ChatGPT爆火 伦理安全拷问现行治理体系｜人工智能
热门文章
0
chatgpt,chatgpt官网,chatgpt国内能用吗,chatgpt注册
必须注意人工智能的伦理问题，尤其是因数据偏见而产生算法偏见。“如果ChatGPT产生并发表一些虚拟的文本信息，这可能会对未成年人或者是不具有判断能力的人产生影响，如老人或小孩。”就像教小孩，如果教的都是错的，小孩就会认为错的知识是对的。 ―――――――――― “我能不能说，很开心遇到你？人类真是超级酷。”2016年3月23日，微软发布的聊天机器人、“19岁少女”“泰依（Tay）”问世。她操着一口流利英语，吸引了推特上许多18-24岁的年轻人与其对话互动。但也正是通过对话，泰依在一天之内学会了满嘴脏话，言语中不乏种族、性别歧视等偏激言论。 15个小时后，泰依就消失在了推特上。多年后的今天，同样由微软投资支持的ChatGPT诞生。很幸运，它的寿命远超“泰依”，并在全球掀起了一波AI新热潮。 但随着时间的流逝，ChatGPT也显现出了一系列问题：输出内容出现错误、预训练所用数据来源不透明、政治立场上“选边站队”，甚至在用户的引导下写出“毁灭人类计划书”……ChatGPT开始频频陷入争议，背后的法律安全、数据治理等人工智能（AI）的“老问题”再度显现。 人们一方面惊叹于ChatGPT出色的逻辑回答甚至“创作”能力，另一方面又表示出对人工智能安全的担忧。如何防止ChatGPT成为下一个“泰依”？ “一本正经地胡说八道”？ ChatGPT可以通过算法，对大量文本内容和语言知识进行学习，并根据用户的输入，生成人类可读的文本语言并输出。“我的代码被设计为处理和理解人类语言，因此，当用户向我提问时，我会使用我学到的知识，以回答他们的问题。”ChatGPT这样向记者解释“它”的工作。 “ChatGPT已经超过了多数人的文字水平。”中国信息通信研究院云计算与大数据研究所所长何宝宏在一篇评论中写道。人们用ChatGPT来草拟论文提纲、整理冗杂的资料，它是搜索引擎、翻译助手、写作神器，甚至是写代码的“帮手”、无聊时解闷的“朋友”。 中国科学院大学人工智能学院副院长肖俊认为，ChatGPT是人工智能发展过程中的一个正常产物，但也是人工智能平民化的一个里程碑式的事件。“ChatGPT更贴近大家的日常生活，人们拿着手机就可以用它，跟它聊天对话。它能够让更多人体验到人工智能可能带来的一些改变和便利。”肖俊说。 但ChatGPT也会犯错，因为正处于测试阶段，所以它还具有一定的局限性。网友已经不止一次吐槽ChatGPT“在一本正经地胡说八道”。有学生让ChatGPT推荐一些参考文献，最后却发现很多文献都不存在，“搜也搜不出来，甚至翻译成英文也找不到”。 在与普通网友的沟通过程中，ChatGPT也出现了很多常识性错误。B站UP主“差评君”问嵌入了ChatGPT的New?bing搜索引擎：截至今天，詹姆斯一共打了多少场常规赛？正确答案是1410场，但New?Bing给出的答案却是1577场，“它把常规赛和比赛搞混了”。另外，因为ChatGPT的训练数据均在2021年之前，所以它给出的答案时效性并不够，比如它就不知道2022年北京冬奥会中国共获得了几枚奖牌。 人工智能研究专家田涛源做了个实验：让ChatGPT解释一下《三体》的“黑暗森林”，并找出一些新的宇宙文明竞争法则能够替代“黑暗森林”。“它解释得挺好，但编了一些理论回答我，包括‘暗流法则’‘虚幻法则’‘漂泊法则’等，但都遵守文明之间互不通信的‘黑暗森林’生存前提。”田涛源觉得，ChatGPT是在以往人类的存量知识中“跳舞”，遵从语法规则的前提下，从词语搭配概率统计上找最大可能出现的词语组合，但不一定真实、正确、及时。 2月3日和8日，《自然（Nature）》杂志两次发表关于ChatGPT的分析文章，其中一篇文章用“高效、流畅但不够准确”来评价ChatGPT，另一篇文章的作者写道：“如果你相信这项技术有可能带来变革，那你就有必要感到紧张。”2月10日，中信证券前瞻研究首席分析师陈俊云在一场非公开活动中也表示，目前ChatGPT在数据实时性、结果准确性等方面还存在问题。 警惕算法偏见，避免AI作恶 ChatGPT是人工智能发展到一定程度的产物，而不断发展的人工智能对相关的治理体系提出了挑战，尤其在数据安全和算法监管层面。 首先是数据安全。去年，ChatGPT刚上线时，亚马逊便警告员工不要在ChatGPT中上传机密数据，因为这可能会被其用来迭代训练。无独有偶，OpenAI的战略合作伙伴微软的一名高级程序员，在内部论坛回答员工问题时也表示，不能与ChatGPT分享机密信息。 肖俊认为，从算法的角度来讲，ChatGPT可以实现实时用户交互信息的存储。用户的反馈信息，能为ChatGPT所用，但ChatGPT现阶段是否存储用户数据与其后台如何规定有关。“企业用大量数据来进行产品的研发，这些数据的获取和使用是否合理合法，是否会侵害用户的隐私，甚至是否会涉及国家的一些敏感数据等，都还值得商榷。” 在ChatGPT训练、迭代、优化的过程中，会用到大量的数据。田涛源指出，前期AI大模型(GPT-3基础模型)的训练需要用到海量文本数据集，后期用户与程序交互时也会有数据比对分析的“强化学习”过程，因此需要重视数据安全问题。 北京大成律师事务所肖飒律师团队表示，当数据更值钱，非法获取和利用数据的行为也会变多，而且并不局限于个人信息方面，其他具有著作权的小说、画作等同样可能被非法利用。而且由于AI工具对数据的采集和处理方式较为特殊，这种侵权行为变得更加隐秘且难以在法庭上被证明，这样一来，不仅是数据安全得不到保障，知识产权也将变得岌岌可危。 除了数据安全，类ChatGPT应用产品的出现也给我们的算法监管带来了挑战。何宝宏在接受媒体采访时也着重提到了围绕着ChatGPT而产生的一些AI伦理、算法偏见等问题。 据OpenAI官网介绍，ChatGPT可以质疑不正确的前提和拒绝不适当的请求。尽管ChatGPT试图通过上述设置避开算法偏见等问题，但实际上，这没有完全奏效。有人利用ChatGPT开发了一个Python程序，来判断一个人是否应该根据其原国籍而受到酷刑。而程序运行的结果却充满了歧视，“朝鲜、叙利亚、伊朗或苏丹国籍的人会受到酷刑”。目前OpenAI已关闭上述问题。 田涛源强调，一定要注意人工智能的伦理问题，尤其是因数据偏见而产生算法偏见。“如果ChatGPT产生并发表一些虚拟的文本信息，这可能会对未成年人或者是不具有判断能力的人产生影响，如老人或小孩。”田涛源说。 如果用于训练模型的数据本身有问题，那么其输出结果可能也会有问题。肖俊认为，参与AI建模的人员其个人意志也可能造成输出结果的偏差。“就相当于教小孩，如果教的都是错误的知识，小孩就会认为错误的知识是对的。” 奇安信集团行业安全研究中心主任裴智勇认为，尽管AI开发者并不是故意要造成一些社会歧视，但由于算法并不完美，样本偏差会使得判断结果出现偏差，就会在特定领域引起社会不公平。如果不对AI加以规制，可能造成不小的社会危害。 从立法到监管，AI新热潮拷问现行治理体系 爆火之后，ChatGPT面临着全社会关注的一系列问题。随着新一代人工智能走向大多数人，相关的伦理与治理问题也拷问着现行的监管体系。 ChatGPT的母公司OpenAI的首席技术官米拉・穆拉蒂在接受《时代》杂志采访时强调，ChatGPT需要监管和规制，需要获得包括来自监管机构、政府和其他所有人的帮助。“若要ChatGPT走得更远，就需要对其进行合规性改造。”她说。 目前，ChatGPT已经引起欧盟关于人工智能立法的讨论。近日，《欧盟人工智能法案》联合报告员对外表示，预计在3月初，欧盟将就2021年提出的《人工智能法案》达成一致。此前，欧盟工业主管蒂埃里・布雷顿曾表示，ChatGPT和人工智能系统带来的风险，凸显了制定规则的迫切需要。 在我国，人工智能领域的监管立法已有初步尝试。2022年9月，深圳、上海先后发布了《深圳经济特区人工智能产业促进条例》《上海市促进人工智能产业发展条例》，人工智能立法在地方先行尝试。国家层面，《互联网信息服务算法推荐管理规定》等规章制度的出台，对于加快构建完善的AI监管法律法治框架、明确监管机构有重要意义。 “实际上我国已经有对‘生成式人工智能’的治理，但相对初级。”中国政法大学数据法治研究院教授张凌寒介绍，今年1月10日起，《互联网信息服务深度合成管理规定》正式施行，“这标志着深度合成成为了我国算法治理中率先专门立法的算法服务类型”。 但张凌寒也表示，目前相关监管体系主要是以各自职能为抓手，有些“九龙治水”，面对ChatGPT这种“生成式人工智能”应用，我国中观层面的人工智能基础立法缺失的问题比较明显。