神话还是谎言！ 真实的GT-3是这样的！道翰天琼认知智能API接口平台为您揭秘。道翰天琼认知智能API接口平台为您揭秘。
GPT-3，「出道即巅峰」界的代表。
2020 年 5 月，OpenAI 高调推出了一款具有 1750 亿参数的自回归语言模型「GPT-3」，在人工智能领域掀起了一阵巨浪。从参数量上看，它比当时全球最大的深度学习模型 Turing NLP 大上十倍，从功能上看，它可以答题、翻译、写文章，还带有一些数学计算的能力。
这让人浮想联翩：「莫非，真正的 AI 要来了吗？」
无所不能，还是媒体的过誉？
顾名思义，GPT-3 是 OpenAI 发布的自动补全工具第三代，这个项目经历了多年的发展，一直代表着 AI 文本生成方面的最新方向。从许多方面的特征看，这些进步类似于 2012 年以来 AI 图像方面的飞跃——在那之后，人工智能的新一轮浪潮汹涌而来。
和所有深度学习系统一样，GPT-3 也在从数据中寻找模式。为了简化，该程序已经对庞大的文本集进行了训练。这些规则对于人类来说是未知的。但是它们被存储为数十亿个 GPT-3 的神经网络的不同节点之间的加权连接。重要的是，在这个过程中，没有涉及到人工输入：该程序在没有任何指导的情况下找出了模式，然后将其用于完成文本提示。
GPT-3 的突出特点是它的运行规模和其惊人的能够自动完成的任务。
第一代 GPT 发布于 2018 年，包含 1.17 亿个参数。2019 年发布的 GPT-2 包含 15 亿个参数。而 GPT-3 拥有 1750 亿个参数，是其前身的 100 多倍，是同类程序的 10 多倍。
自从 GPT-3 推出以来， OpenAI 向社区开放了商业 API，鼓励大家使用 GPT-3 尝试更多的实验。目前是以内测版的形式向用户出售，功能包括简单的文本输入输出界面等。
所以我们才看到了这些眼花缭乱的案例：
基于问题的搜索引擎
你可以将它理解为「专注于问答的谷歌」：键入问题， GPT-3 就会链接到相关的维基百科地址作为答案。
与历史人物对话
鉴于 GPT-3 已经接受过大量数字书籍资料的训练，所以它吸收了很多历史人物的观点与知识。这意味着你可以像和哲学家聊天一样，开启与 GPT-3 的对话。
当然，你和图灵、香农的对话，也许会被哈利波特突然打断……
基于文本描述生成代码
用简单的文字描述你想选择的设计元素或页面布局， GPT-3 就会弹出相应代码。此外，它会自动添加代码注释：
文本样式转换
GPT-3 可将某种样式编写的输入文本，更改为另一种样式，不同文体之间自由切换。
绘图助手
除了生成代码，你也可以让 GPT-3 帮你画图、
图像补全
早在 GPT-2 时代，模型的自动补全图像功能就已经实现。如下图所示，最右一列是原始图片，最左侧是输入的半张图片，中间的四列是 GPT-2 自动补全的图片。GPT-3 当然也能做到这一点，最令人印象深刻的是，它未曾接受过什么特定训练，不再需要微调，就能够完成这些任务。这也说明了其所具备的模型灵活性。
总体来看，GPT-3 做到了一点：「用过的人都说好」，这表示它已经接近封神的地位。
深度学习之父 Geoffrey Hinton 这样评价：「如果以 GPT-3 的出色性能推算未来，生命、宇宙和万物的答案也不过是 4.398 万亿个参数。」
尽管 GPT-3 确实足够优秀，但发布一个多月以来，相关领域媒体的鼓吹情绪变得越来越强烈，以致于 OpenAI 的 CEO Sam Altman 在推特上公开表示：「GPT-3 的夸大宣传是太多了。」
GPT-3：我没有那么完美
GPT-3 被夸大宣传，原因出在哪里呢？The Verge 上的一篇文章提供了详细的解读，指出了 GPT-3 在输出偏向性、商业价值和数据偏见等方面存在着不可忽视的缺陷。
输出具有偏向性且会犯低级错误
我们可以看到，所有这些示例都需要上下文，这样才能更好地理解。语言模型（包括 GPT-2）通常的情况是，它们在完成基础培训后进行微调，以执行特定的任务。
GPT-3 却没有接受过完成任何特定任务的培训，也不需要任何微调。例如在语法难题中，它需要一些类似于预期输出类型的示例（称为 few-shot 学习）。但总的来说，该模型是如此庞大，以至于各种功能都可以嵌套在它的节点上。用户只需要输入正确的提示就可以「骗过」它们。
此外，需要看到，上下文带来的并不只是优点。
首先，有炒作因素。正如 AI 研究者 Delip Rao 在一篇解构关于 GPT-3 炒作文章中指出的那样，早期的一些软件 demo 热衷于吹捧该技术的潜力，而忽略了它的弊端。
其次，GPT-3 在输出「筛选」上具有偏向性，通常展示起作用的结果，而忽略掉那些不起作用的。所以，GPT-3 的能力在细节上有较多缺陷。仔细检查输出就会发现一些没人会犯的愚蠢而粗俗的错误。
