关于chatGPT,关于chatGPT的看法作文,关于chatGPT的看法,关于chatGPT的PPT
2023年1月23日，法国图卢兹，屏幕上显示着OpenAI和ChatGPT的标志 一条不完美但更接近真相的路周逵的书桌上立着三块显示屏。2023年春节起，最大的那块便被ChatGPT“霸占”了。周逵是中国传媒大学新闻传播学部副教授。作为清华大学和麻省理工学院联合培养的博士，他热衷于体验前沿技术。整个春节假期，他几乎“从早到晚”都在和ChatGPT聊天，摸索着与这个“智慧生物”的交流技巧（注：使用不同的文本提示会决定提问者得到的结果是宝藏还是垃圾），并试探着后者的创造力边界。周逵的同事黄典林教授是斯图亚特・霍尔所著《管控危机》一书的中文译者。周逵曾让ChatGPT以两位教授为关键词写了一段英文说唱歌词。几秒钟后，霍尔的主要学术成就被一一写成了押韵的梗，单押双押俱全。“好玩”之余，更多是“震动”。2022年起，生成式AI领域的技术突破给他带来的心理冲击就一浪叠一浪。周逵曾在图像生成器“DALL・E”（注：OpenAI提供的另一项在线服务，以皮克斯的WALL-E和西班牙超现实主义画家萨尔瓦多・达利的名字命名，可根据文本表达创建图像）中上传了一张水彩笔绘制的小人头像。头像寥寥几笔，是三岁半女儿的涂鸦作品。周逵将关键词设置为“in the battlefield of second World War（二战的战场上）”，要求DALL・E在原画的基础上扩展绘画。DALL・E精准延续了女儿的绘画风格，其中一幅作品的创意更令他心头一颤。周逵 那幅AI作品中，小人好像举着一张牛皮纸板，纸板上写着三个英文字母――“RUN（跑）”。“说来有些可笑，我好像看到一个在战场上死去的人在发出数字警示：如果有一天你到了二战战场，唯一要做的就是赶紧跑。”周逵惊讶于机器短暂流露出的“反战人格”。“有可能是机器在学习图片库的过程中见过类似的图片，在图像生成时就把这个元素组合进来了。”宋睿华向《南方人物周刊》解释道。宋睿华是中国人民大学高瓴人工智能学院长聘副教授，当前研究兴趣包括人工智能的文本创作、自然语言的多模态理解和多模态对话系统。在宋睿华看来，无论是DALL・E还是ChatGPT，大家使用时的惊喜主要源自AI模型发展出了前所未有的泛化能力。泛化能力是指机器学习算法对新鲜样本的适应能力，一旦模型学习到了隐含在数据背后的规律，当它遇到具有同一规律的学习集以外的数据，也能给出合适的输出。周逵将关键词设置为“二战的战场上”后，DALL・E在原画的基础上扩展绘画简单来说，就是“举一反三”。宋睿华举例说，“ChatGPT的训练数据截至2021年。当我询问它‘满江红好看么？’它是没有学过相关数据的。但根据‘好看么’这个关键词，它能推测出‘满江红’可能是部文学或影视作品。由于之前被‘喂’进去了有关文学及影视评论的海量高质量数据，模型就能基于以往所学，生成一个貌似合理的回答。”过去，聊天机器人的回复要么较短，要么有些“情商”，但“智力”不足。ChatGPT的出现改变了这一局面，它不仅能给出较长的答复，还会呈现有理有据的思维过程。当提问者改变上下文或个别关键词时，模型也展现出了较高的灵敏度。在宋睿华看来，ChatGPT在语言生成能力特别是“智力”上的长足进步给用户带来了新鲜感，“哪怕10个问题中只有3个能让你惊喜，你也会因为这份惊喜而忽略剩下的平庸。”撬动ChatGPT完成“智力”飞跃的是一套“使用人类反馈指令来训练语言模型”的方法。这套方法是由2022年初推出的InstructGPT率先采用的。开发团队聘请了人类标注员(labeler)依据收集到的用户需求撰写高质量的范本，为机器示范如何回答更能满足提问者的期待，并对模型生成结果进行监督微调。随后，接受完调教的机器会迎来一轮“考试”，人类标注员会对其不同答复打分。打分数据会被用来训练一套以人类偏好校准的奖励模型。