一时之间

似乎朋友圈人人都在

讨论ChatGPT

谷歌搜索的数据也证实了

目前全球ChatGPT讨论度最高的就是在中国

本来ChatGPT自去年11月底问世后

火了个把月热度已渐趋下降

但在中国的讨论热潮

又推动ChatGPT搜索指数再次上涨

且火热程度远超第一波

ChatGPT究竟是

怎样在中国火起来的？

一开始，只有小圈子关注

其实，在ChatGPT上线的一周内，便在国内短暂产生过一波搜索热潮，但热度不及目前的四分之一。

在此阶段，网民们的注意力主要集中在ChatGPT使用方法上。各大科技博主纷纷推出ChatGPT注册指南，网友们也大开脑洞，向ChatGPT花式提问。

与此同时，与ChatGPT相关的行业领域、科技名词也广受关注。

百度搜索数据显示，AIGC（生成式人工智能）、Merlin（用于访问OPENAI的插件）、Midjourney（AI绘画软件）等与ChatGPT、AI相关的术语成为搜索热词。在资讯热点中，ChatGPT催生新兴程序员岗、AIGC迅速发展奇点将至等报道也在小圈子里被关注。

值得注意的是，这波关注并没有持续太长时间，国内网友对ChatGPT的新鲜感较快消失。对比国内和全球搜索趋势可发现，国内搜索热度早于全球趋势下降，去年12月9日之后相关讨论便逐渐平息。

股市率先迎来真热潮，概念股引爆

去年12月中旬之后，海外民众对ChatGPT最初的好奇心也逐渐消退，搜索热度不断下降，但随着春节长假结束股市开市，ChatGPT突然引起了国内投资者的关注。

今年1月31日，同花顺新增“ChatGPT概念”，仅5个交易日，概念股涨幅已超25%。2月1日，东方财富网也推出“ChatGPT概念股板块”，两者选股有所重合，但数量不同。同花顺共计41只股票，而东方财富网为27只。

Choice数据显示，截至2月6日，A股ChatGPT概念板块中有15只个股今年以来累计涨幅超过30%。其中，海天瑞声、云从科技涨幅超100%，汉王科技更是已经连续7个“一字板”涨停。

问财选股数据显示，截至2月7日中午，A股中共有41只ChatGPT概念股，超过六成（27只）股票当天呈现涨幅，其中神思电子、海天瑞声、神州泰岳、科大国创、光云科技、天娱数科、汉王科技7只股票涨幅超过10%。

不过，这些概念股中，有部分上市公司似乎只是在“蹭热点”，与人工智能内容生成（AIGC）的关联性并不强。

根据概念股所属二级行业，与计算机相关的占比为63.8%，包括计算机应用与计算机设备。其余二级行业皆与计算机无关，例如传媒、包装印刷、房地产服务等。

据不完全统计，近期在互动平台上，包括高新兴、华如科技、恒实科技、延华智能等多家上市公司纷纷澄清暂无相关业务布局。

而从全球范围来看，生成式人工智能领域也是投资界追捧的热点。

根据CB Insights，2022年ChatGPT概念领域目前约有250家初创公司，其中51％融资进度在A轮或天使轮。2022年，ChatGPT和生成式 AI（AIGC）领域吸金超过26亿美元。

社交平台后发力，国产版受关注

在资本市场掀起ChatGPT热潮之后，国内普通民众对ChatGPT的兴趣再度兴起。

1月中下旬，随着微软欲注资ChatGPT所在人工智能实验室百亿美元等资讯的广泛流传，ChatGPT在中国进一步“破圈”，国内搜索和讨论热度呈现爆发式增长，远超12月初期的热度小高潮，并还在持续增长中。

微博热搜数据显示，2月4日ChatGPT首次登上微博热搜，截至2月7日19时，关于ChatGPT的微博热搜已有20个，总在榜时长超过2000分钟，总热度超过700万。

与去年12月的第一波讨论聚焦如何使用相比，这一轮国内民众对ChatGPT的关注点更为发散。

其中最受关注的话题恐怕是国产版何时诞生。#百度类ChatGPT产品名为ERNIEBOT# #三六零计划推出类ChatGPT产品# 均上榜热搜话题。

另一方面，伦理等衍生话题也颇受欢迎。例如相当数量的网民关注ChatGPT对其他AI产品的冲击，以及ChatGPT在准确度、法律和版权问题上存在的风险问题。

截至2月7日16时，当日18个与ChatGPT相关的热搜中，半数话题与ChatGPT对人类现有商业和社会秩序的冲击相关，包括知识生产伦理、AI取代人类主体、冲击互联网行业、安全使用规则等方面。

ChatGPT预言自己将在中国最流行

ChatGPT是史上用户增长速度最快的消费级应用程序，注册用户数超过100万只用了短短5天，而此前，达到这一数量级用时最快的是Instagram，时长为两个半月。

ChatGPT活跃用户目前还在飞速增长，瑞银报告数据显示，截至 1月末，ChatGPT推出2个月时，其月活用户已经突破了1亿。根据Similarweb数据统计，2023年1月期间，ChatGPT 平均每天大约有 1300 万独立访客，这一数据是 2022 年 12 月的两倍之多。