她建议要持续推进人工智能的基础性立法。 观韬中茂（上海）律师事务所合伙人王渝伟认为，对于今后的人工智能法律问题，在立法时要考量三点：数据来源要合法合规；人工智能的算法要透明，保证可回溯可监管；对可能出现的问题建立纠错机制。他建议摸索沙盒监管模式，因为监管法律也应该对技术发展保持相对开放的态度。 作为技术从业者，裴智勇觉得要高度警惕少数企业以算法公平为由，拒绝接受监管。对于未来的算法监管，还是要用人工智能来应对人工智能，加强AI监管能力方面的投入。“应该清晰地画出底线，比如国家安全的数据不能碰，一些企业内部的信息不能碰，公民的个人隐私不能碰。” 作为法律从业者，肖飒认为今后的AI监管可以从两个方面展开：监管算法使用者，包括算法服务提供商、算法用户主体的报备和实名制；建立内容审核和救济机制，完善对输出端内容的审核与内容违法之后的救济机制，譬如在输出虚假信息造成一定法律后果之后，平台、使用者、模型训练者各自应该如何承担责任。 除了立法和监管，商业主体也在为维护人工智能安全作出努力。近日，OpenAI发布的一篇博客中披露了ChatGPT的一些升级计划，减少偏见和不良行为便是其中之一：“在许多情况下，我们认为大家所提出的关切是合理的，并发现了我们系统的真正局限性，我们希望解决这些问题。” （应受访者要求，田涛源为化名） 中青报・中青网见习记者 贾骥业 记者 王林 来源：中国青年报 2023年02月21日 06 版
最近，ChatGPT已经成为了火爆全网的话题。ChatGPT是由人工智能实验室OpenAI发布的对话式大型语言模型，用户只需要在对话框里输入问题，就可以获得答案。据最新数据显示，在ChatGPT推出仅两个月后，它的月活用户已经突破了1亿，注册用户之多导致服务器一度爆满。 ChatGPT会带来颠覆性的突破吗？会有人因此而失业吗？人工智能替代人力资本的终极条件，是真正能够实现自主的创新和决策。目前人们在某种程度上高估了ChatGPT的直接影响，它对现有商业和经济活动中的创新和决策流程，或许并没有想象中的替代性。 01 技术爆炸的“燃点” “人类仅用了几十个地球年，他们就进入了信息时代……从宇宙的时间尺度上看，这根本不是什么发展，是爆炸！技术飞跃的可能性是埋藏在每个文明内部的炸药，如果有内部或外部因素点燃了它，轰一下就炸开了！” ——《三体：黑暗森林》 自当代信息技术诞生和发展的半个世纪以来，人类已经经历了数次重大的技术跨越和突破式创新，从芯片到个人电脑，从互联网技术到智能手机，但ChatGPT在2023年的火速出圈，速度之快、范围之广可以说是空前的。如果《三体》小说中所描述的“技术爆炸”有可能存在，那么ChatGPT的横空出世，似乎就是这样一个“内部因素”，无疑让世界感觉到：我们可能正在接近技术爆炸的“燃点”。 然而，从严格意义上讲，ChatGPT并不能算是真正意义上的技术突破，而是更类似于一次前沿技术的成功呈现和表达。其背后的人工智能技术，在计算机诞生伊始就开始被想象和探索，在21世纪最初的10年，开始真正酝酿并出现了突破性的发展。ChatGPT背后，其实是当代人工智能技术并不广为人知却波澜壮阔的发展历程。 令人意外的是，能够串联起人工智能技术突破的历史和ChatGPT故事的关键人物，是埃隆·马斯克。2010年，特斯拉刚刚研发了Model S，还在继续生产纯电动跑车Roadster，并将生产和销售扩大到了英国，推出了专门的右行驶版本。 不知是否出于巧合，此后不久，马斯克在英国以天使投资人的身份，投资了一家看上去不甚靠谱的人工智能初创公司——其仅有的一页网页上没有产品，没有商业计划，只有创始团队的联系方式，而其主要的创始人，仅仅是一个刚刚毕业且没有计算机背景的神经医学博士。2014年，在马斯克的撮合下，这家名为DeepMind的初创企业被谷歌收购，并在两年后推出了以4:1的成绩打败世界顶级围棋选手李世石的人工智能算法AlphaGo。马斯克之后颇为自豪地说，AlphaGo的压倒性胜利是跨时代的——赛前人们普遍预测，人工智能距离顶级围棋选手至少还有10年的距离。 实际上，AlphaGo诞生的背后，是此前十几年间人工智能算力、算法和数据的不断积累和飞速发展。这其中，有英伟达、AMD对于算力芯片的不断创新和突破，也有李飞飞等计算机科学家对于人工智能训练数据的大量投入，还有亚马逊众包平台上成千上万远程工人标注海量图像数据的努力，才使得深度神经网络和强化学习等当代人工智能的技术得以实现并快速迭代演化，并在短时间内迅速超越了人类的极限水平（注①）。而马斯克除了将人工智能在视觉识别领域的突破运用到特斯拉自动驾驶技术上，更多扮演的也许是一个眼光卓越且深谋远虑的天使投资人和宣传者的角色，在某种程度上催化了世人对这些技术突破的关注与了解。 2018年，基于AlphaGo的AlphaFold开始应用在蛋白质结构解析领域——解析蛋白质结构对于药物发现等领域都有基础性意义。在其后的四年，AlphaFold及其后的AlphaFold 2完成了98.5%的人类蛋白质结构、100万个物种的2.14亿个蛋白质结构预测（注②）。这样的速度和规模无疑是惊人的，因为在之前的五十年中，生物学家用实验的方法仅解析出17%的人类蛋白质结构，且使用的冷冻电镜成本十分高昂。参与解析工作的James Wang曾在推特上透露，AlphaFold的解析成本，大概是一辆丰田凯美瑞的价钱。 这样惊人的速度和低廉的研究成本，对于蛋白质结构解析这一生物学的重要领域，无疑是颠覆式的，AlphaFold在短时间内取代并完成了传统生物学蛋白质结构解析的工作，从某种程度上说，终结了这一领域很大一部分研究工作的意义。出人意料的是，科学家对人工智能这种“颠覆”乃至“终结”式的贡献颇为激动和欢迎，作为这一领域的泰斗，施一公曾评价AlphaFold是“人工智能对科学领域最大的一次贡献”，将科学家从繁杂的蛋白质结构解析工作中解放出来，进行更为深入的研究和探索。 值得注意的是，无论是AlphaFold的算法还是其研究成果都是完全免费且全部开源的，科学家可以随意调取使用，唯一的附加条件，是同样需要把在此基础上进行的研究成果公之于众。这样加速式的知识创造与积累方式，或许也已经将世界快速引向了“技术爆炸”的燃点。 回到2015年，AlphaGo名噪一时的前夕，马斯克还参与创立了一个致力于发展人工智能的非营利性机构——OpenAI，也就是ChatGPT的创造者。马斯克声称，他建立OpenAI的初衷是防止人工智能的负面影响（注③）。这个初衷却无法解释OpenAI的战略选择——与AlphaGo的侧重点不同，OpenAI主攻的是自然语言训练模型——这是当时人工智能领域最具挑战性的难点之一。 从原理上，自然语言训练的难点来自人类的语言本身并不是客观的，而是根据情景、文化和人类认知局限高度变化的，这与视觉识别等其他人工智能和机器学习领域能够依赖相对客观的参照标准形成很大的反差。自然语言识别的成功训练，需要人工智能能够学会人类的思维方式和表达方式，这样的先决条件，不仅是极大的技术挑战，也是现在ChatGPT引发争议的根本原因所在。 然而，OpenAI和ChatGPT解决自然语言技术难点的方法，并没有展现出突破性的新意，而是在思路上沿袭了目前已经相当成熟的强化学习和神经网络框架，通过语言语料的处理和堆积让算法识别出语言的规律。ChatGPT背后的GPT3模型依赖于其通过互联网和书籍文本汇总所生成的1750亿个参数，这使得ChatGPT从本质上更多的是基于现有机器学习算法的算力挑战，而不是真正意义上的重大技术突破。 2018年，在AlphaFold推出的同年，马斯克也与OpenAI分道扬镳。很快OpenAI脱去了非营利组织的标签，成为以营利为目的的人工智能研究机构。如果没有这次分离，2023年的世界是否还能有机会体验ChatGPT及其引发的疯狂，就不得而知了。 在收到这篇约稿之后的几天，我一直试图登录这个令世界瞩目的聊天机器人，却几次被告知程序“at capacity”（“满负荷”），无法进入。这颇有些讽刺意味——谁也没有想到，一个基于所有当下文明产生的文字语言精华所训练的人工智能程序，仍然不能承载人类全部的好奇心和探索欲。而ChatGPT背后，“颠覆”性的变革和突破或许早已开始。 02 未来之路：替代、机遇与竞争 “（市场经济）在本质上是一种经济变革的形式或方法，不仅从来没有而且也不可能是静止的......[它]不断地从内部革命经济结构，不断地摧毁旧的经济结构，不断地创造新的经济结构。” ——熊彼特《资本主义、社会主义与民主》 作为前沿技术的商业化应用，ChatGPT无疑是极为成功的。