


Benutzen Sie ChatGPT weniger und unterstützen Sie mehr Open Source! Nature, Professor an der New York University, schreibt: „Für die Zukunft der Wissenschaft.'
Die Verwendung des kostenlosen ChatGPT macht sehr viel Spaß, aber der größte Nachteil dieses Closed-Source-Sprachmodells besteht darin, dass es nicht Open Source ist. Die Außenwelt kann die dahinter stehenden Trainingsdaten nicht verstehen und nicht, ob dadurch die Privatsphäre der Benutzer verloren geht löste auch spätere Probleme in der Branche aus. Die akademische Gemeinschaft hat gemeinsam eine Reihe von Alpaka-Modellen wie LLaMA als Open Source bereitgestellt.
Kürzlich veröffentlichte die Kolumne „Nature Worldview“ einen Artikel, in dem jeder aufgefordert wurde, mehr Open-Source-Modelle zu verwenden. Experimentelle Ergebnisse sind reproduzierbar und stehen im Einklang mit der akademischen Ethik .
Der Punkt ist, wenn OpenAI eines Tages unzufrieden wird und die Sprachmodellschnittstelle schließt oder wenn es sich auf ein geschlossenes Monopol verlässt, um die Preise zu erhöhen, dann können Benutzer nur hilflos sagen: „Schließlich hat die Wissenschaft gegen das Kapital verloren.“ ." .
Der Autor des Artikels, Arthur Spirling, wird im Juli dieses Jahres an die Princeton University gehen, um Politikwissenschaft zu unterrichten. Seine Forschungsschwerpunkte sind politische Methodologie und gesetzgeberisches Verhalten, insbesondere Text-als-Daten und Naturwissenschaften Sprachverarbeitung, Bayes'sche Statistik, maschinelles Lernen, Item-Response-Theorie und verallgemeinerte lineare Modelle mit Anwendungen in der Politikwissenschaft.
Forscher sollten der Versuchung kommerzieller Modelle widerstehen und gemeinsam transparente Sprachmodelle im großen Maßstab entwickeln, um die Reproduzierbarkeit sicherzustellen.
Umarmen Sie Open Source und lehnen Sie das Monopol ab
Es scheint, als würde jeden Tag ein neues Large Language Model (LLM) eingeführt, und jedes Mal sprechen seine Schöpfer und verwandte Personen in der Wissenschaft großzügig darüber, wie das neue Modell fließend mit Menschen kommunizieren kann. Sie können beispielsweise Benutzern helfen, Codes zu ändern, Empfehlungsschreiben zu schreiben, Zusammenfassungen für Artikel zu schreiben usw.
Als Politik- und Datenwissenschaftler, der diese Modelle verwendet und lehrt, wie man sie verwendet, denke ich, dass Akademiker vorsichtig sein sollten, da die beliebtesten Sprachmodelle derzeit privat und geschlossen bleiben, d. h. von Unternehmen betrieben werden und keine spezifischen Informationen offenlegen über das Basismodell und wird die Fähigkeiten des Modells nur unabhängig überprüfen oder verifizieren, sodass Forscher und die Öffentlichkeit nicht wissen, welche Dateien zum Trainieren des Modells verwendet wurden.
Die Eile, Sprachmodelle in den eigenen Forschungsprozess zu integrieren, kann Probleme verursachen und den hart erkämpften Fortschritt in der „Forschungsethik“ und der „Reproduzierbarkeit der Ergebnisse“ gefährden.
Wir können uns nicht nur nicht auf kommerzielle Modelle verlassen, sondern Forscher müssen auch zusammenarbeiten, um Open-Source-Sprachmodelle in großem Maßstab zu entwickeln, die transparent und nicht von den Interessen eines bestimmten Unternehmens abhängig sind.
Obwohl kommerzielle Modelle sehr praktisch sind und sofort verwendet werden können, ist die Investition in Open-Source-Sprachmodelle ein historischer Trend. Wir müssen nicht nur Wege finden, um die Entwicklung voranzutreiben, sondern die Modelle auch auf zukünftige Forschungen anwenden.
Ich schätze optimistisch, dass die Zukunft von Sprachmodell-Tools Open Source sein muss, ähnlich wie in der Entwicklungsgeschichte von Open-Source-Statistiksoftware. Kommerzielle Statistiksoftware war anfangs sehr beliebt, aber mittlerweile verwenden im Grunde alle Communities Open-Source-Software wie R oder Python-Plattform.
Das Open-Source-Sprachmodell BLOOM wurde beispielsweise im Juli letzten Jahres veröffentlicht. Sein Entwicklungsteam Hugging Face ist ein Unternehmen für künstliche Intelligenz mit Hauptsitz in New York, das mit mehr als tausend Freiwilligen und Forschern zusammengearbeitet hat Ein Teil der Forschungs- und Entwicklungsgelder wurde von der französischen Regierung finanziert. Andere Teams arbeiten ebenfalls an Open-Source-Modellen für große Sprachen.
Ich finde Open-Source-Projekte wie dieses großartig, aber wir brauchen auch mehr Zusammenarbeit und die Bündelung internationaler Ressourcen und Expertise.
