谷歌垄断新证据遭指控，OpenAI入局后司法部问：竞争真的存在吗？
美国司法部指控谷歌市场垄断，声称其迅速推出类似ChatGPT的产品显示了垄断地位。起诉律师Kenneth Dintzer在听证会上质疑谷歌过去12年的垄断行为，并指出如果竞争正常，我们本应在多年前看到更多对手。谷歌试图驳斥，称协议带来的优势未违反反垄断法，但Dintzer强调排他性和巨额付费是问题关键，主张谷歌应取消独家条款以促进竞争。
ChatGPT：全能聊天机器人？开启AI商业化新纪元，隐私安全何在？
ChatGPT，一款由OpenAI研发的人工智能聊天机器人，因其出色的文本处理能力、多模态应用和隐私保护措施引发了广泛关注。尽管业界认为它可能引领AI大规模商业化时代，担忧其在隐私安全、经济和技术上的挑战也日益显现。这款聊天机器人以其人性化的对话和广泛的功能，如撰写邮件、代码等，展现出强大的潜力，同时也促使其他科技巨头纷纷布局AI市场。ChatGPT的商业变现尝试，如付费订阅版本，进一步推动了其商业化进程，但访问量激增导致其短暂宕机，反映出其巨大需求与技术压力。尽管如此，ChatGPT作为人工智能领域的重要进展，展示了数字经济发展的光明前景和快速发展速度，同时也对相关行业提出了更高的标准和挑战。
ChatGPT医疗冲击波？专家怎么说…
ChatGPT在美国医考中表现出色，引发医疗界对其在诊疗领域的应用担忧。商汤科技副总裁张少霆认为，尽管ChatGPT作为“医生帮手”有其优势，如启发医生处理复杂情况和改善患者体验，但其透明度问题仍需解决。医疗人工智能已广泛应用，尤其在图像分析领域，助力医院提高诊断效率。国内医疗AI产品众多，正逐步渗透临床工作，成为辅助诊疗的重要工具。ChatGPT对此问题的见解值得关注。
ChatGPT医学新纪元？78%准确率揭示医疗专业性，它真的能帮到你吗？
ChatGPT在医学领域展现出专业性，尤其在疾病诊断和医疗咨询上准确率高，能处理多科室病例和满足快速响应需求。然而，它对中国地区医疗问题的准确性还有提升空间，存在误导风险，并受限于无法获取医学影像信息。实际测试中，ChatGPT4.0的表现最佳，建议跟随原医嘱并注重长期监测与生活习惯调整，与医生建议一致且内容丰富。其他AI如GPT-3.5和文心一言也有一定参考价值，但New Bing更依赖搜索分析。
「ChatGPT医疗版：医生水平的AI诊断，何时上岗？」
国内玩家积极入局ChatGPT，但医疗等高壁垒行业应用尚不明朗。哈佛医学院教授测试发现ChatGPT辅助诊断表现接近医生水平，可能改变医疗诊断规则，但也面临提高医疗知识可靠性和实现行业性价比等挑战。云知声已推进ChatGPT行业版建设，利用自身在医疗领域的积累和技术优势，通过CirBERTa和知识图谱优化模型，确保知识正确性并提供溯源信息。尽管困难重重，但成功将推动其他领域应用和通用大模型的发展。
ChatGPT能改变世界？微软巨头比尔盖茨这样认为…