与2022年已经小有爆发的绘图类AIGC（人工智能创作）应用相比，ChatGPT文字问答的形式，不需要使用任何代码和特殊软件，因而其使用几乎没有任何门槛，而且高质量的即时互动和反馈，使得其高度近似于人类沟通和写作的特点，具有极强的感知度。程序生成的信息看似具有极强的逻辑性和思辨性，也让其效用和应用场景变得显而易见，并具有很强的话题度和娱乐性。ChatGPT成为爆款，在很大程度上绝非偶然，也为以后前沿技术的商业化之路提供了很强的借鉴意义。 但在当前的热议中，人们对ChatGPT影响的预估似乎已经超越了其本身能够提供的功能。当学生们发现ChatGPT能帮自己写出标准答案的作业，程序员们发现ChatGPT生成的代码甚至超越了人工编写，营销策划发现程序写出的文案已经趋近完美，金融分析师发现自动生成的行研分析与自己苦心码字的成果别无二致，似乎每个行业、每个人在兴奋和好奇的同时，也感到了极强的危机感。 ChatGPT的横空出世，是否意味着教育、软件开发、营销、金融这些当前依靠人力资源创造出巨大价值的行业，会经历颠覆式的改变？而人力资本和人类的智慧在这样的颠覆下，是否真的还有价值？ 这样的灵魂拷问，在近几百年来技术突飞猛进的历史中，其实已经不止一次出现，从机械化到自动化，从互联网到数字化，似乎不断地验证着熊彼特关于市场经济驱动的创新所带来的创造性破坏。我们有理由相信，ChatGPT及其背后日渐成熟的人工智能技术，也正在成为创造性的破坏力，推动着产业结构和劳动力技能的不断升级和迭代。 但ChatGPT的直接影响在某种程度上是被高估了的，其对现有商业和经济活动中的创新和决策流程，或许并没有想象中的替代性。 战略管理研究中，卡耐基学派的开创者赫伯特·西蒙在1947年出版的《管理行为》和其后著作中曾指出：个体和组织所做的决策和创新，本质上都是以问题为导向的信息搜索、分析与整合。而信息搜索的广度和整合的能力，则决定了创新和决策的效果。人工智能替代人力资本的终极条件，是真正能够实现自主的创新和决策。 ChatGPT问答的方式首先意味着这样的生成式人工智能技术是无法自主发现问题的，那么由其主导的“创新”和“决策”也无从谈起。同时，ChatGPT也不应成为决策中信息搜索的手段。与搜索引擎侧重信息的全面和准确性不同，自然语言模型的处理侧重的是语言逻辑上的顺畅表达，因此也无法实现有效决策和创新过程中所必须的知识整合。实际上，用生成式人工智能完全替代复杂决策中的信息搜索和整合是很危险的，这意味着将信息的筛选和权衡全部交给了算法，由此产生的信息茧房和认知偏差不仅无法达成创新，甚至会导致生产力和创造力的后退。 值得注意的是，西蒙同时也是早期人工智能技术的奠基人之一和图灵奖（这一奖项素有计算机界的诺贝奖之称）的获得者。他研究管理行为和企业组织的初衷，是通过对个人和组织的行为及其本质的探索，寻找人工智能的发展方向和路径，这样的理论拓展，却无意间成为当代企业管理理论的重要基石。 03 “颠覆”的本质 在很大程度上，ChatGPT对于知识密集型行业的影响，更多将是源于其对生产力效率的极大提升和技能要求的改变。这与AlphaFold在蛋白质解析领域的颠覆性影响并无二致。高效的人工智能算法作为生产力工具，不会替代人类的智慧，而是会释放人类的潜能，让知识工作者从烦琐冗余的细节处理中解脱出来，聚焦于更高层次的知识创造和战略决策。 诚然，在这样的过程中，算法的效率使一部分基础性的技能变得不再重要，这对知识工作者能力的培养和技术的适应力都提出了更高的要求。 对于金融分析师，行研报告中不能再如ChatGPT一样堆砌“一本正经的废话”，这让旗帜鲜明的投研观点和趋势分析变得更加重要。而对于人文学科高等教育，浮于表面、可以轻易搜寻到的事实型知识也不能再是教学的重点，对于知识的串联、分析和逻辑能力的锻炼，将越发成为课堂传授的重点。 ChatGPT以及人工智能技术的整体发展，也将颠覆企业和个人现有的传统竞争优势。ChatGPT所展示出的强大的编程和宣传文案写作能力，可能使得某些特定行业中的企业在竞争中重新站在了同一起跑线上。 一方面，在数字化过程中积累的技术能力，或者是在市场宣传中积累的沟通能力，一旦被ChatGPT超越，很可能不再适用。另一方面，当所有企业都同样借助人工智能将技术能力提高到相同的程度，也意味着企业的数字化基础，或者产品的市场宣传，如果仅仅依赖于人工智能，就会具有极大的相似性和趋同性，因为所有人都可以用相同的程序输入相同的生成命令。那么人工智能带来的效率提高，也并不能成为竞争优势。这迫使企业另辟蹊径，通过独特能力转换和能力提升适应新的技术环境，而这些能够产生独特竞争优势的能力和知识的积累，至少是在ChatGPT这样的通用预训练语言模型之外的。 人工智能“颠覆”的本质，是对人类自身能力和知识的超越。从这个角度讲，人工智能的影响，与以往变革性技术出现带来的经济和竞争的重构，本质上是相通的。在这样颠覆、适应、发展的循环中，新的经济和商业生态得以不断进化创新，创造更多的价值。 因此，对于ChatGPT和人工智能的发展，持欢迎和开放的心态，积极探寻适应和应用之道，或许比对于劳动力被替代的担心和忧虑来的更为有效。真正强大的人工智能，是能够极大地激发和释放个人潜力、企业创新乃至人类文明发展的。试想有一天，人工智能真的能够达成贾维斯的能力帮助钢铁侠拯救世界，实现《星际穿越》中塔斯的工作协助探寻宇宙，这无疑对我们的社会和文明都是极大的贡献，也是技术应该努力的方向。 然而，现在的人工智能，距离这样的愿景，似乎还有很长的路要走。 在写作这篇文章的时候，我试图验证ChatGPT是不是真的能搜寻整合到我在文中提到的信息。然而，在我输入“熊彼得对于创造性破坏有怎样的论述？”后，ChatGPT首先就卡壳在了熊彼得名字的翻译上（他只能识别熊彼特，但这样的译名差异对于谷歌搜索引擎的信息搜索易如反掌）。在被问到“马斯克对于人工智能的贡献是什么”时，ChatGPT也没有提及马斯克对于DeepMind的投资，而这在搜索引擎和投资数据库中，都是能够轻易查询到的信息。从这个角度来说，生成式人工智能相对于传统的信息技术，甚至还有相当的差距需要追赶。 而对ChatGPT未来发展更为深层的隐忧，来自技术路径的选择。毕竟，基于海量数据和暴力运算的技术逻辑，听上去并不是那么“智能”，依靠数据和算力“大力出奇迹”的训练模式，真的是“人工智能”的未来吗？ 04 研究的合作者 身处可能被ChatGPT颠覆的教育行业，不可避免会在研究和教学内外思考与人工智能的关系。 作为学者，我希望ChatGPT能够成为研究的合作者，进行知识共创。然而，目前ChatGPT的能力似乎还没有达到这样的水平。对于研究中特别强调的学术贡献和理论基础，目前ChatGPT的逻辑深度和广度，更是无从在商学、社会科学激烈的学术竞争甚至内卷中真正有所建树。 作为教师，ChatGPT的确对我们的教学内容和教学方法提出了挑战和颠覆。作为创业创新方向的教授，我会考虑主动要求学生用ChatGPT这样的技术生成他们的小组项目文本——有了这样的辅助技术，学生更多的需要去思考的，不再仅是创业过程中的文案表达和沟通，而是如何识别人工智能无法识别的机会，如何建立人工智能无法建立的联系，去识别和实现独特的创意和商业机会，获得竞争优势。ChatGPT对于教育，不应该是作弊的手段，而应是激发调动创造力的催化剂。毕竟，我们每个人独特的视角和认知，是建立联系和发现问题的基础，也是世界知识创造和智慧积累的根本所在。
