一支不足百人的团队创造了 ChatGPT :90 后挑大梁,应届生 11 人,华人抢眼

【人工智能】智谱研究报告:揭秘ChatGPT背后的AI“梦之队” 作者: 智谱研究时间: 2023-03-04 10:082022年11月30日,OpenAI公司(美国致力于人工智能研究的非营利机构)发布了由大型语言模型驱动的自然语言处理工具ChatGPT。该工具通过学习和理解人类语言,能够与用户进行高质量对话,甚至还能撰写邮件、视频脚本、文案、代码、论文和小说等。由于在同行中具有较卓越的性能,ChatGPT推出仅2个多月的时间即引爆全球。 阅读详情

让全网沸腾的 ChatGPT,其背后团队不足百人。ChatGPT 发布以来,在短短 2 个月时间月活破亿,成为历史上用户增长最快的消费应用。有分析机构感叹:“在互联网领域发展 20 年来,我们想不出有哪个消费者互联网应用比它上升速度更快。”

这样一个“最强 AI”的背后,是怎样的一支团队?

根据 OpenAI 官网显示,为 ChatGPT 项目做出贡献的人员共 87 人。近日,智谱研究联合 AMiner 发布了一份《ChatGPT 团队背景研究报告》。报告显示,ChatGPT 团队的显著特征是“年纪很轻”、“背景豪华”、“聚焦技术”、“积累深厚”、“崇尚创业”和“华人抢眼”。

报告原文:
https://originalfileserver.aminer.cn/sys/aminer/ai10/pdf/ChatGPT-team-background-research-report.pdf

1ChatGPT 背后的 AI“梦之队”

 多为名校毕业,华人成员占比 10%

报告显示,ChatGPT 团队成员绝大多数拥有名校学历,且具有全球知名企业工作经历。从成员毕业高校分布看,校友最多的前 5 大高校是斯坦福大学(14 人)、加州大学伯克利分校(10 人)、麻省理工学院(7 人)、剑桥大学(5 人)、哈佛大学(4 人)和佐治亚理工学院(4 人)。

此外,ChatGPT 团队有 9 位华人,占团队总人数的 10%。

其中,5 人本科就读于国内高校,3 人本科教育经历在美国高校完成。梳理毕业于中国高校的 ChatGPT 华人成员成长路径发现,他们本科毕业后赴美深造,获得硕士或博士学位后,加入美国的一些创新型公司,诸如 Dropbox、OpenAI 等。

报告认为,华人学者欧阳龙参与了与 ChatGPT 相关的 7 大技术项目中的 4 大项目的研发,他是 InstructGPT 论文的第一作者,是 RLHF 论文的第二作者,可见他是这两个关键技术项目的核心人员。

注:与 ChatGPT 相关的先前关键技术项目有 RLHF、GPT1、GPT2、GPT3、codex、InstructGPT、webGPT 等 7 项。统计发现,ChatGPT 团队中,有 2 人参与了其中 4 项关键技术项目的研发,他们分别是高级研究员欧阳龙和研发工程师 Christopher Hesse,二人均为机器学习领域专家。

 “90 后”是主力军,女性力量占一成

报告显示,从 ChatGPT 团队年龄分布看,20~29 岁的成员有 28 人,占全体成员(剔除年龄信息缺失的 5 位成员)的 34%;30~39 岁的共 50 人,占 61%;40~49 岁的仅 3 人,无 50~59 岁年龄段的成员,60 岁以上的有 1 人。

经计算, ChatGPT 团队平均年龄为 32 岁。

报告认为,“90 后”是这支团队的主力军,他们引领了这一波大语言大模型技术的创新风潮, 这说明经常被认为研发经验不足的年轻人,完全有可能在前沿科技领域取得重大突破。

性别分布方面,ChatGPT 团队中有女性 9 人,占总数的 10%;男性共 78 人,占 90%。9 位女性成员中,有 2 位是华人,分别是曾就读于北京大学的翁丽莲,以及 Steph Lin。

