由 OpenAI 构建并由大型语言模型 (LLM) 的 GPT-3 和 GPT-4 系列提供支持的聊天机器人可以像消息灵通的人类助手一样响应自然语言提示，并且随着 GPT-4 和ChatGPT API 和插件。
其他科技巨头也没有袖手旁观。谷歌和 NVIDIA 等公司最近几个月宣布了一系列创新的生成式人工智能 (GenAI) 服务，表明了他们对快速发展的技术的承诺。事实上，每周都感觉 AI 行业正在经历其他行业一年的进步。
但这对投资管理意味着什么？所有与 ChatGPT 和 LLM 相关的发展将如何影响投资专业人士的工作方式？
ChatGPT：概述
ChatGPT 是 OpenAI 使用称为人类反馈强化学习 (RLHF) 的技术开发的 AI 语言模型，该技术处理自然语言提示并根据人类输入提供详细的响应。
GPT 代表生成式预训练变压器架构。它是一种 GenAI，可以根据收到的训练数据生成新数据。从自然语言处理（NLP）到自然语言生成的飞跃代表了人工智能语言技术的重大进步。
该模型对大量数据进行预训练，以学习如何快速响应查询。例如，GPT-3 有超过 1750 亿个参数。GPT-4 甚至更多。然而，这两种模型都受到训练数据截止日期的限制，无法实时包含新的和时间敏感的信息。
Transformer 架构是一种深度学习技术，被 ChatGPT 和 Google 开发的 Bidirectional Encoder Representations from Transformers (BERT) 语言模型所应用，用于提取和分析文本数据。
ChatGPT 学习方法
ChatGPT 是建立在 GPT 系列（GPT-3.5 或 GPT-4）之上的对话式 AI 模型，用于对话式应用程序。对对话数据进行微调，它可以更好地生成相关的、有吸引力的和上下文感知的响应。
GPT 模型首先使用称为“监督微调”的过程使用大量预先收集的数据进行训练。人类 AI 培训师为模型提供提问者和回答者之间的初始对话。这个过程就像对 AI 助手的个人培训。
在此之后，该模型会进行强化学习 (RL)，这涉及创建奖励机制并收集由两个或多个按质量排名的模型响应组成的比较数据。
为了进一步完善模型，OpenAI 从 AI 培训师和聊天机器人之间的对话中收集了数据。它随机选择一条模型编写的消息，抽取几个备选的完成方式，并让 AI 培训师对它们进行排名。使用这些奖励模型，OpenAI 通过近端策略优化 (PPO) 对模型进行了微调，并对该过程进行了多次迭代以提高模型的性能。
ChatGPT 的局限性
ChatGPT 的缺点是众所周知的。由于 RL 训练的局限性，它可能会提供看似合理但不正确或无意义的答案。OpenAI 承认，目前 RL 训练没有单一的真实来源，并且 ChatGPT 旨在尽其所能回答问题，而不是让它们得不到回答。其回答的质量取决于问题的措辞和 ChatGPT 通过监督培训学到的信息。
ChatGPT 不像人类那样具有价值。虽然它经过训练可以针对模棱两可的查询提出澄清性问题，但它通常会猜测用户的意图。OpenAI 已努力防止 ChatGPT 响应有害或不适当的请求，但 LLM 有时可能会表现出有偏见的行为。这就是为什么避免非法、不道德、激进或有偏见的建议和预测至关重要。
ChatGPT 也可能过于冗长并过度使用某些短语，经常声称它是“由 OpenAI 训练的大型语言模型”。用于开发模型的训练数据存在偏差和过度优化问题，培训师可能更喜欢看起来更全面的更长答案。
虽然 ChatGPT 和其他语言模型通常在总结和解释文本以及生成简单的计算机代码方面表现出色，但它们并不完美。在最糟糕的情况下，他们可能会“产生幻觉”，吐出带有虚构事实和参考的不合逻辑的文章或产生错误代码。
LLM缩放定律、小样本学习 (FSL) 和 AI 民主化潜力
GPT模型提供了区别于BERT和其他主流AI模型的独特特性，反映了NLP AI应用的演进。
与 GPT 一样，BERT 是一种预训练模型，可以从大量数据中学习，然后针对特定的 NLP 任务进行微调。然而，在预训练之后，模型出现了分歧。BERT 需要使用特定于任务的数据进行微调，以学习特定于任务的表示和参数，这需要额外的计算资源。GPT 模型采用提示工程和少样本学习 (FSL) 来适应任务而无需微调。借助 GPT-4 的预训练数据，GPT 模型可以在给定示例任务时为未知输入生成适当的输出。
