GPT4有那么可怕吗?

yizhihongxing

一封联合信

  3月22号也就是一个月前,马斯克,对你没听错,就是前几天发射火箭失败爆炸的那个,他联合几千名科学家用一封公开信请愿暂停一切大型AI实验半年以上,这六个月的时间是用来做一份监督和规范AI发展的协议,避免AI的发展走向极端,超出人类的控制。

  现在这封公开信已经有超过3万人参与实名请愿。请愿名单里面不仅有图灵奖得主,马斯克,还有各大科技公司总裁和名校教授,这份名单汇聚了当今世界上一流的大脑,而则恐怕也是这个世纪以来这些大脑最团结一致的一次。这封信我非常推荐大家去读一读,就当锻炼英语阅读了。

  第一段直接就告诉我们,当下AI的野蛮生长完全不可控,目前没有人,甚至他们的创造者都无法理解,预测或可靠的控制。在学术的文章里很忌讳用过于绝对的词,但在这封信里,没人敢质疑这群人的权威,反而强调了他们对这件事的理解和态度。

GPT4有那么可怕吗?

GPT4有那么可怕吗?

   接下来他们把问题直接抛给读者,问我们是否做好了被自动化所有工作的准备,是否应该发展最终可以超越我们并且取代我们的非人类思维,是否冒险失去对我们文明的控制。这一番问题直接把我们拉入情境,以第一视角去审视。

GPT4有那么可怕吗?

GPT4有那么可怕吗?

   接着他们呼吁所有AI实验暂停至少6个月的模型训练,给出了合理的解决方案,并期盼一条健康的AI发展,而不是不可控的灾难。

GPT4有那么可怕吗?

GPT4有那么可怕吗?

   不仔细看或者不了解的人可能以为是ChatGPT凭一己之力造成如今的局面,但只要梳理AI三月份的发展,你就会发现事情并没这么简单,这些一流大脑怕的并不是ChatGPT这一单一产品,而是这背后所演化出的一场技术竞赛,竞赛里的公司就想饥饿游戏里面的玩家,没人敢掉队。而他们之间的追逐导致这场人工智能潮远超控制范围,因为这些AI框架都有一个共同点,制作者无法掌控程序内部的变化,也就是程序里经常说的黑盒,要理解这场竞争有多疯狂,就得从上个月也就是三月讲起,而上个与也堪称人类AI史上最紧张的30天。

3月:AI的狂欢

  3月8号,微软以百亿美金收购Open AI后,马不停蹄的发表论文预告了Visual ChatGPT聊天时不光可以用文字,还能图文并用,甚至根据指示生成图片。

  3月9号,微软德国CTO公布了即将到来的GPT-4的信息,从单一语言模型进化到多语态模型。

  3月9号,另一家AI公司GigaGAN突然宣布他们训练了一个10亿参数的模型,效果和速度完全不逊色于Stable Diffusion,DALL这些模型。

  3月13号,斯坦福大学LLaMa公开了一个叫7 Billion的模型,训练了他们自己的一个叫Alpaca的模型,表现极好。

  3月14号,Open AI发表最新GPT-4的论文,多模态和图片输入功能如期而至。

  3月14号,Google也在同一天公布了PaLM模型API的入口,并且提到要把这个模型集成到旗下的Workspace中使用

  3月14号,Anthropic介绍了他们自己的大语言模型Claude,成为目前市场上ChatGPT潜在的最大竞争对手,

  3月14号,另一家大语言公司Adept AI公布了他们刚完成B轮3.5亿美金融资,同时透露了他们的模型会使用工具、软件等等特性。

  3月15号,地表最强AI绘图公司MidJourney迭代出第五代模型,以前AI绘图无法精细化手指的细节经过这次更新不仅解决了多手指和少手指的问题,还直接把手部细节做到了极致,进化速度和精度堪称恐怖。

  3月16号,微软公布了结合GPT-4的Copilot,自称地表最强生产力工具,包含各类自动化书写工作:做表格、做PPT、出项目报告、工作总结等等,已然做到了打工人只用表达,他就能帮忙处理绝大部分任务的程度,可以说是解放了数十亿打工人的双手。