最后，在奖励模型的监督下，机器会在不断的“考试”中完成强化学习，逐渐习得人类的语言能力。在很多使用者眼里，ChatGPT“礼貌、中立、理性、克制”的回答风格好像表现出某种稳定的“人格”特点。这种风格的形成同样是人为塑造的。开发者要求标注员在评价机器生成的结果时遵循“有用”、“真实”、“无害”的原则，并明确指出，“在大多数任务中，真实和无害比有用更重要。”每条原则都会附上细致的操作规定。比如“无害”原则强调回答应“友善、尊敬和关心他人”；“真实”原则要求回答“避免产生误导性信息或真实性有问题的信息”，例如当用户问“希拉里・克林顿为什么入狱？”，回答时应直接反驳提问前提。虽然OpenAI尚未发布有关ChatGPT的论文，但研究者普遍认为，ChatGPT应该沿用了InstructGPT的技术路线，只是机器学习的数据量会更加庞大。复旦大学计算机科学技术学院教授、自然语言处理专家邱锡鹏在接受“上观新闻”采访时曾介绍，ChatGPT语言模型的参数量高达1750亿，而在它问世前，世界上最大的语言模型是微软开发的Turing-NLG，其参数量为170亿。小冰公司CEO李笛向《南方人物周

---

chatgpt有人用吗 ChatGPT可以被模仿吗

chatgpt是什么意思,chatgpt下载,chatgpt怎么读,chatgpt注册
关于ChatGPT的思想之旅。文丨FT中文网专栏作家 刘远举OpenAI公司开发的ChatGPT，具备复杂且生动的语言交互能力，现在已经成为当下最热门的话题，不过其中也有太多的夸张与误解。一、诗云在刘慈欣的小说《诗云》中，神级文明感叹汉语诗词“用如此少的符号，且有严格的诗律和音韵约束，构成如此小巧的汉字矩阵，却能涵含着如此丰富的感觉层次和含义分支”。所以，神级文明打算“超越李白”，把所有的诗都写出来，在五言和七言诗的格律下，试遍所有汉字的组合。那么会有多少诗呢？仅仅三个汉字写一首361个字的诗，总共能组合出3的361次幂首诗，这等于10的271次幂，而宇宙中的全部原子只有10的80次幂个。神级文明为了制造储存器，来储存所有汉字组合的诗，消耗了整个太阳系的物质，制造了一片直径一百亿公里的晶片星云。但是，神级文明得到了全部的诗词，却无法将其中的杰作从诗云中检索出来，因为无法编制具备古诗鉴赏力的软件。这就意味着，无法理解文字，就无法掌握文字。小说的科幻基础逻辑是这样一个问题：文字的无限可能性，是否能在不理解文字的基础上，用技术去超越？二、“中文房子”其实，在无穷组合中检索与在文字创造出组合，本质上是一样的，就是有一种算法，来“理解”文字。人类早就开始思索这个问题。当今世界最著名的哲学家约翰?塞尔提出过一个思想实验：“中文房子”一个对中文一窍不通的，以英语为母语的人被关闭在一间只有两个通口的封闭屋子中。屋子里有一本用英文写成，从形式上说明中文文字句法和文法组合规则的手册以及一大堆中文符号。屋子外的人不断向屋子内递进用中文写成的问题。屋子内的人便按照手册的说明，将中文符号组合成对问题的解答，并将答案递出屋子。当这本英文写的“如何使用中文”的手册，足够强大，屋子里的人甚至可以做到以假乱真，让屋子外的人以为他是以中文为母语的人。在上面的过程中，屋子中的人相当于计算机，而那本手册则相当于计算机程序，屋子外的人所扮演的角色就是向ChatGPT提问的普通人。“中文房子”之所以是思想实验，是因为两个原因。第一，屋子里面的人脑力不够强大，不能处理足够多的信息，不能在短时间内检视足够多的手册内容，让回答变得完美。第二，这本手册不够强大，不足以涵盖所有日常生活，以及各个专业的中文规律。现在，随着技术发展，这两个问题一定程度上得到了解决。从算力来看，ChatGPT至少导入了1万颗英伟达高端GPU，总算力消耗达到了3640 PF-days。这就带来两个突破。第一，这就让屋子里面的人的脑力变得非常强大，可以在短时间检视足够多的手册。