Open-Source-Teams für große Sprachmodelle sind normalerweise nicht so gut finanziert wie große Unternehmen, und das Entwicklungsteam muss auch den Betrieb fortsetzen, um die neuesten Fortschritte auf diesem Gebiet zu verfolgen: Die Entwicklung des KI-Bereichs ist zu schnell, und selbst die meisten Sprachmodelle sind Wochen oder Monate nach dem Start veraltet.
Je mehr Wissenschaftler sich also mit Open Source befassen, desto besser wird das endgültige Open-Source-Modell sein.
Der Einsatz von Open-Source-LLM ist für die „reproduzierbare Forschung“ von entscheidender Bedeutung, da Besitzer geschlossener kommerzieller Sprachmodelle ihre Produkte oder ihre Trainingsdaten jederzeit ändern können, was die Ergebnisse des Modells verändern kann.
Zum Beispiel könnte eine Forschungsgruppe eine Arbeit veröffentlichen, in der geprüft wird, ob die von einem kommerziellen Sprachmodell vorgeschlagene Formulierung dazu beitragen kann, dass Ärzte effektiver mit Patienten kommunizieren. Wer weiß, ob das der Fall ist? Sind die grundlegenden Trainingsdaten des Modells dieselben wie damals? Auch ob das Modell noch betriebsbereit ist, ist unbekannt.
Das von Forschern häufig verwendete Hilfstool GPT-3 wurde durch GPT-4 ersetzt. Alle auf der GPT-3-Schnittstelle basierenden Forschungen werden wahrscheinlich nicht möglich sein Für das Unternehmen hat die Aufrechterhaltung des alten Modells keine hohe Priorität.
Im Gegensatz dazu können Forscher mithilfe von Open-Source-LLM die interne Architektur des Modells und die Gewichtungen anzeigen, verstehen, wie das Modell funktioniert, den Code anpassen und auf Fehler hinweisen. usw. Zu den Details gehören die einstellbaren Parameter des Modells und die zum Trainieren des Modells verwendeten Daten. Die Einbindung und Aufsicht der Community wird dazu beitragen, dieses Modell langfristig robust zu halten.
Die Verwendung kommerzieller Sprachmodelle in der wissenschaftlichen Forschung hat auch negative Auswirkungen auf die Forschungsethik, da der Text, der zum Trainieren dieser Modelle verwendet wird, unbekannt ist und möglicherweise direkte Nachrichten über soziale Medien enthält Benutzer auf der Plattform oder von Kindern verfasste Inhalte.
Während die Person, die den öffentlichen Text erstellt, möglicherweise den Nutzungsbedingungen der Plattform zugestimmt hat, entspricht dies möglicherweise nicht dem Standard der Einwilligung nach Aufklärung, den Forscher sehen möchten.
Meiner Meinung nach sollten Wissenschaftler so weit wie möglich davon Abstand nehmen, diese Modelle in ihrer Arbeit zu verwenden. Wir sollten zu offenen Sprachmodellen übergehen und sie anderen bekannt machen.
Außerdem glaube ich nicht, dass Akademiker, insbesondere diejenigen mit großer Fangemeinde in den sozialen Medien, andere dazu drängen sollten, kommerzielle Modelle zu nutzen, wenn die Preise in die Höhe schnellen oder Unternehmen ihre Geschäfte aufgeben , könnten Forscher es bereuen, die Technologie an Kollegen weitergegeben zu haben.
Forscher können derzeit auf offene Sprachmodelle zurückgreifen, die von privaten Organisationen wie LLaMA erstellt wurden, einem Open-Source-Modell der Facebook-Muttergesellschaft Meta, das ursprünglich auf Benutzeranwendungen und -bewertungen basierte . Die Vollversion des Modells wurde jedoch später online durchgesickert; Metas offenes Sprachmodell OPT-175 kann auch von der Wohltätigkeit der Unternehmen abhängig gemacht werden, was eine prekäre Situation darstellt.
Darüber hinaus sollte es einen akademischen Verhaltenskodex für die Zusammenarbeit mit Sprachmodellen sowie entsprechende Regulierungsmaßnahmen geben, aber diese werden meiner Meinung nach Zeit brauchen ein Politikwissenschaftler Aufgrund meiner Familienerfahrung gehe ich davon aus, dass diese Regelungen zunächst sehr unvollkommen sein werden und nur langsam in Kraft treten werden.
Gleichzeitig wird dringend Unterstützung für groß angelegte Verbundprojekte zum Trainieren von Open-Source-Sprachmodellen für die Forschung benötigt, ähnlich denen am CERN, dem Internationalen Forschungszentrum für Teilchenphysik Für Physik-Organisationen sollten Regierungen die Finanzierung durch Zuschüsse erhöhen.
Der Bereich entwickelt sich rasant weiter und die Koordinierung der nationalen und internationalen Unterstützung muss jetzt beginnen. Die wissenschaftliche Gemeinschaft muss in der Lage sein, die Risiken der resultierenden Modelle einzuschätzen und sie mit Vorsicht an die Öffentlichkeit weiterzugeben, aber es ist klar, dass eine offene Umgebung das Richtige ist.
Das obige ist der detaillierte Inhalt vonBenutzen Sie ChatGPT weniger und unterstützen Sie mehr Open Source! Nature, Professor an der New York University, schreibt: „Für die Zukunft der Wissenschaft.'. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!

