ChatGPT类的人工智能会给社会带来哪些冲击和潜在危险？
ChatGpt
1.它对人类会是一次巨大的解放，大量简单重复的流水线式脑力工作，有着脑力活外观的体力活，都会被替代了。社会结构因此会有极为深刻的变化。
2.它对于现有的教育体制也会是一次颠覆性的冲击，现有的教育体制（无论是哪种的）都会被淘汰，这也是为何当下西方各大学都禁止学生使用ChatGPT。但这种禁止是走不下去的，这仅仅是学校面对新挑战还无力应对的一个表现，教育领域注定要有革命性的变迁出现。
3.相应地，对于未来的世界秩序而言，它大概率会深度影响不同国家比较优势的走向，变化斜率很可能是一种指数级别的斜率。指数级别斜率意味着，三、五年里可能还看不出大区别，但是五年之后，可能会天翻地覆。
而且，GPT所依托的算法及用来训练的数据，数据的质量与规模，对GPT的演化而言有着实质重要性，开放秩序下的数据质量和数量，显然是更大的。
这些会有一种巨大的时间积累效应，数据质量和数量越大，训练出的AI模型就越强，用户也就越愿意使用这个AI，于是产生出更多数量的高质量数据，进而让AI模型的训练会更加优化，这也可说是一种飞轮效应。在飞轮效应的叠加下，竞争对手一时的落后，很可能就是既有赛道内无法改变的落后了，落后的程度也会是指数级别的斜率发展。
目前的ChatGPT是通用人工智能，大自然的信息搬运工与快速检索助理，不是所有行业的一流专家，更谈不上复杂决策。看看它跟算命先生一样，一本正经的胡说八道，特别会装。
【这句包含主观判断，可做参考。】
根据其具体应用，对话系统大致可以分为两类：（1）面向任务的系统（task-oriented dialog system）和（2）非面向任务的系统（也称为聊天机器人 chatbot）。
面向任务的系统旨在帮助用户完成某些任务（例如查找产品，预订住宿和餐馆）。如图1所示，广泛应用于面向任务的对话系统的方法是将对话回复作为一个流水线来处理。系统首先理解人类给出的信息，将其表示为一个内部状态，然后根据策略和对话状态选择一些动作，最后把动作转化为自然语言的表达形式。尽管语言理解是通过统计模型来处理的，但是大多数已部署的对话系统仍然使用人工特征或人工编写的规则来处理状态和动作空间的表示，意图检测和槽填充。这不仅使得部署真正的对话系统耗费大量时间，而且还限制了其在其他领域进行使用的能力。最近，许多基于深度学习的算法通过学习高维分布式特征表示来缓解这些问题，并在一些方面取得了显著的进步。此外，还有尝试建立端到端的面向任务的对话系统，这种对话系统可以扩展传统流水线系统中的状态空间表示，并有助于生成任务特定语料库以外的对话。
非面向任务的系统在与人类交互过程中提供合理的反应和娱乐。通常，非面向任务的系统致力于在开放域与人交谈。虽然非面向任务的系统似乎在进行闲聊，但是却在许多实际的应用程序中占有一席之地。 如[98]所示，近80％在线购物场景中的对话都是闲聊消息，而处理这些信息与用户体验密切相关。一般而言，针对非面向任务的系统开发了两种主要方法——（1）生成方法，例如seq2seq模型，其在对话过程中产生适当的回复;（2）基于检索的方法，学习从数据库中选择当前对话的回复。
近年来大数据和深度学习技术的发展，极大地推动了面向任务型和非面向任务型的对话系统的发展，促进了对话系统中大量的基于深度学习的研究。在这篇文章中，我们的关注点是（1）概述对话系统，尤其利用深度学习的最新进展；（2）讨论可能的研究方向。
文章的剩余部分的组织如下。在第二节中，我们回顾了面向任务的对话系统，包括流水线和端到端的方法。在第三节中，我们首先介绍包括当下流行模型和热门研究课题等的神经生成方法; 然后详细介绍基于检索的方法。在第四部分，我们通过一些研究方向的讨论进行总结。
为什么ChatGPT能够引发轰动？它在技术上与此前的人工智能产品有哪些不同？
欧洲智库：ChatGPT的利弊分析
原标题：欧洲智库：ChatGPT的利弊分析