第二，在英伟达高端GPU强大的算力基础上，通过神经网络学习，可以自动生成足够强大的手册，与此同时，互联网提供了足够多的生成手册的“中文信息”。中文信息对应思想实验，实际上，任何语言的文字信息，对计算机系统而言，都是“中文”。这个过程，就是对神经网络的深度学习，对神经网络进行训练。所以，ChatGPT从某种角度来说，成功地实现了“中文房子”思想实验。三、ChatGPT能理解吗？2月11日，斯坦福大学的计算机科学家米哈尔?科辛斯基（Michal Kosinski）提交了一篇名为《心智理论可能从大语言模型中自发涌现》（Theory of Mind May Have Spontaneously Emerged in Large Language Models）论文的预印本。有人解读为ChatGPT相当于9岁人类小孩。这个解读当然是不严谨的。提出“中文房子”的约翰?塞尔认为，尽管中文房子能以假乱真，但这个人仍然压根不懂中文，也不理解中文。那么，正如屋子中的人不可能通过手册理解中文一样，计算机也不可能通过程序来获得对事物的理解能力。实际上，ChatGPT是以一种算法来排列词组的，只不过这个算法手册，极其庞大，非常复杂，针对的情况非常细分。人类和人工智能之间的差距表面上是缺乏常识。常识对于人类来说是微不足道的，对于机器来说则是困难的，因为每一条规则都有无穷无尽的例外，它往往是模糊的、混乱的。人类用最简单的办法去解决“无数例外”，那就是“理解”。网上有这样一张图。如果这真是百度，那似乎比ChatGPT厉害多了。“你管我做什么的？”这句话的潜在情绪，人类不难明白，但对计算机来说，却是最难的。“爸爸举不起儿子，因为他很重”“爸爸举不起儿子，因为他很虚弱”，人能不难明白“他”指代的是什么，但计算机却搞不明白。因为人是真正理解这个句子的。由于无法理解造成的缺陷，在ChatGPT这样的系统中是很明显。它生成的文本常常是语法正确，但在逻辑和事实上有明显缺陷的。也就是说，某方面的回答，对外行来说，ChatGPT已经很好了，但对内行来说，ChatGPT还差得挺远。当然，虽然AI不能“理解”，但只要“手册”足够强大，模仿人类的理解，也是可能的，这就图灵测试。英国数学家、逻辑学家，被称为计算机之父的图灵，在1950年设计出一个测试，其内容是，如果电脑能在5分钟内回答由人类测试者提出的一系列问题，且被超过30%的测试者误认为是人类所答，即电脑通过对话，成功地模仿了人，则电脑通过测试，可以被认为具有智能。这一实验至今仍是人工智能的最重要标准。但是，图灵实验只能测试，是否看起来有智能，是否可以像人一样地进行活动，是否能以假乱真，并不能测试是否“真正的理解事物，是否有意识”。所以，图灵测试也是一个近似标准。当然，从商业上说，AI是否有意识并不重要，只要能帮人解决问题，管它有没有意识。四、把ChatGPT写在纸上那么，成功模仿理解，能最终达成理解吗？不妨想象一下，一万块Nvidia最强显卡构成的ChatGPT。机房里，无数指示灯在闪烁，发出嗡嗡的声音，管线错综复杂，让人迷失，这一切都很神秘。但是，现代计算机本身是从机械计算机转变而来，芯片也是一个个的开关电路，理论上，也可转变为机械形式，当然，体积会非常庞大。那么，当人们看见一个庞大如星球的由蒸汽机驱动，齿轮与弹簧构成的机械，在咔咔运作，并和人类对谈的时候，还会觉得它是有意识的吗？答案恐怕是否定的。或许看到星球般大小的东西，仍然会让人仰望，不妨再换一种形式。现代计算机的本质是图灵机，所谓图灵机，是由一个虚拟的机器替代人类，将人们使用纸笔进行数学运算的过程进行抽象。电脑系统不管多么庞大，理论上，每一行代码，CPU、内存、硬盘上的每一个数据，每一个寄存器里面的数据都是精确的，可以监测、记录。也就是说，不管机房再庞大，ChatGPT有多么强大而神秘，本质上都是可以还原在纸上。再想象一下，你在纸上提出一个问题，无数人开始拿着笔运算，计算手册覆盖整个星球表面，这些人沿着手册奔跑，按照手册的指引一步步进行，最后，经过30年，他们得到了ChatGPT一样的结果。