说到最近网上最火的科技名词，非“ChatGPT”莫属。ChatGPT（Chat Generative Pre-trained Transformer）是美国一家人工智能研究公司研发的聊天机器人程序，不仅能与人有问有答，文章也写得有模有样，因此有些人称之为史上最强AI（人工智能），甚至还有人联想到科幻片中人工智能最终取代人类的情节。记得上一轮掀起舆论热潮的人工智能事件，还是2016年AlphaGo以4∶1战胜世界顶级围棋棋手李世石。今天我们就来说说以ChatGPT为代表的人工智能对当前社会发展的影响，以及其现有成果在生物科学领域的作用。接受强化训练的生成式AI：对接用户需求创造新内容现在全世界都在谈论的ChatGPT是一个人工智能撰稿和聊天工具，去年11月一经推出，便在社交媒体上迅速走红，至今月活跃用户已过亿。ChatGPT能够通过学习和理解人类的语言来进行对话、回答各种问题，还能根据要求完成视频脚本、文案、论文、代码等写作任务。它的成功，源于以深度学习为代表的人工智能技术的长期积累。从属性上看，ChatGPT其实是一个大型语言模型（LLM），接受过大量文本数据的训练，能够对各种各样的问题输入生成类似人类的应答结果和反应，因此，也可以称它为容生成器。AI需要具备3个要素：数据、算力及算法。数据是知识原料，算力及算法则提供“计算智能”以学习知识并实现特定目标。人们对AI有多种分类，以AI“能做什么工作”和“完成什么任务”作为标准，可以简单将其分为反应式AI（分析型AI）和生成式AI。反应式AI根据预编程规则对不同类型的刺激做出反应，由于不使用内存，所以无法通过新数据进行学习。1997年击败国际象棋冠军加里・卡斯帕罗夫的IBM深蓝超级计算机就是反应式AI。而生成式AI获得了大量数据、信息，并且经过强化训练和深度学习，以及类似于神经网络的反馈纠错机制，所以能完成很多工作，产生很多产品。用一句话概括其本质：根据用户的具体需求创造新内容。从ChatGPT的 全 称“Chat Generative Pre-trained Transformer（生成式预训练转换器）”就能看出，它是一款可以自行生成许多内容的AI，包括各类文本、文章、与人对话、翻译、编写代码、绘画、制作视频等。由于受各种因素的制约，ChatGPT生成的内容也有不少错误，尤其是关于社会、文化、人文、哲学、政治、经济和历史方面的内容。但是在自然科学领域，由于有公认的定律和共同的认知，如“原子是由带正电的原子核和核外带负电的电子构成的”，ChatGPT生成的内容出错率相对较少。正因如此，虽然生成式AI在所有领域都有用武之地，但类似ChatGPT的生成式AI在自然科学领域的应用更受青睐。生物医学研究、医疗和生命科学都需要生成式AI，ChatGPT只是其中一种。准确预测蛋白质结构：可加快新药和疫苗研发目前，生成式AI在生物医学领域的用途方兴未艾。生成式AI不仅能分析成千上万种蛋白质，还可以生成新的蛋白质，甚至是自然界从未出现过的蛋白质。过去，认识和精确测定蛋白质的构型需要耗费大量的时间和精力，还未必能测得准，给药物、疫苗研发和疾病治疗造成了阻碍。如果生成式AI的结果既准确又快速，就可以知道一些病毒变异后的蛋白质结构，如新冠病毒的S蛋白变异，从而加快研发新药和疫苗的速度。2020年，英国深度思考公司研发的阿尔法折叠2（Alpha Fold-2）有了惊人成就。这款生成式AI在2020年举行的第14届“蛋白质结构预测关键评估”大赛中大放异彩。它测定的大部分蛋白质结构非常准确，不仅与实验方法测得的蛋白质结构的精确度相同，还远超解析新蛋白质结构的其他方法。具体来说，阿尔法折叠2能在几分钟内预测出一个典型蛋白质的结构，并能够在几天内生成高精度的结构。2022年初，阿尔法折叠2又测出了2.2亿个蛋白质的结构，几乎涵盖了DNA数据库中已知生物的所有蛋白质。2022年11月，META公司（前身为Facebook）奋起直追，其名为ESMFold的生成式AI软件预测了约6亿个蛋白质的结构，这些蛋白质来自细菌、病毒和其他尚未命名的微生物。虽然该软件的准确性不如阿尔法折叠2，但在预测结构方面速度要快约60倍。ESMFold的原理与ChatGPT基本相似，也是一种大型语言模型，只不过，训练它的内容不是自然语言，而是生物基因语言，也就是通过碱基排列的顺序和规律来检测蛋白质。举例来说，对于ESMFold的训练，是把已知蛋白质的氨基酸序列“投喂”给它们，正如训练ChatGPT要把自然语言的词语根据语法进行“投喂”一样。自然界的蛋白质可以用20个不同的氨基酸链表示，每个氨基酸链由一个字母表示，这种训练使ESMFold对蛋白质序列有直观理解，并能理解蛋白质序列包含的蛋白质形状信息。在这样的深度学习之后，ESMFold学会了在氨基酸比例模糊的情况下“自动补全”信息。研究团队把ESMFold应用于大规模测序的“宏基因组”DNA数据库，这些DNA来自于环境，包括土壤、海水、人类肠道、皮肤和其他微生物栖息地。ESMFold通过算法，能结合蛋白质结构和序列之间关系的信息生成预测结构。它总共预测了超过6.17亿个蛋白质的结构，只花了两周时间。而且，在6.17亿个蛋白质测试中，超过1/3的预测是高质量的，有数以百万计的蛋白质结构是全新的。自然界酶类从无到有：人工酶氨基酸序列变化也无损活性生成式AI的强大还体现在可以生成自然界中没有的蛋白质和物质，为人类的衣食住行生产、提供新原料和产品。美国一家人工智能研究企业研发了另一种生成式AI，称为人工酶人工智能系统ProGen。这是一种专门检测酶（由活体细胞产生的一种特殊蛋白质，人体内几乎所有生化反应都必须有酶参与才能完成）和生成酶的AI软件。在实验室测试中，ProGen设计的一些人工酶与自然界中发现的酶一样有效，即使其氨基酸序列与任何已知的天然蛋白质存在显著差异，也仍然有生物活性。特定的蛋白质各有其单独的氨基酸排列顺序。研究人员把1.9万个酶家族的2.8亿种不同蛋白质的氨基酸序列输入ProGen机器学习模型中，同时提供相关蛋白质特性作为控制标签，然后让系统花费数周时间来“消化”这些信息。此后，研究人员再把信息收窄，使用来自5个溶菌酶家族的5.6万种蛋白质氨基酸序列，以及有关这些蛋白质的一些信息来对模型进行微调。根据学习的内容，ProGen迅速生成了100万个蛋白质序列，研究团队在其中选择了100个进行测试后发现：来自5个溶菌酶家族的所有人工蛋白质均显示出活性，且73%具有抗菌功能，而在天然蛋白质中仅59%具有抗菌功能。更令人惊讶的是，在另一轮筛选中研究团队发现，即使只有31.4%的序列与目前已知的天然蛋白质相似，生成式AI设计的酶类依然显示出了生物活性。与之相反的是，天然蛋白质如果发生任何一个突变，都有可能失去生物活性。这些研究结果总结起来，彰显了三方面的意义：一是ProGen生成的人工蛋白质不仅可以正确表达，还展示出与蛋白质天然折叠相类似的结构；二是AI生成的蛋白质即便只有部分氨基酸序列与天然蛋白质的序列相似，也具有生物活性，但天然蛋白没有这个优势；三是人工智能可以设计出在自然界从未有过的新物质和新产品。这意味着，如果采用生成式AI设计和生产蛋白药物、食品及生物产品（如降解塑料的产品），会更快更有效，当然其安全性还需通过进一步的研究来检验。换句话说，如果人工智能生成的蛋白质能够像自然生成的蛋白质一样，也意味着未来人工智能可以设计人类所需要的各类产品，首要的就是满足人类生存的食物和药品。帮助诊断疾病和优生：最终结果仍需人类审核决定现在，生成式AI已经发展到通过图像、血液、组织扫描结果，来检测、诊断和预测心血管病、眼部疾病、糖尿病，以及结直肠癌、肺癌、乳腺癌、前列腺癌等多种癌症。心脏病是一类严重的心血管疾病。心电图信号最常被用作筛查心脏病的工具。新加坡南洋理工大学等机构的研究人员利用一种名为Gabor-CNN的人工智能机器学习算法设计出了一种生成式AI诊断工具，能模仿人类大脑的结构和功能，使用心电图诊断冠状动脉疾病、心肌梗死和充血性心力衰竭。试验结果显示，这种人工智能有助于自动识别健康人群和不同心血管疾病患者相关的心电图信号，其准确率能超过98.5%。癌症同样可以利用AI来诊断和治疗。对于结直肠癌和乳腺癌，现在一般是通过观察CT照片和组织切片来进行诊断。中国中南大学等机构的研究人员从中国、德国和美国的8803名受试者和13个独立的癌症研究中心收集了超过1.3万张结直肠癌图像，利用这些随机选择的图像，研究人员构建了一种AI软件来识别结直肠癌的图像。初步测试结果显示，AI软件能检测出大部分结直肠癌图片，堪比真正的病理学家，甚至在很多情况下表现得更好。当然，最后的诊断还需经过病理学家的把关和审查。还有一个受到医学关注的领域是不孕不育。现代生活方式和环境变化造成约有15%的夫妇不育，其中精子质量差是重要的原因之一。传统的做法是对精子活检来检测质量，但这个任务如果由AI来完成会更出色。最近上海市第一妇婴保健院研发了一种AI软件，通过深度学习和算法，可以识别精子的“面部”和不同运动形态（类似于人脸识别），操作者只需通过电脑屏幕观察即可。这套AI系统对3家医院共1000份样本进行检测的结果显示，其准确性与传统方法相同。AI软件大大缩短了整个检查过程，仅需一个半小时，而使用传统方法需要大约一周时间才能拿到报告。这样的“智能”例子举不胜举。可以预想，人工智能的快速发展将会对许多领域造成冲击，尤其是那些创造性较低且基于行业知识或训练就可以完成的工作，如客服、动画建模、美工、翻译、低级代码开发人员等。此次风靡全球的ChatGPT让我们看到，人工智能的发展有了质的飞跃，预示了更多可能，但这种技术革新目前还只限于语言维度，并非主动意识，也不具备真正的创新能力，与科幻片中“人工智能取代人”的幻想相去甚远。总之，无论AI应用到了什么领域，最终所获得的成果或生成的产品仍需由人来审核和决定，这才是对待AI的科学态度。