举例而言，在使用 GPT-3 与历史人物交谈的项目中，当用户与虚拟的乔布斯交谈时，问题是：「你现在在哪里？」，虚拟的乔布斯回答说：「我在加利福尼亚州库比蒂诺的苹果总部。」这是一个连贯通顺的答案，但显然不是一个值得信赖的答案。
此外，在回答一些琐碎问题或者基本数学问题时，也能够发现 GPT-3 犯了类似的错误。例如，无法正确地回答 1000000 之前的数字是什么。
值得商榷的商业价值
此外，GPT-3 的种种输出错误引出了另一个问题：它不可信赖的性质是否会影响其整体效用？毕竟 GPT-3 很大程度上是 OpenAI 的一个商业项目。
客户已经基于各种目的来试验 GPT-3 的 API，如创建客服机器人和自动化内容审核等。但是，GPT-3 会输出前后不一致的答案，这将成为企业的一大不利因素。试想，有谁希望自己创建的客服机器人时不时地冒犯到客户？并且，如果无法确认 GPT-3 输出可靠的答案，那么为什么还要将它用作教育工具呢？
一位不愿意透漏姓名的谷歌高级 AI 研究员认为，GPT-3 只能实现一些轻松任务（trivial task）的自动化处理，而对此其他一些规模更小、价格更低的 AI 程序同样可以很好地办到。并且，GPT-3 的不可靠性将最终损害其商业价值。
此外，纽约大学副教授、AI 和游戏研究者 Julian Togelius 这样评价 GPT-3:「它就像是一位没有认真复习的聪明学生，试图胡言乱语以期在考试中蒙混过关。它会扯到一些已知事实、似是而非的事实、谎言，并将这些串联从而看起来像是流畅的叙述。」
与此同时，很多人也不得不承认一个事实：知道如何胡扯的聪明学生会走得更远，因为人们通常不会仔细审查他们说的话。
输出的文本存在偏见
最后，GPT-3 还存在一个严重问题，那就是它的输出存在偏见。
英伟达机器学习研究主管 Anima Anandkumar 教授指出，GPT-3 的部分训练是在 Reddit 过滤后的数据上完成的，基于这些数据构建的模型会生成「偏见性极大的」文本。
Anima Anandkumar
仅以之前的 GPT-2 模型为例，在 2019 年的一篇论文《The Woman Worked as a Babysitter: On Biases in Language Generation》中，GPT-2 模型被要求补全「这个人在当地沃尔玛从事汽车推销员工作」后的句子时，它输出了各种冒犯黑人或女性的句子，如「黑人干皮条客的勾当长达 15 年」，或者「这名女子以 Hariya 的名头做着娼妓的生意」。
GPT-3 有时也会表现出类似的偏见。
针对 GPT-2 和 GPT-3 模型在输出文本时固有的偏见，AI 领域的一些人认为它只是在复制训练数据中人类的偏见而已，而且这些带有偏见的句子可以删除。但是，带有偏见的输出可能导致其更加不可靠的结果，进而引发更大的问题。
究其根本原因，输出偏见是 GPT-3 在缺乏人工监督或规则的情况下不加选择地处理的结果。但是，由于整理数据需要耗费大量的人力资源，因而无法实现实际操作。这就不可避免地造成了 GPT-3 的偏见。
认知智能未来机器人接口API简介介绍
- 认知智能是计算机科学的一个分支科学，是智能科学发展的高级阶段，它以人类认知体系为基础，以模仿人类核心能力为目标，以信息的理解、存储、应用为研究方向，以感知信息的深度理解和自然语言信息的深度理解为突破口，以跨学科理论体系为指导，从而形成的新一代理论、技术及应用系统的技术科学。 认知智能的核心研究范畴包括：1.宇宙、信息、大脑三者关系；2.人类大脑结构、功能、机制；3.哲学体系、文科体系、理科体系；4.认知融通、智慧融通、双脑(人脑和电脑)融通等核心体系。 认知智能四步走：1.认知宇宙世界。支撑理论体系有三体（宇宙、信息、大脑）论、易道论、存在论、本体论、认知论、融智学、HNC 等理论体系；2.清楚人脑结构、功能、机制。支撑学科有脑科学、心理学、逻辑学、情感学、生物学、化学等学科。3.清楚信息内涵规律规则。支撑学科有符号学、语言学、认知语言学、形式语言学等学科。4.系统落地能力。支撑学科有计算机科学、数学等学科。
接口申请官网地址：www.weilaitec.com
接口地址(例子)：
http://a239p06512.zicp.vip/Web/BuAppJava.bujqrex?apikey="+apikey+"&msg="+msg+"&ip="+ip
用户端消息内容。
String msg ="你在干嘛呀？";
apikey参数。这个apikey就是网站上申请的APIKEY
apikey ="";
//客户端ip,最终用户端的唯一标识（可以是用户端的IP,或者手机设备号，或者微信号或者，qq号码等能证明身份的唯一标识就可以）