 10 人从谷歌跳槽加入,1 人曾在百度任职

人员流动方面,ChatGPT 团队成员主要来自外部公司(81%)、高校应届毕业生(13%)、科研机构 (4%)和高校教职人员(3%)等。

其中,人数来源最多的外部企业是谷歌, 共 10 人跳槽加入;来源人数超过 2 人(含)以上的外部企业还有 Facebook、Stripe、Uber、 Quora、NVIDIA、Microsoft、Dropbox、DeepMind 等知名科技公司。作为应届生直接加入 ChatGPT 团队的共 11 人。

报告发现,ChatGPT 研究员 Heewoo Jun 曾在 2015-2019 年间在百度(美国研究院,Sunnyvale, California, USA.)担任研究员,2019 年从百度离职后加入 OpenAI 担任研究员至今。

到目前为止,ChatGPT 团队已离职员工有 4 人(离职率为 4.6%),他们是 Jacob Hilton、Igor Babuschkin、Matthias Plappert 和 Andrew Carr,去向分别为 Alignment Research Center、DeepMind、Github 和 Gretel.ai。

报告认为,从 ChatGPT 团队离职的人员,并非为外界想象的加入所谓“大厂”,而是仍然选择具有创新潜力的创业公司或机构。

报告还根据以上信息,就国内人工智能前沿技术发展提出了几点建议:

  • 注重科技兴趣和信仰培育,鼓励优秀年轻人投身于前沿技术创新浪潮;

  • “大厂”前沿科技创新疲态显现,鼓励年轻人将目光投向创业公司;

  • 海外华人学者是全球科技创新的重要力量, 鼓励加强对外学术交流。

2ChatGPT 爆火引发 AIGC 人才战

在 ChatGPT 爆火之前,人工智能行业人才缺口就已显现。

脉脉人才智库数据显示,2022 年人工智能行业人才紧缺指数(人才需求量 /⼈才投递量)达 0.83,成为人才最紧缺的行业。人工智能行业人才需求集中于技术研发、产品开发和商业化部门。其中软件人才需求最高,其次是产品、销售、算法、运营和项目经理。

随着 ChatGPT 在全球范围内爆火,进一步带动了相关的岗位需求。

2 月 14 日,脉脉创始人兼 CEO 林凡在社交平台发文表示,在脉脉高聘上 AIGC 相关岗位来看,科技巨头、头部猎企纷纷下场抢人,甚至开出 10 万月薪挖人。林凡认为,ChatGPT 带动的 AIGC 创业热潮要来了。这波 AIGC 创业热潮的兴起,必将推动人工智能人才的薪资再攀高峰。

根据脉脉网站显示,目前招聘 AIGC 相关人才的科技公司包括百度、腾讯、阿里、商汤、美团等。 据甲子光年报道,CGL 深圳前沿科技组合伙人梁弘进表示,过去两周,已经有超过 10 家客户找到他。这些客户基本都是国内一二梯队的互联网大厂。客户们的诉求只有一条:“就想找 OpenAI 项目里的华人”,而且“薪资不设限,越快越好”。

日前,猎聘大数据研究院发布的《ChatGPT 相关领域就业洞察报告》(以下简称“报告”)显示,人工智能人才供不应求,需求是五年前的近 3 倍,紧缺程度持续高于互联网总体水平。

报告对比了各季度的人工智能和互联网的新发职位数,结果显示,五年来,互联网人才需求(新发职位)增长趋势平缓,而人工智能在 2020 年之后处于总体迅速上升态势。2022 年四季度,人工智能新发职位是 2018 年一季度的 2.74 倍,而互联网仅是 2018 年一季度的 1.06 倍。