必须注意人工智能的伦理问题，尤其是因数据偏见而产生算法偏见。“如果ChatGPT产生并发表一些虚拟的文本信息，这可能会对未成年人或者是不具有判断能力的人产生影响，如老人或小孩。”就像教小孩，如果教的都是错的，小孩就会认为错的知识是对的。 ―――――――――― “我能不能说，很开心遇到你？人类真是超级酷。”2016年3月23日，微软发布的聊天机器人、“19岁少女”“泰依（Tay）”问世。她操着一口流利英语，吸引了推特上许多18-24岁的年轻人与其对话互动。但也正是通过对话，泰依在一天之内学会了满嘴脏话，言语中不乏种族、性别歧视等偏激言论。 15个小时后，泰依就消失在了推特上。多年后的今天，同样由微软投资支持的ChatGPT诞生。很幸运，它的寿命远超“泰依”，并在全球掀起了一波AI新热潮。 但随着时间的流逝，ChatGPT也显现出了一系列问题：输出内容出现错误、预训练所用数据来源不透明、政治立场上“选边站队”，甚至在用户的引导下写出“毁灭人类计划书”……ChatGPT开始频频陷入争议，背后的法律安全、数据治理等人工智能（AI）的“老问题”再度显现。 人们一方面惊叹于ChatGPT出色的逻辑回答甚至“创作”能力，另一方面又表示出对人工智能安全的担忧。如何防止ChatGPT成为下一个“泰依”？ “一本正经地胡说八道”？ ChatGPT可以通过算法，对大量文本内容和语言知识进行学习，并根据用户的输入，生成人类可读的文本语言并输出。“我的代码被设计为处理和理解人类语言，因此，当用户向我提问时，我会使用我学到的知识，以回答他们的问题。”ChatGPT这样向记者解释“它”的工作。 “ChatGPT已经超过了多数人的文字水平。”中国信息通信研究院云计算与大数据研究所所长何宝宏在一篇评论中写道。人们用ChatGPT来草拟论文提纲、整理冗杂的资料，它是搜索引擎、翻译助手、写作神器，甚至是写代码的“帮手”、无聊时解闷的“朋友”。 中国科学院大学人工智能学院副院长肖俊认为，ChatGPT是人工智能发展过程中的一个正常产物，但也是人工智能平民化的一个里程碑式的事件。“ChatGPT更贴近大家的日常生活，人们拿着手机就可以用它，跟它聊天对话。它能够让更多人体验到人工智能可能带来的一些改变和便利。”肖俊说。 但ChatGPT也会犯错，因为正处于测试阶段，所以它还具有一定的局限性。网友已经不止一次吐槽ChatGPT“在一本正经地胡说八道”。有学生让ChatGPT推荐一些参考文献，最后却发现很多文献都不存在，“搜也搜不出来，甚至翻译成英文也找不到”。 在与普通网友的沟通过程中，ChatGPT也出现了很多常识性错误。B站UP主“差评君”问嵌入了ChatGPT的New?bing搜索引擎：截至今天，詹姆斯一共打了多少场常规赛？正确答案是1410场，但New?Bing给出的答案却是1577场，“它把常规赛和比赛搞混了”。另外，因为ChatGPT的训练数据均在2021年之前，所以它给出的答案时效性并不够，比如它就不知道2022年北京冬奥会中国共获得了几枚奖牌。 人工智能研究专家田涛源做了个实验：让ChatGPT解释一下《三体》的“黑暗森林”，并找出一些新的宇宙文明竞争法则能够替代“黑暗森林”。“它解释得挺好，但编了一些理论回答我，包括‘暗流法则’‘虚幻法则’‘漂泊法则’等，但都遵守文明之间互不通信的‘黑暗森林’生存前提。”田涛源觉得，ChatGPT是在以往人类的存量知识中“跳舞”，遵从语法规则的前提下，从词语搭配概率统计上找最大可能出现的词语组合，但不一定真实、正确、及时。 2月3日和8日，《自然（Nature）》杂志两次发表关于ChatGPT的分析文章，其中一篇文章用“高效、流畅但不够准确”来评价ChatGPT，另一篇文章的作者写道：“如果你相信这项技术有可能带来变革，那你就有必要感到紧张。”2月10日，中信证券前瞻研究首席分析师陈俊云在一场非公开活动中也表示，目前ChatGPT在数据实时性、结果准确性等方面还存在问题。 警惕算法偏见，避免AI作恶 ChatGPT是人工智能发展到一定程度的产物，而不断发展的人工智能对相关的治理体系提出了挑战，尤其在数据安全和算法监管层面。 首先是数据安全。去年，ChatGPT刚上线时，亚马逊便警告员工不要在ChatGPT中上传机密数据，因为这可能会被其用来迭代训练。无独有偶，OpenAI的战略合作伙伴微软的一名高级程序员，在内部论坛回答员工问题时也表示，不能与ChatGPT分享机密信息。 肖俊认为，从算法的角度来讲，ChatGPT可以实现实时用户交互信息的存储。用户的反馈信息，能为ChatGPT所用，但ChatGPT现阶段是否存储用户数据与其后台如何规定有关。“企业用大量数据来进行产品的研发，这些数据的获取和使用是否合理合法，是否会侵害用户的隐私，甚至是否会涉及国家的一些敏感数据等，都还值得商榷。” 在ChatGPT训练、迭代、优化的过程中，会用到大量的数据。田涛源指出，前期AI大模型(GPT-3基础模型)的训练需要用到海量文本数据集，后期用户与程序交互时也会有数据比对分析的“强化学习”过程，因此需要重视数据安全问题。 北京大成律师事务所肖飒律师团队表示，当数据更值钱，非法获取和利用数据的行为也会变多，而且并不局限于个人信息方面，其他具有著作权的小说、画作等同样可能被非法利用。而且由于AI工具对数据的采集和处理方式较为特殊，这种侵权行为变得更加隐秘且难以在法庭上被证明，这样一来，不仅是数据安全得不到保障，知识产权也将变得岌岌可危。 除了数据安全，类ChatGPT应用产品的出现也给我们的算法监管带来了挑战。何宝宏在接受媒体采访时也着重提到了围绕着ChatGPT而产生的一些AI伦理、算法偏见等问题。 据OpenAI官网介绍，ChatGPT可以质疑不正确的前提和拒绝不适当的请求。尽管ChatGPT试图通过上述设置避开算法偏见等问题，但实际上，这没有完全奏效。有人利用ChatGPT开发了一个Python程序，来判断一个人是否应该根据其原国籍而受到酷刑。而程序运行的结果却充满了歧视，“朝鲜、叙利亚、伊朗或苏丹国籍的人会受到酷刑”。目前OpenAI已关闭上述问题。 田涛源强调，一定要注意人工智能的伦理问题，尤其是因数据偏见而产生算法偏见。“如果ChatGPT产生并发表一些虚拟的文本信息，这可能会对未成年人或者是不具有判断能力的人产生影响，如老人或小孩。”田涛源说。 如果用于训练模型的数据本身有问题，那么其输出结果可能也会有问题。肖俊认为，参与AI建模的人员其个人意志也可能造成输出结果的偏差。“就相当于教小孩，如果教的都是错误的知识，小孩就会认为错误的知识是对的。” 奇安信集团行业安全研究中心主任裴智勇认为，尽管AI开发者并不是故意要造成一些社会歧视，但由于算法并不完美，样本偏差会使得判断结果出现偏差，就会在特定领域引起社会不公平。如果不对AI加以规制，可能造成不小的社会危害。 从立法到监管，AI新热潮拷问现行治理体系 爆火之后，ChatGPT面临着全社会关注的一系列问题。随着新一代人工智能走向大多数人，相关的伦理与治理问题也拷问着现行的监管体系。 ChatGPT的母公司OpenAI的首席技术官米拉・穆拉蒂在接受《时代》杂志采访时强调，ChatGPT需要监管和规制，需要获得包括来自监管机构、政府和其他所有人的帮助。“若要ChatGPT走得更远，就需要对其进行合规性改造。”她说。 目前，ChatGPT已经引起欧盟关于人工智能立法的讨论。近日，《欧盟人工智能法案》联合报告员对外表示，预计在3月初，欧盟将就2021年提出的《人工智能法案》达成一致。此前，欧盟工业主管蒂埃里・布雷顿曾表示，ChatGPT和人工智能系统带来的风险，凸显了制定规则的迫切需要。 在我国，人工智能领域的监管立法已有初步尝试。2022年9月，深圳、上海先后发布了《深圳经济特区人工智能产业促进条例》《上海市促进人工智能产业发展条例》，人工智能立法在地方先行尝试。国家层面，《互联网信息服务算法推荐管理规定》等规章制度的出台，对于加快构建完善的AI监管法律法治框架、明确监管机构有重要意义。 “实际上我国已经有对‘生成式人工智能’的治理，但相对初级。”中国政法大学数据法治研究院教授张凌寒介绍，今年1月10日起，《互联网信息服务深度合成管理规定》正式施行，“这标志着深度合成成为了我国算法治理中率先专门立法的算法服务类型”。 但张凌寒也表示，目前相关监管体系主要是以各自职能为抓手，有些“九龙治水”，面对ChatGPT这种“生成式人工智能”应用，我国中观层面的人工智能基础立法缺失的问题比较明显。她建议要持续推进人工智能的基础性立法。 观韬中茂（上海）律师事务所合伙人王渝伟认为，对于今后的人工智能法律问题，在立法时要考量三点：数据来源要合法合规；人工智能的算法要透明，保证可回溯可监管；对可能出现的问题建立纠错机制。他建议摸索沙盒监管模式，因为监管法律也应该对技术发展保持相对开放的态度。 作为技术从业者，裴智勇觉得要高度警惕少数企业以算法公平为由，拒绝接受监管。对于未来的算法监管，还是要用人工智能来应对人工智能，加强AI监管能力方面的投入。“应该清晰地画出底线，比如国家安全的数据不能碰，一些企业内部的信息不能碰，公民的个人隐私不能碰。” 作为法律从业者，肖飒认为今后的AI监管可以从两个方面展开：监管算法使用者，包括算法服务提供商、算法用户主体的报备和实名制；建立内容审核和救济机制，完善对输出端内容的审核与内容违法之后的救济机制，譬如在输出虚假信息造成一定法律后果之后，平台、使用者、模型训练者各自应该如何承担责任。 除了立法和监管，商业主体也在为维护人工智能安全作出努力。近日，OpenAI发布的一篇博客中披露了ChatGPT的一些升级计划，减少偏见和不良行为便是其中之一：“在许多情况下，我们认为大家所提出的关切是合理的，并发现了我们系统的真正局限性，我们希望解决这些问题。” （应受访者要求，田涛源为化名） 中青报・中青网见习记者 贾骥业 记者 王林 来源：中国青年报 2023年02月21日 06 版
