- A+
作者:Jacky Liang
编译:DeFi 之道
![不只是聊天机器人:一文梳理 ChatGPT 带来的真正影响](http://www.zhidnet.com/wp-content/uploads/2023/02/FioI0dPIDKvY_sPdd35mUfF04ug0.jfif_.jpg)
图片来源:由 Maze AI 生成
自 OpenAI 发布 ChatGPT 以来,已经过去几个月的时间了。这个基于大型语言模型的聊天机器人不仅让许多 AI 研究员大开眼界,还让大众见识到了 AI 的力量。简而言之,ChatGPT 是一个可以响应人类指令的聊天机器人,可以完成从写文章、作诗到解释和调试代码的任务。该聊天机器人显示出令人印象深刻的推理能力,其表现明显优于先前的语言模型。
在这篇文章中,我将从个人角度出发,聊聊 ChatGPT 对三类人的影响:分别是 AI 研究员、技术开发人员和普通大众。在文章中,我将推测 ChatGPT 等技术的影响,并简单聊聊我认为可能发生的一些情况。这篇文章更倾向于发表个人观点,而不是基于事实的报告,所以对这些观点要持谨慎态度。那么,让我们开始吧……
ChatGPT 之于 AI 研究员
对我这个 AI 研究员来说,从 ChatGPT 上学到的最重要的一课是:管理人类反馈对于提高大型语言模型 (LLM) 的性能非常重要。ChatGPT 改变了我,我猜也改变了许多研究人员对大型语言模型 AI 对齐问题的看法,我具体解释一下。
![不只是聊天机器人:一文梳理 ChatGPT 带来的真正影响](http://www.zhidnet.com/wp-content/uploads/2023/02/FvvcmvySwRA-Q6vukhw8pzAT0dCM.png)
图:LLM 的强化学习与人的反馈(RLHF)
在 ChatGPT 问世之前,我想当然地认为,当涉及到 LLM 时,我们面临着两个不同的问题。1)提高 LLM 在某些基于语言的任务(如总结、问答、多步骤推理)中的表现,同时 2)避免有害的/破坏性的/有偏见的文本生成。我认为这两个目标是相关但独立的,并将第二个问题称为对齐问题。我从 ChatGPT 中了解到,对齐和任务表现其实是同一个问题,将 LLM 的输出与人类的意图对齐,既能减少有害内容,也能提高任务表现。
为了更方便理解,这里给出一些背景信息:我们可以将现代的 LLM 训练分为两个步骤。
- 第一步:神经网络模型的自监督学习(SSL),在给定前一批单词(tokens)序列的情况下预测下一个单词(token)——这是在一个非常大的、互联网规模的数据集上训练的。
- 第二步:通过各种技术使 LLM 的生成与人类的偏好保持一致,比如在高质量的指令遵循文本的小数据集上微调 LLM,并使用强化学习来微调 LLM 与预测人类偏好的学习奖励模型。
在 ChatGPT 身上,OpenAI 很可能使用了许多不同的技术,相互配合来产生最终的模型。另外,OpenAI 似乎能够快速回应网上关于模型出错的投诉(例如产生有害的文本),有时甚至在几天内就能完成,所以他们也一定有办法修改/过滤模型的生成,而无需重新训练/微调模型。
ChatGPT 标志着强化学习(RL)的悄然回归。简而言之,有人类反馈的强化学习(RHLF)首先训练一个奖励模型,预测人类会给某一 LLM 生成内容打多高的分数,然后使用这个奖励模型通过 RL 来改善 LLM。
我不会在这里过多地讨论 RL,但 OpenAI 历来以其 RL 能力而闻名,他们写的 OpenAI gym 启动了 RL 研究,训练 RL 代理玩 DoTA,并以在数百万年的模拟数据上使用 RL 训练机器人玩魔方而闻名。在 OpenAI 解散其机器人团队之后,RL 似乎逐渐被 OpenAI 所遗忘,因为它在生成模型方面的成就主要来自于自我监督学习。ChatGPT 的成功依赖于 RLHF,它使人们重新关注 RL 作为改进 LLM 的实用方法。
![不只是聊天机器人:一文梳理 ChatGPT 带来的真正影响](http://www.zhidnet.com/wp-content/uploads/2023/02/FtxJXp-OjX4RwusY0dHnUEH4DbpN.png)
图:AI 专家预测 ChatGPT 的运行成本
