“ ChatGPT 通过了谷歌面试 。真走”

“ ChatGPT 参加了美国 SAT 考试，饭碗成绩中等。帮问编剧”

“ ChatGPT 独立创作了一个侦探小说。律师”

这两天，程序 ChatGPT 大火，真走即便我们对 AI 的饭碗幻想早已麻木，但随着一个个这样的帮问编剧新闻成为头条，还是律师不免感到焦虑，似乎不做点什么，程序我们就会成为时代的真走弃儿。

不夸张地说，饭碗它的帮问编剧出现，已经把网友分成了两个阵营，律师一个是程序存活派，一个是取代派。

美国媒体 Business Insider 甚至已经整理出一份“ 死亡笔记 ”，宣称程序员、金融分析师、律师与记者会最先受到冲击。

我们身边各行各业的人，是怎么看待 ChatGPT 的？有些行业，真的进入死亡倒计时了吗？作为普通人的我们，能做点什么？

今天咱就拉个圆桌会，把他们都请来聊聊看法。

在教育圈，ChatGPT 身上最火的一个标签就是「 代写论文 」。

但一名计算机学院的大四学生小波奇（化名）说，他身边没有这样的情况，“?我们会用它来翻译论文、提炼参考资料的信息或者写个摘要之类的，辅助一下自己，但没有人直接用它写?” 。

一来是因为 ChatGPT 不靠谱，时不时出现一些小问题，不能盲目轻信；二来毕业论文也是检验自己学习成果的一个过程，没必要为了省事欺骗自己。

其实，虽然用 ChatGPT 写论文的确存在操作空间，但像斯坦福大学等已经在严查了，斯坦福团队推出了 DetectGPT ，用来判断文本是否由机器生成，以此严查、打击学生利用 AI 舞弊。

小波奇表示，他最常使用 ChatGPT 的场景是写作业和查 bug，“ 大学不是所有东西都有标准解答，就算有答案，细节没明白也没人一直讲给你听 ”。

每次代码运行错误时，ChatGPT 都会迅速帮他找出问题所在。

最关键的是，如果没有明白，还可以要求它进一步讲解。

这段时间由于临近毕业，小波奇还在用它准备面试。

方便之处在于，它能迅速帮忙搭建起思路框架，小波奇再基于此进行润色。

一条龙服务，还能帮忙翻译英文?

ChatGPT 在他的校园生涯中也的确搞过 “ 破坏 ” 。

去年期末有场开卷考，试卷以开放题和论述题为主，出的题目类似于“ 请根据你所掌握的物联网知识，设计一个生活产品，具有创新性。描述你设计的产品的主要功能、所采用的网络架构、具体使用的传感器。并阐述你设计的产品的创新点在哪里。”

老师认为这种题目没有标准答案，给学生电脑也没用，只有通过自己思考来完成，结果直接被 ChatGPT 给降维打击了（ 尽管是开卷考，但仍不推荐效仿 ）。

对于他来说，ChatGPT 不是作弊器，更多时候是一位回复超快，逻辑清晰还特别耐心的超级老师。

“ 每次用完我都想说句谢谢 ”。

赵纯想是一位独立开发者，在他最新的 App 「 转山 」里，你可以看到一个有趣的特别鸣谢：ChatGPT

作为一位写过 iOS APP 开发教程的老开发，他大量使用 ChatGPT 助攻开发的原因不是不会做，而是为了提高效率。

有次，他要写一个 swift 函数，用于返回一个 Ullmage 的视觉主色。

如果自己去做，技术上虽没难度，但操作很繁琐：要动脑子想代码思路，要查图片主色的定义的资料，要通过搜索引擎查有没有相关颜色框架，还要考虑要不要引入这个框架。

于是他选择交给 ChatGPT ，“ 3 秒就做完了 ”。

自此之后，脏活累活他都会交给 ChatGPT 干，自己则腾出时间更多地来考虑创意层的事，成功解放了一部分生产力。

ChatGPT 也给他搞出过不少纰漏，比如曾经漏掉了一个排序描述符，导致运行程序一直崩溃，好在整体没有大问题，他添加了一行代码进去就解决了。

在他看来 ChatGPT 并非百分百值得信任的对象，“ ChatGPT 最擅长不懂装懂。算法原因，它只关心这个答案看起来像不像个满意的答案，它没有智慧和事实判断的能力 ”。

程序员们对 ChatGPT 的疑虑不仅在它的代码会有纰漏。

另一位程序员程博表示：“?它完成你需求的前提是，你能精准用机械语言表达自己的需求，如果你提问方式不对，或者不够精准，都不一定能拿到自己想要的结果”。

最为关键的是，它无法完成复杂业务，只能解决一个个具体的问题。

像「 做出一个时间管理 APP 」，这种太笼统话 AI 是听不懂的，需要人类层层分解，最后给他类似 “ 写一个 AE 特效表达式，实现 0-2000 的数字滚动 ” 这样具体任务，它才能 “ 听懂 ” 并且写出代码。

