讯飞科技有限公司股票,讯飞上市股票在a股,飞龙股份是什么概念股,讯飞智能股票

　　ChatGPT概念股龙头名单一览，ChatGPT概念股定义：人工智能软件ChatGPT亮世后一炮走红，具备闲聊对话、文学创作、书写代码等功能，发布短短5天后就累积了超过100万用户。今年1月23日，微软宣布向ChatGPT开发者OpenAI追加投资数十亿美元，成为人工智能领域史上最大的投资。ChatGPT概念股上市公司股票有20家。那么，ChatGPT概念股龙头名单一览，科大讯飞是ChatGPT概念最新龙头吗，本文详细分析。

ChatGPT概念股龙头一览表：

1、科大讯飞002230：盘后最新消息，收盘报：47.9元，涨幅：9.21%，摔手率：5.45%。经营范围：许可经营项目:增值电信业务,专业技术人员培训。一般经营项目:计算机软、硬件开发、生产和销售及技术服务;系统工程、信息服务;电子产品、计算机通信设备研发、生产、销售;图书批发、零售、电子出版物批发、零售;二类、三类医疗器械研发、制造与销售;进出口业务(国家限定和禁止经营的除外);安全技术防范工程;房屋租赁、物业管理服务;设计、制作、代理、发布广告;进网产品的研发、销售。

2、汉王科技002362：盘后最新消息，收盘报：29.66元，涨幅：10.01%，摔手率：2.67%。主营业务：从事以模式识别为核心的智能交互领域相关的软硬件产品生产、行业应用、技术授权及平台服务。

3、天玑科技300245：盘后最新消息，收盘报：10.15元，成交金额：48190.53万元，年初至今涨幅：33.73%。主营业务：数据中心IT基础设施服务、软硬件销售。

4、初灵信息300250：盘后最新消息，收盘报：18.5元，市盈率（动）：287.29，主力资金净流入： -2202万元。主营业务：信息接入方案的设计及相应设备的研发、生产和销售;大数据应用服务。

ChatGPT龙头股票有：宏景科技301396，福石控股300071，初灵信息300250，高伟达300465，岭南股份002717，天玑科技300245，，科大讯飞002230，汉王科技002362，天玑科技300245，初灵信息300250等，以上是ChatGPT概念股名单一览表，想了解更多概念股信息请关注正点财经网。

　　此数据由正点财经网提供，仅供参考，不构成投资建议。股市有风险，投资需谨慎，据此操作，风险自担。

---

chatgpt为什么这么火

老兵看到的不是概念

已经有人

拿chatgpt去考试，

拿chatgpt律师资格考试

拿chatgpt写作工种

拿chatgpt搜索百科

拿chatgpt教师医生

诸多行业的饭碗都在摇晃！

老兵体验了一下，简直太猛了。下面是ChatGPT的回答，按照这个智商，经过100次迭代之后，一般的洗稿研究员肯定是比不上的。

老兵听说，美帝89%的大学生，已经开始用ChatGPT做作业，听说目前，纽约的教育系统正在全面阻挡ChatGPT，老师们防ChatGPT如洪水猛兽，却还是屡禁不止~~~老兵听说，这个应用2个月用户就过亿了，而我们的抖音，曾经创造过历史，1亿用户用了9个月~~~~~

老兵的第一直觉是：ChatGPT别的不说，应该是非常适合有些朋友单位里要求写的那些根本没人看的材料的。这些朋友的生产力应该是第一步被解放了。

而老兵也能预见到，每次只要出现一点点新生事物，总是免不了“各种砖家”开始发言。但这些发言，大多数真的不接地气。老兵只愿意听一种砖家发言，这就是自己在实践的，自己玩懂了的。