ChatGPT 的到来还证明了一点:学术界开发大规模 AI 功能将越来越困难。虽然这个问题在整个深度学习时代都可能出现,但 ChatGPT 使它变得更加根深蒂固。不仅训练基本的 GPT-3 模型对小型实验室来说遥不可及(GPT-3 和随后 OpenAI 在微软将 Azure 的全部力量投入到它身上之后,建立了专门的服务器群和超级计算机才开始真正发展,这不是巧合),而且 ChatGPT 的数据收集和 RL 微调管道可能对学术实验室造成过大的系统/工程负担。
将 ChatGPT 免费提供给公众,可以让 OpenAI 收集更多宝贵的训练数据,这些数据对其未来的 LLM 改进至关重要。这样一来,公开托管 ChatGPT 实质上是 OpenAI 的大规模数据收集工作,而这不是小型组织能够承担的。
开源和与 HuggingFace 和 Stability 等公司在学术上的大规模合作可能是学术界目前前进的方式,但这些组织总是比拥有更大预算的小团队前进得慢。我推测,当涉及到最先进的语言模型时,开源通常会滞后于这些公司几个月到一年。
我认为学术界可能扳回一成的唯一方法是,是否有国家级的计算云专门用于学术 AI 研究。这无疑将花费数十亿美元,需要专门的行政和工程人员。这并非毫无可能——它将类似于詹姆斯・韦伯太空望远镜和大型强子对撞机。在美国,一些人已经在呼吁建立国家 AI 云,进行 LLM 推理,但训练和微调 LLM 和其他基础模型的能力也同样重要。鉴于 AI 国家战略重要性,我们可能会在不久的将来真正看到这个方向的发展。
同时,AI 研究员并不总是要训练大模型才能产生大影响。我的看法是,与其争夺下一个最大最好的 LLM,较小的学术实验室可以专注于改善现有 LLM 的使用,分析它们的优势和劣势,并利用有些公司以非常低的成本托管这些非常强大的 LLM 的事实。例如,可以利用 OpenAI 和其他公司的现有 LLM API 来进行 LLM 对齐的研究,而不需要学术实验室从头开始训练这些模型。对强大的 LLM 的低成本和公开的访问使得一整套公开的研究能够发现 LLM 的新能力和应用。
ChatGPT 之于技术从业者
![不只是聊天机器人:一文梳理 ChatGPT 带来的真正影响](http://www.zhidnet.com/wp-content/uploads/2023/02/FmhwlcqGTd2_QiiapXFJne9JBIGc.gif)
对于那些在技术领域工作和开发产品的人来说,ChatGPT 和类似的代码编写模型呈现出显著的一阶和二阶效应。对于程序员来说,使用基于 AI 的代码补全和 ChatGPT 风格的问答来学习编码和理解现有的代码库将成为软件工程工作中不可或缺的一部分。我推测,在未来的一年内,许多大学将开设计算机科学课程,教授在软件工程等应用中利用 AI 的最佳实践。
ChatGPT 和更强大的 AI 代码辅助将迫使软件工程师对其操作的抽象级别进行根本性的重新制定。大多数软件工程师不需要推理低级机器代码,因为我们有非常强大的编译器,可以将人类可读的代码(如 C++)转换为机器可读的代码。软件工程师可以学习这些编译器的内部工作原理,以及如何编写最充分利用这些编译器特点和优势的代码,但他们自己不需要编写机器代码,也不需要编写自己的编译器。
编码 AI 很可能会成为新的“编译器”,将高级额人类指令转换为低级代码,但是在更高的抽象级别上。未来的软件工程师可能会编写高级文档、需求和伪代码,他们会要求 AI 编码员编写今天人们编写的中级代码。通过这种方式,我不认为软件工程师会被 AI 取代,而是被推到价值链的上游。未来,熟练掌握这项技能的软件工程师可能需要了解不同编码 AI 的优缺点,以及如何针对特定的应用领域最好地构建和修改 AI。
以上是一阶效应,ChatGPT 直接影响到技术从业者,特别是软件工程师的工作方式。对技术产品所能提供的东西的二阶影响可能会更深远。ChatGPT 和类似的 LLM 通过 1)释放全新的能力和 2)降低现有能力的成本,使其突然具有经济意义,从而使新产品成为可能。
![不只是聊天机器人:一文梳理 ChatGPT 带来的真正影响](http://www.zhidnet.com/wp-content/uploads/2023/02/Fqvxj9fNUFHeuwkeMwQaby-aRx0k.png)
