学校封杀，大厂禁用，ChatGPT引发大面积恐慌！

礼拜柒

关注“FightingCV”公众号
回复“AI”即可获得超100G人工智能的教程
点击进入→FightingCV交流群
【From 新智元】ChatGPT的诞生，改写了很多领域的游戏规则。现在，在很多地方，学校和大厂都下了ChatGPT封杀令。12月，ChatGPT大红大紫之际，就有诸多学者和研究人员发出警告：ChatGPT很可能「杀死」大学论文。最近，纽约市教育局就正式对ChatGPT下了封杀令。
无独有偶，在很多互联网大厂，ChatGPT也遭到了封杀。很多已经习惯向ChatGPT咨询代码问题的码农们，原地爆哭……
大厂封杀ChatGPT，码农哭了
近日，一位码农在网上发帖称，在自己所在的大厂，办公室wifi禁用了ChatGPT。这直接把他整崩溃了。



博主表示，自己一名初级软件工程师，而在团队中，前辈们总是很忙，没有时间给他解释问题。
每当他在工作中卡住时，ChatGPT都是他的救星。
但是昨天，当他在办公室坐下时，忽然发现没法访问ChatGPT了！他瞬间破防。
在他的帖子下，热心网友纷纷献计。
比如，买一个便宜的VPS和域名并设置一个反向代理到ChatGPT官网；在浏览器中启用DoH和ECH；使用一个在线代理；或者在手机上通过电子邮件将输出结果发送给自己等等。



当然，有网友对公司的这个操作表示赞同：「你司禁用ChatGPT是很有道理的，好好想想，如果你解决公司问题的代码可以很轻易地被竞争对手获得，会产生什么后果吧。」



「不要向ChatGPT，或者从ChatGPT上复制粘贴代码。在法律上，公司或客户的代码并不属于你。而且你也没有ChatGPT上代码的版权。如果你这么做，会让你面临诉讼，被解雇。」



的确，已经有大厂向员工发送电子邮件称：「ChatGPT不是不能用，但是如果你往里面上传代码，你就会面临被解雇的风险，因为我们的代码非常敏感。」



不过，也有网友给出了扎心回复：「如果一个初级开发者在没有ChatGPT的情况下，就无法完成工作，那么他对公司来说，真的是可有可无。」



纽约颁布禁令，师生全都禁用
就在1月3日，拥有全美最大公立学校系统的纽约市，正式颁布了「ChatGPT禁令」。
也就是说，不管是老师还是学生，都无法在纽约市公立学校的网络和设备上使用ChatGPT。
最近，洛杉矶和巴尔的摩的学区也加入到了这个行列。



纽约市教育局发言人Jenna Lyle表示，虽然ChatGPT可以提供快速和简单的问题答案，但它不能培养学生批判性思维和解决问题的能力，而这些对于学术和终身成功来说至关重要。
当然，如果学校的目的是研究ChatGPT背后的技术，还是可以申请访问的。
目前，ChatGPT将对论文作弊的风险产生什么影响还有待观察，因为学生仍然可以在校外访问自己的设备和网络。



而佐治亚州的科布县的态度，不仅没那么强硬，甚至还对采用ChatGPT颇有兴趣。
该学区的一位发言人表示，「在高素质的科布县教师手中，ChatGPT可以成为补充学生对学术内容理解的宝贵工具，并可以帮助学生发展批判性思维能力。」
对此，在纽约精英高中Brooklyn Tech任教的Adam Stevens也认为，禁用ChatGPT反而会带来消极的影响。
毕竟在15、20年前，当学生可以「在网上找到答案」时，这些人也是这么针对谷歌的。



Stevens认为，培养学生批判性写作技能的最好方法是「邀请他们探索值得了解的事情」，并远离基于严格的评分标准的公式化写作教学。
「当然，如果你更看重学期末的分数，那么ChatGPT确实是一个威胁。」
同样，俄勒冈州桑迪市的一名高中英语老师也有类似的看法。
Shields老师有25年教龄，她认为，其实大可不必「谈ChatGPT色变」，这款AI完全可以被用来帮助学生产生想法、组织思路，甚至撰写整篇论文。