薪资方面,过去五年,人工智能和互联网的招聘薪资均处于上涨态势,人工智能年均招聘薪资均明显高出互联网。2022 年,人工智能招聘平均年薪为 33.15 万元,比互联网高出 4.27 万元,即 14.78%。

报告显示,人工智能以计算机算法为核心基础,因而对算法工程师需求最大,近一年新发职位占比为 7.26%,招聘平均年薪为 46.40 万元。此外,智能网联工程师、图像算法、机器视觉、深度学习、自然语言处理等职能排名靠前,跻身热招职能 TOP15,招聘平均年薪均超 39 万。

第01课:一文说透ChatGPT是什么? ChatGPT(全名:Chat Generative Pre-trained Transformer),由美国顶尖AI实验室OpenAI开发的一个人工智能聊天机器人程序,该程序使用基于GPT-3架构的大语言模型并通过强化学习进行训练,它能够通过学习和理解人类的语言来进行对话,还能根据聊天的上下文进行互动,真正像人类一样来聊天交流,甚至能完成撰写邮件、视频、脚本、文案、翻译、代码,写论文等任务。 阅读详情

相关推荐

保姆级教程:手把手教你为STM32F407和W25Q128制作Keil MDK的SPI Flash下载算法(FLM文件)

本文提供了一份详细的教程,指导开发者如何为STM32F407和W25Q128制作Keil MDK的SPI Flash下载算法(FLM文件)。从理解下载算法的核心机制到实现FlashPrg.c的核心操作,再到链接脚本与地址映射实战,手把手教你完成定制化SPI Flash下载算法的开发与优化。

weixin_28716769的博客 411

一支不足百人的团队创造了ChatGPT :90后挑大梁,应届生11人,华人抢眼

来源:AI前线整理:凌敏让全网沸腾的 ChatGPT,其背后团队不足百人。ChatGPT 发布以来,在短短 2 个月时间月活破亿,成为历史上用户增长最快的消费应用。有分析机构感叹:“在互联网领域发展 20 年来,我们想不出有哪个消费者互联网应用比它上升速度更快。”这样一个“最强 AI”的背后,是怎样的一支团队?根据 OpenAI 官网显示,为 ChatGPT 项目做出贡献的人员共 87 人。近日,...

人工智能学家 2519

用Java和MQTT搞定大疆无人机自动巡检:一个真实机场项目的踩坑与优化记录

本文详细介绍了如何利用Java和MQTT协议实现大疆无人机在机场自动巡检系统的开发与优化。通过实战案例分享系统架构设计、通信协议选型、断线重连机制及数据通道优化等关键环节,帮助开发者解决GPS信号漂移、MQTT消息风暴等典型问题,提升系统性能和可靠性。

weixin_30275415的博客 496

打造ChatGPT的团队:平均年龄32岁!华人成员:清北+名校深造

文|凌敏源|InfoQ让全网沸腾的 ChatGPT,其背后团队不足百人。ChatGPT 发布以来,在短短 2 个月时间月活破亿,成为历史上用户增长最快的消费应用。有分析机构感叹:“在互联网领域发展 20 年来,我们想不出有哪个消费者互联网应用比它上升速度更快。”这样一个“最强 AI”的背后,是怎样的一支团队?根据 OpenAI 官网显示,为 ChatGPT 项目做出贡献的人员共 87 人。近日,智...

夕小瑶科技说 1945

探索robotics-toolbox-python:从基础安装到高级机器人运动学应用

本文详细介绍了robotics-toolbox-python工具箱,从基础安装、环境配置到机器人运动学与动力学的核心应用。通过D-H参数、URDF导入和内置模型三种方式快速构建机器人模型,并演示了正逆运动学计算、关节空间与任务空间轨迹规划以及三维可视化仿真。该工具箱极大地简化了机器人算法开发流程,是进行机器人学研究和应用实践的强大工具。

i1j2k的博客 497

配置VS Code使用Linux服务器上的Matlab

0、需求 Linux服务器上安装有Matlab 无图形界面,只能使用命令行工具,编辑文件不方便 1、VS Code插件安装 在扩展商店中搜索matlab,会出现Matlab Extension Pack,里面有整理好的matlab扩展 这里只安装了第一排的三个扩展 2、设置(Windows、Mac的设置类似,只是不同系统的文件路径不同) 安装好扩展,重启VS Code后,进行设置 打开:文件→首选项→设置(或快捷键ctrl+,),搜索matlab,结果如下图所示;直接打开完整json配置文件(图