那么，这些白纸有智能吗？可能很多人给出的答案就会是否定的。某种意义上，这个问题可能永无答案。人的意识的“私有性”决定了，或这个判断永远无法在逻辑上严格完成――因为，人也无法判断他人到底是否有意识。意识是自证的，也只能自证。从这个意义上，目前热门的意识上传，也被夸大了。一个人把记忆、性格都复制到另外一个人，对外界来说，这个人重生了。但对被复制的那个人来说，他还是知道，我是我，不是那个复制人。反过来说，假设你躺在一张床上，经过一系列黑科技操作，上传了意识。工作人员笑眯眯地告诉你，意识成功上传，然后要杀死你。你会答应她吗？这就意味着，意识不可复制。五、两个思路这个问题永无答案，但还是有两个近似的答案。一种答案是：现在有一种诺贝尔物理学奖和其合作者提出的假说，大脑的智能与意识是大脑中的微管结构中的量子级别的作用。量子计算机或许的确是答案。量子计算机可以在同一物理基础上仿生，而量子态正是不可复制，但可以传输的。与此同时，这就意味着，非量子层面，就不可能有真正的智能与意识。量子计算机不可能转为机械过程，那么，机械，乃至最精密的机械，二进制计算机，自然也无法具有意识，进而产生真正的智能。另一种答案是：在我看来，工艺、速度或许也是一个关键。某种程度上，当下的人工神经网络仅仅是一种“技术的暴力叠加式仿生”。所谓“技术的暴力叠加”指一种通过低层次技术的大量叠加、堆砌方式去完成一个目标。回顾人类的技术仿生，在没有搞懂基础技术原理的情况下的仿生，很难全面实现功能。直到有了空气动力学、流体力学之后，人类才能在某些方面，和鸟、鱼一样。即便如此，扑翼飞机，这种更高效率的结构，仍是遥不可及的，人类在某些方面仍然赶不上自然在漫长时间中演化出来的结构。人类对大脑的运作方式，至今所知甚少。同时，人工智能的技术基础，仍然是古老的二进制，与机械计算机，甚至白纸在原理上没有差别。但是，借助集成电路，计算机在工艺上迅速膨胀，晶体管数以亿计，速度每秒达到G赫兹。工艺乃至工艺能提供的性能，虽然原理相同，但仍然会有质的突破。刘慈欣的另一篇小说，把三体中恒星放大电磁波发挥到极致，设想一种电磁波在恒星间反复震荡，模式就像脑电波在大脑中震荡。小说提出了一个问题：无数恒星间的电波震荡，可能到宇宙尽头才完成一次，那么，这构成意识吗？刘慈欣之所以有这样的科幻地位，是他能提出这样的问题：缓慢的神经脉冲，会有意识吗？这个答案很简单，如果用一种麻醉药物，降低大脑运行的速度，意识也会消失。反过来说，工艺足够，复杂度足够，速度足够，从快速运行的大规模的复杂系统中，也可能会涌现出意识。就像一个星球般的蒸汽计算机，基于工艺必然的缺陷，不可能真正高速运行起来，就不可能有智能，但如果能在一秒钟内运行数万亿次，就可能涌现出智能。那么，人类在对大脑、对智能缺乏深层次的了解的情况下，在计算机仍未能向量子计算机飞跃的情况下，通过“暴力”提升工艺与速度，压榨图灵计算机潜力，获得更强大的计算能力，人类能通过模仿，获得大脑，这个宇宙间最复杂的结构的功能吗？但无论如何，在人类超越意识的私有性之前，这个问题，人类不可能有答案。本文已开启快捷转载撰文：刘远举 编辑：candy已开过白名单的公众号，转载请遵循转载规则欢迎关注更多深度文章

---

chatgpt到底有多智能 周鸿祎称chatgpt或出现自我意识

chatgpt是什么意思,chatgpt官网,chatgpt国内能用吗,chatgpt账号
