openai网站访问量攀升 openai开放平台

open ai 成立 openai创始人

在此也推荐一下曾执掌斯坦福大学16年的校长，Google母公司Alphabet董事会主席John Hennessy关于《从学术研究到产业转化，如何跨越鸿沟》这个话题的卓越洞见。

这个指南本来是2017年12月为OpenAI Fellows计划编写的，在这篇文章中，我根据自己从事研究和为他人提供建议的经验，为机器学习领域的后起之秀提供了一些建议，包括如何选择问题和规划你的时间。

（后台回复openai，领取原文链接）

You and Your Research 《你和你的研究》作者 Richard Hamming

Principles of Effective Research《高效研究原则》作者Michael Nielsen

我的文章将涵盖类似的领域，但更适用于ML（Machine Learning 机器学习）。

成功的关键是解决正确的问题、在这些问题上不断进步、并实现持续的个人成长。这篇文章由三部分组成，每一部分都涵盖了其中的一个主题。

先花几分钟时间讨论一下ML中的哪些发现和成就对你来说是最有趣、最有价值的。想想它们为什么如此突出――因为它是一个改变你想法的突破性结果；或者因为它是一个可重复使用的算法；还是因为它对一些反复出现的问题有深刻见解？你应该渴望产生这样的结果、算法和见解。

选择问题

提高你的品味――选择去解决什么问题的能力比你本身具有的技能更重要。通过观察哪些想法成功了、哪些想法被忘掉了，就能逐渐形成你对问题对品味。你会看到哪些问题能产生新想法并获得成果，哪些因为太复杂或太脆弱，或者因为增量改进太小而被忽略。

如何快速培养对问题的品味，其实有几个好办法：

1 阅读大量论文，并对其进行批判性评估。如果可能的话，与对该主题有深入了解的人讨论它们。

2 加入研究小组中与其他人一起研究类似的课题。这样你们就可以吸取彼此的经验。

3 向有经验的研究人员寻求建议。当你决定做哪一项研究，以及你在这项研究上表现如何时，你的技能就该发挥作用了。

4 花时间思考什么研究是有用的和有成果的。思考以下几个问题：

理论什么时候有用？
实证结果何时可以转化？
是什么原因导致一些想法被广泛接受，而另一些却被遗忘？
你所在领域的趋势如何？哪些研究会淘汰其他研究？

第1-3项需要优化环境和其他研究人员给你信息，而第4项是你自己要做的事情。作为1-3重要性的经验证据，考虑一下最具影响力的研究是如何紧密聚集在少数研究团体和机构中的。

这并不是因为这些人比其他人聪明得多，而是因为他们拥有更高密度的专业知识和观点，这使他们比社群中的其他人领先一点，因此他们在产生新结果方面占据主导地位。

如果你没有足够的幸运处在一个相关专业知识高度密集的环境中，不要绝望。你只需要格外努力，就能走在众人的前面，而且特别重要的是，要专门化和发展你自己独特的视角。

研究：想法驱动VS目标驱动

简单地说，有两种不同的方式可以让你决定下一步做什么。

想法驱动。遵循文献的某些部分。当你阅读一篇关于如何做XX的论文时，有了如何做得更好的想法，然后着手一个项目来测试你的想法。

目标驱动。设定一个愿景，比如你想要为人工智能赋予一些新的能力，然后去解决让你更接近目标的问题。(下面，我给出了几个我自己的研究案例，包括使用强化学习进行3D人形运动的目标。) 在你的实验中，你可以测试文献中的各种现有方法，然后开发出自己的改进方案。

当然，这两种方法并不相互排斥。任何给定的ML（MachineLearning机器学习）子空间都与一些目标有关（例如，目标检测）。任何“想法驱动”的项目都将代表该子空间目标的进展，因此在某种意义上，它是目标驱动研究的一个实例。但在这里，我会把目标驱动研究理解为你的目标比你整个子空间的目标更具体，更像是让X第一次发挥作用，而不是让X更好地发挥作用。

我个人建议大多数人进行目标驱动的研究，我自己也一直遵循这个策略。

想法驱动型研究的主要风险在于很可能会被抢先或重复他人研究。世界各地的研究人员都在阅读相同的文献，所以他们有相似的想法。为了在想法驱动的研究中取得突破，你不仅要对你的主题有非常深刻的理解，还要与社群其他人有不同的观点――有些人可以做到，但很难。