比如老兵，不管这个新生事物，靠不靠谱，老兵总是用实践来发现他好的一点，也会观察他坏的一面，更会思考他是否有复利前进的迭代能力。

老兵客观来说，说的保守一点chatGPT确实强过60%的人，语言理解力，上下文连贯性，文本分析总结，推理性等等都强过以往的AI。

这个只能水平，完全不是小度小度，天猫精灵这样的伪智能AI可以比拟的。老兵判断，按照这个节奏，客服行业的劳动密集型，很快会摧毁。

如果继续迭代1-3年，80%的常见问题，80%的信息分类，会变的比搜索引擎更加有效。

老兵看到：

（1）百度已经宣布，CHATGP在下个月完成内部测试。

（2）谷歌已经宣布，BARD很快会推出。

这些搜索引擎，曾经大幅提高过信息的利用效率，如果突然一夜之间没有了搜索引擎，老兵真的不知道怎么工作，学习和生活了。但是这些搜索引擎，也让信息量混杂，如何找到有效的信息，曾几何时，大家一度要去知乎~~~

而chatGPT之所以创造新的历史，2个月达到1个亿用户，就是因为它简单粗暴的证明了，我们当下，绝大多数工作，都是无用功，都是不需要结论，只需要玩文字游戏的混点工作~~

老兵认为：

这一波真正的AI

将倒逼人们从重复性劳动中脱离出来

只有创造性的工作才不会被完全取代。

---

一文读懂chatgpt原理

（本文是ChatGPT原理介绍，但没有任何数学公式，可以放心食用）?

这两天，ChatGPT模型真可谓称得上是狂拽酷炫D炸天的存在了。一度登上了知乎热搜，这对科技类话题是非常难的存在。不光是做人工智能、机器学习的人关注，而是大量的各行各业从业人员都来关注这个模型，真可谓空前盛世。?

我赶紧把 OpenAI 以往的 GPT-n 系列论文又翻出来，重新学习一下，认真领会大规模预训练语言模型（Large Language Model）的强大之处。

可能很多深度学习相关从业人员的感受和我一样，大家之前对 LLM 的感受依然是，预训练+finetune，处理下游任务，依然需要大量的标注数据和人工干预，怎么突然间，ChatGPT 就智能到如此地步？

接下来，我简要梳理一下 OpenAI 的 GPT 大模型的发展历程。

2018年，自然语言处理 NLP 领域也步入了 LLM 时代，谷歌出品的 Bert 模型横空出世，碾压了以往的所有模型，直接在各种NLP的建模任务中取得了最佳的成绩。?

Bert做了什么，主要用以下例子做解释。

请各位做一个完形填空： ___________和阿里、腾讯一起并成为中国互联网 BAT 三巨头。

请问上述空格应该填什么？有的人回答“百度”，有的人可能觉得，“字节”也没错。但总不再可能是别的字了。

不论填什么，这里都表明，空格处填什么字，是受到上下文决定和影响的。

Bert 所作的事就是从大规模的上亿的文本预料中，随机地扣掉一部分字，形成上面例子的完形填空题型，不断地学习空格处到底该填写什么。所谓语言模型，就是从大量的数据中学习复杂的上下文联系。

与此同时，OpenAI 早于 Bert 出品了一个初代 GPT 模型。?

它们大致思想是一样的。都基于 Transformer 这种编码器，获取了文本内部的相互联系。 Transformer结构

编解码的概念广泛应用于各个领域，在 NLP 领域，人们使用语言一般包括三个步骤：?

接受听到或读到的语言 -> 大脑理解 -> 输出要说的语言。

语言是一个显式存在的东西，但大脑是如何将语言进行理解、转化、存储的，则是一个目前仍未探明的东西。因此，大脑理解语言这个过程，就是大脑将语言编码成一种可理解、可存储形式的过程，这个过程就叫做语言的编码。

相应的，把大脑中想要表达的内容，使用语言表达出来，就叫做语言的解码。

在语言模型中，编码器和解码器都是由一个个的 Transformer 组件拼接在一起形成的。 Transformer编码器组成的 Encoder-decoder模型

这里不展开讲 Transformer 里的内部结构，仅仅讲一下 Bert 和 GPT 的区别。?