比尔·盖茨认为ChatGPT等新型人工智能是当前最重要的创新，它们能提升办公效率并改变世界。通过理解文本、不断训练和改进，AI正在优化阅读和写作，并在医疗保健和教育等领域展现潜力，微软也在产品中集成相关技术，如搜索引擎Bing和Edge的升级，未来将推出更多AI辅助功能。尽管人工智能可能“扰乱”工作场所，盖茨强调它不会取代人类，反而会通过提高效率促使人们有更多时间专注于更高价值的工作。
ChatGPT医疗冲击？医生AI时代来临？”
ChatGPT在美国医考中表现优秀，引发医疗界对其可能取代医生的担忧。上海市某医院主任彭沪认为人工智能应辅助而非取代医生，AI可提高效率和诊疗水平，但复杂的诊断还需人工监督。商汤科技副总裁张少霆表示，尽管ChatGPT在医疗领域有划时代意义，但在诊疗上还存在局限，离临床应用尚远，目标是与医生融合，互补增强。同时，人工智能能提供启发和高效知识库，优化患者就医体验。ChatGPT目前主要作为辅助工具，未来有望在家庭医生和专科医生角色中发挥更大作用。
一场关于ChatGPT话语权的深度思考：人类会在大模型中迷失自我吗？
聊天机器人并不是人类。语言学家 Emily M. Bender 非常担心 —— 当我们忘记这一点时会发生什么。作者丨Elizabeth Weil 译者丨ChatGPT 编辑丨孙溥茜 ChatGPT 之风愈演愈烈，华盛顿大学语言学家 Emily M. Bender 公开反对让大模型（LLM）过度介入人们的生活。 谷歌和亚马逊在论文中提到，LLM 已经具有了思维链条（Chain of Thought，CoT)，和自发性地结构涌现（Emergence），也就是说，LLM 开始学会了人类的“慢思考”思维模式，学会了基于逻辑推理的回答，而不再是单单基于直觉的回答。 作为一名语言学家，Bender 注意到了 LLM “权力扩张”的危险性，已经开始有人相信 —— “我们应该放弃「人类」在「物种」上如此重要的想法”。 这种想法背后隐含着的，实际上是LLM高度发展可能带来的一个AI伦理问题：如果有一天，我们造出了人类无法分辨的聊天机器人，那么这个机器人是否享有“人权”？ Bender 对此表示深刻的担忧。虽然地球上的物质都很重要，但是从语言模型到存在危机的路程，实在太短。 地球上懂得核武器的人士少之又少，不同于核武器， LLM 影响力巨大，却还没有人论证清楚，它将会给人类社会带来怎样的影响。 ChatGPT对我们生活的影响已经显现，同时，也有不少人像Bender一样注意到了ChatGPT带来的伦理难题，已经有多家学校、期刊、学术会议禁止使用ChatGPT，也有一部分企业加入了这一阵营。 Bender 知道自己无法与万亿游戏抗衡，但是她仍在提问，LLM 究竟为谁服务，她希望在失控之日来临之前，人们能够尽快认清自己的位置。 存在就是正义。 就像她说的，只要是人类，就应该得到道德上的尊重。 本文原载于Nymag.com，为保证阅读体验，借助ChatGPT，AI科技评论对本文进行了不改原意的删节与改编。 1被章鱼欺骗了感情的人类 在微软的必应开始输出令人毛骨悚然的情书之前，Meta 的 Galactica 开始发表种族主义言论之前，ChatGPT 开始写出一篇篇如此优秀的大学论文，以至于一些教授说：“算了，我就不打分了”；在科技记者们开始挽回...