Jared Kaplan 等人强调的缩放定律是 GPT 模型的基本特征之一。性能随着模型大小、训练数据集大小和用于训练的计算能力的增加而提高。当没有受到其他因素的瓶颈时，经验绩效与每个单独因素都具有幂律关系。GPT-4 遵循这一规律，无需微调即可实现高性能，有时甚至超过了以前的最先进模型。此外，缩放定律适用于其他媒体和领域，例如图像、视频和数学。
GPT 模型的特征代表了 AI 开发的范式转变，不同于为每个特定任务训练的传统模型。GPT 模型不需要大量的本地计算资源或额外的训练数据，并且通过 FSL 处理任务而不是模型微调或再训练。然而，有限数量的参与者——谷歌、亚马逊等——可以控制云计算平台上大型语言模型 (LLM) 的供应，这可能会形成阻碍人工智能开发民主化的寡头垄断。
ChatGPT 会创造还是破坏人类的工作？潜在用例方向
ChatGPT 作为一种 AI 语言模型，并没有抢走传统意义上的人类工作。它是一种旨在帮助人类完成涉及语言处理的任务的工具，例如生成文本和回答问题。虽然 ChatGPT 可以自动化某些功能并减少人工参与的需要，但它也可以创造需要人工智能、数据分析和编程技能的新工作。
人工智能还不能在多个维度上复制人类行为，包括独创性、创造力、灵巧性、同理心、爱等。这些是许多需要人际关系、直觉和情商的工作的重要组成部分。人工智能工具最适合效率很重要的定义明确的重复性任务。这包括数据输入、转录和语言翻译。
对于更依赖自然语言或涉及重复性自动化任务（例如客户支持台和研究助理）的职位，被 ChatGPT 或其他 AI 取代的风险更高。然而，需要独特的决策制定、创造力和责任感的角色（例如产品开发）很可能仍由人类掌握。虽然原创性和创造力没有简单的定义，但我们人类应该专注于我们擅长、喜欢并且比机器更有效地执行的任务。正如 Alan Kay 所说，“预测未来的最好方法就是创造它。”
尽管机器可以协助决策制定和说服，但人类可能更有能力进行突破性发现并对自己的行为负责。在投资方面，ChatGPT 可能会提供帮助而不是完全自动化。
有什么风险？
ChatGPT 是否具备通用人工智能 (AGI) 能力？微软研究院声称，最新的 OpenAI LLM 展示了AGI 的“火花” 。但对于 ChatGPT 或 GPT-4 是否代表迈向 AGI 的重要一步，意见不一。当然，AGI 的定义各不相同。这就是为什么我们认为根据有限的短期趋势做出判断还为时过早。
可以肯定的是，以民主的方式围绕 AI 实施治理、法律和合规以及道德体系将是至关重要的。正如微软的 Satya Nadella 所说，“从根本上说，AI 的发展必须与民主社会中的社会、文化和法律规范保持一致。”
在数据和计算能力方面，不平等也可能造成两难境地。贫富之间的鸿沟如果变得太大，可能会导致冲突和社会分裂。
就比尔盖茨而言，他对 ChatGPT和最近的 AI 进步感到兴奋。事实上，他认为人工智能可以通过提高医疗保健和教育的生产力来帮助减少不平等。但他也明白，如果利益分配不均，将如何加剧不平等。为确保人工智能为更公平的社会做出贡献，可能需要资金和政策干预相结合。
GenAI 时代的黎明
GenAI 和 ChatGPT 一样，可以生成与其训练数据相似的新数据。虽然 ChatGPT 专注于 NLP，但其他 GenAI 可以生成与图像、三维物体和声音相关的数据，如果不是为了触摸、品尝和嗅觉的话。
微软、谷歌、Adobe 和 NVIDIA 都宣布了雄心勃勃的 GenAI 项目。与 OpenAI 建立合作伙伴关系的微软最近推出了 Microsoft 365 Copilot，这是 Microsoft Office 套件的人工智能补充。Google 计划将 GenAI 功能集成到 Google Workspace 中。Adobe 推出了Adobe Firefly，NVIDIA 推出了云服务来帮助企业开发 GenAI。
下一步是什么？
GenAI 时代的到来标志着投资行业专业人士和其他白领专业人士工作方式转变的开始。那些利用人工智能作为副驾驶的人将提高他们的生产力，而那些未能接受这场革命的人则有失去竞争优势的风险。随着各个领域融入人工智能，该技术将重新定义工作场所，并引领效率和效果的新标准。
ChatGPT 聊天机器人的创建者 OpenAI 的首席执行官 Sam Altman 曾试图控制人们的期望：“ChatGPT 非常有限，但在某些方面足够出色，足以给人一种伟大的误导印象，”他说。如果不是实质内容，他可能在形式上是正确的。ChatGPT 只是一项快速发展的技术的一个化身。但它预示着即将到来的转型。我们需要做好准备。
韭菜热线原创版权所有，发布者：弗里曼，转载请注明出处：https://www.9crx.com/71739.html
