微软离Altman越近,离OpenAI就越远!

06885cd22dd02d81e558ff58c7b54f35.png

9e47f448fdbb8092d1d203618d42ee4b.png




大数据产业创新服务媒体

——聚焦数据 · 改变商业


在OpenAI这场连续剧中(之所以说是连续剧,这个事情肯定没完,后面肯定还会出续集),让我倍感意外的是,Altman刚跟OpenAI分手,“离婚手续”都还没办齐,转头就投入了微软的怀抱,火线入职微软。如果说他们之前是“清白”的,没有勾连,这谁能信。

b9bf29528599b0f9ad62de25568c17dd.png

这说明一个问题,OpenAI罢免Altman,并没有冤枉他。为什么这么说?我们来详细说道说道。

不被科技巨头控制,是OpenAI绝对的红线

我们需要回顾一下,OpenAI成立的初衷是什么?当初,马斯克和阿尔特曼等人,担心谷歌垄断人工智能,尤其是担心DeepMind率先开发出AGI,这样的技术被谷歌垄断,对人类不利。所以,几个人一合计,决定创立一个开源的、非盈利的组织,避免AGI这样的技术被谷歌这样的巨头所垄断。

担心被谷歌垄断,创立的OpenAI,后来却与微软越走越近。所以,越来越多人担心,OpenAI被微软控制。刚逃出谷歌的狼窝,转头就进入微软的虎穴,搞了半天折腾了一个寂寞,那创立OpenAI是为了什么?

所以,在OpenAI原教旨主义者(遵守《OpenAI宪章》)的一群人眼中,如果说Altman过渡商业化以及对安全风险的忽视,还可以谅解,但跟微软“眉来眼去”是绝对不能容忍的。他们不会容忍自己为人类创建AGI的果实,被微软偷偷摘了桃子。

但事实情况是,在Altman的主导下,OpenAI与微软的关系越来越暧昧。

某种程度上,OpenAI已经被微软“包了饺子”,已经成为一块“夹心饼干”。何出此言?

在目前的结构中,ChatGPT的底层算力,用的是微软云,也就是说微软云是OpenAI的底层基础设施;在上层,微软的必应、Office365等多个应用,都全面接入ChatGPT。某种程度上,微软控制了ChatGPT的商业化应用,尤其是B端商业化应用。

上层应用和下层基础设施,都被微软控制,而且微软的巨额投资还让其股份占比越来越大,OpenAI可不就是被微软“包饺子”了么?

而主导这一切的,无疑就是Altman。难怪当得知Altman被罢免时,听说微软的CEO纳德拉异常愤怒。

此次,Altman前脚刚离开OpenAI,后脚就入职微软,这要说他们之前没“奸情”,谁能信?Altman与纳德拉在推特(“X”)上的互动,看着都有点肉麻。

27b42c74117dc7e1fa43227f69306f07.png

微软离Altman越近,离OpenAI越远!

既然Altman与OpenAI闹掰了,并投入微软怀抱。那接下来一个关键的看点,就是微软怎么处理OpenAI的关系。

在探讨微软与OpenAI的未来关系时,我们可以轻松地将这场科技界的“肥皂剧”概括为两个剧本。

第一个剧本:想象一下微软扮演着一位精明的赌徒,左手拿着内部大模型的筹码,右手紧握着OpenAI的合作协议。这就是第一种可能性,其中微软在两个大牌中间游刃有余地下注。

他们会继续在Sam Altman的带领下,研发更强大的AI模型,同时也不松开与OpenAI的紧密合作。在这个方案中,微软既是OpenAI的金主又是其技术合作伙伴,同时将ChatGPT这样的黑科技紧密融入其商业战略。

第二个剧本:微软突然变脸,与OpenAI之间的关系变得岌岌可危。想象一下,微软突然撤回所有资金、算力资源,同时将ChatGPT这个曾经的明星产品从自己的业务版图中一刀切。这种情况下,微软可能会自行研发类似的技术,或者寻找新的合作伙伴,而OpenAI则需要迅速找到新的资金来源和技术支持。

不管哪种情况,微软和OpenAI的未来走向都将对整个科技界产生深远的影响。我们只能拭目以待,看看这场戏码最后会如何上演。

微软怎么做,可能很大程度上取决于OpenAI接下来的行为。OpenAI会怎么做,还有很大的不确定性,毕竟现在OpenAI还要靠金主爸爸们养活。

但是,有一点可以肯定,OpenAI与微软的蜜月期结束了。OpenAI会更加注重自己的独立性,这种独立性可能表现在三个方面:

首先,在融资这块,OpenAI将不再满足于仅仅依赖微软这一个“金主爸爸”。他们可能会像勇敢的探险家一样,走出舒适区,寻找更多的资金来源。这可能包括吸引更多风险投资者的关注,甚至敲响上市的大门。通过这些手段,OpenAI能够减少对微软的财务依赖,从而在财务上更加自立。