另一方面，有了目标驱动的研究，你的目标会给你一个不同于社群其他人的视角。它会引导你问别人没有问过的问题，使你取得更大的进步。目标驱动的研究也更有激励性。每天早上醒来，你可以想象你的目标实现时会是什么样子，你会有什么感觉。这样会让坚持一个有起有落的长期研究项目变得更加容易。目标也能使一组研究人员合作，攻克一个问题的不同方面，而想法驱动的研究最好由1-2人的“团队”组成。

目标驱动研究案例：我在研究生院期间的研究

在我博士的前半部分，我的目标是让机器人能够操纵可变形的物体――包括外科手术机器人打结、家用机器人叠衣服。虽然这个目标是由我的顾问Pieter Abbeel确定的，这也是他实验室的主要目标，但我对如何实现这个目标有着自己的看法――我的方法是基于从人类演示中学习，从解决让PR2在绳子上打结的问题开始。然后出现了各种意想不到的子问题，其中一个就是轨迹优化，在这个子问题上获得的成果，最后成为了“打结项目”最有影响力的产品。

在博士的后半段，我对强化学习产生了兴趣。虽然强化学习可以应用到很多领域，但是我决定专注于机器人运动，因为这是一个具体的目标，结果也足以让我振奋。

具体来说，我的目标是让一个3D机器人使用强化学习从头开始学习跑步。经过初步探索，我决定将重点放在策略梯度方法上，因为它们似乎最适合理解和数学分析，而且我可以利用我的优势进行优化。在这期间，我开发了TRPO和GAE，最终实现了3D仿人运动的最初目标。

通过运用策略梯度方法研究运动，我获得了第一个成果，DeepMind团队使用雅达利的DQN展示了这些成果。随之，许多人加入了这股潮流，并试图开发更好的Q-learning版本，并将它们应用到Atari领域。

然而，我已经探索了Q-learning并得出结论，对于我正在研究的运动任务来说，这不是一个好方法，所以我继续研究策略梯度方法，所以才有了TRPO、GAE和后来的PPO――现在是我最著名的作品。从这个例子可以看出，从社群的其他问题中选择一个不同的问题是如何引导你探索不同的想法的。

目标驱动研究案例：把自己限制在通解上

目标驱动研究的一个陷阱是把你的目标看得太字面。如果你心中有一个特定的能力，可能有一些方法来实现它，但这种方法并不有趣，也不会推进机器学习领域。你应该把你的研究限制在那些看起来通用的、可以应用于其他问题的解决方案上。

例如，在研究机器人运动时，我避免将领域信息纳入解决方案――目标是在模拟中实现运动，这是一种通用的方法，可以应用于其他问题。为了看到生命的最初迹象，我做了一些特征工程和奖励塑造，但我小心翼翼让我的更改保持简单，不让它们影响我正在开发的算法。

现在，我把视频游戏作为一个试验平台，我敢说我的算法思想不是专门针对这种环境的――它们同样可以很好地应用于机器人。

志存高远，逐步向更高的目标攀登

有时候，那些既聪明又勤奋的人做不出伟大的研究。在我看来，失败的主要原因是他们过于关注不重要的问题。当你着手一个研究项目时，你应该问自己:潜在的上升空间有多大？会有10%的改进还是10倍的改进？我经常看到研究人员接手看似合理的项目，但只能对某些指标产生微小的改进。

在你试图实现的更大目标的背景下，增量研究(那些10%的改进)是最有用的。例如，关于使用卷积神经网络进行ImageNet分类的开创性论文(Krizhevsky，Sutskever，& Hinton，2012年)不包含任何全新的算法组件，相反，它累积了大量的小改进，实现了前所未有的结果，这在当时几乎出乎所有人的意料(尽管我们现在认为这是理所当然的)。

在你的日常研究中，你会在表现和理解方面不断进步。但是这些小步骤会让你朝着一个更大的目标前进，这个目标代表着一种非渐进式的进步。

如果你正在研究增量思维，要知道它们的有用性取决于它们的复杂性。在基线上稍微改进的方法最好非常简单，否则没有人会费心去使用它――甚至是你。如果有10%的改进，最好是2行代码，而如果有50%的改进，可以增加10行代码，等等。(我给出这些数字只是为了说明，实际数字显然取决于域。)

