李飛飛博士的團隊建立了一個名為 ImageNet 的資料集，在 2012 年的 ImageNet 挑戰賽中，奪冠團隊開發的 AlexNet 模型首次擊敗人類在圖像分類任務中的表現，這標誌著深度學習革命的開始，此後許多模型都以它為基礎和基準。 資料、計算、以及神經網路三者的發展引領了 AI 領域中的深度學習革命。未來 AI 的發展將持續受到腦科學和人類認知的啓發。 李飛飛博士分享了三個階段： 1. Building Al to See What Humans See 李飛飛教授提到跟人類一樣，視覺智能（Objective Recognition）是 AI 能自我學習的關鍵，但心理學家認為，要充分理解視覺場景，還必須考慮物體之間的關係。 李飛飛博士的團隊建立了一個名為視覺基因組的資料集（Action Genome），其中包含 10 萬張圖片，380 萬個物體，230 萬個關係，

人工智慧技術的快速發展已經開始改變職場和教育，進而影響著整個社會。隨著 AI 技術的普及和應用，人們對於未來的工作和教育也開始產生了種種疑問和憂慮。然而，這些變化也帶來了機會和挑戰，讓我們重新思考職場和教育的本質和未來的發展方向。在本文中，我們將探討 AI 技術如何改變工作和教育，並且探討人類應該如何適應和應對這些變化。 根據 MIT 研究人員的量化結果，使用 ChatGPT 帶來的生產力提昇為 37%，工時減少 37%，且工作品質提昇了 19.8%。生產力的提升來自於「取代」而不是「輔助」。 在過去，學者曾計算出工業革命對職場帶來的衝擊，估計這個技術革命在背後貢獻了 22% 到 41% 勞工整體生產力的提升。AGI（通用人工智慧）的出現可能是真正的第四次工業革命，所有的顛覆和影響才正要開始。 可見的未來，無法被 AI 取代的能力和領域 簡立峰：「所有敲鍵盤的工作都將被取代，包含工程師。」 （詳見：[筆記]

LLM ChatGPT 作為當前自然語言處理領域的熱門技術之一，其模型設計和性能優異程度深受廣大研究者和應用開發者的青睞。本文將對 ChatGPT 的技術原理進行剖析，介紹其背後的深度學習技術和演算法，同時分析其發展歷程及其在自然語言處理領域的應用。 三個關鍵背景知識 要探討 ChatGPT 的技術原理，有三個關鍵背景知識我們需要先建立： 1. 神經網路與深度學習 2. 大型語言模型 LLM 3. 生成式 AI 算力的增加讓 AI 神經網路再度復甦 人工智慧（AI）的歷史可以追溯到上世紀五十年代，當時，科學家們開始設計能夠模擬人類智能的機器，嘗試實現機器能夠像人一樣進行推理、學習、問答等任務。 神經網路最早起源於上世紀五六十年代，並且曾經在八十年代和九十年代得到了廣泛的關注。但是，當時的計算資源和資料量有限，神經網路無法發揮出其潛力，在此過程中，AI 技術經歷了多個階段的發展，從最初的符號邏輯推理到基於規則的專家系統，再到統計學習的機器學習。 隨著資料量和計算資源的不斷增加，神經網路在二十一世紀初逐漸復興，2006 年，深度學習（Deep Learning）

Tim Urban 是 Wait But Why 網站的創始人之一，該網站主要以長篇部落格的形式探討各種主題，內容涵蓋人工智能、外太空和拖延症等領域。他曾在 2016 年的 TED Talk 中探討拖延症的主題，該演講基於 Blog 中的概念，截至 2022 年 12 月，該演講已經累積了超過 5000 萬的觀看次數。網站上的一篇有關 Elon Musk 和 Neuralink 的文章是與 Musk 本人共同製作的。 Tim Urban 這兩篇關於 AI 人工智慧的文章值得人類對於 ChatGPT 的出現後對未來將產生的變化深思，更了不起的是，這還是 2015 年的文章！ 它提出了一個現實而令人不安的問題：當超級人工智慧的時代來臨時，我們是否能掌握住未來的命運？文章引用了大量的研究和數據，