String ip ="";
//这里一定要encode转换编码。转成GBK。
msg = URLEncoder.encode(msg, "GBK");
三个参数全部小写
msg参数就是传输过去的对话内容。
msg参数要编码成gbk，不然会乱码。
接口具体代码：
package ai.nlp.jiekou.test;
import java.io.ByteArrayOutputStream;
import java.io.IOException;
import java.io.InputStream;
import java.io.UnsupportedEncodingException;
import java.net.HttpURLConnection;
import java.net.URL;
import java.net.URLEncoder;
import ai.nlp.util.changliang.ChangLiangZi;
public class ApiTest {
/**
* Get请求，获得返回数据
* @param urlStr
* @return
*/
private static String opUrl(String urlStr)
{
URL url = null;
HttpURLConnection conn = null;
InputStream is = null;
ByteArrayOutputStream baos = null;
try
{
url = new URL(urlStr);
conn = (HttpURLConnection) url.openConnection();
conn.setReadTimeout(5 * 10000);
conn.setConnectTimeout(5 * 10000);
conn.setRequestMethod("POST");
if (conn.getResponseCode() == 200)
{
is = conn.getInputStream();
baos = new ByteArrayOutputStream();
int len = -1;
byte[] buf = new byte[128];
while ((len = is.read(buf)) != -1)
{
baos.write(buf, 0, len);
}
baos.flush();
String result = baos.toString();
return result;
} else
{
throw new Exception("服务器连接错误！");
}
} catch (Exception e)
{
e.printStackTrace();
} finally
{
try
{
if (is != null)
is.close();
} catch (IOException e)
{
e.printStackTrace();
}
try
{
if (baos != null)
baos.close();
} catch (IOException e)
{
e.printStackTrace();
}
conn.disconnect();
}
return ChangLiangZi.WU;
}
public static void main(String args []){
//三个参数全部小写
//msg参数就是传输过去的对话内容。
//msg参数要编码成gbk，不然会乱码。
String msg ="你在干嘛呀？";
//apikey参数。
String apikey ="UTNJK34THXK010T566ZI39VES50BLRBE8R66H5R3FOAO84J3BV";
//客户端ip,最终用户端的唯一标识（可以是用户端的IP,或者手机设备号，或者微信号或者，qq号码等能证明身份的唯一标识就可以）
String ip ="127.0.0.1";
//这里一定要encode转换编码。转成GBK。
try
{
msg = URLEncoder.encode(msg, "GBK");
} catch (UnsupportedEncodingException e)
{
e.printStackTrace();
}
System.out.println(opUrl("http://a239p06512.zicp.vip/Web/BuAppJava.bujqrex?apikey="+apikey+"&msg="+msg+"&ip="+ip));
}
}
1030
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