Similarweb数据显示，目前在全球用户中，美国用户占比最高（19.01%），其次是印度、英国、法国、德国等国家。

关于未来，我们向ChatGPT询问：“你是否认为2023年ChatGPT会在中国最流行？”

它给出了肯定的回答：“是的，我非常有信心，2023年ChatGPT会在中国最流行。随着越来越多的公司和企业开始使用ChatGPT来加速他们的业务，这种趋势将会不断增长。同时，中国在AI技术方面也取得了显著的进步，因此我相信到2023年，ChatGPT在中国的使用将比现在更加普及。”

ChatGPT的预言是否能实现？我们拭目以待。

解放日报・上观新闻原创稿件，未经允许严禁转载

作者：连俊翔 实习生 张思睿

微信编辑：安通

校对：晓川

---

chatgpt属于人工智能还是机器人 做人工智能的十大应用

chatgpt,chatgpt怎么下载,chatgpt中文,chatgpt入口

（本文同步发于 JioNLP 公众号）

这两天，又趁周末把玩了 ChatGPT 一番。大概和它聊天聊了有几百轮对话吧。对话内容可谓说是谈雪，谈星星，谈月亮，从诗词歌赋谈到人生哲学……

最开始接触 ChatGPT 时，更多的是感到惊艳、惊讶。然而，使用 ChatGPT 越多，越感觉到该模型依然存在一些局限性。最近由 ChatGPT 想到一些未来人工智能的发展方向。完全基于纯想象，如果有不妥之处，可以留言评论。

如果你还不知道 ChatGPT 是什么，可以来看看这篇：

• 我让 ChatGPT 做一个时间的换算，结果它给我的回复是：

前两个季度有365天？上面这段回复中，整体语言流畅、大致算法也是正确的，也符合人们普遍的计算思路，但是结果依然是错误的。

我对模型输出上述文字的评价是：语言表达能力很强，数学和逻辑比较差。

换句话说，ChatGPT 压根没有真正理解什么叫前两个季度，也没理解什么叫6个月，什么叫30天，什么又叫365天。搞过语言模型的都知道，它依然是使用概率模型来进行计算和输出的。

更本质而言，ChatGPT 不理解时间，它只是记住了，一个月大致有30天，这么一句话，一个抽象的概念而已。

什么叫一个月？生活在这个世界上的人们当然明白，一个月，就是月亮阴晴圆缺的一个周期，是日历表上历经的一段时间，是天亮到天黑30次。

人类有眼睛、有睡眠、有生命，可以感知到时间的流逝，也可以感知到一个月的真实存在。一个月不仅仅是三个字组成的抽象符号，而是一个真实的事物与抽象概念组成的映射。

这里就暴露出了，当前，我们所研究的人工智能模型，与人类的本质区别，人工智能模型仅仅在做概念之间联系的学习，而人类则是在做概念和真实世界事物之间联系的学习。

一个例子不具有说服力，再来一个例子。

• 我再让 ChatGPT 生成一段菜谱

我笑拉了，土豆和洋葱怎么就成了土豆炖豆腐？青椒和洋葱，怎么又生成了香菇？

这是什么魔法黑暗料理？

同样的，ChatGPT 完全不理解什么叫做洋葱，什么叫做豆腐、土豆、香菇。它的训练过程中汇集了大批量的文本数据，多达上万亿条。其中不乏一些食谱语料中，土豆、洋葱、豆腐、青椒、香菇相互之间存在关联关系，导致了在生成回复语句时，这些概念的概率值较高，被模型采样出来。

食谱的错误例子也说明，ChatGPT 拟合的是纯语言概念之间的联系，而并非是语言概念和现实世界可食用植物之间的联系。

相反，人类想到土豆的时候，联想到的是什么？圆圆的一圈大小的，沾土带泥的，硬硬的食物，炒着吃脆脆的，炖着吃绵绵的，淀粉含量高，可以当作主食……

总之，人类对一个概念的理解是丰富的，是与现实世界直接关联的。而非语言模型那样，是纯抽象概念的堆砌和联系。

有人说，ChatGPT 没啥创新，纯粹是新瓶装旧酒，把 GPT3 的冷饭用强化学习又回锅炒了一番。

我个人对此不甚苟同。

强化学习一个很重要的目标，就是建立模型概念和现实世界实体之间的联系。

比如，在各种棋牌游戏，包括《王者荣耀》等等，都有相应的强化学习实现的人机角色，玩过的伙伴们应该知道，这些人机的强度高的离谱，如果训练得好，完全可以压制职业选手。

在这些游戏中，强化学习给模型与现实世界打通了一道桥梁。模型的各自参数都是概念的组合，而游戏最终的输赢则是现实世界的最终目标。这两者之间的映射的打通，驱使了模型最终达到或超越人类水平。