图:机器人在自然语言中执行新任务
上述第一点的一个例子是,现在我们可以通过简单地让 AI 编码员将语言指令翻译成调用该软件 API 的代码,为任何软件添加自然语言用户界面。以一种可信赖的和可泛化的方式来做这件事将需要大量的努力,就像发布真正的产品一样,魔鬼就在细节中。尽管如此,这是一种彻头彻尾的新能力,我猜测自然语言软件 UI 会在所有的软件平台上爆发,尤其是在那些传统用户界面感到笨重和不方便的平台上(如移动设备、语音助手、VR/AR)。老实说,很难想象在 LLM 时代开发一款新应用而不包含一个基于语言的用户界面会怎么样。入门的门槛很低(只需要调用一个公开的 LLM API),如果你不这样做,你的竞争对手就会这样做,而且会提供更好的用户体验。
降低现有能力的成本听起来不像解锁新能力那么有吸引力,但它同样重要。LLM 可能存在很多有前景的应用,但为这些下游任务微调 LLM 的成本可能太高,不值得投资。有了 ChatGPT 和改进的指令跟踪,开发者可能不再需要收集大量的数据集来进行微调,而只需要依靠 zero-shot 性能(零样本学习性能)。预计在许多处理文本输入的现有应用中,基于文本的分类、摘要和内联预测功能将出现大量的“小规模”LLM 部署。这些对用户体验的边际改善在以前可能投资回报比很低,但现在却突然值得了。
![不只是聊天机器人:一文梳理 ChatGPT 带来的真正影响](http://www.zhidnet.com/wp-content/uploads/2023/02/Fmsxf_PpVGU0LunUNnV65q3BsiFJ.png)
低成本也意味着在应用 LLM 和其他基础模型的业务上有很多唾手可得的成果,通过良好的 UI/UX、现有软件产品内的集成以及有效的进入市场和货币化战略为消费者创造价值。Lensa 是一个能满足所有这些条件的例子。LLM 部署的这些更实际的方面往往会超过底层模型的绝对性能,成功的初创公司总是可以将旧的 LLM 与新的改进版本交换。这也意味着,那些应用 LLM 的人不应该把他们的技术栈与特定 LLM 的特性绑得太紧。LLM 的快速改进周期,加上可公开访问的 API,以及关键的商业差异化因素不是模型本身,这可能意味着 LLMs 将被商品化。
![不只是聊天机器人:一文梳理 ChatGPT 带来的真正影响](http://www.zhidnet.com/wp-content/uploads/2023/02/Fq-1FkKowNduafKdDnINL6dH13KT.png)
未来将有两种类型的科技公司能够继续向前发展——能够负担得起培训和运行自己的基础模型的公司,以及负担不起的公司,后者需要向前者支付基础模型税。这听起来很有戏剧性,但它与我们今天的情况没有什么不同,技术公司要么托管自己的服务器,要么向 AWS/Azure/GCP 交税。AI 云业务将是未来云平台的一个关键战场,并将给竞争对手提供超越现有企业的机会。例如,凭借微软的经验和与 OpenAI 的结合,Azure 很有可能凭借其 AI 云产品超越其他公司(微软已经在 Azure 上发布了 OpenAI 的模型,远远领先于其竞争对手亚马逊和谷歌)。
![不只是聊天机器人:一文梳理 ChatGPT 带来的真正影响](http://www.zhidnet.com/wp-content/uploads/2023/02/FtrS7LbSaMjXsMmWhX7H22MTzliG.png)
图:GPU 性能的增长速度远远快于 CPU 性能
最后,从一个更具推测性的角度来看,基于深度学习的基础模型可能会让我们在相当长一段时间内避免摩尔定律放缓带来的负面后果。随着这些模型的能力越来越强,它们将接管越来越多由传统软件完成的任务,这意味着越来越多的软件将可以通过仅仅优化神经网络的性能而得到优化。神经网络在 GPU 和特定应用的芯片上运行,其性能的提高并没有看到传统 CPU 改进的明显减速,这大致可以在摩尔定律的减速中体现出来。我们真的很幸运,有一个单一的神经网络架构,即 Transformer(由 ChatGPT 和其他基础模型使用),它可以代表通用计算,并经过训练,可以很好地执行这么多不同的任务。我们还没有接近优化 Transformer 性能的终点,所以我期望随着 LLM 变得更加强大并取代更复杂的传统软件堆栈,计算机会变得更快。