不断进步

要在机器学习中开发新的算法和见解，需要长时间专注于一个问题。这一部分是关于在这个长期解决问题的过程中如何培养有效的习惯，让你不断地朝着好的结果前进。

使用一个笔记本，并经常翻阅它

我强烈建议你用一个笔记本来记录你每天的想法和实验。我在研究生院学习了5年，在OpenAI学习了2年，我觉得这非常有帮助。

我每一天都会创建一个条目。在这个条目中，我会写下我正在做的事情、我的想法和实验结果(粘贴在图和表中)。每隔1或2周，我会做一个回顾，阅读我所有的日常记录，并将信息浓缩成一个摘要。通常我的回顾包含实验发现、见解(可能来自我、我的同事或我读到的东西)、代码进度(我实现了什么)和后续步骤/未来研究的部分。

做完一周的回顾后，我经常会回顾前一周，看看我是否跟进了那一周我想到的所有事情。此外，在做这个回顾时，我有时会将信息转移到其他笔记来源。(例如，我将backburner想法和项目的列表与笔记本分开保存。)

保留这个笔记本并定期检查有什么价值？

首先，笔记本是一个很好的工具，当你有想法的时候就把它们写下来，这样你以后就可以重温它们了。当我回顾这周的日志时，我通常会补上一个当时没有想到的内容。

第二，笔记本帮助你把你的实验结果保存在一个统一的地方，这样你以后可以很容易地找到结果。你可能很容易忘记一些结论，比如哪些超参数产生了影响，这时你就会想要重新翻阅旧笔记本中的条目。

第三，笔记本可以让你检测自己的时间使用。你如果想知道“上周进行到哪里了？”，笔记本会帮你回答这个问题。

你可能会不满意自己的吞吐量，并意识到需要优化你的时间管理。你也可能在几个月后回顾过去，意识到你在想法之间摇摆不定――你有几个半成品项目，但是你没有足够长的时间根据它们来产生显著的成果。

何时切换问题

要解决一个具有挑战性的问题，你需要花足够的时间。但在经验机器学习研究中，很难知道你是否已经足够努力地尝试了一个想法。有时候这个想法有可能行得通，但是如果你弄错了一个细节，你就看不到任何生命迹象。但是其他的想法无论你如何努力都注定要失败。

根据我的经验，相比问题切换不够，过于频繁地切换问题(并放弃有前途的想法)是更常见的失败模式。通常，当你正在为实现当前想法而付出漫长的努力时，另一个有希望的想法会出现，你会想跳到那个想法。如果你可以迅速尝试这个想法，而且潜在的上升空间很大，那么就去做吧。但更常见的是，你对新想法的最初结果会令人失望，需要更持久的努力才能产生显著的结果。

作为一个经验法则，当你回顾你几个月来一直在做的项目时，你应该会发现有很多小的死胡同，但是你的大部分时间都花在了可以交付成果的项目上，比如一篇论文或者一篇博文。

如果你回顾你的时间，发现很大一部分都花在了半成品项目上――这算不上明确的失败，而是你为了一些新想法所放弃的――那你以后应该更加努力地保持一致性，学会坚持到底。

还有一个我没亲自尝试过的策略，但经过思考后我认为它很有意义，那就是投入一些固定的时间预算去尝试与你的研究主线不同的新想法。比方说，每周花一天时间做一些与主项目完全不同的事情。这将构成一种无限的探索，也有助于拓宽你的知识面。

个人能力发展

无论你在研究过程中如何分配时间，你一定会学到很多东西。每个项目都会带来新的挑战，你可以在这个过程中获得背景材料和技能。然而，长远来看，通过定期为个人发展留出时间，可以显著提高做好研究的机会。

具体来说，你应该分配一部分时间来提高你对ML（MachineLearning机器学习）的通用知识，而不是只专注于你当前的项目。如果你不分配这些时间，那么在你学会日常研究所需的基础知识后，你的知识可能会停滞不前。适应你所熟悉的方法的舒适区并不难，你需要积极努力去扩展这个舒适区。

