澶ч槼鍩庨泦鍥㈤個璇风爜
淘宝搜:【天降红包222】领超级红包,京东搜:【天降红包222】
淘宝互助,淘宝双11微信互助群关注公众号 【淘姐妹】
“ 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
ChatGPT(ConversationalGenerativePre-trainedTransformer)是一个基于Transformer模型的对话生成模型,这是由美国微软提出的一种自然语言处理技术。它可以根据上下文,以智能的方式将输入文本转换为自然语言,从而创建出类似人类对话的输出文本。
openai独享一人一号,每个都带api密钥key
章浩转载地址:
https://dwz.cn/huhwyspc
ChatGPT的使用比较简单,你可以通过在终端中输入相关的命令来使用它。首先需要安装它,然后可以使用以下命令来训练它:chatgpt train --dataset <数据集文件夹>,其中<数据集文件夹>是指要用于训练的数据集。训练完成后,可以使用以下命令来使用ChatGPT:chatgpt predict --model <模型文件> --text <输入文本>,其中<模型文件>是指训练得到的模型文件,<输入文本>是指要输入到ChatGPT中的文本。
使用ChatGPT时需要注意的一些技巧,首先要注意的是使用的数据集,如果要获得更准确的结果,那么使用的数据集越多越好,同时也要注意数据集的质量,要保证数据集中的文本是正确的。其次,在输入文本时,也要注意文本的准确性,要保证输入的文本是正确的,这样才能获得更准确的结果。最后,在训练的时候要注意训练的迭代次数,越多的迭代次数可以让ChatGPT获得更多的知识,从而得到更准确的结果。
总的来说,使用ChatGPT可以通过输入文本,以智能的方式将其转换为自然语言,从而产生类似人类对话的输出文本。但是,要想获得更准确的结果,使用者需要注意使用的数据集、输入文本和训练的迭代次数等因素。只有在这些方面都做到位,才能有效地使用ChatGPT。
如何利用chatgpt入门学习零知识证明?
chat怎么用,怎么在chaturbateRust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