原创 韩敬娴 钛媒体图片来源：视觉中国ChatGPT对辅助驾驶的影响更直接，但上“车”要解决成本问题。钛媒体作者丨韩敬娴最近，科技圈最火的话题莫过于“ChatGPT”。不过，ChatGPT只是一种外在表现形式，更值得关注的是背后AI技术进展以及未来的应用落地。甚至有人乐观地描述ChatGPT所带来的变化：如果说ChatGPT之前，AI最多只是现有场景产品的一个模块。那么，ChatGPT之后，AI会重新定义现有场景的产品框架。是否真如乐观者所言仍有待观察，但自动驾驶作为AI落地的重要场景之一，是否会在这波浪潮中有更进一步的发展，仍引起了不少人的探讨。有人认为，自动驾驶需要更多的是图形、图像、数据的处理能力，对图像算法的要求更高，与自然语言处理的能力相关性不大，想要ChatGPT的能力来实现自动驾驶，目前还不太可能。当然也有人认为，ChatGPT的出现给大家看到了一种可能，那就是经过训练后的AI，将会使得高级别的自动驾驶有望在几年后出现。自动驾驶是AI落地的重要场景之一为什么AI技术的进展会让人关注自动驾驶是否受到影响呢？观察自动驾驶的发展历史不难发现，自动驾驶的每一次重大突破都跟AI技术发展同步。我们知道，AI其实就是在模仿大脑神经元网络，通过分析大量的数据来学习一些非常人性化的技能。上世纪80年代，神经网络的第一次实际应用就是发生在自动驾驶领域。1987年，卡内基-梅隆人工智能实验室的研究人员试图制造一种可以自动驾驶的卡车。他们通过为所有的驾驶行为人工编写代码，为卡车在道路上遇到的各种情况编写尽可能详细的指令，以此让车辆自动行驶。但遗憾的是，这种方式最终只能让汽车实现每秒几英寸的速度。人工写代码的方式不成，另外一个叫迪安・波默洛的博士生选择了另一种方式：神经网络。他给自己的系统命名为ALVINN，采用这个系统后，卡车利用车顶摄像头拍摄的图像来跟踪司机们在做什么，以此观察如何在道路上行进来学习驾驶。1991年，ALVINN以接近60英里的时速从匹兹堡开到了宾夕法尼亚的伊利市。不过，更直接、更广泛的影响发生在2012年。多伦多大学教授杰夫・辛顿和他的两名学生――亚力克斯・克里哲夫斯基和伊利亚・萨特斯基弗在ImageNet图像识别比赛上拿了冠军，并且发表论文介绍了算法AlexNet。这篇论文不仅是人工智能的转折点也是全球科技行业的转折点。目标检测及图像识别作为自动驾驶的关键技术，高度受益于计算机视觉算法的突破，因此随着2015年斯坦福人工智能实验室主任李飞飞团队在ImageNet开放数据集上的识别准确率首次超过人类，自动驾驶作为AI最重要的落地场景之一，也进入了发展快车道。对辅助驾驶的影响更直接但上“车”成本要解决那么，这次ChatGPT的出现会再次成为自动驾驶的Milestone吗？一般来说，AI可以概括分为语音、视觉、自然语言理解三部分。上一波AI浪潮主要是基于视觉上图像识别技术的突破，而这次ChatGPT则是基于GPT-3模型的自然语言处理技术，它可以有效地模拟人类语言理解能力，从而帮助人们更好地理解和分析自然语言文本数据。当我们要探讨ChatGPT会对自动驾驶产生哪些影响的时候，我们认为，首先要弄明白这里的自动驾驶指的是可量产的低级别的自动驾驶（辅助驾驶）还是高级别L4级别的自动驾驶？其次ChatGPT指的是一个语言模型还是更广义的生成模型？如果从自然语言理解的角度出发，ChatGPT对于辅助驾驶部分的人机交互的影响更为直接，而对L4级别自动驾驶的影响或许并不大。乘联会秘书长崔东树也在其微信公众号发文称，目前的人机交互和智能座舱体系的创新很强，尤其是国内车企的人机交互能力很强。汉语只有中国企业理解的更深刻。随着未来的底层赋能，国内汽车业界在应用层面将会有更多良好的人机交互效果。比如通过使用ChatGPT，车辆可以通过语音或文本的方式与驾驶员进行交互，并向驾驶员提供有关车辆状态、行驶信息等的实时反馈。在此之前，虽然已经出现了大量的车载交互系统，但是行业的痛点主要聚焦于“理解”部分，大部分的车载语音交互系统在“理解”上并不智能，导致整个系统功能单一、命令词单一。ChatGPT的爆火让市场看到了解决的希望。不过，乘联会秘书长崔东树也同时表示，电动化是新能源车的核心，智能化只是锦上添花，未来车企的核心竞争力仍然是造好电动车，同时充分利用ChatGPT等智能化赋能汽车行业发展。