ChatGPT 之于大众
![不只是聊天机器人:一文梳理 ChatGPT 带来的真正影响](http://www.zhidnet.com/wp-content/uploads/2023/02/Fj8liWkEjBd4wmtWvnIKyaMIjgbY.png)
视频:耶鲁大学评 ChatGPT,更多是资源,而并非学习的替代品
ChatGPT 是许多普通大众可以直接与之互动的第一项 AI 技术。当然,在 ChatGPT 之前,有 Siri 和 Alexa,而且深度学习应用在许多商业应用中已经无处不在了。不同的是,以前部署的 AI 技术往往都在后台工作,通过传统软件和有限的用户界面层层 "过滤"。公众通过 ChatGPT 对 AI 有了更直接的体验,用户可以直接向 LLM 输入,并直接看到它的输出(OpenAI 确实过滤了有害的内容,并使用自己的提示修改了用户的输入,所以它没有直接与底层模型互动,但也足够接近)。ChatGPT 也明显比以前的聊天机器人更强大。再加上该服务目前一直是免费的,这些因素将 ChatGPT 推向了主流世界的讨论热潮。
相对以前,这种和 AI 的亲密接触让公众对 AI 的新奇和炒作有了更真实的体验。我可以想象,突然之间,对于那些不熟悉 LLM 工作原理的人来说,聊天机器人可能具有意识的说法听起来并不太牵强。这也反映出了一个问题,当涉及到 AI 的问题时,科学传播的缺失——我认为 AI 界在向公众宣传和普及 AI 如何工作、能做什么、不能做什么,以及如何负责任地使用 AI 技术方面做的非常差。见鬼,我们甚至都不能确定技术从业者了解 LLM 的基本知识,更不用说普通民众了,他们才是受这项技术影响的终端用户。在接下来的几年里,如果继续不对 AI 进行教育和沟通,可能会面临灾难性的后果,因为类似 ChatGPT 的模型会在没有适当预防措施的情况下进入关键任务的应用。
或者,从某种意义上说,让人们了解一项新技术的最好方法可能是让公众公开地试验这项技术及其应用,体验它的失败,并反复辩论和改进一些流行的观点。这一波基础模型的可用性,尤其是 ChatGPT 开创的免费使用的先例,可以让公众通过亲身体验更了解 AI,反过来引发更明智的理解和讨论。
DALL-E 2 是第一个真正优秀的文本到图像生成模型,发布仅仅几个月后,我们就已经看到了来自公司和社区的一系列不同的政策反应,试图适应这种新的现实,从完全禁止 AI 艺术到纳入 AI 艺术图片的销售。对于 ChatGPT,一些学术会议禁止它的使用(以及一些学校),而也有学者则将其列为合著者。围绕生成式 AI 也有不少正在进行的诉讼。目前还不清楚使用这些模型的法律和道德方式是什么,但很明显,这些围绕 AI 使用政策的小规模实验对于公众弄清楚这些事真的很重要。我个人认为这是一个很好的方向,因为我相信公共政策应该由公众讨论决定,而不是由任何一个托管这些模型的特定科技公司不清不楚的委员会决定。
![不只是聊天机器人:一文梳理 ChatGPT 带来的真正影响](http://www.zhidnet.com/wp-content/uploads/2023/02/FqXeRhUbe5UsWdfzIXSR5yiK4e6G.png)
图:新技术的采用需要时间,尽管随着时间的推移,采用速度越来越快
关于 ChatGPT 和类似基础模型的应用的最后一个想法——技术部署总是比技术创新需要更长的时间(尽管采用速度正在加快),虽然人们可以在一个周末的时间建立令人印象深刻的 LLM 演示,但仍然需要大量的工作和试错来建立可靠、可扩展的产品,为消费者带来价值。在科技领域,我们可能会在 2023 年看到生成式 AI 应用的海啸,但我预计这些应用在公众中的传播速度会慢得多。有许多因素会减缓大规模生成式 AI 的采用——现有系统和产品的惯性,对 AI 取代人类的认知的文化障碍,运行 AI 的成本在很多应用中可能没有意义,LLM 输出的不可靠性和可信度,以及扩大 LLM 计算基础设施以实时服务数十亿次的查询。这些挑战都不会在一夜之间,甚至在几个月内被克服。但它们最终会被克服,而 5 年后的世界将看起来非常不同。
未来如何?
