共计 1751 个字符，预计需要花费 5 分钟才能阅读完成。
通过钻研发现
人工智能的完满农民是什么样子的？钻研人员依据人工智能开发的设计创立了一个实用的工作机器人。具体来说，荷兰的一个团队应用 ChatGPT 来帮忙进步食品产量。
代尔夫特理工大学和瑞士洛桑联邦理工学院的钻研团队亲密关注 ChatGPT 的设计倡议，包含抉择播种的作物和确定最无效的播种技术。这种单干的后果是一个番茄播种机器人，它可能轻轻地从葡萄藤上摘下果实。
钻研人员试图考察人类与 ChatGPT 等大型语言模型（LLM）之间的潜在合作程度。在他们的钻研中，团队成员提出了一个问题，“人类将来面临的最大挑战是什么？
“咱们心愿 ChatGPT 不仅设计一个机器人，而且设计一个真正有用的机器人，”代尔夫特理工大学助理传授 Cosimo Della Santina 在媒体发布会上解释道。
在与 ChatGPT 的探讨中，他们决定将食物供给作为他们的挑战，并构思了创立番茄播种机器人的想法。钻研人员发现人工智能的设计倡议在概念阶段特地有价值。
“ChatGPT 将设计师的常识扩大到其余业余畛域，”代尔夫特理工大学的博士生 Francesco Stella 说，“例如，聊天机器人教会了咱们哪种作物对自动化最具经济价值。
代尔夫特理工大学和洛桑联邦理工学院的钻研人员用 ChatGPT 设计的番茄采摘机器人在测试环境中挪动。
ChatGPT 还在施行阶段提供了有用的倡议，就要应用的特定资料和机制提供了倡议，例如倡议为抓手应用硅胶或橡胶以避免压碎西红柿，并倡议将 Dynamixel 电机作为操作机器人的最佳抉择。由此产生的发明是一个可能播种西红柿的机械臂。然而，Stella 抵赖他们作为工程师的角色产生了转变，更加关注更多的技术工作。
主权人秘密 – 高级情报会员
钻研小组打算在他们的机器人钻研中持续应用番茄播种机器人。他们还打算进一步钻研 LLM 以设计新的机器人，特地关注 AI 在设计本人的物理构造时的自主性。
由 ChatGPT 和代尔夫特理工大学和 EPFL 的钻研人员与钻研人员一起在现场测试中设计的番茄采摘机器人。
“最终，咱们畛域将来的一个悬而未决的问题是，如何利用 LLM 来帮忙机器人开发人员，而不会限度机器人技术应答 21 世纪挑战所需的创造力和翻新，”Stella 总结道。
ChatGPT 如何工作？
依据 ChatGPT 自身的说法，该程序是基于 OpenAI 开发的 GPT-4 架构的语言模型。它旨在了解和生成相似人类的对话上下文中的响应。底层技术 GPT-4 是 GPT 系列的高级迭代，在规模和性能方面比其前身有所改进。以下是 ChatGPT 如何工作的概述：
- 预训练：ChatGPT 对来自不同起源（如书籍、文章和网站）的大量文本数据进行了预训练。在这个阶段，模型学习人类语言的构造和模式，如语法、句法、语义，甚至一些事实信息。然而，必须留神的是，在预训练期间取得的常识仅限于训练数据中提供的信息，该数据具备截止日期。
- 微调：在预训练阶段之后，ChatGPT 应用较窄的数据集进行微调，通常蕴含对话或对话样本。此数据集能够在人工审阅者的帮忙下依照特定准则生成。微调过程有助于模型学习在对话环境中生成更上下文相干和连贯的响应。
- 转换器架构：ChatGPT 基于变压器架构，使其可能无效地解决和生成文本。它应用自我留神机制来衡量单词在给定上下文中的重要性，并捕捉语言中的长期依赖关系。此体系结构使模型可能了解并生成简单且上下文适当的响应。
- 标记化：当用户输出文本时，ChatGPT 首先将文本标记化为称为令牌的较小单元。这些标记能够示意字符、单词或子单词，具体取决于所应用的语言和标记化策略。该模型并行处理这些令牌，使其可能疾速生成上下文感知响应。
- 解码：解决输出令牌并生成上下文向量后，ChatGPT 通过生成形成响应的标记序列来解码输入。这通常应用贪心搜寻、光束搜寻或其余解码策略来实现，以依据模型的预测抉择最有可能的下一个令牌。
- 交互式对话：ChatGPT 保护对话历史记录，以跟踪对话期间的上下文。在每次交互期间，此历史记录都会反馈到模型中，使其可能生成上下文统一的响应。
重要的是要留神，人工智能程序实际上抵赖它有局限性，例如生成 不正确或无意义的答案，对输出措辞敏感，过于简短，或者不对不置可否的查问提出廓清问题。OpenAI 补充说，它一直致力于改良这些方面并欠缺模型，使其对公众应用更无效，更平安。