两者最主要的区别在于，Bert 仅仅使用了 encoder 也就是编码器部分进行模型训练，GPT 仅仅使用了 decoder 部分。两者各自走上了各自的道路，根据我粗浅的理解，GPT 的decoder 模型更加适应于文本生成领域。

GPT 初代其实个人认为（当然普遍也都这么认为）略逊色于 Bert，再加上宣传地不够好，影响力也就小于 Bert。

我相信很多的 NLP 从业者对 LLM 的理解也大都停留在此。即，本质上讲，LLM 是一个非常复杂的编码器，将文本表示成一个向量表示，这个向量表示有助于解决 NLP 的任务。

自从 Bert 炸街后，跟风效仿的改进模型也就越来越多了，比如 albert、roberta、ERNIE，BART、XLNET、T5 等等五花八门。?

最初的时候，预训练任务仅仅是一个完形填空任务就可以让语言模型有了极大进步，那么，很多人就想，给 LLM 模型出其它的语言题型，应该也会对模型训练有极大的帮助。

想要出语言题型不是很简单么，什么句子打乱顺序再排序、选择题、判断题、改错题、把预测单字改成预测实体词汇等等，纷纷都可以制定数据集添加在模型的预训练里。很多模型也都是这么干的。

既然出题也可以，把各种NLP任务的数据集添加到预训练阶段当然也可以。那就把机器翻译、文本摘要、领域问答统统往预训练里加。

这个过程也和人脑很像，人脑是非常稳定和泛化的，既可以读诗歌，也可以学数学，还可以学外语，看新闻，听音乐等等，简而言之，就是一脑多用。

我们一般的 NLP 任务，文本分类模型就只能分类，分词模型就只能分词，机器翻译也就只能完成翻译这一件事，非常不灵活。

GPT-2 主要就是在 GPT 的基础上，又添加了多个任务，扩增了数据集和模型参数，又训练了一番。效果如下：

GPT-2学习效果图

既然多个任务都在同一个模型上进行学习，还存在一个问题，这一个模型能承载的并不仅仅是任务本身，“汪小菲的妈是张兰”，这条文字包含的信息量是通用的，它既可以用于翻译，也可以用于分类，判断错误等等。也就是说，信息是脱离具体 NLP 任务存在的，举一反三，能够利用这条信息，在每一个 NLP 任务上都表现好，这个是 元学习（meta-learning）。

首先， GPT-3 的模型所采用的数据量之大，高达上万亿，模型参数量也十分巨大，学习之复杂，计算之繁复不说了，看图吧。?

GPT-3 里的大模型计算量是 Bert-base 的上千倍。统统这些都是在燃烧的金钱，真就是 all you need is money。如此巨大的模型造就了 GPT-3 在许多十分困难的 NLP 任务，诸如撰写人类难以判别的文章，甚至编写SQL查询语句，React或者JavaScript代码上优异的表现。

首先 GPT-n 系列模型都是采用 decoder 进行训练的，也就是更加适合文本生成的形式。也就是，输入一句话，输出也是一句话。也就是对话模式。

我们是如何学会中文的？从0岁开始，听、说，也就是对话。?

我们是如何学外语的？看教材，听广播，背单词。唯独缺少了对话！正是因为缺少了对话这个高效的语言学习方式，所以我们的英语水平才如此难以提高。

对于语言模型，同理。对话是涵盖一切 NLP 任务的终极任务。从此 NLP不再需要模型建模这个过程。比如，传统 NLP 里还有序列标注这个任务，需要用到 CRF 这种解码过程。在对话的世界里，这些统统都是冗余的。

其实 CRF 这项技术还是蛮经典的，在深度学习这块，CRF这也才过去没几年。sigh……

以往的预训练都是两段式的，即，首先用大规模的数据集对模型进行预训练，然后再利用下游任务的标注数据集进行 finetune，时至今日这也是绝大多数 NLP 模型任务的基本工作流程。?