如果说在过去 10 年的深度学习中我们学到了什么,那就是真的很难对 AI 做出准确的预测,包括它的发展和部署。然而,我可以自信地说,ChatGPT 只是未来的一个小预告。对于基础模型的未来,我在两个方向上看到了有前景的进展,我认为在今年或明年会有突破性进展:1)真正多模态的 ChatGPT 级基础模型(如文本、音频、图像、3 D、动作、视频、文件),以及 2)被设计用于在环境中采取行动的基础模型。
![不只是聊天机器人:一文梳理 ChatGPT 带来的真正影响](http://www.zhidnet.com/wp-content/uploads/2023/02/Fh0g8VtlPYxIhx57e1ZgvHQBXkUY.png)
图:与其训练理解视觉和文本的独立模型(左),较新的模型可以直接理解图片中呈现的文本(右)。
对于 1),想象一个类似 ChatGPT 的界面,但你不仅可以上传文本,还可以上传音频、图像、视频、3 D 模型以及其他结构化文件,并让它 "理解"、分析、处理和生成这些内容。这样的技术如今已经存在,将所有这些模式整合到一个模型中似乎很简单。
对于 2),在不久的将来,拥有一个基础模型,能够通过键盘和鼠标与计算机进行可靠的互动,以执行人类今天的许多日常任务,似乎是合理的。有一些证据表明这是可行的,从瞄准机器人过程自动化的初创公司到试图训练 AI 代理完成 Minecraft(游戏:我的世界)中的开放式目标的研究人员。为物理机器人而不是虚拟代理开发这种面向动作的基础模型将更加困难,但进展已经在进行中。
![不只是聊天机器人:一文梳理 ChatGPT 带来的真正影响](http://www.zhidnet.com/wp-content/uploads/2023/02/FrP3e32deBxG3S0XOIf-50n5-1n-.png)
图:一种语言模型,可以将自然语言指令转换为与 Web 端浏览器交互的动作。
关于商业化,一方面,科技巨头有能力利用他们庞大的计算资源来训练真正强大的模型。但另一方面,公共/开源模型也将变得非常流行/易于使用,所以我不确定拥有自己的模型对很多应用来说是一个很大的优势。如前所述,基础模型很可能会被商品化。因此,对于已经拥有设备/操作系统的大型科技公司来说,开发适合 LLM 的平台,允许其他人使用基础模型,并在上面建立新的应用,而不是直接与其竞争建立这些应用(想象一下,一个专门为多模式或面向行动的基础模型定制的移动/AR/VR/桌面/网络操作系统),这么做才是合理的。
最后,展望未来,我们可能会在未来 5 年内告别 "从互联网上获取免费数据" 的制度,它真正推动了最近基础模型的进展。虽然定制数据总是需要用于特定领域的微调/校准(通过传统的监督学习或 RLHF),但用大规模的 "免费" 数据预训练强大的模型无疑导致了 GPT 和类似模型的成功。看社区如何超越仅仅搜刮现有的数字数据来提高基础模型的性能,这将是很有趣的。可以肯定的是,我们仍然会通过更好的训练和对齐技术来改进模型,但大规模自我监督学习的下一个前沿是什么?下一个 10 万亿或 100 万亿的数据点从何而来?我很想知道。
本文是全系列中第75 / 156篇:chatGPT
- chatgpt是什么?可以提供哪些服务,用户该怎样使用chatgpt(附Chat GPT注册教程)
- ChatGPT:本地环境搭建chatgpt、调试运行、接口API调用
- 在微信上搭建ChatGpt机器人
- 微信接入ChatGPT,使用Node+ChatGPT+Wechaty做一个微信机器人
- ChatGPT版微信个人号搭建流程
- 做了第一个ChatGPT .NET API聊天库
- 当大厂程序员已开始用AI写代码 人类会被AIGC淘汰吗?