建立你的ML（MachineLearning机器学习）知识的主要方法是阅读教科书和论文；并从这些资源中重建算法。在职业生涯的早期，我建议把时间平均分配在课本和论文上。你应该选择一小部分相关的教科书和论文来逐步研究，你也应该重建你最喜欢的论文中的模型和算法。

大多数机器学习的学生在完成他们的学校课程后，不会花时间阅读教科书。我认为这样是不对的，因为教科书是比论文更密集的知识吸收方式。每篇会议论文通常包含一个主要的新观点，以及一个极其简洁的研究背景，从中无法学到任何东西，需要你花更多的时间去理解符号和术语，而不是概念本身。另一方面，好的教科书收集了几十年的想法，并用相同的符号按适当的顺序呈现出来。

除了阅读机器学习入门教材，还要阅读你感兴趣领域的其他书籍。我最喜

OpenAI能够利用其先发优势来持续人工智能市场的主导地位吗？

openai通用人工智能,ai主流发展方向不包括,ai技术发展瓶颈,人工智能ai技术的优势有哪些

OpenAI开发的ChatGPT如今已经风靡全球。但在行业专家看来，尽管围绕ChatGPT进行营销炒作是合理的，但并不认为OpenAI能够凭借其先发优势主导人工智能市场。与其相反，在市场上获得成功将直接取决于科技公司所拥有的数据的质量和数量，以及它运行系统所需的计算能力。这个市场不太可能呈现出赢者通吃的情况，可能会以一种比云计算更分散的方式发展。

本文将揭示ChatGPT让人们感到兴奋的原因，并讨论为什么OpenAI公司早期进入该行业可能不会给带来持续先发优势。行业媒体与CUBE合作者Sarbjeet Johal和SiliconANGLE Media视频工作室CUBE的联合主持人John Furrier为此进行了分析和探讨。

人工智能和自然语言处理的无限可能性

对于那些没有使用过ChatGPT的人来说，ChatGPT的功能非常了不起。其令人兴奋的用例之一是来自This Week in ML播客的Sam Charrington。Brian Gracely在其Cloudcast播客中实现了这一点，他使用ChatGPT做了一个主题为“ChatGPT会取代我的工作吗？”一期节目。

Sam Charrington所做的是采用ChatGPT采访ChatGPT，他只是给出了系统提示。ChatGPT自动生成问题，然后Sam将这些问题输入ChatGPT以生成答案。然后他将问题和答案输入上图所示的虚拟形象构建器，并将其加速两倍，使其听起来像人类，这种功能真的很神奇。

行业媒体首先询问John Furrier，ChatGPT是否会取代人类担任CUBE主持人，并征求了Sarbjeet Johal的意见，然后将他们的答案输入到ChatGPT，ChatGPT返回其回答的结果。

John和Sarbjeet在播客中讨论了一个使用ChatGPT的例子。在这个播客中，ChatGPT被提示进行自我采访，其回答被输入到虚拟形象生成器中，并加速到听起来像两人之间的对话。

John表示，使用ChatGPT可以提供诸如撰写营销文案、头脑风暴嘉宾名单和回答特定问题等任务的价值。然而他也承认，由人工智能生成的答案并不总是100%准确，需要进行一些编辑。

Sarbjeet还提到了一个与ChatGPT聊天的例子，ChatGPT能够以对话的形式给出详细的答案。因此他们都认为，虽然目前的人工智能模型(如ChatGPT)正在使智能民主化，但它们还不能创造新的智能或在某些领域提供竞争优势。

ChatGPT会是网景时代吗?

那么未来学家罗伊・阿玛拉提出的阿玛拉定律呢?将在下面展示。

在询问John和Sarbjeet，ChatGPT是否也符合阿玛拉定律时，以下是ChatGPT对他们的回答进行的总结：John和Sarbjeet讨论了阿马拉定律的观点，该定律指出，“人们通常倾向于在短期内高估技术的影响，却在长期内低估。”

Sarbjeet认为这对于ChatGPT来说是正确的，人们使用它的次数越多，开始看到它的局限性，他们对它的印象就越差。另一方面，John却认为ChatGPT是一项独特而强大的技术，在短期内可能被低估，长期内将超出人们的预期。

他将其与早期的互联网进行了比较，当时的网景浏览器就像是儿童一样幼稚，但后来对社会产生了巨大的影响。他指出，在短期内，一些专家对ChatGPT嗤之以鼻；但在长期内，另一些专家则认为它是游戏规则的改变者。他们都认为，对ChatGPT炒作有一些两极分化。

OpenAI会从ChatGPT中获得先发优势吗?