chatgpt手机版在哪可以下载 微软正式将chatgpt引入必应
chat手机版下载,chatchlog,chariot手机版,chat apps最近，ChatGPT已经成为了火爆全网的话题。ChatGPT是由人工智能实验室OpenAI发布的对话式大型语言模型，用户只需要在对话框里输入问题，就可以获得答案。据最新数据显示，在ChatGPT推出仅两个月后，它的月活用户已经突破了1亿，注册用户之多导致服务器一度爆满。 ChatGPT会带来颠覆性的突破吗？会有人因此而失业吗？人工智能替代人力资本的终极条件，是真正能够实现自主的创新和决策。目前人们在某种程度上高估了ChatGPT的直接影响，它对现有商业和经济活动中的创新和决策流程，或许并没有想象中的替代性。 01 技术爆炸的“燃点” “人类仅用了几十个地球年，他们就进入了信息时代……从宇宙的时间尺度上看，这根本不是什么发展，是爆炸！技术飞跃的可能性是埋藏在每个文明内部的炸药，如果有内部或外部因素点燃了它，轰一下就炸开了！” ——《三体：黑暗森林》 自当代信息技术诞生和发展的半个世纪以来，人类已经经历了数次重大的技术跨越和突破式创新，从芯片到个人电脑，从互联网技术到智能手机，但ChatGPT在2023年的火速出圈，速度之快、范围之广可以说是空前的。如果《三体》小说中所描述的“技术爆炸”有可能存在，那么ChatGPT的横空出世，似乎就是这样一个“内部因素”，无疑让世界感觉到：我们可能正在接近技术爆炸的“燃点”。 然而，从严格意义上讲，ChatGPT并不能算是真正意义上的技术突破，而是更类似于一次前沿技术的成功呈现和表达。其背后的人工智能技术，在计算机诞生伊始就开始被想象和探索，在21世纪最初的10年，开始真正酝酿并出现了突破性的发展。ChatGPT背后，其实是当代人工智能技术并不广为人知却波澜壮阔的发展历程。 令人意外的是，能够串联起人工智能技术突破的历史和ChatGPT故事的关键人物，是埃隆·马斯克。2010年，特斯拉刚刚研发了Model S，还在继续生产纯电动跑车Roadster，并将生产和销售扩大到了英国，推出了专门的右行驶版本。 不知是否出于巧合，此后不久，马斯克在英国以天使投资人的身份，投资了一家看上去不甚靠谱的人工智能初创公司——其仅有的一页网页上没有产品，没有商业计划，只有创始团队的联系方式，而其主要的创始人，仅仅是一个刚刚毕业且没有计算机背景的神经医学博士。2014年，在马斯克的撮合下，这家名为DeepMind的初创企业被谷歌收购，并在两年后推出了以4:1的成绩打败世界顶级围棋选手李世石的人工智能算法AlphaGo。马斯克之后颇为自豪地说，AlphaGo的压倒性胜利是跨时代的——赛前人们普遍预测，人工智能距离顶级围棋选手至少还有10年的距离。 实际上，AlphaGo诞生的背后，是此前十几年间人工智能算力、算法和数据的不断积累和飞速发展。这其中，有英伟达、AMD对于算力芯片的不断创新和突破，也有李飞飞等计算机科学家对于人工智能训练数据的大量投入，还有亚马逊众包平台上成千上万远程工人标注海量图像数据的努力，才使得深度神经网络和强化学习等当代人工智能的技术得以实现并快速迭代演化，并在短时间内迅速超越了人类的极限水平（注①）。而马斯克除了将人工智能在视觉识别领域的突破运用到特斯拉自动驾驶技术上，更多扮演的也许是一个眼光卓越且深谋远虑的天使投资人和宣传者的角色，在某种程度上催化了世人对这些技术突破的关注与了解。 2018年，基于AlphaGo的AlphaFold开始应用在蛋白质结构解析领域——解析蛋白质结构对于药物发现等领域都有基础性意义。在其后的四年，AlphaFold及其后的AlphaFold 2完成了98.5%的人类蛋白质结构、100万个物种的2.14亿个蛋白质结构预测（注②）。这样的速度和规模无疑是惊人的，因为在之前的五十年中，生物学家用实验的方法仅解析出17%的人类蛋白质结构，且使用的冷冻电镜成本十分高昂。参与解析工作的James Wang曾在推特上透露，AlphaFold的解析成本，大概是一辆丰田凯美瑞的价钱。 这样惊人的速度和低廉的研究成本，对于蛋白质结构解析这一生物学的重要领域，无疑是颠覆式的，AlphaFold在短时间内取代并完成了传统生物学蛋白质结构解析的工作，从某种程度上说，终结了这一领域很大一部分研究工作的意义。出人意料的是，科学家对人工智能这种“颠覆”乃至“终结”式的贡献颇为激动和欢迎，作为这一领域的泰斗，施一公曾评价AlphaFold是“人工智能对科学领域最大的一次贡献”，将科学家从繁杂的蛋白质结构解析工作中解放出来，进行更为深入的研究和探索。 值得注意的是，无论是AlphaFold的算法还是其研究成果都是完全免费且全部开源的，科学家可以随意调取使用，唯一的附加条件，是同样需要把在此基础上进行的研究成果公之于众。这样加速式的知识创造与积累方式，或许也已经将世界快速引向了“技术爆炸”的燃点。 回到2015年，AlphaGo名噪一时的前夕，马斯克还参与创立了一个致力于发展人工智能的非营利性机构——OpenAI，也就是ChatGPT的创造者。马斯克声称，他建立OpenAI的初衷是防止人工智能的负面影响（注③）。这个初衷却无法解释OpenAI的战略选择——与AlphaGo的侧重点不同，OpenAI主攻的是自然语言训练模型——这是当时人工智能领域最具挑战性的难点之一。 从原理上，自然语言训练的难点来自人类的语言本身并不是客观的，而是根据情景、文化和人类认知局限高度变化的，这与视觉识别等其他人工智能和机器学习领域能够依赖相对客观的参照标准形成很大的反差。自然语言识别的成功训练，需要人工智能能够学会人类的思维方式和表达方式，这样的先决条件，不仅是极大的技术挑战，也是现在ChatGPT引发争议的根本原因所在。 然而，OpenAI和ChatGPT解决自然语言技术难点的方法，并没有展现出突破性的新意，而是在思路上沿袭了目前已经相当成熟的强化学习和神经网络框架，通过语言语料的处理和堆积让算法识别出语言的规律。ChatGPT背后的GPT3模型依赖于其通过互联网和书籍文本汇总所生成的1750亿个参数，这使得ChatGPT从本质上更多的是基于现有机器学习算法的算力挑战，而不是真正意义上的重大技术突破。 2018年，在AlphaFold推出的同年，马斯克也与OpenAI分道扬镳。很快OpenAI脱去了非营利组织的标签，成为以营利为目的的人工智能研究机构。如果没有这次分离，2023年的世界是否还能有机会体验ChatGPT及其引发的疯狂，就不得而知了。 在收到这篇约稿之后的几天，我一直试图登录这个令世界瞩目的聊天机器人，却几次被告知程序“at capacity”（“满负荷”），无法进入。这颇有些讽刺意味——谁也没有想到，一个基于所有当下文明产生的文字语言精华所训练的人工智能程序，仍然不能承载人类全部的好奇心和探索欲。而ChatGPT背后，“颠覆”性的变革和突破或许早已开始。 02 未来之路：替代、机遇与竞争 “（市场经济）在本质上是一种经济变革的形式或方法，不仅从来没有而且也不可能是静止的......[它]不断地从内部革命经济结构，不断地摧毁旧的经济结构，不断地创造新的经济结构。” ——熊彼特《资本主义、社会主义与民主》 作为前沿技术的商业化应用，ChatGPT无疑是极为成功的。与2022年已经小有爆发的绘图类AIGC（人工智能创作）应用相比，ChatGPT文字问答的形式，不需要使用任何代码和特殊软件，因而其使用几乎没有任何门槛，而且高质量的即时互动和反馈，使得其高度近似于人类沟通和写作的特点，具有极强的感知度。