在她看来，教师们应该接受，AI是学生可以使用的一种工具，就像每个老师都教学生如何使用搜索引擎一样。
很多学生苦于无话可写，此时教师可以使用ChatGPT向学生展示如何生成提示，来刺激他们的写作。
Shields老师曾让ChatGPT以7年级生、10年级生和大学生的风格写同一个主题的文章，每个级别之间的句法差异程度令人震惊。因而，完全可以使用这种AI生成的反馈，来向学生展示如何改进他们的写作。
ICML发文澄清：主要为防止抄袭，不影响润色文章
前两天，国际机器学习会议ICML 2023突然宣布：禁止使用大规模语言模型（如ChatGPT）生成论文的内容，除非这些文本是实验分析的一部分。
要求一经提出，便引发了众多研究人员的不满：拼写检查和文本预测基于的就是语言模型，为啥不让我们用？



对此 ，图灵奖得主Yann LeCun评论道：「大型语言模型不能用，意思是换成中型和小型语言模型就行咯？」
随后还不忘阴阳一句：「明年的ICML道德准则应该变成：研究人员必须徒手完成各种计算，不能借助计算机；各类图形必须用笔和纸手绘；从今天起，ICML的官方语言变为瑞典语（瑞典：？）。」



由于引发的讨论太过激烈，ICML不得不单独发一条长文来解释这个规定。概括来说，有三个要点：

• 政策禁止完全由LLM「生成」的文本，但这并影响作者使用LLM来编辑或润色自己写的文本。
  
  
• 政策主要是防止使用LLM可能会出现的潜在问题，比如抄袭。
  
  
• 目前，政策仅适用于ICML2023。随着我们对LLM及其对科学出版的影响有了更深入的了解，这一政策可能会在未来的会议中发生变化。
  

公告链接：https://icml.cc/Conferences/2023/llm-policy
大规模语言模型，争议丛生
在过去的几年里，大规模语言模型（LLM）的发展非常迅速。最近，这一进展不仅没有放缓，甚至还更快了。
正如大家看到的，过去几个月发布的LLM，如OpenAI的ChatGPT，已经能够生成难以与人类相区分的文本片段。毫无疑问，这是自然语言处理和生成方面令人兴奋的进展。
但这种快速的进展往往伴随着意想不到的后果以及无法解答的问题。比如，由模型生成的文本和图像是新颖的，还是现有工作的衍生品？
此外，文本片段、图像以及其他由这些模型产生的内容，又应该归谁所有：是生成模型的用户，还是训练模型的开发者，抑或是制作训练数据的内容创作者？



可以肯定的是，随着大规模生成模型被更广泛地应用，这些问题都将随着时间的推移得到解答，但现在还不行。尤其是距离ChatGPT的发布才过了不到2个月（2022年11月底）。
而对于ICML来说，他们并没有足够的时间来观察和调研ChatGPT将会对论文审稿和发表过程，产生何种影响。
考虑到针对这项新技术所采用的策略，会直接关系到研究人员的职业生涯。因此ICML表示，自己只能更加谨慎，甚至还会有些保守。
时有错漏，但码农依然爱不释手
其实，虽然ChatGPT经常因为「犯蠢」而被嘲，但自它诞生一个多月来，很多码农的工作习惯，确实被它改变了。
在12月初，ChatGPT亮相后，码农们发现可以用它生成代码，立马沸腾了。
ChatGPT不仅可以回答任何领域的问题，而且生成的答案，有很大的概率非常精确和详细。
比如，当你问到「How to iterate over an keys and values array in Javascript」时，它生成了很完美的答案。