其次,在算力这一块,OpenAI可能会像一位智慧的农夫,不再只种一块地。他们可能考虑多云策略,既使用微软云,也采用亚马逊AWS、谷歌云等其他云服务提供商的资源。这不仅能降低对单一供应商的依赖风险,还可能带来成本效益。甚至,OpenAI也可能像个勤劳的建筑工人,自己动手,丰衣足食,建设自己的GPU计算集群。

最后,在商业化方面,OpenAI的策略可能会像一位多面手艺人,不再只依赖微软的“全家桶”。他们可能会拓宽自己的商业合作网络,与更多第三方企业合作,将自己的产品和服务,比如ChatGPT,融入到更广泛的业务场景中。这不仅能增强OpenAI的市场影响力,还能提高其产品的多样性和竞争力。

微软和OpenAI的关系,现在就像一对曾经激情四射的情侣,逐渐步入了理性的“亲情时代”。OpenAI作为这段关系中渐趋成熟的一方,明显开始寻求更多的自主权和独立性。

入职微软的Altman,能复制ChatGPT么?

还有一个问题很关键,那就是Altman加入微软,大概率做的事情跟OpenAI差不多。而且,OpenAI很可能有不少员工,会追随Altman。微软现在的态度是,要钱给钱,要人给人,要资源管够,摆出一副誓要干翻OpenAI的态势。

那么,Altman能在微软做出一个媲美甚至超越GPT-4的产品么?我对此持怀疑态度。

为什么这么说?

在Altman加入之前,微软就没有加足马里搞大模型么?显然不是,但凡微软自己能搞出一个ChatGPT这样好的产品,他会愿意受OpenAI这份气?

事实上,不仅微软,谷歌、亚马逊等一众科技巨头,哪一个不是卯足劲推进自己的大模型项目?这么久过去了,有人成功么?别说微软,就是发明了Transfomer架构的谷歌,现在自己的大模型产品都还拿不出手。

要论人才、资源,这些科技巨头哪一个不能碾压OpenAI?那他们为什么现在都拿不出媲美ChatGPT的产品?

有一个关键的原因,那就是大模型本身就是一个黑箱。别说谷歌、微软,就是OpenAI自己,让他从头走一遍,都不一定能做成现在的ChatGPT,这是他们自己承认的。

直到现在,没有任何人能搞清楚大模型具体的工作机理,更搞不清楚大模型的智能是怎么“涌现”出来的。在未来几年内,都不太可能能解开大模型的黑箱。

大模型的能力,不像是一个标准的数学函数,可以一步步的推理出来。并没有一个标准的步骤,来告诉人们怎么一步步搭建出一个GPT-4。现在的ChatGPT,有一定的“运气”成分在里面,在大量的试错中,一点点试出来的。

大模型的“黑箱”问题是来自于哪里呢?

大型神经网络模型如GPT系列的非线性和复杂的内部结构,是理解其工作机制的一大难点。这些模型包含多个处理层,每层都进行着复杂的数学运算,而层与层之间的相互作用又增加了额外的复杂性。正是这些非线性层的叠加和交互,使得模型能够从简单的输入数据中提取出复杂的模式和关联,从而执行复杂的任务,如语言理解和生成。

非线性是神经网络中的核心特征,它允许网络捕捉输入数据中的复杂、非直观的关系。每个神经元(或节点)在接收输入后,通过非线性激活函数处理信息,这些激活函数决定了信息是否及如何传递到网络的下一层。由于每个激活函数的输出不是输入的线性映射,模型能够学习并表现出高度复杂的数据表示。

然而,正是这种非线性和层间复杂的交互,也造成了理解上的困难。当上千亿个这样的非线性神经元相互作用时,理解每个单独神经元的贡献、追踪信息在网络中的具体流动路径,以及预测网络对特定输入的反应,都变得异常复杂。这不仅需要深刻的数学和编程知识,还需要对模型架构的深入理解。

因此,大型神经网络模型的非线性和复杂的内部结构,是使其成为“黑箱”的重要因素之一。这些模型虽然在处理复杂任务时显示出惊人的能力,但同时也带来了理解和解释上的重大挑战。

此外,参数量巨大、训练数据复杂,进一步加剧了“黑箱”问题。上千亿参数在训练过程中通过机器学习算法调整以优化性能,但正是因为这些参数众多且相互关联,使得理解模型的具体决策过程变得异常复杂。而数据的多样性和丰富性,意味着模型在学习过程中接触到各种各样的信息和语境,这使得追踪模型为何作出特定响应变得更加困难。

正因为大模型本身的黑箱属性,让“复制”ChatGPT并不是一个容易的事情。别说是Altman,就是现在OpenAI的几百号员工,全部转到微软去,在短期内也不太可能做出另外一个ChatGPT。

