个月的迭代对齐，使用了来自对抗测试计划和ChatGPT的反馈，使其在事实性、可控性和拒绝超出安全范围方面取得了最好的结果（尽管还不完美）。
然后恐怖的来了，GPT-4有可能会被滥用，这可能会影响社会稳定和国家安全。例如通过微调GPT-2模型来生成各种歪曲主义的宣传。
最后，GPT-4的检测是具有挑战性的。基于内容的合成文本检测是一个长期的难题。OPENAI开发了一个检测模型，可以以约95%的准确率检测由1.5B GPT-2生成的文本。这个准确率不足以作为单独的检测方法，需要与基于元数据的方法、人类判断和公众教育相结合，才能更有效地防范合成文本的危害。
因此，OpenAI研究用GPT-4解析GPT-2样本，可能会对AI技术发展产生积极和消极的双重影响。一方面，它展示了深度学习规模化的最新成果，提高了AI模型在语言理解、生成和多模态交互方面的能力；另一方面，它也暴露了AI模型在安全性、可靠性和道德性方面的不足，需要更多的社区合作和责任感来应对潜在的风险和挑战。
你最希望通过科技改变的是什么？
从古到今，科学技术一直是人类历史中极其重要的发展因素。从石器到青铜到铁器，再到由此而制造的精巧构造器件。
科技从简单技术的手工业时代，到工业化大生产时代，到今天的人工智能时代。科技为人类带来便捷、安逸的同时，也深刻地改变着人类。
有感于此，作为一个平凡的晋通人，我最希望科技能为人们改变以下几个方面。
在医疗领域希望利用科技为人类造福
尽管人类在对抗疾病方面取得了令人瞩目的成果，人均寿也大幅提高。但人有许多危险且致命的疾病，人类至今尚无法攻克，有很多人尚未老去便被疾病夺走生命，给家庭带来了无法弥补的伤痛。希望未来人们能够利科技的力量攻克这些疾病！
希望利用科技让太空旅游成为常规的旅行方式
尽管现在有的国家已经推出了所谓的太空旅游。但是那种旅游只是针对少数人，而且要冒巨大的安全风险。而游客上太空之前还要进行一些技术培训，整个系统只能为少数的客户而运转，这就注定了其费用不菲。希望科技能让普通的人能够旅游太空，而且费用低廉，安全性高就像坐火车飞机或公共汽车一样，快捷方便。
希望利用科技能够大幅度的提高人类的寿命
虽然到现在为止，人类的平均寿命已经相比古代提高了很多很多。但是还远未达到专家所说的人类理想状态的正常寿命120岁。希望能够利用科技的力量，帮助人类弥补这个最大的遗憾！让人类的生命普遍能够达到正常的120岁，甚至更久！
时代在进步，科学技术在发展未来很难说，但一切皆有可能！
如何证明人类无法被chatGPT取代？
人，是奇特的存在。他如此伟大，因为他是万物灵长，唯一具有智慧的动物。他屹立于星空下，仰望银河，思索着永恒的事物，渴望探察宇宙。
人，又是如此渺小。他肉体脆弱，生命短暂。他，所知有限，时常被欺骗。
但是他会爱，会畏惧，会快乐，会向往。他是凭着血肉之躯去爱与恨的。如果不是这血肉之躯，如果不是这不可逾越的有限性，如果不是这随时会死、会受伤的血肉之躯，如果不是这容易被迷惑的大脑，他就不会爱。
爱，是机器无法替代的。没有爱，梵高就画不出星空和向日葵，没有爱，巴赫就写不出戈德堡变奏曲，托尔斯泰就写不出战争与和平。机器无法取代你，因为它没有心，不会怦怦跳。见到女孩，不会血流加快，人到老年，不会敬畏宇宙时空。不会陷入回忆与沉思。
机器，代替不了你，因为它不真的懂得这有限性，它只是知道，却不懂得。它可以给你写篇小说，写首诗，画幅画，谱一首乐曲，但有灵魂的欣赏者却能够品味出来，那只是“像”而已，不发自真心，就无法感动人类。
ChatGPT，爱与畏，你永远无法体会。
学习深度学习是否要先学习机器学习？
针对这个问题，我的总体建议就是：
本着大处着眼小处着手的学习原则，顺藤摸瓜，展开学习。
不老在门口徘徊，一脚先进去，然后定位自己需要的知识点，进行聚焦学习。
首先比较下两者的区别
机器学习与深度学习有什么区别？
两者的关系是：人工智能AI包括机器学习，机器学习包括深度学习。
额外也提一下数据挖掘，大数据的挖掘常用的方法有分类、回归分析、聚类、关联规则、神经网络方法、Web 数据挖掘等。所以我们看到机器学习跟深度学习都是数据挖掘的方法。
什么是机器学习？
机器学习(Machine Learning，ML)是人工智能的子领域，也是人工智能的核心。机器学习是一门交叉学科，综合利用概率论知识，统计学知识，近似理论知识和复杂算法知识，模拟人类的思考解决问题的方式，达到充分利用计算机超强运算能力协助人类解决问题的目的。
什么是深度学习？
深度学习(DeepLearning，DL)属于机器学习的子类。是利用深度神经网络来解决特征表达的一种学习过程。深度学习(DL, Deep Learning)是机器学习一个新的研究方向，使用更加抽象的算法来模拟人的大脑的决策学习过程。它的最终目标是让机器能够像人一样具有分析学习能力。
机器学习与深度学习的比较
深度学习在搜索技术、机器翻译、自然语言处理、多媒体学习、语音、推荐和个性化技术等待领域取得了很多成果。我们平常把深度学习跟机器学习混在一块的，这也没什么不妥。
1、检验算法的成熟度
机器学习，通过调整得到的算法一般是准确，并完全可控的，可以比较快得到高成熟度的算法。
一般来说，深度学习算法需要大量时间进行训练。这是因为该算法包含有很多参数，因此训练它们需要比平时更长的时间。所以深度学习的算法成熟度，跟不确定性，需要更长时间。
2、解决问题的过程
机器学习算法遵循标准程序以解决问题。计算过程是可以解释的、按流程进行的。
深度学习的数据处理过程则是黑盒子方式，需要通过不停的调整训练。
两者的基础概念相通的地方很多
最终如果掌握了深度学习，肯定也掌握了机器学习。学习的过程不一定是要求把所有机器学习模型通通掌握，而是理解一些基本概念，比如监督学习(supervised learning)，无监督学习(unsupervised leaning)，训练(training)，测试(testing)，泛化(generalization)等。这些概念都是通用的。
大处着眼小处着手的学习原则
如果要学习深度学习，网上有很多深入浅出的文章跟公开课可以学习快速有个总体概念。
了解需要的预备知识。不能始终在门口徘徊。可以先一脚进去看看，里面有什么。
如果入门了，就要开始聚焦一个专业细分领域了。
因为涉及的概念太多，要迅速搜集信息，让自己尽快定位到需要专注学习的细分方向上。
把不太懂的地方都展开学习，就可以顺藤摸瓜。
总之，要聚焦问题，让自己的学习更加高效，有针对性。