人工智能时代, ChatGPT如此火热, 大家恐慌, 焦虑, 大家最关注的是两个问题

我会不会被取代?
我有没有机会?

吴军老师(浪潮之巅, 数学之美等), 有门课程, <吴军讲ChatGPT>, 用通俗易懂的语言, 讲解了人工智能的技术原理+前世今生,以及当下火热的ChatGPT的可以做什么, 那些做不了, 然后回答了大家最关心的两个问题, 1. 我会不会被取代 2. 我有没有机会(虽然他说的我有没有机会部分, 我并不是很认同, 但是前面的部分还是还值得学习的.)

课程的内容, 总结如下图所示

一图总结课程内容

在这里插入图片描述

课程有20个免费学习的机会, 关注我的公众号, 发送消息后, 链接可分享给你, 先到先得.

在这里插入图片描述

内容学习按照章节总结如下:

吴军讲ChatGPT

发刊词: "ChatGPT神话"背后的原理是什么

吴军的论断

它是一个被神化的语言模型的衍生品

世界上各种自然神，都是人创造出来的，但是人从此匍匐于它们的脚下。而人这么做，是因为不知道各种自然现象背后的原因，简单地讲，就是不懂得科学原理。

第一讲计算机回答问题, 写诗难吗?

ChatGPT让人感觉神奇的地方

回答复杂问题
能写作

回答复杂问题

对于计算机而言
- 容易的问题
  - “是谁”“什么时候”“在哪里”“发生了什么事”等等
- 复杂的问题
  - ”为什么"
  - “怎么做”
让计算机回答问题并不是一件高不可攀的事情，在今天，让它做得比人好是完全能够办得到的。

写作

ChatGPT的能力

信息查询
帮助写作业
应付差事的汇报
核心
- 一个是理解自然语言，明白人的意图
- 另一个是产生自然语言的文本，满足人的要求

第二讲 ChatGPT的本质是什么?

底层技术

语言模型

语言模型

人类的语言建立数学模型
语言模型不是逻辑框架，不是生物学的反馈系统，而是由数学公式构建的模型。

如何消除不确定性?

上下文信息的多少
从本质上讲，ChatGPT的原理依然是在很多种候选中，选择一个概率或者是可能性最大的句子

模型的概率怎么计算

今天对于语言模型参数的统计并不是简单的数数，而是要用很复杂的机器学习方法反复计算

第三讲语言模型是如何进化的

阶段1

语音识别
- 错误率控制在10%以内

阶段2

语言模型
- 语法 + 语义
  - 结论
    - 把更多信息，比如语法信息、语义信息，加入语言模型后，人们面临的更大的挑战是，训练模型的计算量变得特别大。
- 自适应的语言模型
  - 一个人使用语言模型的过程中，他个人输入的信息和间接提供的反馈信息，能够被用来改进语言模型。

阶段3

Google大脑
- 一方面，能够更有效地利用计算资源，这使得语言模型能够越做越大；另一方面，也让模型计算出的概率越来越准确
now
- 今天，计算机对自然语言做语法分析，可以做得比人还准确。通过句子的语法结构，可以理解常见的实词，也就是名词、动词和形容词的含义

第四讲 ChatGPT的能力边界在哪?

被热炒的原因

ChatGPT真正可怕的地方在于，按照当前的速度发展下去，不断扩大应用领域，它可能可以解决很多原本需要人类才能解决的问题

语言模型能做的三类事情

1. 信息形式转换
- 语音识别
- 机器翻译
1. 根据要求产生内容
  [信息由少变多]
- 回答问题
- 回复邮件
- 书写简单的段落
- 结论
  - 如果语言模型中包含了某个话题的很多相关信息，它就可以产生高质量的文本；否则，它给出的答案或者所写的内容就不着边际。
  - 先给ChatGPT提要求，让它写一篇文章。绝大部分人到此为止了，但是他们会对机器写的文章提出新的修改要求，然后它就会重新给你写，然后你再提要求。这样一来二去，几次迭代下来，文章质量就大有提高了
  - 虽然ChatGPT不能自己创造答案，但它还是很有价值的，它可以减少人的工作量
1. 信息精简
  [信息由多变少]
- 对于这一类工作，最终计算机会做得比大部分人更好。这不仅是因为计算机阅读和处理数据快，语言模型强大，更是因为它在做摘要、做分析或者剪辑视频时，能够做到比人客观
- 写摘要

第五讲 ChaGPT的回答从哪里来?

回答简单问题

利用语言模型回答问题，不是一个问题对一个答案这样简单的匹配，而是对于问题给出多个答案，然后根据答案的概率排序，返回一个最可能的答案
“是什么”（What），“是谁”（Who），“在什么时候”（When），“在哪里”（Where），“哪一个”（Which）

回答复杂问题

知道答案, 直接给出
不知道答案, 但是知道答案的基本知识, 推理答案
不知道答案, 根据现有的知识也无法直接推导出答案

ChatGPT如何工作

回答问题也好、写作短文也好，都基于它对现有事实的抽取和整合，或者说归纳总结
知识图谱
- 单篇文章
- 全网知识

第六讲 ChatGPT有那些固有缺陷?

