谈谈我对ai发展的看法

最近难得有时间，通过白话，聊聊我对AI的看法，仅代表个人观点

首先表明我的观点：人类当前的人工智能成果，仍然停留在一知半解程度。技术的发展是需要长期的积累和进步，目前AI的发展仍处于入门阶段

人类的发展必然离不开创新，未来革命性的五大核心技术，基因工程、核聚变、量子科学、人工智能和石墨烯技术，这五大技术极有可能成为推动人类进步，迈入第四次工业革命的核心技术

小拾先生这次只给大家聊人工智能这块

人工智能，英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学

如果从1956年8月在美国汉诺斯小镇的达特茅斯学院举行的会议来计算(“人工智能”名词的起源年)，到现在的2023年，AI已经走过67年，前几年的AI掀起了巨大讨论，像自动驾驶、下棋机器人、视网膜识别等等，一直到现在OpenAI新鲜出炉的chatGPT。但是我认为这些并没有发生本质的改革：

达特茅斯学院

自动驾驶，日本筑波大学机械工程实验室在1979年，就能在日本道路上测试世界上第一辆自动驾驶汽车，首批自动驾驶汽车以每小时20英里的速度行驶

慕尼黑大学动态计算机视觉与无人驾驶汽车先驱者Ernst Dickmanns教授于1995年,实现了奔驰S级从德国慕尼黑到丹麦哥本哈根1678公里几乎全程自主驾驶，并在时速达到185公里每小时的情况下不需，或极少需要人为干涉进行超车，这辆汽车采用计算机扫视技术，通过一系列微处理器和概率方法反映实时路况

无人驾驶中控台

下棋机器人，艾伦·图灵在70年前，就想发明一个基于深度学习的下棋机器人。国际商业机器公司(IBM)在1996年研发的"深蓝计算器机象棋系统" ，于1997年5月19击败卡斯帕罗夫。深蓝通过自身的机器学习,已经成为了大师级的下棋机器人

艾伦·麦席森·图灵(人工智能之父)

但是由于当时没有云计算，算力不行，所以没有大规模的普及以及引起大家的讨论。目前为止，这些科技的核心并没有改变。学过数学的都知道，函数中有一个入参，有一个出参。其实本质都是通过数据，机器自我学习，不断优化，找到让误差值最小时候的算法。比如：梯度下降。但是得到的都是局部最优解，并非全局最优，训练时可能都无法收敛，有限数据还会带来泛化不足的问题

像我所了解的算法:KNN、SVM、朴素贝叶斯、Logistic Regression、决策树等，只能说这些算法在特定的数据集下表现较好，各有优劣，对应的使用场景不同

目前AI的发展，类比法拉第刚开始成功的"法拉第电磁感应实验" ，得出了电磁感应定律，从而发明了发电机，对人类文明有着深远意义的影响，但是接下来如何能进一步的做成一个普及型产品，如何变成社会基础设施, 试想如果打雷刮风下雨、气温变化都会导致停电，那如何改变我们的生活。这也是目前AI的问题，科学家就像刚开始的法拉第，能做出AI产品，但依然还有很长的路要走，我们的模型，局限于特定的场景、特定的数据，而且模型又太容易受到外界的干扰，很难进行规模化的推广普及，泛化能力较为有限

顺便聊聊最近特别火的chatGPT(chat指聊天,GPT(Generative Pre-training Transformer)译成中文即“预训练生成模型”)。今天早上起来坐在马桶上，打开手机，看到欧阳哥给我推了一条消息，关于chatGPT实现功能的效果视频。感受到他对技术发展的惊叹，视频下方的评论，不少人有对职业被取代的担忧

我个人认为未来的chatGPT也许能优化技术水平不高的一些程序员、一些低层次白领等职位，但还远远无法达到完全取代的程度,因为ChatGPT能解决的问题还是比较有限,并且不靠谱。而且chatGPT面对不确定的问题时，他简直就是在胡说八道。体验需要梯子，登陆https://chat.openai.com/auth/login,邮箱注册,付费,即可体验

chatGPT是OpenAI公司的产品，早期是由马斯克领投，现在是由微软的比尔盖茨大股份投资。OpenAI的GPT-3模型架构基于Transformer的神经网络，它最大的牛逼之处在于参与它的训练达到1750亿个参数，训练一次模型需要大约19万度电。在GPT-3发布之前，最大的语言模型是微软在2020年推出的图灵Turing NLG, 参数达到170亿，仅是GPT-3的10% ，目前来看，GPT-3是全球最大数据参与的模型训练，它也是基于传统的NLP和机器学习的一种模型，依然使用神经网络架构，其中包含很多深度学习层，初始模型(监督训练) -> RLHF（Reward 模型） -> 深度自我学习，详细原理有兴趣可以爬梯子去官方一探究竟

确实，chatGPT的出现，使AI又向前迈进了一大步。据说GPT-4已经轻松通过了图灵测试，期待GPT-4的推出.....