在他们看来，目前的 ChatGPT 绝对无法替代人类。

如今，Chatgpt 已经可以用《 老友记 》主角口吻创作剧本对白，甚至独立创作一个简短的侦探小说了。

但他能抢走编剧们的饭碗吗？

不乱是一位从业十几年的资深编剧，曾参与过《 春风十里,不如你 》的剧本创作，在他看来，在中国，这个行业现阶段是不太可能被 Chatgpt 撼动的。

关于编剧行业被 AI 替代的话题，其实几年前就被讨论过一次了。

不乱记得当时有个大厂的负责人跑出来说：我们要开除所有人工编剧，全面引入人工智能，结果他在论坛里被喷了一通，最终失败离场。

在他看来，编剧还不算一个文字创作行业，更像是一个命题作文，制片方给出要求，编剧按照历史背景、方向、风格、体量和节奏创作故事大纲和分级大纲，剧本的 70% 就已经完成了。

比起创作，了解制片方的需求才是关键，在这一点上，AI 是很难代替人工的。

当然，不乱也认同，Chatgpt 也许可以承担大量基础工作（ 比如给每个路人甲生成一个人物小传 ）。

但他也觉得，和提倡集体创作的美剧相比，和编剧中心制的韩剧相比，国产影视们普遍缺少健全的编剧制度，编剧在制作中权重很低。

不乱说在《狂飙》里，编剧的名字都要排在字幕的五十多位出现?

虽然 AI 可能代替这部分工作，但节省下来这点成本微乎其微，还比不上给主演们多避点税。

当然，不乱觉得，Chatgpt 也有可能最终迭代到一个超人的境界，甚至产生主观人格。

如果真的有这么一天，他觉得，人类的情感和经历所创造出的不可名状的共鸣，会是职业最大的护城河，人类的情绪，终归会拯救他的饭碗。

那么 ChatGPT 这玩意，又会不会取代律师呢？

毕竟它的数据库里，没准儿能包含全世界所有法律法规，甚至是所有民事、刑事纠纷案例。

只要快速检索相关词条，再根据实际情况总结归纳，最后应该就能给出一份完美的合同、协议方案了吧？

为了搞清楚这件事，差评君又找来了两位律师朋友，阿飞律师和冯律师。

开始，阿飞律师先是出了两个简单的题目，让我拿去试试 ChatGPT，分别是：

给出所有基本信息后，拟定一份借贷合同，结果如下。

以及一份公司员工的股权激励计划，让 ChatGPT 自己拟定入股条件、及触发退股条件。

算了会儿之后，ChatGPT 给出了它的回答。

看完后，阿飞律师的评价是：别说，还整挺好，该有的都有了。

于是，一瞧这个 ChatGPT 有点上路，另一位冯律师便给它上了亿点强度，问了一个咱都看不太懂的问题。

其实说白了，就是假定一个较为复杂且特殊的情况，再让它给出一份合规的税务方案。

而这次的 ChatGPT 想了半天，最后只给出了一段没啥参考价值的标准式“ 官方回答 ”，显然是超纲了。

也就是说，对于现有的模板框架合同，ChatGPT 直接能从库里掏出一个给你。

但一旦涉及到“ 对现有模式以外的探索 ”，它就拉了胯了。

相当于音乐里的套和弦，能随便套一首《 学猫叫 》出来，但要是想整一首《 娘子 》，那 CPU 烧了都够呛。

除此以外，针对不同案件，每份诉讼方面的文件也都有不小的差别。

例如答辩状、证据清单、质证意见等文件，都需要根据海量的证据来编写。这些证据往往复杂多变，还每次都不一样，基本很难梳理出一个通用逻辑，去让 AI 识别。

所以，将其当做一个类似于 Alpha（ 律师专用效率软件 ）的工具来使用，充当一个律师助理或文秘的角色，努努力或许还有戏。

用冯律师的话说，就是：“ 律师是法律在人与人之间的桥梁，而这里面的人，才是关键 ”。

别的不说，至少在律师这一行中，总是能出现人类自己都无法预测的事，更不用提机器了。

如果跳脱不出这一层，那 AI 再强，最多只能是桥梁下的桥墩子。

ChatGPT 概念火起来后，现在被唱衰最多的，恐怕就是翻译行业。因为人工智能不限语种，不怕专业词汇，甚至不需要休息，并能保证语义基本准确。

所以，现在网上便有了大量的“ 劝人学翻译，天打雷劈 ”观点，感觉 AI 取代翻译工作者的结局，已经注定。

但差评君了解的两个翻译从业者，现在对这事并没啥焦虑的。

因为 AI 翻译软件（ Trados、languange x 等 ）推出多年，始终被当做提高效率的工具，之所以没能取代人工，就是差在最后的校对环节，而这恰恰又是最重要的。