结论

有些问题是可以通过改进解决的，有些则是ChatGPT固有的问题，甚至是今天机器学习方法固有的问题，要解决是很难的。

那些问题能够改进

信息量不够导致的错误
创作出来的作文段落乏味

垃圾输入, 垃圾输出

语言模型进化到今天，虽然进步了很多，但依然是一个利用已有的信息预测其他信息的模型，这个性质没有改变
垃圾输入
- 噪音
- 正反馈

人工干预的边界

你很难通过人为调高或者调低一些参数来控制ChatGPT的输出结果

第七讲 ChatGPT需要什么资源?

数据

高质量的数据

算力

随着时间的推移，人们对人工智能的要求也在不断提高，需要的算力也在不断增加

算法

除了算力之外，基础的自然语言处理技术，也就是算法，也是实现ChatGPT这些产品必不可少的条件

第八讲今天人工智能的边界在哪里?

因为无论是什么样的计算机，都只能解决世界上很小一部分问题

ChatGPT的边界是人工智能的边界，而人工智能的边界是数学的边界，数学是有边界的

人工智能能解决什么问题, 不能解决什么问题

数学+计算机的边界
- 哥德尔
  - 在1931年，年仅25岁的哥德尔证明了，数学体系不可能既完备又一致。也就是说，保证了完备性，结论就会矛盾；保证了一致性，就会有很多结论无法用逻辑推理的方法证明
- 马季亚谢维奇
  - 希尔伯特第十问题，简单说就是：对于某一类数学问题（不定方程整数解的问题），有没有一个方法，通过有限步，就能判断它有没有解？
  - 希尔伯特关心的只是判断一下它有没有解，还没有考虑如何解决它
  - 马季亚谢维奇的结论对搞计算机的人来讲，既是一个坏消息，也是一个好消息：坏消息是，很多问题就不要想着如何编程去解决了。因为刚才说了，我们压根无法判定它是否有答案，更不要说解决了。换句话说，很多数学问题压根无法用计算机一步步解决；好消息则是，避免了很多人在这里浪费时间
  - 不过，并非所有搞技术的人都知道数学的边界在哪里，依然有无数人在犯错误，试图解决不应该用计算机解决的问题
- 图灵
  - 图灵不仅给出了可计算的问题，也就是有答案的问题的边界，而且告诉了人们实现计算的方法。这个方法就是图灵机，它能够在有限时间内，判断哪一类问题能够在有限的步骤内计算出来。
人工智能的边界
- 世界上很多问题都不是数学问题
- 根据希尔伯特和马季亚谢维奇给出的结论，很多数学问题有没有解是不知道的
- 在计算机和数学领域，知道一个问题有没有解，叫作“可判定”，这样的问题叫作“可判定问题”。
- 可判定的问题很多是无解的，只有少部分有答案。
- 说明
  - 计算能力增加，原来可以计算的问题会算得更快，瞬间解决，但是不可算的还是不可算。

第九讲 ChatGPT为什么会被热炒?

原因

热炒的背后一定有原因，有利益、有恐惧、有哗众取宠，也有无知

多视角分析

投资
- 发现企业有独特的技术
从业者
- 兴奋
- 恐惧
媒体
- 国内媒体的单方面报道
- 行业偏见
普通人
- 将ChatGPT当做神,认为其无所不能
- 从名称无法理解其内容的新技术

结论

ChatGPT既不像很多人讲的那么神奇，也没有那么可怕，但也不是毫无用途

第十讲 ChatGPT能替代什么人?

核心关注的点

ChatGPT能取代人吗，或者说能抢人的饭碗么吗？简单的答案是——“能”。但是它只会抢特定人的饭碗，而不是所有的人

什么人会被取代

结论
- 会被ChatGPT取代的人有三个特点：
  从事不费体力的工作，
  不动脑子的工作，
  不产出信息的工作
案例
- 不产生信息的人
  - 金融分析师
  - 大部分财经媒体记者
  - 律师助理
  - 普通文员
  - 短视频制作人
  - 大部分公众号写手
- 低端IT从业者
  - 结论
    - 短期收益可能还不错, 前景越来越暗淡
  - IT开发分类
    - 研发新产品和做解决方案的: 安全的
    - 处理日常事物的: 危险的: 运营, 测试, 数据处理

什么人不会被取代

越是到了各种智能工具不断涌现，做事情越来越便利的时候，从事创造性的工作也就越来越重要。
世界上有很多未知的问题，需要亲力亲为去解决，它们未必都是大问题，但却很重要。比如我们前面提到的，如何知道哪种口罩防护力最高的问题，需要做研究才能搞清楚，不是坐在办公室里凭空推理能解决的。
人工智能可以解决很多问题，但救不了思想上懒惰的人。相反，有了智能工具，反而更加勤奋的人，不仅不会被ChatGPT抢走工作，还会因此有更高的成就