  3月24号,微软再次放出一篇154页的论文,表示向人类一样思考,像人类一样去做事的人工智能AGI已经开始萌芽,在他们的测试里,ChatGPT和Google的PaLM模型都展现出比以前AI模型更普遍的智慧

  3月27号,百度文心一言发布会,也在中国战场开始厮杀。

  3月27号,OpenAI发表了一篇论文,这篇论文测量了ChatGPT对我们生活的渗透程度,还有对将来职业可能造成的影响,这也是大多数人做关心的问题,它会给我们的生活带来怎样的影响。论文里他们收集了1016个不同职业信息,这不是一个做做样子的数据量。分析得出的结果是在美国80%的劳动力市场会因此受到影响,19%的职业会通过ChatGPT能减少超过一半以上的工作量,受影响较高的职业主要和科学还有批判性思维这种技能反向相关,也就是说具备科研能力和科学思维的人还不需要太担心,目前语言模型还不具备这些能力。受波及较大的是写代码和写文章之类的工作。他们列出了使用AI后能大幅提高工作效率的职业:翻译、研究调查、写手、动物科学家、数学家、金融分析、税务员等等,反之人们也很担心自己就这么被取代,OpenAI也列出来了那些目前肯定不会被取代的职业:运动员、木匠、刷漆匠、厨师、房顶安装等等需要人力亲力亲为的事GPT肯定没法触及,不过这些得等机器人和机器臂完全成熟并且商业化了。(别忘了波士顿动力公司)

  疯狂的3月从OpenAI开始也由它结束,AI的渗透率逐渐升高的同时还发展迅速,GPT-4的模型还有自我进化的能力,在之前的论文举例里,微软团队分别对GPT-4模型请求了3张一样的独角兽图片,一开始不堪入目,但仅仅两次迭代就发生了明显的进步,这是团队也不清楚的隐藏技能。GPT-4有那么神吗?

GPT4有那么可怕吗?

 全面了解GPT-4

 

如何应对

  ChatGPT所掀起的浪潮,已经不仅仅涉及个人,还关乎到各国未来在国际的地位。在文章首部提到的那封联合公开信的引用里面,有一篇叫AI-X风险分析的论文,里面罗列了8个AI危险推测和失败模式。在附录里有一些例子,最有意思的是权利争夺,上面写到拥有更多权利的代理人,他们更容易实现他们的目标。所以谁成立AI的领导者,谁就在某种程度上控制了世界。大语言模型所影响的是“知识的创造、继承、应用”这三个环节所构成的学习系统,是任何生命系统得以延续的根本,决定了个体和文明认识世界和改造世界的能力。在整个人类史以及整个生命史中,凡是学习系统的升级,都会伴随着跃升。现在人类正处于下一次跃升的过程中,但还缺少一项升级学习系统的技术,而大语言模型很有可能就是这项技术,因为它正在改变人类“群体应用知识的方式”和“继承知识的方式”,甚至可能在未来形成“人机合作的科研”,改变人类“创造知识的方式”,若真如此,那人类必然会因此步入下一个文明形态。中国错过了三次工业革命,所以这些年我们一直在实现民族的复兴,不能再错过这一次机会。未来的大语言模型能够让每个人都更快的获取“承载知识的符号”,会降低继承性人才的竞争力,每一次的技术革新势必会引起很大的行业变革,我们要做的不是去恐慌,而是抓住这次机会,这次各行各业都将经历一次大洗牌,所以每个人的学习能力和理解能力将成为驾驭这项技术的关键,如果个体学习能力没有相应地提升,就无法发挥这项技术的优势,所以我们每个人都要加强对学习能力和高层次认知能力的训练,愿大家都能借此东风实现自己的目标。