当然，或许这也和两人的翻译类型有关。

他们一位是在日本 SEGA 负责日译中的达君，另一位则是老朋友，国内本地化发行商轻语的 R 君，均来自游戏行业。

在进行游戏汉化的过程中，常会涉及到不少文学化、口语化的处理，这都需要一定的文学素养，并熟悉两个国家不同的文化特点。翻译只是最低标准，更多的是二次创造。

比如，在游戏《 极乐迪斯科 》中，轻语翻译人员就把小混混夹克上印的“ Pissf****t ”字样，翻译成了“ 弱水三千只取一尿饮 ”，把“ Fuck the World ”翻译成“ 花花世界我一人干翻 ”，显然 ChatGPT 还办不到。

R 君说，他们曾汉化过一款外国人做的“ 狄仁杰推理 ”游戏。拿到游戏时，汉化人员需要根据语意，把里面的 i 换成朕、微臣，把 thank you 换成谢主隆恩等等，这种不同文化导致的主语差异，类似的还有更多。

再举个简单的例子，像达君在日译中时，“ 我 ”字，就分为老人的我，和小孩的我。这类事单看可能影响不大，但创作剧情是有特殊性的，AI 也不一定分得清，放到游戏剧情里，玩家看到之后就很容易出戏了。

不过话虽如此，达君也表示，现在的 ChatGPT 翻译尴尬、过于书面化，是因为没有足够训练样本，以后再研究研究，说不定真能比肩人类。

那时候，翻译人员的工作到底还保不保得住，就要看人类能不能在文学创造性上战胜 AI 了。

使用chatgpt简单的方法 chatgpt使用步骤

如何利用chatgpt入门学习零知识证明？

chat怎么用,怎么在chaturbate

Rust开源零知识证明算法

有没有优秀的rust开源的零知识证明算法，

是的，有很多优秀的 Rust 开源的零知识证明算法，以下是其中一些：

bellman: 一个 Rust 实现的零知识证明库，它支持高效的 Groth16 零知识证明系统，适用于大规模的计算和高度优化的电路。

zkSync: 一个以太坊二层扩展协议，基于零知识证明技术，旨在提高以太坊的吞吐量和交易速度。

Bulletproofs: 一个 Rust 实现的非交互式零知识证明协议，它可以实现非常高效的验证时间和证明大小，适用于多种应用场景。

Zcash: 一个基于零知识证明技术的隐私保护数字货币，它的 Rust 实现库实现了 zk-SNARKS 零知识证明系统，并支持多种优化策略。

这只是一小部分 Rust 开源的零知识证明算法库，还有很多其他的库和协议可以使用。

最好的是哪一种

没有一种零知识证明算法是最好的，最好的算法取决于具体的应用场景和需求。每种算法都有其独特的优点和缺点，需要根据具体情况进行选择。

例如，zk-SNARKS 算法在验证时间和证明大小方面有很好的表现，适用于需要高效验证和紧凑证明的应用。而 Bulletproofs 算法虽然在验证时间和证明大小方面不如 zk-SNARKS，但可以实现非常高的可组合性和隐私性，适用于需要多次证明组合的应用。

因此，需要根据具体的应用场景和需求，结合算法的优点和缺点，选择最适合自己的零知识证明算法。

如何入门zk-snarks

学习 zk-SNARKS 首先需要了解一些基本的密码学和数学知识，包括离散对数问题、椭圆曲线密码学、群论等等。然后可以按照以下步骤入门 zk-SNARKS：

了解 zk-SNARKS 的基本概念和原理，包括可验证性、零知识性、完备性、可靠性等等。

学习 zk-SNARKS 的构造方法和实现原理，包括 R1CS 约束系统、QAP 映射、多项式求解等等。

学习 zk-SNARKS 的优化技术和工程实现，包括曲线选择、参数生成、证明生成和验证算法的优化等等。

掌握一些 zk-SNARKS 的应用场景和实际应用，包括密码学、隐私保护、智能合约、扩展性协议等等。

对于初学者，可以先学习一些 zk-SNARKS 的基础知识和理论，然后可以使用一些现成的工具和库，例如 libsnark、bellman、zokrates 等等，实践一些简单的例子和应用。同时，可以参加一些在线课程、研讨会或者社区活动，了解更多关于 zk-SNARKS 的最新进展和应用。

跟我说一下基本概念和原理

zk-SNARKS 是一种零知识证明系统，它的名字是“Zero-Knowledge Succinct Non-Interactive Argument of Knowledge”的缩写。其基本原理如下：