赵彬的博客 5012

ChatGPT 团队背景(共87人)

上一篇:42岁百度员工被裁,向李彦宏及公司高管发邮件最近,最火的莫过于ChatGPT了,不到半个月用户破百万,不到3个月用户破亿,成为用时最短、最快破亿的应用。被称为AI史上的重大突破。就是这样的ChatGPT,开发团队规模却不足百人,仅87人。该团队平均年龄为 32 岁,“90 后”是主力军。他们引领的这一波大型语言模型技术风潮,充分说明了那些经常被认为研发经验不足的年轻人,完全有可能在前沿科技...

Java和Android架构 2584

华为防火墙介绍和原理,配置详细解析

在出向外网的流量中,我们使用默认路由来指定默认的出口,并且使用nat地址转换,而在外网中,我们使用ISIS协议来进行路由的学习和更新,让外网可以访问到dmz非军事化区域的server1服务器。并进行NAT转换,实现了内部IP地址和外部IP地址之间的映射,以便内部网络可以与外部网络进行通信。网络地址转换(NAT):防火墙可实现网络地址转换,将内部私有IP地址转换成公共IP地址,以隐藏网络拓扑结构,增加网络安全性。确定安全需求:根据企业的安全需求和策略,确定防火墙的配置目标和规则。

外游者 5105

ChatGPT 团队有几个人?

以下内容来自公众号逆锋起笔,关注每日干货及时送达经常被认为研发经验不足的年轻人,就不能在前沿科技领域取得重大突破吗?当然不是!来看看 ChatGPT 团队吧~来源丨君工小参/ 正文 /ChatGPT 团队规模不足百人(共 87 人)。分析发现,其显著特征是“年纪很轻”、“背景豪华”、“聚焦技术”、“积累深厚”、“崇尚创业”和“华人抢眼”。该团队平均年龄为 32 岁,“90 后”是主力军。他们引领的...

code小生 1644

青岛鼎信Java开发面试题及参考答案(3万字长文,多张原理图)

MySQL 的事务特性有哪些? MySQL 事务具有四个重要特性,被称为 ACID 特性。 原子性(Atomicity):事务是一个不可分割的工作单位,事务中的操作要么全部执行,要么全部不执行。例如,在银行转账场景中,从账户 A 转账到账户 B,包括扣减账户 A 的金额和增加账户 B 的金额这两个操作必须作为一个整体来完成。如果在执行过程中发生错误,比如系统崩溃或者数据库出现故障,那么已经执行的部分必须全部回滚,就好像整个转账操作从未发生过一样。 一致性(Consistency):事务必须

大模型大数据攻城狮的专栏 1092

【LaTex】3.4 立体几何

本文介绍了使用LaTeX的tikz包绘制立体几何图形的两种方法。首先展示了基础立方体的绘制代码,通过定义8个顶点坐标并连接各边完成绘制。接着讲解了scope功能在3D绘图中的应用,包括标准平面(xy、xz、yz)的绘制方法,以及任意平面的定义技巧。重点说明了如何通过定义平面原点、x和y方向单位向量来创建旋转后的绘图平面,并以45°旋转的yz平面为例演示了圆的绘制。文章提供了完整的代码示例和对应的效果图示,展示了tikz在3D绘图中的灵活性和强大功能。

你的指尖有改变世界的力量 2458

智谱研究报告:揭秘ChatGPT背后的AI“梦之队”