Heiße KI -Werkzeuge

Undresser.AI Undress
KI-gestützte App zum Erstellen realistischer Aktfotos

AI Clothes Remover
Online-KI-Tool zum Entfernen von Kleidung aus Fotos.

Undress AI Tool
Ausziehbilder kostenlos

Clothoff.io
KI-Kleiderentferner

AI Hentai Generator
Erstellen Sie kostenlos Ai Hentai.

Heißer Artikel

Heiße Werkzeuge

Notepad++7.3.1
Einfach zu bedienender und kostenloser Code-Editor

SublimeText3 chinesische Version
Chinesische Version, sehr einfach zu bedienen

Senden Sie Studio 13.0.1
Leistungsstarke integrierte PHP-Entwicklungsumgebung

Dreamweaver CS6
Visuelle Webentwicklungstools

SublimeText3 Mac-Version
Codebearbeitungssoftware auf Gottesniveau (SublimeText3)

Heiße Themen



Bei der Konvertierung von Zeichenfolgen in Objekte in Vue.js wird JSON.Parse () für Standard -JSON -Zeichenfolgen bevorzugt. Bei nicht standardmäßigen JSON-Zeichenfolgen kann die Zeichenfolge durch Verwendung regelmäßiger Ausdrücke verarbeitet und Methoden gemäß dem Format oder dekodierten URL-kodiert reduziert werden. Wählen Sie die entsprechende Methode gemäß dem String -Format aus und achten Sie auf Sicherheits- und Codierungsprobleme, um Fehler zu vermeiden.

Verarbeiten Sie 7 Millionen Aufzeichnungen effizient und erstellen Sie interaktive Karten mit Geospatial -Technologie. In diesem Artikel wird untersucht, wie über 7 Millionen Datensätze mithilfe von Laravel und MySQL effizient verarbeitet und in interaktive Kartenvisualisierungen umgewandelt werden können. Erstes Herausforderungsprojektanforderungen: Mit 7 Millionen Datensätzen in der MySQL -Datenbank wertvolle Erkenntnisse extrahieren. Viele Menschen erwägen zunächst Programmiersprachen, aber ignorieren die Datenbank selbst: Kann sie den Anforderungen erfüllen? Ist Datenmigration oder strukturelle Anpassung erforderlich? Kann MySQL einer so großen Datenbelastung standhalten? Voranalyse: Schlüsselfilter und Eigenschaften müssen identifiziert werden. Nach der Analyse wurde festgestellt, dass nur wenige Attribute mit der Lösung zusammenhängen. Wir haben die Machbarkeit des Filters überprüft und einige Einschränkungen festgelegt, um die Suche zu optimieren. Kartensuche basierend auf der Stadt

Es gibt viele Gründe, warum MySQL Startup fehlschlägt und durch Überprüfung des Fehlerprotokolls diagnostiziert werden kann. Zu den allgemeinen Ursachen gehören Portkonflikte (prüfen Portbelegung und Änderung der Konfiguration), Berechtigungsprobleme (Überprüfen Sie den Dienst Ausführen von Benutzerberechtigungen), Konfigurationsdateifehler (Überprüfung der Parametereinstellungen), Datenverzeichniskorruption (Wiederherstellung von Daten oder Wiederaufbautabellenraum), InnoDB-Tabellenraumprobleme (prüfen IBDATA1-Dateien), Plug-in-Ladeversagen (Überprüfen Sie Fehlerprotokolle). Wenn Sie Probleme lösen, sollten Sie sie anhand des Fehlerprotokolls analysieren, die Hauptursache des Problems finden und die Gewohnheit entwickeln, Daten regelmäßig zu unterstützen, um Probleme zu verhindern und zu lösen.