可验证性：zk-SNARKS 是一种可验证的证明系统，即可以被验证人（Verifier）验证，且验证结果可以被公开验证，任何人都可以验证证明的有效性。

零知识性：zk-SNARKS 是一种零知识证明系统，即证明人（Prover）可以在不泄露证明的具体信息的情况下证明某个陈述的真实性。换句话说，证明人可以向验证人证明自己拥有某些信息，而不需要泄露这些信息的具体内容。

完备性：zk-SNARKS 是一种完备的证明系统，即对于任何错误的陈述或者不合法的证明，验证人都能够检测到。

可靠性：zk-SNARKS 是一种可靠的证明系统，即对于正确的陈述和合法的证明，验证人可以确信其真实性。

zk-SNARKS 的基本概念包括：

约束系统（Constraint System）：用于表示某个陈述的约束条件，例如密码学运算、数据比较等等。

QAP 映射（QAP Mapping）：将约束系统转化为多项式形式，方便进行多项式求解和证明。

多项式求解（Polynomial Evaluation）：对多项式进行求解，得到对应的解析表达式。

证明生成（Proof Generation）：根据多项式求解结果生成对应的 zk-SNARKS 证明。

证明验证（Proof Verification）：验证 zk-SNARKS 证明的正确性，即验证证明是否满足可验证性、零知识性、完备性和可靠性。

给我一个简单的例子

一个简单的例子可以是证明你知道一组数字 x 和 y，使得 x 和 y 满足以下方程：

x * y = 15

你可以使用 zk-SNARKS 来证明你知道 x 和 y 的值，而不需要泄露这些具体的值。具体步骤如下：

构建约束系统：将方程 x * y = 15 转化为约束系统，即限制 x 和 y 满足方程的条件。

QAP 映射：将约束系统转化为多项式形式，得到多项式 P(x,y) 和 Q(x,y)，使得 P(x,y) * Q(x,y) = T(x,y) + H(x,y)。

多项式求解：使用多项式求解算法求解 T(x,y) 的值，得到一个解析表达式 f(x,y)。

证明生成：根据多项式求解结果生成对应的 zk-SNARKS 证明，包括多项式 f(x,y) 的系数和一些随机数。

证明验证：验证 zk-SNARKS 证明的正确性，包括验证多项式 f(x,y) 的系数是否满足多项式求解结果，以及验证证明是否满足可验证性、零知识性、完备性和可靠性。

通过这个例子，你可以证明自己知道 x 和 y 的值，而不需要泄露这些具体的值，同时验证人也可以验证证明的有效性，但并不能推断出 x 和 y 的值。

如何通过代码实现

要通过代码实现 zk-SNARKS，需要使用特定的加密库和编程语言。这里提供一个简单的示例，使用 Rust 编程语言和 bellman-crypto 中的库来实现 zk-SNARKS，该库是一个 Rust 编写的 zk-SNARKS 库，提供了一套完整的工具链，包括约束系统的构建、QAP 映射、多项式求解、证明生成和验证等功能。

假设要实现的例子是上一个问题中提到的证明 x 和 y 满足方程 x * y = 15，具体代码如下：

rust

Copy code

use bellman::groth16::{generate_random_parameters, prepare_verifying_key, create_random_proof, verify_proof};

use bellman::pairing::bn256::{Bn256, Fr};

use bellman::Circuit;

use rand::{thread_rng, Rng};

struct MulCircuit {

x: Option<Fr>,

y: Option<Fr>,

}

impl Circuit<Bn256> for MulCircuit {

fn synthesize<CS: bellman::ConstraintSystem<Bn256>>(self, cs: &mut CS) -> Result<(), bellman::SynthesisError> {

let x = cs.alloc(|| "x", || self.x.ok_or_else(|| bellman::SynthesisError::AssignmentMissing))?;

let y = cs.alloc(|| "y", || self.y.ok_or_else(|| bellman::SynthesisError::AssignmentMissing))?;

let res = cs.alloc(|| "res", || {

let x_val = self.x.ok_or_else(|| bellman::SynthesisError::AssignmentMissing)?;

let y_val = self.y.ok_or_else(|| bellman::SynthesisError::AssignmentMissing)?;

Ok(x_val * y_val)

})?;

cs.enforce(|| "mul", |lc| lc + x, |lc| lc + y, |lc| lc + res);

Ok(())

}

}

fn main() {

let rng = &mut thread_rng();

let circuit = MulCircuit {

x: Some(Fr::from(5u64)),

y: Some(Fr::from(3u64)),

};

let params = generate_random_parameters::<Bn256, _, _>(circuit, rng).unwrap();

let pvk = prepare_verifying_key(¶ms.vk);

let proof = create_random_proof(circuit, ¶ms, rng).unwrap();

assert!(verify_proof(&pvk, &proof, &[Fr::from(15u64)]).unwrap());

}

这段代码的实现过程分为五个步骤：

定义电路（Circuit）：在这里，电路的定义使