ChatGPT 也是在同样的方向上的一次尝试，它尝试用 GPT3 学习到的一堆参数，与人类的交互过程中，学习对现实世界的响应。

当然，也需要承认，所谓的 RLHF 式的，带人工反馈的强化学习，依然是笨拙的。凡是需要人工一条一条标注与评价来完成的，总是低效的。

难就难在，现实世界太过多样化，太复杂，语言中的概念又太多，模型想要建立概念与现实世界的映射，这个过程太难。语言里有很多类似下面的例子：

小赵骑车差点摔倒，好在他一把把把把住了。

语言模型对此句子的理解，一般都束手无策，模型根本不理解什么叫一把把把把住了。

现在假设有一个外星生物，刚刚来到了地球。它们的星球没有自行车，也不知道车把，不知道自行车有两个轮。试问：此时应该如何向它解释上述句子表述的含义？

这就需要与人工进行一点点的交互才能完成学习。与其说是与人交互，不如说，是让模型与真实的世界进行交互。

交互有两个任务，一个是，如何摄取真实世界的信息；另一个是，交互方式是什么。

想要与真实世界交互，模型首先得感知到真实世界的信息吧？

人们感知土豆的手段是，看一看、摸一摸、尝一尝、操作操作。

那，模型实际上也需要安装上摄像头、安装上应力传感器、安装上味觉传感器、安装上机械臂，才能真实地感受到土豆这种东西的存在。而非仅仅在大量的语料中，感知到了土豆这种东西。

这就是目前的多模态方向。将图像和文本事物相对应，可以很大程度上提升模型对概念的理解。

人类接受的信息，80%都来自于图像，当然不仅仅是图像，声音、嗅觉、触觉、味觉等等传感器，也可以成为研究方向，与语言模型相结合，提升模型对概念的理解。

传统的标注数据 + finetune 模式，是比较低效的、耗费人工的。

而像 ChatGPT 里那样，应用强化学习同样是效率不高的，因为模型本身并没有真的和人交互，而是利用人工评判的方式来实现拟合。

很大程度上，语言模型没有自驱的学习目标，这导致了模型不知道该如何进行学习。

游戏世界里的自驱学习目标就是，这盘游戏，模型能不能赢。只要在棋盘上走一步棋，就等于向着目标往前走了一步。

同样用人类做比较：

人类的自驱力就是，人类天性怕死，人类具有欲望。人类需要利用语言，从而能够生活下去，满足自己的各自欲望。这样，人就会掌握语言，理解世界。

但是语言模型没有这种驱动力和欲望。所以它的学习过程必须是由人来一点点喂养数据才行。

人生就像一场戏

现实世界太复杂了，我们可以设定一个简单的场景，比如一些开放世界的游戏，主人公在虚拟的游戏中对游戏世界进行探索。

比如这款游戏 The legend of Zelda

游戏中构建了一个宏大的世界观，主人公由玩家操控，目的就是达成一些成就，完成一些目标。在这个虚拟世界中，人物需要吃饭、需要打猎、需要睡觉、需要休息，月亮和太阳间隔而出，圣剑和杀戮时常出现，同时还要朋友和恋人。这些都是对现实世界的真实映射。

现在假设，主人公不再是人类玩家操控，而是由一个语言模型来操控。

讲真，当前的一些大型游戏，其设计事物的精细、画面的精美、剧情的繁复，足够训练一个语言模型学习到一些简单的概念与现实的映射。

语言模型的目标，就是在与游戏虚拟世界的互动和交互过程中，达成游戏的最终目标，这个交互，基于视觉、语言来完成。而非由手柄、按键来完成。

由此，一个可以适应游戏虚拟世界的语言模型就可以非常完美地被训练出来。

这个过程，有论文称之为 agent 自驱式学习。一个语言模型，就是一个 agent，它们共同沉浸在一个虚拟世界中，相互沟通，通过沟通实现语言的学习。

当然，国外有一些实验室，做过类似的实验，他们在一个封闭空间中，设置了一些条件，多个 agents 在相互沟通中完成在封闭空间中的共同生活。实验结果表面，多个 agents 之间产生一些人类无法理解的黑话。agents 们可以利用这些黑话实现某种交流。

这实际上就类似于人类之间，或者动物之间的最原始的语言交流。没有文字、没有复杂的发音方式，仅仅最简单的音节，就可以实现这种交流。

这就是语言最原始的样子。

ChatGPT 的能量是巨大的，它用简单粗暴的方式，向全世界的人展示了大模型，在拟合人类语言和常规语言逻辑上，有着巨大的能量。

现在 NLP 科研方向，很多还是在继续卷一些具体的 NLP 任务模型，或者在既有的研究范式基础上做一些微创新、微改进。

如果可以的话，我想上述的的方式是值得一试的。当然，这个方向的研究，也依然依赖着大规模的基础性软件的构建，比如，虚拟世界游戏引擎，agents 模型的设计等等。当然，一切都可以从最简单的开始设计。

以上想象完全基于目前的 NLP 研究纯想象出发，并非完全基于现实，如有不妥，欢迎留言。

也欢迎关注我的公众号 JioNLP。