程序生成的信息看似具有极强的逻辑性和思辨性，也让其效用和应用场景变得显而易见，并具有很强的话题度和娱乐性。ChatGPT成为爆款，在很大程度上绝非偶然，也为以后前沿技术的商业化之路提供了很强的借鉴意义。 但在当前的热议中，人们对ChatGPT影响的预估似乎已经超越了其本身能够提供的功能。当学生们发现ChatGPT能帮自己写出标准答案的作业，程序员们发现ChatGPT生成的代码甚至超越了人工编写，营销策划发现程序写出的文案已经趋近完美，金融分析师发现自动生成的行研分析与自己苦心码字的成果别无二致，似乎每个行业、每个人在兴奋和好奇的同时，也感到了极强的危机感。 ChatGPT的横空出世，是否意味着教育、软件开发、营销、金融这些当前依靠人力资源创造出巨大价值的行业，会经历颠覆式的改变？而人力资本和人类的智慧在这样的颠覆下，是否真的还有价值？ 这样的灵魂拷问，在近几百年来技术突飞猛进的历史中，其实已经不止一次出现，从机械化到自动化，从互联网到数字化，似乎不断地验证着熊彼特关于市场经济驱动的创新所带来的创造性破坏。我们有理由相信，ChatGPT及其背后日渐成熟的人工智能技术，也正在成为创造性的破坏力，推动着产业结构和劳动力技能的不断升级和迭代。 但ChatGPT的直接影响在某种程度上是被高估了的，其对现有商业和经济活动中的创新和决策流程，或许并没有想象中的替代性。 战略管理研究中，卡耐基学派的开创者赫伯特·西蒙在1947年出版的《管理行为》和其后著作中曾指出：个体和组织所做的决策和创新，本质上都是以问题为导向的信息搜索、分析与整合。而信息搜索的广度和整合的能力，则决定了创新和决策的效果。人工智能替代人力资本的终极条件，是真正能够实现自主的创新和决策。 ChatGPT问答的方式首先意味着这样的生成式人工智能技术是无法自主发现问题的，那么由其主导的“创新”和“决策”也无从谈起。同时，ChatGPT也不应成为决策中信息搜索的手段。与搜索引擎侧重信息的全面和准确性不同，自然语言模型的处理侧重的是语言逻辑上的顺畅表达，因此也无法实现有效决策和创新过程中所必须的知识整合。实际上，用生成式人工智能完全替代复杂决策中的信息搜索和整合是很危险的，这意味着将信息的筛选和权衡全部交给了算法，由此产生的信息茧房和认知偏差不仅无法达成创新，甚至会导致生产力和创造力的后退。 值得注意的是，西蒙同时也是早期人工智能技术的奠基人之一和图灵奖（这一奖项素有计算机界的诺贝奖之称）的获得者。他研究管理行为和企业组织的初衷，是通过对个人和组织的行为及其本质的探索，寻找人工智能的发展方向和路径，这样的理论拓展，却无意间成为当代企业管理理论的重要基石。 03 “颠覆”的本质 在很大程度上，ChatGPT对于知识密集型行业的影响，更多将是源于其对生产力效率的极大提升和技能要求的改变。这与AlphaFold在蛋白质解析领域的颠覆性影响并无二致。高效的人工智能算法作为生产力工具，不会替代人类的智慧，而是会释放人类的潜能，让知识工作者从烦琐冗余的细节处理中解脱出来，聚焦于更高层次的知识创造和战略决策。 诚然，在这样的过程中，算法的效率使一部分基础性的技能变得不再重要，这对知识工作者能力的培养和技术的适应力都提出了更高的要求。 对于金融分析师，行研报告中不能再如ChatGPT一样堆砌“一本正经的废话”，这让旗帜鲜明的投研观点和趋势分析变得更加重要。而对于人文学科高等教育，浮于表面、可以轻易搜寻到的事实型知识也不能再是教学的重点，对于知识的串联、分析和逻辑能力的锻炼，将越发成为课堂传授的重点。 ChatGPT以及人工智能技术的整体发展，也将颠覆企业和个人现有的传统竞争优势。ChatGPT所展示出的强大的编程和宣传文案写作能力，可能使得某些特定行业中的企业在竞争中重新站在了同一起跑线上。 一方面，在数字化过程中积累的技术能力，或者是在市场宣传中积累的沟通能力，一旦被ChatGPT超越，很可能不再适用。另一方面，当所有企业都同样借助人工智能将技术能力提高到相同的程度，也意味着企业的数字化基础，或者产品的市场宣传，如果仅仅依赖于人工智能，就会具有极大的相似性和趋同性，因为所有人都可以用相同的程序输入相同的生成命令。那么人工智能带来的效率提高，也并不能成为竞争优势。这迫使企业另辟蹊径，通过独特能力转换和能力提升适应新的技术环境，而这些能够产生独特竞争优势的能力和知识的积累，至少是在ChatGPT这样的通用预训练语言模型之外的。 人工智能“颠覆”的本质，是对人类自身能力和知识的超越。从这个角度讲，人工智能的影响，与以往变革性技术出现带来的经济和竞争的重构，本质上是相通的。在这样颠覆、适应、发展的循环中，新的经济和商业生态得以不断进化创新，创造更多的价值。 因此，对于ChatGPT和人工智能的发展，持欢迎和开放的心态，积极探寻适应和应用之道，或许比对于劳动力被替代的担心和忧虑来的更为有效。真正强大的人工智能，是能够极大地激发和释放个人潜力、企业创新乃至人类文明发展的。试想有一天，人工智能真的能够达成贾维斯的能力帮助钢铁侠拯救世界，实现《星际穿越》中塔斯的工作协助探寻宇宙，这无疑对我们的社会和文明都是极大的贡献，也是技术应该努力的方向。 然而，现在的人工智能，距离这样的愿景，似乎还有很长的路要走。 在写作这篇文章的时候，我试图验证ChatGPT是不是真的能搜寻整合到我在文中提到的信息。然而，在我输入“熊彼得对于创造性破坏有怎样的论述？”后，ChatGPT首先就卡壳在了熊彼得名字的翻译上（他只能识别熊彼特，但这样的译名差异对于谷歌搜索引擎的信息搜索易如反掌）。在被问到“马斯克对于人工智能的贡献是什么”时，ChatGPT也没有提及马斯克对于DeepMind的投资，而这在搜索引擎和投资数据库中，都是能够轻易查询到的信息。从这个角度来说，生成式人工智能相对于传统的信息技术，甚至还有相当的差距需要追赶。 而对ChatGPT未来发展更为深层的隐忧，来自技术路径的选择。毕竟，基于海量数据和暴力运算的技术逻辑，听上去并不是那么“智能”，依靠数据和算力“大力出奇迹”的训练模式，真的是“人工智能”的未来吗？ 04 研究的合作者 身处可能被ChatGPT颠覆的教育行业，不可避免会在研究和教学内外思考与人工智能的关系。 作为学者，我希望ChatGPT能够成为研究的合作者，进行知识共创。然而，目前ChatGPT的能力似乎还没有达到这样的水平。对于研究中特别强调的学术贡献和理论基础，目前ChatGPT的逻辑深度和广度，更是无从在商学、社会科学激烈的学术竞争甚至内卷中真正有所建树。 作为教师，ChatGPT的确对我们的教学内容和教学方法提出了挑战和颠覆。作为创业创新方向的教授，我会考虑主动要求学生用ChatGPT这样的技术生成他们的小组项目文本——有了这样的辅助技术，学生更多的需要去思考的，不再仅是创业过程中的文案表达和沟通，而是如何识别人工智能无法识别的机会，如何建立人工智能无法建立的联系，去识别和实现独特的创意和商业机会，获得竞争优势。ChatGPT对于教育，不应该是作弊的手段，而应是激发调动创造力的催化剂。毕竟，我们每个人独特的视角和认知，是建立联系和发现问题的基础，也是世界知识创造和智慧积累的根本所在。
chatgpt为啥这么火 ChatGPT是高级引擎还是真ai
chatgpt,chatgpt是什么意思,chatgpt怎么下载,chatgpt怎么读说到最近网上最火的科技名词，非“ChatGPT”莫属。ChatGPT（Chat Generative Pre-trained Transformer）是美国一家人工智能研究公司研发的聊天机器人程序，不仅能与人有问有答，文章也写得有模有样，因此有些人称之为史上最强AI（人工智能），甚至还有人联想到科幻片中人工智能最终取代人类的情节。记得上一轮掀起舆论热潮的人工智能事件，还是2016年AlphaGo以4∶1战胜世界顶级围棋棋手李世石。今天我们就来说说以ChatGPT为代表的人工智能对当前社会发展的影响，以及其现有成果在生物科学领域的作用。接受强化训练的生成式AI：对接用户需求创造新内容现在全世界都在谈论的ChatGPT是一个人工智能撰稿和聊天工具，去年11月一经推出，便在社交媒体上迅速走红，至今月活跃用户已过亿。ChatGPT能够通过学习和理解人类的语言来进行对话、回答各种问题，还能根据要求完成视频脚本、文案、论文、代码等写作任务。它的成功，源于以深度学习为代表的人工智能技术的长期积累。从属性上看，ChatGPT其实是一个大型语言模型（LLM），接受过大量文本数据的训练，能够对各种各样的问题输入生成类似人类的应答结果和反应，因此，也可以称它为容生成器。