【AI 学习笔记】第一章:chatGPT的降临,让我害怕

简介: 【AI 学习笔记】第一章:chatGPT的降临,让我害怕

关于AI的新闻和各种视频在网络上实在是太多太杂了,于是我开始更新这个专栏【AI学习笔记】,本专栏是以用通俗易懂的语言,以我们普通人小白测试人的视角,领略2023年的最大黑马人工智能领域,记录每天发生的巨变,希望大家能够喜欢。关于AI的新闻,全局的认识,未来的把控,看这一个专栏就足够了,所以要马上点赞收藏哦~

   起初,没人在意这个普通的科技圈消息。

   大家都认为,这不过是一个普通的技术突破,一个普通的智能客服,一个普通的噱头,一个普通的风口,一场普通的造富运动。

   没有人会想到这可能是不亚于原子弹发明的第二次世界大革命。

   2023年初,一个关于人工智能新突破的消息悄然出现,OPENAI的最新产物chatGPT3.5诞生,一开始都认为这不过是一个看起来没什么区别的智能对话机器人,顶多就是更先进一点,听得懂更多,答案更自然。

   但谁也没想到,仅仅数天,chatGPT就威胁到了每一个人的生活,注意,这里的用词是威胁

   虽说它大幅度提高了生产力,但也意味着大批脑力劳动密集型工作者的作用在降低,说白了,就是会导致很多人下岗,多少人?一个非常悲观且不负责任的估计是十年内淘汰10亿人以上...

   随着关于gpt各种骚应用广告的发酵,人们是焦虑四起。此时互联网内不少人只希望自己如果没有去学计算机,而是去学个理发,学个厨师,开个超市该多好,这其中也包括我...

   于是乎,无数人疯了一样的去想先手学习gpt,结果却卡在了第一步,那就是打开官网.... 原因不必多说。看着网络各路大神分享的用GPT画画,作图,写稿子,做动画。而自己却连体验一下都办不到,这么逼死强迫症的捉急事儿,真不敢相信居然能发生在21世纪。

   而这其中,真正让我们担心的是,chatGPT居然会写代码,而且写出的质量单个函数来看,不低。

   不少同学开心的说:以后写代码轻松了,再也不用到处去查去搜了。两手一摊,问啥答啥。不过没一会儿,他们就沉默了,因为他们想到了一个可能性:那就是既然gpt可以写代码,公司还要自己干什么?

   为了缓解这蔓延的恐惧,在漫天狂吹gpt的时代里,一些安慰人心的博主出现。他们经过相当专业和极深的gpt探究后得出结论,gpt并不能完全代替人工,更不会导致大批下岗潮。

   再之后,网络博主们渐渐分成了俩派,没日没夜的进行激烈的辩论。一边是浅浅的用了一下gpt后开始疯狂鼓吹gpt无所不能,可以代替所有人的【正方】,他们的目标人群很明确,就是因此产生焦虑的外行和新手们,目的也很明确,就是售卖gpt的入门使用课程。

   而另一边的【反方】则是一些名不见经传的冷宫专家们,他们在用深度的测试后来告诉大家不必惊慌,gpt最终的归宿就是c端客服,体现在用户交互而已,是不会导致大批人员下岗,更不能代替一个灵活的有思想的员工。最终的战果如何呢?大家应该都知道了,你在网上只看到了哪一边?铺天盖地的哪一边?那就说明哪一边赢了,赢麻了。而另一边则无声沉默,失去了话语权。

   我呢?作为一个别人眼中的“测开大佬”,站在哪一边的呢?其实我是观众,或者说也站在了小白里面。是的,虽然我研究过几年AI,也在测试领域有过应用,不过在这场大潮中,我也只能无力的随波逐流。关于chatGPT,我没有比各位多懂什么我一样很焦虑,很害怕,一样觉得gpt真的会让我们下岗。于是我一开始支持正方观点,很悲观,很无力。

   而我自己经过了很久的gpt3.5深度实验测试,也确实感觉还无法代替中级以上的工程师,于是我觉得反方观点也没错。

   但随着gpt4.0/4.5/ 5.0在短短数月就诞生来看,这个速度要代替人力也用不了太久,正方的观点即便现在不现实,早晚也会变成现实。

   但又思考到人工智能的本质,对已公开的人类知识进行汇总,整理,用自然语言对话和人类问答这些来看,最多也就是无限接近人,而且是接近公开的皮毛层,没有创造力的ai是永远无法替代人的,所以未来的更新迭代会越来越慢,甚至停止。就好像上帝对此设了一道围墙,防止人类接近上帝造人的能力一般,不可逾越。于是我又觉得反方是正确的...

   就这样,反反复复,我思考了一个又一个观点,最后却突然想起我很小时候就总在想的一个问题:

   “人类的知识越来越多,小孩子要学的就越来越多,大学毕业的时间就越来越晚,这样下去几百年后,难道一个人出生就开始学习一直学习到老死都无法毕业达到工作标准么?”