- 【基于OpenAI的ChatGPT】搭建属于自己的微信聊天机器人(附带注册英国手机号码方式)
- 基于ChatGPT的微信聊天机器人
- 使用OpenGPT(ChatGPT)搭建 QQ 机器人
- chatgpt对接微信全流程
- 2023最新的Chatgpt微信机器人搭建教程【附免注册chatgpt账号】
- centos8下搭建chatgpt本地环境集成到微信中,接入个人微信操作教程
- centos8下搭建chatgpt本地环境集成到微信中,接入个人微信操作过程报错故障处理
- centos8下搭建chatgpt本地环境集成到微信中,接入个人微信操作过程报错故障处理【后续更新附加】
- 砸下677亿,微软盯上ChatGPT
- 他做了一个「ChatGPT 杀手」,a16z 抢着投
- ChatGPT:是平台的缪斯还是黑客的「MOSS」?
- 我用 ChatGPT 搞钱,月赚 10 万
- 一文读懂:有关ChatGPT的十个问题
- ChatGPT 创始人和他疯狂的 Worldcoin 实验
- ChatGPT爆火的冷思考:盈利难题与治理挑战
- 开局打爆谷歌,微软ChatGPT版必应亲测:强到发指!
- 八张数据图完整了解ChatGPT行业影响全景
- 昂贵的ChatGPT背后,国产GPU“掘金”路漫漫
- 观点:不要神化ChatGPT
- 别煽动焦虑了,ChatGPT还抢不动打工人的饭碗
- 最快月活过亿,但ChatGPT或终将被开源打败
- 朱嘉明:智能数字新时代,关于AIGC的13个关键问题
- 算力才是ChatGPT核心竞争力?AI芯片被推至聚光灯下
- 中美“狂飙”ChatGPT,一文读懂超20家科技巨头最新布局
- 阿里版ChatGPT已进入测试!中文聊天截图曝光,达摩院出品
- 生成式AI狂飙,中国版ChatGPT还有多远?
- 只见ChatGPT笑,不见元宇宙哭
- 谷歌版ChatGPT灾难级发布,市值一夜狂跌7000亿,熬夜网友:退钱!
- 谷歌“仓促”迎接 AI 大战,机器人 Bard“掉链子”股价大跌
- 10个实用的 ChatGPT 免费扩展!
- ChatGPT爆红,AI大规模商用离我们还有多远?
- ChatGPT火了,区块链和元宇宙没人提了?
- 「用ChatGPT搞钱年入百万!」各路博主发布生财之道,网友回呛:答辩的搬运工
- 颠覆历史!「ChatGPT搜索引擎」发布,微软市值一夜飙涨5450亿
- 中国版ChatGPT项目“文心一言”将于3月面世,百度能否趁势“狂飙”?
- 同一个问题被问100遍,被“封神”的ChatGPT终于穿帮了
- AI搜索大战打响!微软官宣ChatGPT引入Bing 生成式AI能否帮助巨头走出泥潭?
- ChatGPT引爆新一轮科技军备赛
- 微软“核弹级”更新:ChatGPT亮相Bing搜索和浏览器,今天上线,免费使用
- 卖账号、赚打赏,他们用 ChatGPT 搞钱
- 盖茨再谈ChatGPT:AI能提高效率,但要考虑边界在哪
- OpenAI给科技行业敲响警钟,中国必须要有自主“大模型”
- 谷歌亲自下场,AI大战正式打响!
- 当你还在讨论分析ChatGPT,有人开始用它“搞钱”了
- ChatGPT杀疯了,两个月引爆千亿美金新赛道
- 谷歌慌了,超20亿投资ChatGPT竞品Anthropic对抗微软
- 狂飙的ChatGPT,为什么是OpenAI最先做出来?
