ChatGPT吃我饭，还要掀我碗

Posted 2023-04-13 迈阿蜜

ChatGPT面世，各种被AI取代“失业言论”笼罩在人们头顶，本文聚焦这一问题，推荐关注ChatGPT的小伙伴阅读。

一时间火爆全网的新晋网红——ChatGPT，就问：还有谁不认识？

谷歌计划在旗舰搜索引擎中添加对话式人工智能功能，谷歌首席执行官Sundar Pichai在采访中还表示：AI并不会对谷歌的搜索业务构成威胁，相反，人工智能的进步会增强谷歌搜索查询的能力。

但是事实却并不是很乐观，谷歌从今年1月开始裁人，紧接着“砸锅卖铁”研发大型语言模型（LLM）的时，ChatGPT及类似的LLM们，也开始“大杀八方”。

你可能被ChatGPT白嫖了

今天的AI越来越让人深刻体会到会什么叫“教会徒弟饿死师傅”，正在抢走你工作岗位的ChatGPT们，是你们无数遍调用你的工作数据之后，利用你的这些工作成果训练出来的。简单来说，是你们亲手训练出来的。

某数据显示：在1000多家受访美国企业中，有48%的企业已经在用ChatGPT取代人类员工。在这些企业中，有 49% 已经启用 ChatGPT，还有 30% 正在赶来的路上。

站在打工人的角度，现在内卷都已经很夸张了，还要和ChatGPT卷？还让不让人“活”了啊？ChatGPT不用吃饭睡觉、不用交房租还房贷、不怕熬夜加班、不怕降薪失业、不会因被上司或客户***难产生情绪、更不会随便因病请假... ...这让打工人怎么卷得过？

 

什么原理？

 

从OpenAI目前透露的信息来看，在GPT-3的训练过程中，很多数据是来自开源数据组织Common Crawl利用爬虫抓取的数据。Common Crawl是一个501非营利组织，它利用爬虫对网络进行抓取，并向公众免费提供其档案和数据集。Common Crawl每个月都会完成爬网，但会要求保护版权、商标等。

看到ChatGPT，仿佛看到了工位旁边王者级段位的大神：

我们焦头烂额，他们云淡风轻

我们灵感枯竭，他们点子不断

我们在赶DDL，他们在喝下午茶

最后KPI、OKR达标的还是ChatGPT们

吃我饭，还要掀我碗？

在讨论该如何向ChatGPT收学费的同时，出版商或许更加担忧ChatGPT的生成能力，就是大家所关心的“失业”问题，而现在不仅仅是抢饭了，AI还打算砸我碗？

最新发布的GPT-4众多亮点中，就包括在大量专业技能考试中取得超越人类平均水平的成绩，在很多执业资格考试中，甚至超过90%的人类考生。由此，人们自己会否被AI取代的担忧日益加深。

虽然GPT-4在准确率方面已经有很大改进，但仍然无法摆脱GPT模型生成内容的固有模式。而且人类员工还具备AI很难实现的理解和学习的能力，在面对新事物时人类拥有创造力和主观判断力。

除此以外，现阶段人类大脑对于AI最大的优势可能还是“廉价”。目前ChatGPT的API价格是$0.03/1000个prompt tokens，$0.06/1000个completion tokens。相比之下，人类员工坐在电脑前时，只要你够卷，他可以为你提供低价的无限token算力。

条条大路通罗马

有程序员还指出：用过 Copilot 就会觉得，这玩意儿实在太香了。调查数据显示，对于已经“上路”的公司来说，写代码是最最热门的用法，有 66% 的企业都在用。

生成式AI产品潜力无穷，但能做出类似应用且可将其商业化的公司却凤毛麟角。不少企业认为AI能够助力企业建设，但企业内部多年积累下来的问题非常复杂。

一套完善的底座意味着在大部分领域通用的解决方案能力，在云计算与软件业，低代码开发，甚至无代码开发是近两年流行的热门概念。核心逻辑是利用代码库，将已有开发样例进行快速复写，整个开发过程中的人工成本趋近于0。

开源指路：JNPF

JNPF，依托代码开发技术原理因此区别于传统开发交付周期长、二次开发难、技术门槛高的痛点。大部分的应用搭建都是通过拖拽控件实现，简单易上手，通过为开发者提供可视化的应用开发环境，降低或去除应用开发对原生代码编写的需求量，进而实现便捷构建应用程序的一种开发平台，快速助力研发人员快速搭建出一套适合企业发展的方案。

对于“AI是否会取代人类创作者”这个问题，ChatGPT的回答是：我创作的作品，虽然具有高效、快速的特点，但人类的创作思想和情感依然是无法替代的。作为人工智能，它没有意识、意图和动机，也不能独立地做出任何决策。

因此ChatGPT的问世，从某种程度上来说也许是对人类的鞭策，也是对我们现今社会存在的问题的警醒，还是进一步优胜劣汰的过程。保持思考，也许比任何时候都要重要。

ChatGPT 未来五年会对 NLP 从业者带来怎样的冲击？—分享七月在线nlp高级

ChatGPT 印证了模型大一统的可行性，这在未来五年会对 NLP 从业者带来怎样的冲击？

ChatGPT这种Instruct based方法，能取得如此惊艳的效果，是出乎很多人意料的，当然，我个人认为它能力的强大，主要还要归因到背后依托的GPT 3.5太强了，这体现了模型规模的魔力。而这意味着很多目前独立存在的NLP研究领域，将被纳入LLM的技术体系，进而不再独立存在，逐步消失。

目前大多数NLP子领域，仍然是以独立研究领域存在的，比如“机器翻译”、“文本摘要”、“QA系统“等，只是切换成在“预训练+fine-tuning／few shot prompting”框架下，面对领域独有问题，陆续提出新的改进方案。目前研究表明，很多NLP任务，随着LLM模型规模增长，效果会大幅提升。

如果上述猜测成立，将意味着如下残酷事实：对于很多NLP领域的研究人员，将面临往何处去的选择，是继续做领域独有问题呢？还是放弃这种看似前途不大的方式，转而去建设更好的LLM？如果选择转向去建设LLM，又有哪些机构有能力、有条件去做这个事情呢？我们很多人可能早晚要面对这些问题，并给出自己的选择。

 

分享一个七月在线资料nlp 获取地址（notfree

链接: https://pan.baidu.com/s/1oRdPta-yR7h44NKz5BIXag 提取码: aa11 

--百度网盘