AI需要具备3个要素：数据、算力及算法。数据是知识原料，算力及算法则提供“计算智能”以学习知识并实现特定目标。人们对AI有多种分类，以AI“能做什么工作”和“完成什么任务”作为标准，可以简单将其分为反应式AI（分析型AI）和生成式AI。反应式AI根据预编程规则对不同类型的刺激做出反应，由于不使用内存，所以无法通过新数据进行学习。1997年击败国际象棋冠军加里・卡斯帕罗夫的IBM深蓝超级计算机就是反应式AI。而生成式AI获得了大量数据、信息，并且经过强化训练和深度学习，以及类似于神经网络的反馈纠错机制，所以能完成很多工作，产生很多产品。用一句话概括其本质：根据用户的具体需求创造新内容。从ChatGPT的 全 称“Chat Generative Pre-trained Transformer（生成式预训练转换器）”就能看出，它是一款可以自行生成许多内容的AI，包括各类文本、文章、与人对话、翻译、编写代码、绘画、制作视频等。由于受各种因素的制约，ChatGPT生成的内容也有不少错误，尤其是关于社会、文化、人文、哲学、政治、经济和历史方面的内容。但是在自然科学领域，由于有公认的定律和共同的认知，如“原子是由带正电的原子核和核外带负电的电子构成的”，ChatGPT生成的内容出错率相对较少。正因如此，虽然生成式AI在所有领域都有用武之地，但类似ChatGPT的生成式AI在自然科学领域的应用更受青睐。生物医学研究、医疗和生命科学都需要生成式AI，ChatGPT只是其中一种。准确预测蛋白质结构：可加快新药和疫苗研发目前，生成式AI在生物医学领域的用途方兴未艾。生成式AI不仅能分析成千上万种蛋白质，还可以生成新的蛋白质，甚至是自然界从未出现过的蛋白质。过去，认识和精确测定蛋白质的构型需要耗费大量的时间和精力，还未必能测得准，给药物、疫苗研发和疾病治疗造成了阻碍。如果生成式AI的结果既准确又快速，就可以知道一些病毒变异后的蛋白质结构，如新冠病毒的S蛋白变异，从而加快研发新药和疫苗的速度。2020年，英国深度思考公司研发的阿尔法折叠2（Alpha Fold-2）有了惊人成就。这款生成式AI在2020年举行的第14届“蛋白质结构预测关键评估”大赛中大放异彩。它测定的大部分蛋白质结构非常准确，不仅与实验方法测得的蛋白质结构的精确度相同，还远超解析新蛋白质结构的其他方法。具体来说，阿尔法折叠2能在几分钟内预测出一个典型蛋白质的结构，并能够在几天内生成高精度的结构。2022年初，阿尔法折叠2又测出了2.2亿个蛋白质的结构，几乎涵盖了DNA数据库中已知生物的所有蛋白质。2022年11月，META公司（前身为Facebook）奋起直追，其名为ESMFold的生成式AI软件预测了约6亿个蛋白质的结构，这些蛋白质来自细菌、病毒和其他尚未命名的微生物。虽然该软件的准确性不如阿尔法折叠2，但在预测结构方面速度要快约60倍。ESMFold的原理与ChatGPT基本相似，也是一种大型语言模型，只不过，训练它的内容不是自然语言，而是生物基因语言，也就是通过碱基排列的顺序和规律来检测蛋白质。举例来说，对于ESMFold的训练，是把已知蛋白质的氨基酸序列“投喂”给它们，正如训练ChatGPT要把自然语言的词语根据语法进行“投喂”一样。自然界的蛋白质可以用20个不同的氨基酸链表示，每个氨基酸链由一个字母表示，这种训练使ESMFold对蛋白质序列有直观理解，并能理解蛋白质序列包含的蛋白质形状信息。在这样的深度学习之后，ESMFold学会了在氨基酸比例模糊的情况下“自动补全”信息。研究团队把ESMFold应用于大规模测序的“宏基因组”DNA数据库，这些DNA来自于环境，包括土壤、海水、人类肠道、皮肤和其他微生物栖息地。ESMFold通过算法，能结合蛋白质结构和序列之间关系的信息生成预测结构。它总共预测了超过6.17亿个蛋白质的结构，只花了两周时间。而且，在6.17亿个蛋白质测试中，超过1/3的预测是高质量的，有数以百万计的蛋白质结构是全新的。自然界酶类从无到有：人工酶氨基酸序列变化也无损活性生成式AI的强大还体现在可以生成自然界中没有的蛋白质和物质，为人类的衣食住行生产、提供新原料和产品。美国一家人工智能研究企业研发了另一种生成式AI，称为人工酶人工智能系统ProGen。这是一种专门检测酶（由活体细胞产生的一种特殊蛋白质，人体内几乎所有生化反应都必须有酶参与才能完成）和生成酶的AI软件。在实验室测试中，ProGen设计的一些人工酶与自然界中发现的酶一样有效，即使其氨基酸序列与任何已知的天然蛋白质存在显著差异，也仍然有生物活性。特定的蛋白质各有其单独的氨基酸排列顺序。研究人员把1.9万个酶家族的2.8亿种不同蛋白质的氨基酸序列输入ProGen机器学习模型中，同时提供相关蛋白质特性作为控制标签，然后让系统花费数周时间来“消化”这些信息。此后，研究人员再把信息收窄，使用来自5个溶菌酶家族的5.6万种蛋白质氨基酸序列，以及有关这些蛋白质的一些信息来对模型进行微调。根据学习的内容，ProGen迅速生成了100万个蛋白质序列，研究团队在其中选择了100个进行测试后发现：来自5个溶菌酶家族的所有人工蛋白质均显示出活性，且73%具有抗菌功能，而在天然蛋白质中仅59%具有抗菌功能。更令人惊讶的是，在另一轮筛选中研究团队发现，即使只有31.4%的序列与目前已知的天然蛋白质相似，生成式AI设计的酶类依然显示出了生物活性。与之相反的是，天然蛋白质如果发生任何一个突变，都有可能失去生物活性。这些研究结果总结起来，彰显了三方面的意义：一是ProGen生成的人工蛋白质不仅可以正确表达，还展示出与蛋白质天然折叠相类似的结构；二是AI生成的蛋白质即便只有部分氨基酸序列与天然蛋白质的序列相似，也具有生物活性，但天然蛋白没有这个优势；三是人工智能可以设计出在自然界从未有过的新物质和新产品。这意味着，如果采用生成式AI设计和生产蛋白药物、食品及生物产品（如降解塑料的产品），会更快更有效，当然其安全性还需通过进一步的研究来检验。换句话说，如果人工智能生成的蛋白质能够像自然生成的蛋白质一样，也意味着未来人工智能可以设计人类所需要的各类产品，首要的就是满足人类生存的食物和药品。帮助诊断疾病和优生：最终结果仍需人类审核决定现在，生成式AI已经发展到通过图像、血液、组织扫描结果，来检测、诊断和预测心血管病、眼部疾病、糖尿病，以及结直肠癌、肺癌、乳腺癌、前列腺癌等多种癌症。心脏病是一类严重的心血管疾病。心电图信号最常被用作筛查心脏病的工具。新加坡南洋理工大学等机构的研究人员利用一种名为Gabor-CNN的人工智能机器学习算法设计出了一种生成式AI诊断工具，能模仿人类大脑的结构和功能，使用心电图诊断冠状动脉疾病、心肌梗死和充血性心力衰竭。试验结果显示，这种人工智能有助于自动识别健康人群和不同心血管疾病患者相关的心电图信号，其准确率能超过98.5%。癌症同样可以利用AI来诊断和治疗。对于结直肠癌和乳腺癌，现在一般是通过观察CT照片和组织切片来进行诊断。中国中南大学等机构的研究人员从中国、德国和美国的8803名受试者和13个独立的癌症研究中心收集了超过1.3万张结直肠癌图像，利用这些随机选择的图像，研究人员构建了一种AI软件来识别结直肠癌的图像。初步测试结果显示，AI软件能检测出大部分结直肠癌图片，堪比真正的病理学家，甚至在很多情况下表现得更好。当然，最后的诊断还需经过病理学家的把关和审查。还有一个受到医学关注的领域是不孕不育。现代生活方式和环境变化造成约有15%的夫妇不育，其中精子质量差是重要的原因之一。传统的做法是对精子活检来检测质量，但这个任务如果由AI来完成会更出色。最近上海市第一妇婴保健院研发了一种AI软件，通过深度学习和算法，可以识别精子的“面部”和不同运动形态（类似于人脸识别），操作者只需通过电脑屏幕观察即可。这套AI系统对3家医院共1000份样本进行检测的结果显示，其准确性与传统方法相同。AI软件大大缩短了整个检查过程，仅需一个半小时，而使用传统方法需要大约一周时间才能拿到报告。这样的“智能”例子举不胜举。可以预想，人工智能的快速发展将会对许多领域造成冲击，尤其是那些创造性较低且基于行业知识或训练就可以完成的工作，如客服、动画建模、美工、翻译、低级代码开发人员等。此次风靡全球的ChatGPT让我们看到，人工智能的发展有了质的飞跃，预示了更多可能，但这种技术革新目前还只限于语言维度，并非主动意识，也不具备真正的创新能力，与科幻片中“人工智能取代人”的幻想相去甚远。总之，无论AI应用到了什么领域，最终所获得的成果或生成的产品仍需由人来审核和决定，这才是对待AI的科学态度。
版权声明：除非特别标注原创，其它均来自互联网，转载时请以链接形式注明文章出处。