OpenAI早期进入市场会给该公司带来持续的竞争优势吗?历史表明可能会，但John和Sarbjeet的共识是：可能不会。

纵观科技行业的发展历史，先驱者失败的案例比比皆是。Altair、IBM、Tandy、Commodore和Apple都是科技的先驱者，但戴尔在数年之后以更好的商业模式崛起。

・网景公司凭借第一款浏览器在硅谷风靡一时。

・AltaVista是第一个索引全文的搜索引擎。

・Friendster和MySpace出现在Facebook之前。

・iPhone当然并不是第一款移动设备。

失败的例子有很多，但也有一些成功的例子，例如云计算领域的AWS，拥有先发优势Twitter，还有加密货币领域的比特币。

OpenAI是否会凭借ChatGP获得成功?

以下是ChatGPT总结他们的回答：

John和Sarbjeet讨论了OpenAI早期通过ChatGPT进入市场是否会为该公司带来可持续的竞争优势。他们承认，科技行业充斥着先驱者失败的案例，例如电脑游戏领域的Altair、IBM、Tandy和Commodore，以及社交媒体领域的Friendster和MySpace。

不过，他们也提到了最近的一些成功案例，例如云计算供应商AWS、Twitter、比特币以及智能手机。John认为OpenAI可能不会出现在成功的先驱者名单上，但他们正在研究的大型语言模型人工智能类别将会获得成功。

Sarbjeet也认为，OpenAI凭借ChatGPT率先进入市场并不会给该公司带来竞争优势，因为谷歌一直在研究类似的技术，其他公司也可能会参与市场竞争。他还指出，ChatGPT仍然容易出错，围绕其内容来源存在很多问题，因此这是OpenAI的一个冒险之举。

超大规模计算机主宰着人工智能，会挑战ChatGPT吗?

以下来看看来自企业技术研究的一些数据，就会看到超大规模企业在企业人工智能中的主导地位。

上图显示了Y轴上的净得分或发展趋势，以及X轴上ETR调查的普及率或市场占有率。

最相关的关键结论是超大规模厂商占主导地位。虽然在一些其他的名单上也可以看到全球三大云计算供应商。

当然，在这个市场中还有C3.ai、DataRobot、SparkCognition、H2o.ai、Anaconda、Dataiku等专家，还有Oracle和IBM。但与全球三大云计算供应商相比，他们在企业买家中的份额相形见绌。因此有了这个背景。

谁将赢得对话式人工智能之战?

大型云计算和互联网巨头都准备抓住这个机会。微软投资高达100亿美元，谷歌显然也在投入巨资。当然，现在市场上还有苹果、Chinchilla、Bloom或Jasper等公司。与此同时，美国、欧盟、中国等各国政府都在关注这一领域的发展。

以下是ChatGPT对这个话题的总结：

John和Sarbjeet讨论了人工智能和自然语言处理领域的竞争，并指出微软和谷歌等大型科技公司正在大力投资该领域，像Chinchilla、Bloom和Jasper这样的小公司也是潜在的竞争对手。他们还指出，现在技术变革的速度比过去快得多，现在两年的发展相当于过去10年的发展。

总结：

ChatGPT所展示的对话式人工智能会对世界产生类似的影响吗?是的，相信是这样。自然语言和对话界面将彻底改变人们的生活、工作和娱乐方式。正如亚马逊将数据中心转变为API一样，这种类型的技术将把技术和许多任务转变为语言命令。

OpenAI能够利用其先发优势来创造一个可持续的主导地位吗?这是每个人的猜测，但研讨嘉宾的猜测是不太可能。他们指出，在大型互联网巨头、政府监管和将进入这一领域的大规模投资之间，有太多的力量在发挥作用。

科技行业的发展历史表明，将会涌现出一家公司或一些公司将颠覆市场并占据主导地位，但风险投资公司也可能拒绝为他们投资，因为不符合安全投资模式。

也许有人能破解其密码。无论如何，OpenAI已经释放出了“瓶子里的精灵”，并且它不可能再回来了。

本文地址： https://www.xxs100.com//show-394642.html