锦上添花的是，ChatGPT还能通过一个支持性的例子和解释，告诉你这个JavaScript中常见问题的最佳解决方案：



甚至，还可以用它给代码纠错。



不过随后，码农们马上发现，ChatGPT生成的代码，其实有不少问题。
ChatGPT会「犯蠢」，背后原因其实很简单——AI的输出，是概率性的。ChatGPT没有任何标记了对错的内部记录，它其实是一个统计模型，这个模型中，是在不同上下文中的语言组合。
而上下文的基础，就是GPT-3训练所用的整体数据集，来自ChatGPT的RLHF训练的额外上下文，prompt和之前的对话，以及很快就会有的反馈。
ChatGPT的答案，本质上就是从构成GPT-3的互联网数据语料库中收集的概率结果。在10秒内，ChatGPT做出了结果的最佳猜测，这个猜测很可能是正确的。
当然，也有错误的概率。
这就是为什么，网友用ChatGPT生成的代码在Stack Overflow上疯狂灌水、错误答案满天飞时，后者连夜发布了官方封杀令。



虽然ChatGPT写代码的能力被很多人诟病，但其实，用还是可以用的。
其实，ChatGPT最合适的定位，应该是编码辅助工具。在ChatGPT的发布方OpenAI看来，ChatGPT的重要用途之一，正是帮助程序员检查代码。
对于开发者而言，它就是日益丰富的工具板中的一个工具。而且，就像任何自学模型一样，ChatGPT也会随着时间的推移，不断学习，不断自我纠正和改进。
很多时候，与其在Stack OverFlow上为相对简单的问题（如何在Flutter中触发HookConsumerWidget的重建）等待几天，不如直接向ChatGPT提问。
因为在ChatGPT上，开发者们有很大概率，得到一个可以用于解决问题的起点——



参考资料：
https://www.businessinsider.com/nyc-schools-ban-chatgpt-cheating-concern-grows-2023-1
https://www.theregister.com/2023/01/06/ai_conference_nyc_ban/?td=rt-3a
https://www.reddit.com/r/ChatGPT/comments/104rp2j/my_company_blocked_chatgpt

往期回顾

基础知识
【CV知识点汇总与解析】|损失函数篇

【CV知识点汇总与解析】|激活函数篇

【CV知识点汇总与解析】| optimizer和学习率篇

【CV知识点汇总与解析】| 正则化篇
【CV知识点汇总与解析】| 参数初始化篇

【CV知识点汇总与解析】| 卷积和池化篇 （超多图警告）

【CV知识点汇总与解析】| 技术发展篇 (超详细！！！)


最新论文解析
NeurIPS2022 Spotlight | TANGO：一种基于光照分解实现逼真稳健的文本驱动3D风格化
ECCV2022 Oral | 微软提出UNICORN，统一文本生成与边框预测任务
NeurIPS 2022 | VideoMAE：南大&腾讯联合提出第一个视频版MAE框架，遮盖率达到90%
NeurIPS 2022 | 清华大学提出OrdinalCLIP，基于序数提示学习的语言引导有序回归

SlowFast Network：用于计算机视觉视频理解的双模CNN
WACV2022 | 一张图片只值五句话吗？UAB提出图像-文本匹配语义的新视角！
CVPR2022 | Attention机制是为了找最相关的item？中科大团队反其道而行之！
ECCV2022 Oral | SeqTR：一个简单而通用的 Visual Grounding网络
如何训练用于图像检索的Vision Transformer？Facebook研究员解决了这个问题！
ICLR22 Workshop | 用两个模型解决一个任务，意大利学者提出维基百科上的高效检索模型

See Finer, See More！腾讯&上交提出IVT，越看越精细，进行精细全面的跨模态对比！
MM2022｜兼具低级和高级表征，百度提出利用显式高级语义增强视频文本检索
MM2022 | 用StyleGAN进行数据增强，真的太好用了

MM2022 | 在特征空间中的多模态数据增强方法

ECCV2022|港中文MM Lab证明Frozen的CLIP 模型是高效视频学习者

ECCV2022｜只能11%的参数就能优于Swin，微软提出快速预训练蒸馏方法TinyViT

CVPR2022|比VinVL快一万倍！人大提出交互协同的双流视觉语言预训练模型COTS，又快又好！

CVPR2022 Oral｜通过多尺度token聚合分流自注意力，代码已开源

CVPR Oral | 谷歌&斯坦福（李飞飞组）提出TIRG，用组合的文本和图像来进行图像检索

韶华易逝

支持支持再支持