- 欧盟委员会对 ChatGPT 的最新监管方向
- 小冰CEO李笛:“按ChatGPT模式做AI,我们一天成本要3亿”
- 国产ChatGPT扎堆,又是一场元宇宙式狂欢?
- ChatGPT开始被“疯狂吐槽”了
- 私募如何玩转ChatGPT?
- ChatGPT爆红、元宇宙过气:科技巨头为何总是喜新厌旧?
- 大厂火拼ChatGPT
- 麦肯锡:ChatGPT 等生成式 AI 技术将如何改变企业?
- ChatGPT 两个月引爆万亿新赛道,国内外有哪些 AI 玩家能突出重围?
- ChatGPT热度再升级,AIGC的投资人开始关注“文生图”了
- AIGC应用持续升温,将给普通人生活带来哪些改变?
- ChatGPT持续“高烧”,再走一遍元宇宙的老路
- 第一批因ChatGPT坐牢的人,已经上路了
- 给担心被ChatGPT取代的人:2023年我们必须学习的人工智能技能
- ChatGPT“狂飙”:风浪越大,鱼越贵
- 为了 ChatGPT,微软抛弃元宇宙?
- ChatGPT成科技圈的“新贵”,谁还记得元宇宙?
- ChatGPT反噬百度
- 给数字人装上ChatGPT ?多家公司这样回应
- 教程:如何创建一个 AI 元宇宙化身
- 不只是聊天机器人:一文梳理 ChatGPT 带来的真正影响
- 美国宾州大学教授体验 Bing AI 有感:生成式 AI 的改进速度超乎预料,但我们还没准备好
- 元宇宙规模化商用仍未落地,ChatGPT或难续写新故事
- ChatGPT来袭,元宇宙将迎新契机?
- 没有对标ChatGPT产品,苹果内部AI峰会被指更像“团建”
- OpenAI与AIGC:改变人类生产范式,通往“万物的摩尔定律”
- ChatGPT在一线城市火,元宇宙在二三线城市热
- 英伟达将AI雄心扩展到云端,黄仁勋:生成式AI带来“拐点”
- ChatGPT的前世今生:OpenAI的技术「执拗」与「豪赌」
- OpenAI造就硅谷新“黑帮”:ChatGPT爆火背后的神秘大佬、技术版图和资本故事
- 国内AI公司,靠ChatGPT逆袭?
- Meta推出先进大型语言模型,下一个ChatGPT不远了?
- 与周鸿祎“深聊”ChatGPT:它会不会产生与人类为敌的想法?
- ChatGPT狂欢背后:别让科技新概念昙花一现
- ChatGPT能让AI赛道“复苏”吗?
- 马斯克谋划建研究室开发ChatGPT竞争对手,自曝对AI感到焦虑
- ChatGPT获得“正经编制”,国际预科生写论文用它不算作弊!
- 知乎CEO周源:密切关注ChatGPT发展,AI能让内容更快推广
- ChatGPT之父撰文:《万物摩尔定律》出现,这场革命将创造惊人的财富
- 一文了解 ChatGPT 等 LLMs 得到明显改进的 3 个变化
- 2.5亿美金,Salesforce设立史上规模最大AIGC风投基金
- AIGC如何成为元宇宙神助攻?
- ChatGPT 算力消耗惊人,能烧得起的中国公司寥寥无几
- 云巨头拥抱 AI:Salesforce 引入 ChatGPT
- GPT-4将在下周发布,必应日活破亿,谷歌还有招架之力吗?
- 揭秘ChatGPT背后天价超算!上万颗英伟达A100,烧光微软数亿美元
- 科技巨头持续血拼:微软豪掷数亿造ChatGPT超算,谷歌加急测试Big Bard
- 想成为顶级 AI 绘画师?先让这 7 个平台帮你成为 Prompt 高手
- 解读美国版权局最新 AI 生成作品版权指南,版权之路依旧艰难
- 周鸿祎:GPT-4会掀起新的工业革命,国内追赶不应放弃核心技术研发
- 竞品还在追赶,OpenAI 用 GPT-4 飚赢自己
- GPT-4震撼空降,谷歌「紧追」微软有点难
- GPT-4来了!国内相关初创项目近30家,VC加紧奔赴AI淘金热
- GPT-4震惊四座,中国创业者激战“小模型”
- ChatGPT-4 本周降临:它将如何影响 Web3?