而且,说实话,Altman的优势在于融资与商业化,而不在于技术。OpenAI真正的技术大牛,是llya。而Altman这样的商业化人才,在微软简直不要太多。

如果我们真的接近AGI,那相比于被微软、谷歌这样追求商业利益最大化的科技巨头垄断,我更希望OpenAI这样的非盈利组织能够率先造出AGI。

商业公司,特别是大型科技企业,通常以利润最大化为主要目标。他们在开发AGI时可能会优先考虑商业应用和市场竞争优势。虽然这种驱动力可以推动技术的快速发展和创新,但它也可能导致某些伦理和安全问题的忽视。尤其是在竞争激烈的市场环境中,“杀红眼”了就顾不上那么多了。

相比之下,非盈利组织如OpenAI,可能更能够在其研究和发展过程中平衡商业利益和社会责任。由于非盈利性质,这样的组织可能更专注于长期的、具有变革性的目标,而不是短期的财务回报。这可能使得它们在处理AGI带来的伦理和安全问题时,更为谨慎和全面。

此外,非盈利组织在开发AGI时可能更注重透明度和包容性。他们可能更愿意与学术界、政府和公众合作,确保AGI的发展和应用是符合伦理的,并为社会大众所接受。这种开放和合作的方式可能有助于减少对AGI潜在风险的忽视,同时促进更广泛的社会利益。

最后,让我们重温一下《OpenAI宪章》里的使命——我们的首要信托责任是对人类的信托责任。

文:一蓑烟雨 / 数据猿


32b6bd738a3462eba3aed618ee87532c.jpeg

311c854468469628eb0f33534528e1b3.png

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:/a/178580.html

如若内容造成侵权/违法违规/事实不符,请联系我们进行投诉反馈qq邮箱809451989@qq.com,一经查实,立即删除!

相关文章

模拟量采集----测量输入的电流

生活中的模拟量有很多 大多都为电压信号和电流信号 今天讲如何测量输入的电流信号 通过欧姆定律可知 电流测量的测量:是将电流加载在固定阻值的电阻上,来测量这个电阻二端的电压 最后反算出电流的大小 所用的公式是IU/R 我们使用仿真软件来看测量…

连接k8s和凌鲨

通过连接k8s和凌鲨,可以让研发过程中的重用操作更加方便。 更新容器镜像调整部署规模查看日志运行命令 架构 所有操作通过k8s proxy连接,通过设置namespace label赋予访问权限。只有赋予特定label的namespace才能被访问。 使用步骤 部署k8s proxy 你…

深度学习图像修复算法 - opencv python 机器视觉 计算机竞赛

文章目录 0 前言2 什么是图像内容填充修复3 原理分析3.1 第一步:将图像理解为一个概率分布的样本3.2 补全图像 3.3 快速生成假图像3.4 生成对抗网络(Generative Adversarial Net, GAN) 的架构3.5 使用G(z)生成伪图像 4 在Tensorflow上构建DCGANs最后 0 前言 &#…

基于SSM的旅游管理系统设计与实现

末尾获取源码 开发语言:Java Java开发工具:JDK1.8 后端框架:SSM 前端:采用JSP技术开发 数据库:MySQL5.7和Navicat管理工具结合 服务器:Tomcat8.5 开发软件:IDEA / Eclipse 是否Maven项目&#x…

如何用java的虚拟线程连接数据库

我觉得这个很简单 首先确保你idea支持jdk21. 然后把idea编译成的目标字节码设置为21版本的 然后编写代码。 创建虚拟线程的方式有: Runnable runnable () -> {System.out.println("Hello, world!"); };// 创建虚拟线程 Thread virtualThread Thre…

likeshop单商户商城系统 任意文件上传漏洞复现

0x01 产品简介 likeshop单商户标准商城系统适用于B2C、单商户、自营商城场景。完美契合私域流量变现闭环交易使用。 系统拥有丰富的营销玩法,强大的分销能力,支持电子面单和小程序直播等功能。无论运营还是二开都是性价比极高的100%开源商城系统。 0x02…

【OpenCV实现图像:使用OpenCV生成拼图效果】

文章目录 概要通用配置不考虑间隔代码实现考虑间隔代码实现小结 概要 概要: 拼图效果是一种将图像切割为相邻正方形并重新排列的艺术效果。在生成拼图效果时,可以考虑不同的模式,包括是否考虑间隔和如何处理不能整除的部分。 不考虑间隔&a…

java代码调用twitter-api用例实战

一、申请twitter开发者账号 首先先申请twitter开发者免费的API,要填写申请的内容,放心大胆地写,申请完,会提供免费的API接口。 以下是我申请到的三个免费API 申请完开始进行测试调用。 读官方文档账户认证那块:https…