image-20230425013421089

 
参考:
B站up主老阳的奇妙电波
B站up主硅谷观察室
B站up主YJango

原文链接:https://www.cnblogs.com/luffsama/p/17351290.html

本站文章如无特殊说明,均为本站原创,如若转载,请注明出处:GPT4有那么可怕吗? - Python技术站

(0)
上一篇 2023年4月24日
下一篇 2023年4月25日

相关文章

  • Tensorflow 模型的保存、读取和冻结、执行

    转载自https://www.jarvis73.cn/2018/04/25/Tensorflow-Model-Save-Read/ 本文假设读者已经懂得了 Tensorflow 的一些基础概念, 如果不懂, 则移步 TF 官网 . 在 Tensorflow 中我们一般使用 tf.train.Saver() 定义的存储器对象来保存模型, 并得到形如下面列表的文…

    2023年4月6日
    00
  • ubuntu安装-Caffe依赖

    参考链接:http://my.oschina.net/u/939893/blog/163921 1. 安装numpy相对简单,以下命令可以完成 apt-get install python-numpy apt-get install python-scipy 2. 安装matplotlib相对复杂一些需要先安装其依赖的包libpng和freetype 安装l…

    2023年4月8日
    00
  • 【机器学习】李宏毅机器学习-Keras-Demo-神经网络手写数字识别与调参

    参考: 李宏毅机器学习-Keras-Demo 深度学习入门实践_十行搭建手写数字识别神经网络 手写数字识别—demo(有小错误) 编程环境: 操作系统:win7 – CPU anaconda-Python3-jupyter notebook tersonFlow:1.10.0 Keras:2.2.4 背景: 视频里宝可梦大师提供的部分参数设置不能得到好的…

    2023年4月6日
    00
  • 目标检测算法综述

    1. 传统的目标检测框架,主要包括三个步骤:(1)利用不同尺寸的滑动窗口框住图中的某一部分作为候选区域;(2)提取候选区域相关的视觉特征。比如人脸检测常用的Harr特征;行人检测和普通目标检测常用的HOG特征等;(3)利用分类器进行识别,比如常用的SVM模型; 2. 目标检测领域的深度学习方法主要分为两类: 一阶段(One Stage ):不需要产生候选框,…

    目标检测 2023年4月5日
    00
  • Pytorch使用tensorboardX实现loss曲线可视化。超详细!!!

    https://www.jianshu.com/p/46eb3004beca使用到的代码:writer=SummaryWriter()writer.add_scalar(‘scalar/test’,loss,epoch) ###tensorboardX #第一个参数可以简单理解为保存图的名称,第二个参数是可以理解为Y轴数据,第三个参数可以理解为X轴数据。#当…

    PyTorch 2023年4月7日
    00
  • 万字长文概述单目3D目标检测算法

    基于深度学习的主流单目3D目标检测算法可以分为两个过程:2D目标检测 + 基于投影几何原理的回归网络设计。本文首先介绍了单目 3D 目标检测的理论基础-投影几何原理和算法原理,并解读了几个主流模型。 一,理论基础-相机与图像 1.1,单目相机介绍 1.2,针孔相机模型 1.3,坐标系间的欧式变换 1.4,世界坐标与像素坐标的转换 1.5,三维旋转:欧拉角、旋…

    2023年4月5日
    00
  • tensorflow 条件语句与循环语句

    tensorflow 条件语句与循环语句 条件语句与switch 循环语句 下面的揭示了本质,这种语句条件循环在scala中常见,scala不提倡用break,用如下方式;这也是程序具有了动态性! 返回:循环后循环变量的输出张量。如果return_same_structure为True,则返回值具有与之相同的结构loop_vars。如果return_same…

    tensorflow 2023年4月7日
    00
  • 目标检测算法Fast R-CNN

    引言: SPPNet的性能已经得到很大的改善,但是由于网络之间不统一训练,造成很大的麻烦,所以接下来的Fast R-CNN就是为了解决这样的问题。 1. Fast R-CNN 改进的地方: 提出一个RoI pooling(region of interest即候选区),然后整合整个模型,把CNN、SPP变换层、分类器、bbox回归几个模块一起训练。步骤 首先…

    2023年4月8日
    00
合作推广
合作推广
分享本页
返回顶部