- 彻底颠覆 Office,微软发布 Copilot
- 从GPT-4、文心一言再到Copilot,AIGC的长期价值被逐渐确立
- 又一中文版ChatGPT!李开复宣布筹组AI新公司“Project Al 2.0”
- OpenAI重磅研究:ChatGPT可能影响80%工作岗位,收入越高影响越大
- 首发ChatGPT课、AI共创游戏设计,网易试图抢跑AIGC红利
- GPT-4如何引领科技前沿?盘点10大应用场景
- AI“春晚”英伟达又甩王炸!ChatGPT专用GPU来了 还要赋能芯片制造
- AI企业如何发展,“中国版chat GPT”给出了答案
- 百度被网暴,AI大模型“套皮”海外知名项目,百度首次回复:假的!
- 李彦宏:中国基本不会再出一个OpenAI,创业公司重做ChatGPT没多大意义
- ChatGPT“变现”在即,哪些法律风险不容忽视?
- OpenAI大动作!ChatGPT开始联网 一夜之间从工具进化成平台?
- 一文读懂 ChatGPT 插件功能:语言模型获取新信息的“眼睛和耳朵”
- ChatGPT这么牛,我们应该如何兼顾发展和治理?
- 动嘴就能写代码,GitHub 将 ChatGPT 引入 IDE,重磅发布 Copilot X!
- 生成式AI淘金热,谁能从中赚钱?
- 智慧法律时代来临!以 ChatGPT 为代表的新 AI 技术加速升级法律服务
- 疯狂三月:一场ChatGPT引发的千亿“钞”能力竞赛
- 紧急刹车:AI 军备竞赛升温,“喊停”公开信倏忽而至
- 叫停GPT-4后续AI大模型!马斯克、Bengio等人发出公开信,千人响应
- 多家AI企业坦言大模型尚处研制阶段,行业应用落地存在不确定性
- “得志”于 AIGC,商汤科技“失意”在持续亏损
- 自主完成任务的ChatGPT,Beyond ChatGPT
- 自主拆分任务的chatGPT版本autoGPT的用户前端化实现——agentGPT部署及配置全流程
- chatGPT本地化搭建服务,一键免费部署你的私人 ChatGPT 网页应用。
- 苹果禁用ChatGPT,为防机密泄露!大模型版Siri即将升级推出
- 第一代AIGC硬件悄然爆发
- 从战略高度重视ChatGPT引发的新一轮人工智能革命
- 好莱坞片酬最高的演员,投资了世界上最成功的 AI 公司
- 研究:ChatGPT带来生成式AI十年繁荣,2032年市场规模1.3万亿美元
- 大模型创业潮:狂飙 180 天
- 在未来城市中,AIGC会扮演怎样的角色?
- OpenAI、谷歌双标玩得溜:训练大模型用他人数据,却决不允许自身数据外流
- AI席卷华尔街:对冲基金部署ChatGPT,银行展开“军备竞赛” AI梦工厂 发布在 AIGC 1.4万
- 华为版ChatGPT将于7月初发布,名为“盘古Chat”
- 大模型落地,搜索先成卷王
- 困在网页里的ChatGPT,想在移动生态里突围
- ChatGPT和AI正如何改变播客行业?
- ChatGPT流量见顶,AI革命中道崩殂?或许是OpenAI在下一盘大棋
- OpenAI 内部力推,AI 代理真能成为互联网应用发展的下一个阶段吗?
- 自行车+ChatGPT主打“陪伴”?感觉哪里怪怪的
- 押注新浪潮!韩国目标成为全球第三大AI强国
- GPT-4 “炼丹”指南:MoE、参数量、训练成本和推理的秘密
- OpenAI「打死都不说」的 GPT-4 训练细节被传出,这是我的解读
- 狙击 GPT-4 插件!谷歌 AI 助手 Bard 即将推出扩展程序,与微软的竞争进入白热化
- 谁拖了中国ChatGPT的后腿?
- 生成式AI这一年:从群雄乱战到生态确立,世界已被改变
- 我的微信
- 这是我的微信扫一扫
-
- 我的电报
- 这是我的电报扫一扫
-