   这个问题显然是不可能的,人类不会允许这种浪费生命的情形成真,那一定就会有什么东西,可以让人类不必再去学习那些基础重复枯燥的,去浪费精力背那些知识,而是在要用的时候一搜就有。

   这个搜的办法,从 词典 到 学习机 ,再到 google和baidu ,再到chaGPT,越来越智能,越来越解放人类双手,让人类只保持关注那表层的设计应用的小部分知识即可。那这个人工智能就是必然出现的产物,只是没料到有生之年能见到。

   记得小时候有次看完电影《I robot》后,回家的路上我第一次陷入深深的焦虑 ,我怕人工智能真的有一天会和人类开战,真的灭亡人类。没想到现实中这天真的近了,但并不是真刀真枪的开打,而是崩坏你人类的经济,社会秩序,财富的分配,生产工具的掌控。让你们人类生育率降低到基因库红线下,最终和平灭绝。

   别相信有大佬会出手制止,没有人会阻止这场灾难,那些借此财富快速聚集的人没理由停下,毕竟世界毁灭,于己何干?更重要的是,没有人有能力按下暂停键,一切就像大浪潮一样,前路到底如何无人知晓。

   正如本公众号两年前第一次建群时所说:一场即将震惊世界的大变革即将到来,在这场大浪中,唯有方舟才能得救。于是:方舟号粉丝群建立,方舟号社团建立,方舟号国际空间站却被打下来了(moss说是它干的)


相关文章
|
2月前
|
人工智能 测试技术 API
AI计算机视觉笔记二十 九:yolov10竹签模型,自动数竹签
本文介绍了如何在AutoDL平台上搭建YOLOv10环境并进行竹签检测与计数。首先从官网下载YOLOv10源码并创建虚拟环境,安装依赖库。接着通过官方模型测试环境是否正常工作。然后下载自定义数据集并配置`mycoco128.yaml`文件,使用`yolo detect train`命令或Python代码进行训练。最后,通过命令行或API调用测试训练结果,并展示竹签计数功能。如需转载,请注明原文出处。
|
2月前
|
JSON 人工智能 数据格式
AI计算机视觉笔记二十六:YOLOV8自训练关键点检测
本文档详细记录了使用YOLOv8训练关键点检测模型的过程。首先通过清华源安装YOLOv8,并验证安装。接着通过示例权重文件与测试图片`bus.jpg`演示预测流程。为准备训练数据,文档介绍了如何使用`labelme`标注工具进行关键点标注,并提供了一个Python脚本`labelme2yolo.py`将标注结果从JSON格式转换为YOLO所需的TXT格式。随后,通过Jupyter Notebook可视化标注结果确保准确性。最后,文档展示了如何组织数据集目录结构,并提供了训练与测试代码示例,包括配置文件`smoke.yaml`及训练脚本`train.py`,帮助读者完成自定义模型的训练与评估。
|
21天前
|
人工智能 自然语言处理 算法
【通义】AI视界|OpenAI最新发布!ChatGPT搜索功能强势来了,挑战谷歌?
本文由【通义】自动生成,精选24小时内的重要资讯:OpenAI推出ChatGPT搜索功能挑战谷歌,微软披露130亿美元投资OpenAI,Reddit首次盈利股价暴涨20%,软银CEO孙正义看好英伟达及“超级AI”前景,谷歌云与沙特PIF共建全球AI中心。更多内容请访问通通知道。
|
1月前
|
人工智能 自然语言处理 数据挖掘
利用小蜜蜂AI智能问答ChatGPT+AI高清绘图生成图文故事案例
利用小蜜蜂AI智能问答ChatGPT+AI高清绘图生成图文故事案例
|
1月前
|
机器学习/深度学习 人工智能 自然语言处理
【AI大模型】ChatGPT模型原理介绍(下)
【AI大模型】ChatGPT模型原理介绍(下)
|
1月前
|
机器学习/深度学习 人工智能 自然语言处理
【AI大模型】ChatGPT模型原理介绍(上)
【AI大模型】ChatGPT模型原理介绍(上)
|
2月前
|
人工智能 并行计算 PyTorch
AI计算机视觉笔记十八:Swin Transformer目标检测环境搭建
本文详细记录了Swin Transformer在AutoDL平台上的环境搭建与训练过程。作者从租用GPU实例开始,逐步介绍了虚拟环境的创建、PyTorch安装、mmcv及mmdetection的配置,并解决了安装过程中遇到的各种问题,如cython版本冲突等。最后,通过修改代码实现目标检测结果的保存。如需了解更多细节或获取完整代码,请联系作者。原文链接:[原文链接](请在此处插入原文链接)。
|
2月前
|
机器学习/深度学习 人工智能 PyTorch
AI计算机视觉笔记三十二:LPRNet车牌识别
LPRNet是一种基于Pytorch的高性能、轻量级车牌识别框架,适用于中国及其他国家的车牌识别。该网络无需对字符进行预分割,采用端到端的轻量化设计,结合了squeezenet和inception的思想。其创新点在于去除了RNN,仅使用CNN与CTC Loss,并通过特定的卷积模块提取上下文信息。环境配置包括使用CPU开发板和Autodl训练环境。训练和测试过程需搭建虚拟环境并安装相关依赖,执行训练和测试脚本时可能遇到若干错误,需相应调整代码以确保正确运行。使用官方模型可获得较高的识别准确率,自行训练时建议增加训练轮数以提升效果。
|
2月前
|
人工智能 开发工具 计算机视觉
AI计算机视觉笔记三十:yolov8_obb旋转框训练
本文介绍了如何使用AUTODL环境搭建YOLOv8-obb的训练流程。首先创建虚拟环境并激活,然后通过指定清华源安装ultralytics库。接着下载YOLOv8源码,并使用指定命令开始训练,过程中可能会下载yolov8n.pt文件。训练完成后,可使用相应命令进行预测测试。
|
2月前
|
人工智能 PyTorch 算法框架/工具
AI计算机视觉笔记二十二:基于 LeNet5 的手写数字识别及训练
本文介绍了使用PyTorch复现LeNet5模型并检测手写数字的过程。通过搭建PyTorch环境、安装相关库和下载MNIST数据集,实现了模型训练与测试。训练过程涉及创建虚拟环境、安装PyTorch及依赖库、准备数据集,并编写训练代码。最终模型在测试集上的准确率达到0.986,满足预期要求。此项目为后续在RK3568平台上部署模型奠定了基础。

热门文章

最新文章