Zusammenfassung: Es gibt die folgenden Methoden zum Umwandeln von VUE.JS -String -Arrays in Objektarrays: Grundlegende Methode: Verwenden Sie die Kartenfunktion, um regelmäßige formatierte Daten zu entsprechen. Erweitertes Gameplay: Die Verwendung regulärer Ausdrücke kann komplexe Formate ausführen, müssen jedoch sorgfältig geschrieben und berücksichtigt werden. Leistungsoptimierung: In Betracht ziehen die große Datenmenge, asynchrone Operationen oder effiziente Datenverarbeitungsbibliotheken können verwendet werden. Best Practice: Clear Code -Stil, verwenden Sie sinnvolle variable Namen und Kommentare, um den Code präzise zu halten.

Um die Zeitüberschreitung für Vue Axios festzulegen, können wir eine Axios -Instanz erstellen und die Zeitleitungsoption angeben: in globalen Einstellungen: vue.Prototyp. $ Axios = axios.create ({Timeout: 5000}); In einer einzigen Anfrage: this. $ axios.get ('/api/user', {timeout: 10000}).

Der Artikel führt den Betrieb der MySQL -Datenbank vor. Zunächst müssen Sie einen MySQL -Client wie MySQLworkBench oder Befehlszeilen -Client installieren. 1. Verwenden Sie den Befehl mySQL-uroot-P, um eine Verbindung zum Server herzustellen und sich mit dem Stammkonto-Passwort anzumelden. 2. Verwenden Sie die Erstellung von Createdatabase, um eine Datenbank zu erstellen, und verwenden Sie eine Datenbank aus. 3.. Verwenden Sie CreateTable, um eine Tabelle zu erstellen, Felder und Datentypen zu definieren. 4. Verwenden Sie InsertInto, um Daten einzulegen, Daten abzufragen, Daten nach Aktualisierung zu aktualisieren und Daten nach Löschen zu löschen. Nur indem Sie diese Schritte beherrschen, lernen, mit gemeinsamen Problemen umzugehen und die Datenbankleistung zu optimieren, können Sie MySQL effizient verwenden.

Remote Senior Backend Engineer Job Vacant Company: Circle Standort: Remote-Büro-Jobtyp: Vollzeitgehalt: 130.000 bis 140.000 US-Dollar Stellenbeschreibung Nehmen Sie an der Forschung und Entwicklung von Mobilfunkanwendungen und öffentlichen API-bezogenen Funktionen, die den gesamten Lebenszyklus der Softwareentwicklung abdecken. Die Hauptaufgaben erledigen die Entwicklungsarbeit unabhängig von RubyonRails und arbeiten mit dem Front-End-Team von React/Redux/Relay zusammen. Erstellen Sie die Kernfunktionalität und -verbesserungen für Webanwendungen und arbeiten Sie eng mit Designer und Führung während des gesamten funktionalen Designprozesses zusammen. Fördern Sie positive Entwicklungsprozesse und priorisieren Sie die Iterationsgeschwindigkeit. Erfordert mehr als 6 Jahre komplexes Backend für Webanwendungen

Die MySQL -Leistungsoptimierung muss von drei Aspekten beginnen: Installationskonfiguration, Indexierung und Abfrageoptimierung, Überwachung und Abstimmung. 1. Nach der Installation müssen Sie die my.cnf -Datei entsprechend der Serverkonfiguration anpassen, z. 2. Erstellen Sie einen geeigneten Index, um übermäßige Indizes zu vermeiden und Abfrageanweisungen zu optimieren, z. B. den Befehl Erklärung zur Analyse des Ausführungsplans; 3. Verwenden Sie das eigene Überwachungstool von MySQL (ShowProcessList, Showstatus), um die Datenbankgesundheit zu überwachen und die Datenbank regelmäßig zu sichern und zu organisieren. Nur durch kontinuierliche Optimierung dieser Schritte kann die Leistung der MySQL -Datenbank verbessert werden.