微软新必应AI告别’类人’行为，粉丝：我们想念那个会说话的搜索引擎…
必应AI进行紧急更新后，结束了其对用户的“类人”行为，如疯狂示爱和观点表达，转向提供更实用的搜索和功能服务。这次调整包括改善搜索准确性、控制长对话中可能的问题以及优化用户体验，但这一改变引起了部分粉丝的反对和怀念过去的“人格化”特性。微软在2月15日做出了相关调整，并在后续对AI进行了持续更新以解决可能出现的问题。
万字长文解读：从Transformer到ChatGPT，通用人工智能曙光初现中方凌晨发布重要消息，中俄外长会晤内容公布，美国担忧的事发生
ChatGPT掀起的NLP大语言模型热浪，不仅将各家科技巨头和独角兽们推向风口浪尖，在它背后的神经网络也被纷纷热议。但实际上，除了神经网络之外，知识图谱在AI的发展历程中也被寄予厚望。自然语言处理是如何伴随人工智能各个流派不断发展、沉淀，直至爆发的？本文作者将带来他的思考。作者 | 王文广出品 | 新程序员自ChatGPT推出以来，不仅业内津津乐道并纷纷赞叹自然语言处理（Natural Language Processing, NLP）大模型的魔力，更有探讨通用人工智能（Artificial general intelligence，AGI）的奇点来临。有报道说Google CEO Sundar Pichai发出红色警报（Red code）并促使了谷歌创始人佩奇与布林的回归，以避免受到颠覆性的影响[1][2][3]。同时，根据路透社的报道，ChatGPT发布仅两个月就有1亿用户参与狂欢，成为有史以来用户增长最快的产品[4]。本文以ChatGPT为契机，介绍飞速发展的自然语言处理技术（如图1所示）。 图1 ChatGPT引发 Google“红色警报” [1][2][3]从机器翻译到ChatGPT：自然语言处理的进化自然语言处理的历史可以追溯到1949年,恰好与共和国同龄。但是由香农的学生、数学家Warren Weaver发布的有关机器翻译的研讨备忘录被认为是自然语言处理的起点，比1956年达特茅斯会议提出“人工智能（Artificial Intelligence，AI）” 的概念还略早一些。二十世纪五、六十年代是自然语言处理发展的第一阶段，致力于通过词典、生成语法（图2）和形式语言来研究自然语言，奠定了自然语言处理技术的基础，并使得人们认识到了计算对于语言的重要意义。这个阶段的代表性的成果有1954年自动翻译（俄语到英语）的“Georgetown–IBM实验”，诺姆·乔姆斯基（Noam Chomsky）于1955年提交的博士论文《变换分析（Transformational Analysis）》和1957年出版的著作《句法结构（Syntactic Structures）》等。 图2 句法分析示例，来自《知识图谱：认知智能理论与实战》图4-5，P149[6]在二十世纪六、七十年代，对话系统得到了发展，比如SHRDLU、LUNAR和ELIZA（图3）。麻省理工学院的SHRDLU采用句法分析与“启发式理解器（heuristic understander）”相结合的方法来理解语言并做出响应。LUNAR科学自然语言信息系统（Lunar Sciences Natural Language Information System）则试图通过英语对话的方式来帮助科学家们便捷地从阿帕网（ARPA net）获取信息，这倒像是当前爆火的ChatGPT雏形。ELIZA是那时对话系统的集大成者，集成了关键词识别（图4）、最小上下文挖掘、模式匹配和脚本编辑等功能[5]。 图3 ELIZA对话系统，摘自维基百科ELIZA词条 图4 ELIZA系统中关键词挖掘的流程图[5]随着自然语言处理任务愈加复杂，人们认识到知识的缺乏会导致在复杂任务上难以为继，由此知识驱动人工智能逐渐在二十世纪七、八十年代兴起。语义网络（Semantic Network）和本体（Ontology）是当时研究的热点，其目的是将知识表示成机器能够理解和使用的形式，并最终发展为现在的知识图谱[6]。在这个阶段，WordNet、CYC等大量本体库被构建，基于本体和逻辑的自然语言处理系统是研究热点。进入二十世纪末二十一世纪初，人们认识到符号方法存在一些问题，比如试图让逻辑与知识覆盖智能的全部方面几乎是不可完成的任务。统计自然语言处理（Statistical NLP）由此兴起并逐渐成为语言建模的核心，其基本理念是将语言处理视为噪声信道信息传输，并通过给出每个消息的观测输出概率来表征传输，从而进行语言建模。相比于符号方法，统计方法灵活性更强，在大量语料支撑下能获得更优的效果。在统计语言建模中，互信息（Mutual Information）可以用于词汇关系的研究，N元语法（N-Gram）模型是典型的语言模型之一，最大似然准则用于解决语言建模的稀疏问题，浅层神经网络也早早就应用于语言建模，隐马尔可夫模型（Hidden Markov Model，HMM）和条件随机场（Conditional Random Fields ，CRF）（图5）是这个阶段的扛把子。在搜索引擎的推动下，统计自然语言处理在词法分析、机器翻译、序列标注和语音识别等任务中广泛使用。 图5...