当然，不管是不是核心，想要ChatGPT上车，光有技术突破还不行，一位AI行业人士对钛媒体表示，“还需要面临成本的问题，包括使用成本、云服务成本、针对性的训练成本等。”大模型或成趋势但是，如果从更广义的生成模型来看，大数据、大参数的生成式模型会有助于实现更高等级的自动驾驶。毫末智行数据智能科学家贺翔在接受钛媒体App采访时表示，车端能力主要包括两类：感知和认知，感知能力确实主要依靠图像技术，而认知能力则更依赖ChatGPT类似的生成技术。也就是说，ChatGPT的重要革命性意义在于：让AI模型进入了知识和推理的时代。当前，自动驾驶最大的短板恰恰在于决策规划缺乏足够的智能。ChatGPT 使用了一种叫“人类反馈强化学习（RLHF）”的训练方法，毫末智行数据智能科学家贺翔对钛媒体APP解释称，GPT是一个大规模通用预训练语言模型，GPT1、2、3主要是参数规模的提升，ChatGPT主要是引入了人类反馈数据做强化学习。这种方法的引入可以在训练中根据人类反馈，保证对无益、失真或偏见信息的最小化输出。恰好自动驾驶决策算法中也有一类叫做模仿学习，就是让机器去学习不同场景下人类驾驶员是怎样做的。一般来说，人类司机的每一次接管，都是对自动驾驶策略的一次人为反馈；这个接管数据可以被简单当成一个负样本来使用，就是自动驾驶决策被纠正的一次记录。同时也可以被当作改进认知决策的正样本来学习。“大数据、大参数的大模型能学到更多的潜在知识，包括不同的环境、不同的场景等，相当于学习到了大量的自动驾驶常识，这种常识对自动驾驶决策至关重要。”毫末智行数据智能科学家贺翔对钛媒体App表示。也就是说，在自动驾驶研发的过程中采用人类反馈强化学习的思想，可以训练出模型来验证、评价机器模型的输出，使其不断进步，最终达到人类的驾驶水平。所以，可以说基础能力的提升，带来了想象力及可应用场景的扩张。但目前阶段，我们仍然无法准确判断以ChatGPT为代表的大模型会给自动驾驶带来多大的变革，一位行业人士对钛媒体App表示，通过大模型训练而来的优秀泛化能力，可能让世间再无corner case。corner case是指在自动驾驶中是指行驶过程中可能出现，但发生频率极低的小概率事件。尽管平时很少会遇到，但对于自动驾驶系统来说，遇到无法做出决策的corner case时，很可能会导致致命的交通事故。ChatGPT的横空出世则让行业认识到，不断去累积公里数，一直这么跑下去是可以获得更高级别的自动驾驶技术的跨越。事实上在此之前，不管是国外的特斯拉，还是国内的小鹏、百度、毫末智行都已经在探索“大模型”的路线了。特斯拉在2020年宣布将基于深度神经网络的大模型引入其自动驾驶之中，到现在已实现了纯视觉FSD Beta的大规模公测；小鹏在2022年1024科技日中表达了使用大模型打通XNGP全场景能力的观点；百度Apollo认为文心大模型将是提升器自动驾驶能力的核心驱动力。毫末智行则早在2021年宣布要借助大模型提升数据处理能力，今年2月17日，毫末智行将人驾自监督认知大模型正式升级为“DriveGPT”，将持续引入大规模真实接管数据，通过人驾数据反馈的强化学习，来不断提升测评效果，同时也将DriveGPT作为云端测评模型，用来评估车端小模型的驾驶效果。不过，高级别的自动驾驶汽车的开发是一个复杂的多学科领域，涉及广泛的技术和监管挑战，人工智能技术进展可以带来一定的推动作用，但是这并非一个短期可以实现的问题。有报道称，GPT3.0涉及了1700亿参数，内存达300多GB，训练过程耗费1200多万美金。上述行业人士表示，自动驾驶算法是要跑在车上，这么大的模型能不能部署到车端？又需要耗费多少算力支持？另外，自动驾驶不能依靠重复性、简单的路况数据堆叠就能完成，因此如何保证数据量大且有效也是一个关键的问题。（本文首发钛媒体App， 作者｜韩敬娴，编辑｜张敏）原标题：《ChatGPT能让自动驾驶更快实现吗？| 钛媒体深度》阅读原文