GPT-3 就开始颠覆这种认知了。它提出了一种 in-context 学习方式。这个词没法翻译成中文，下面举一个例子进行解释。

用户输入到 GPT-3：你觉得 JioNLP 是个好用的工具吗？

GPT-3输出1：我觉得很好啊。

GPT-3输出2：JioNLP是什么东西？

GPT-3输出3：你饿不饿，我给你做碗面吃……

GPT-3输出4：Do you think jionlp is a good tool?

按理来讲，针对机器翻译任务，我们当然希望模型输出最后一句，针对对话任务，我们希望模型输出前两句中的任何一句。显然做碗面这个输出句子显得前言不搭后语。

这时就有了 in-context 学习，也就是，我们对模型进行引导，教会它应当输出什么内容。如果我们希望它输出翻译内容，那么，应该给模型如下输入：

用户输入到 GPT-3：请把以下中文翻译成英文：你觉得 JioNLP 是个好用的工具吗？

如果想让模型回答问题：

用户输入到 GPT-3：模型模型你说说，你觉得 JioNLP 是个好用的工具吗？

OK，这样模型就可以根据用户提示的情境，进行针对性的回答了。

这里，只是告知了模型如何做，最好能够给模型做个示范：

用户输入到 GPT-3：请把以下中文翻译成英文：苹果 => apple; 你觉得 JioNLP 是个好用的工具吗？=>

其中 苹果翻译成 apple，是一个示范样例，用于让模型感知该输出什么。只给提示叫做 zero-shot，给一个范例叫做 one-shot，给多个范例叫做 few-shot。

不能再给多了！一个是，咱们没那么多标注数据，另一个是，给多了不就又成了 finetune 模式了么？

?

在 GPT-3 的预训练阶段，也是按照这样多个任务同时学习的。比如“做数学加法，改错，翻译”同时进行。这其实就类似前段时间比较火的 prompt。

这种引导学习的方式，在超大模型上展示了惊人的效果：只需要给出一个或者几个示范样例，模型就能照猫画虎地给出正确答案。注意啊，是超大模型才可以，一般几亿参数的大模型是不行的。（我们这里没有小模型，只有大模型、超大模型、巨大模型）

?

这个结果曲线图展示了用175 billion 的参数得到了优质的效果。彷佛在嘲讽我：哎，你没钱，你就看不着这种优质的效果，你气不气？

终于说到了主角，能看到这里的，可以关注一下 JioNLP 公众号吗？我写的也够累的。?

ChatGPT 模型上基本上和之前 GPT-3 都没有太大变化，主要变化的是训练策略变了，用上了强化学习。

几年前，alpha GO 击败了柯洁，几乎可以说明，强化学习如果在适合的条件下，完全可以打败人类，逼近完美的极限。?

强化学习非常像生物进化，模型在给定的环境中，不断地根据环境的惩罚和奖励（reward），拟合到一个最适应环境的状态。

?强化学习之所以能比较容易地应用在围棋以及其它各种棋牌游戏里，原因就是因为对于 alpha Go 而言，环境就是围棋，围棋棋盘就是它的整个世界。模型就是不断根据棋盘的状态以及输赢状况调整策略，战胜了柯洁。而几年前知乎上就有提问，NLP + 强化学习，可以做吗？怎么做呢？

底下回答一片唱衰，原因就是因为，NLP 所依赖的环境，是整个现实世界，完全无法设计反馈惩罚和奖励函数。除非人们一点点地人工反馈。

哎，OpenAI 的 ChatGPT 就把这事给干了。

不是需要人工标反馈和奖励吗？那就撒钱，找40个外包，标起来！

这种带人工操作的 reward，被称之为 RLHF（Reinforcement Learning from Human Feedback）。

具体操作过程就是下图的样子，采用强化学习的方式来对模型进行训练。已经抛弃了传统的 LM 方式。