Python 2.7 在 Debian 服务器上获取 URL 时的 SSL 验证失败问题与解决方案

在使用Python的requests库从Debian稳定服务器上获取简单URL时,遇到了SSL证书错误。 根据用户的问题描述,您遇到了SSL证书验证失败的问题。 要解决这个问题,您可以采取以下步骤: 1. 升级到Python 2.7的最新版本: 首…

基于SSM的课程资源管理系统

末尾获取源码 开发语言:Java Java开发工具:JDK1.8 后端框架:SSM 前端:采用JSP技术开发 数据库:MySQL5.7和Navicat管理工具结合 服务器:Tomcat8.5 开发软件:IDEA / Eclipse 是否Maven项目&#x…

5-6求1-20的阶乘和

#include<stdio.h> //求阶乘 int main(){int n;double sum0;//求和&#xff1a;一点一点加int t1;for (n1;n<15;n){tt*n;sumsumt;}printf("结果是&#xff1a;%22.15e \n",sum);return 0; }为啥最后是%22.15e呢&#xff1f; 因为这个求和的结果太大了 所以转…

git clone慢的解决办法

在网站 https://www.ipaddress.com/ 分别搜索&#xff1a; github.global.ssl.fastly.net github.com 得到ip&#xff1a; 打开hosts文件 sudo vim /etc/hosts 在hosts文件末尾添加 140.82.114.3 github.com 151.101.1.194 github.global-ssl.fastly.net 151.101.65.194 g…

图神经网络与图注意力网络

随着计算机行业和互联网时代的不断发展与进步&#xff0c;图神经网络已经成为人工智能和大数据的重要研究领域。图神经网络是对相邻节点间信息的传播和聚合的重要技术&#xff0c;可以有效地将深度学习的理念应用于非欧几里德空间的数据上。本期推送围绕图神经网络与图注意力网…

java基础-集合

1、集合 在java中&#xff0c;集合&#xff08;Collection&#xff09;指的是一组数据容器&#xff0c;它可以存储多个对象&#xff0c;并且允许用户通过一些方法来访问与操作这些对象。j 集合的实现原理都基于数据结构和算法&#xff0c;如下&#xff1a; 数据结构&#xff1…

52.seata分布式事务

目录 1.事务的四大特性。 2.分布式服务的事务问题。 3.seata。 3.1理论基础。 3.1.1CAP定理。 3.1.2BASE理论。 3.2初识Seata。 3.2.1Seata的架构。 3.2.2部署TC服务。 3.2.3微服务集成Seata。 3.3 seata提供的四种分布式事务解决方案。 3.3.1 XA模式。 3.3.1.1 X…

摩尔定律,梅特卡夫定律,吉尔德定律

信息系统的三大定律(摩尔定律&#xff0c;梅特卡夫定律&#xff0c;吉尔德定律)有一个清晰的视角&#xff1a; 信息系统不是左边的生产消费系统&#xff0c;而是右边的交易系统&#xff0c;交易系统与生产消费典型的区别在于信息交易过程会产生新的信息&#xff0c;就像钱一样…

jvs-智能bi(自助式数据分析)11.21更新功能上线

jvs智能bi更新功能 新增: 1.字段设置节点新增自定义时间格式功能&#xff1b; 自定义功能允许用户根据需要自定义日期和时间字段的显示格式&#xff0c;为用户提供了更大的灵活性和便利性 2.图表时间搜索条件新增向下兼容模式&#xff1b; 时间搜索条件的向下兼容模式允许用…

【wireshark】基础学习

TOC 查询tcp tcp 查询tcp握手请求的代码 tcp.flags.ack 0 确定tcp握手成功的代码 tcp.flags.ack 1 确定tcp连接请求的代码 tcp.flags.ack 0 and tcp.flags.syn 1 3次握手后确定发送成功的查询 tcp.flags.fin 1 查询某IP对外发送的数据 ip.src_host 192.168.73.134 查询某…

Ps:背景橡皮擦工具抠图实例

背景橡皮擦工具 Background Eraser Tool由于是一个破坏性的工具&#xff08;直接删除像素&#xff09;而少被人使用。 其实&#xff0c;它不仅是一个功能强大的抠图工具&#xff0c;也是可以转换为非破坏性运用的。 原图&#xff08;注&#xff1a;图片来自网络&#xff09; 效…

【尚硅谷】第06章:随堂复习与企业真题(面向对象-基础)

第06章&#xff1a;随堂复习与企业真题&#xff08;面向对象-基础&#xff09; 一、随堂复习 1. &#xff08;了解&#xff09;面向过程 vs 面向对象 不管是面向过程、面向对象&#xff0c;都是程序设计的思路。面向过程&#xff1a;以函数为基本单位&#xff0c;适合解决简单…