统计发现,在与ChatGPT相关的先前7大技术项目研发中,ChatGPT团队成员参与人数最多的是CodeX项目,共有22人参与过,占总团队人员总数的25%;一个平均年龄仅32岁的87人团队,就能够引爆全球新一轮人工智能技术浪潮,其背后是团队成员对人工智能技术的兴趣和信仰,以及对技术创新和研发的全心投入。华人学者欧阳龙参与了与ChatGPT相关的7大技术项目中的4大项目的研发,他是InstructGPT论文的第一作者,是RLHF论文的第二作者,可见他是这两个关键技术项目的核心人员。

wuclinton的博客 3657

Claude Code 从入门到精通,通过实战项目穿插 Agent Skills、MCP、Hooks、子代理、插件等十五个知识点

本文介绍了Claude Code的高级使用技巧,通过一个个人简历网站实战项目,详细讲解了15个核心知识点。主要内容包括:三种权限模式(默认/编辑/计划)的使用与切换;历史会话管理(/resume、/rename、/clear命令);会话回滚功能(/rewind);以及危险参数--dangerously-skip-permissions的注意事项。文章还演示了如何通过计划模式拆分代码文件,并强调了在复杂任务中仔细检查规划步骤的重要性。这些技巧能帮助开发者更高效地使用Claude Code完成项目开发。

1794

智谱研究报告:揭秘ChatGPT背后的AI“梦之队”【附报告全文下载】

2022年11月30日,OpenAI公司(美国致力于人工智能研究的非营利机构)发布了由大型语言模型驱动的自然语言处理工具ChatGPT。该工具通过学习和理解人类语言,能够与用户进行高质量对话,甚至还能撰写邮件、视频脚本、文案、代码、论文和小说等。由于在同行中具有较卓越的性能,ChatGPT推出仅2个多月的时间即引爆全球。除了关注ChatGPT性能本身外,业内人士更关注该AI“梦之队”成员到底具有哪...

人机与认知实验室 325

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

聊聊ChatGPT 团队有哪些大佬!3 清华、1 北大、1 华科

作者:Mekin68来源:转载自公众号君工小参ChatGPT 团队规模不足百人(共87人)。分析发现,其显著特征是“年纪很轻”、“背景豪华”、“聚焦技术”、“积累深厚”、“崇尚创业”和“华人抢眼”。该团队平均年龄为 32 岁,“90 后”是主力军。他们引领的这一波大型语言模型技术风潮,充分说明了那些经常被认为研发经验不足的年轻人,完全有可能在前沿科技领域取得重大突破。2022 年 11...

深度学习技术前沿 956

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

揭秘ChatGPT背后的AI“梦之队”【附报告全文下载】

点击蓝字关注我们AI TIME欢迎每一位AI爱好者的加入!2022年11月30日,OpenAI公司(美国致力于人工智能研究的非营利机构)发布了由大型语言模型驱动的自然语言处理工具ChatGPT。该工具通过学习和理解人类语言,能够与用户进行高质量对话,甚至还能撰写邮件、视频脚本、文案、代码、论文和小说等。由于在同行中具有较卓越的性能,ChatGPT推出仅2个多月的时间即引爆全球。除了关注ChatGP...

AITIME_HY的博客 486

IDEA的使用指南

IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.

企业在哪里可以使用 ChatGPT 和 OpenAI 模型?

客户可以联系账户团队咨询零数据留存方案。Daybreak 的设计思路,是依靠身份核验、场景校验、访问管控、持续监控,给拿到授权的安全研究提供针对性模型能力,而不是单纯取消内容限制。亚马逊云科技在 Daybreak 专题技术文档中,分享了一则 OpenAI 安全研究案例:研究人员借助 GPT-5.6 Cyber,通过 Daybreak Red 在 V8 JavaScript 引擎中找到两个此前未公开的关联漏洞,该漏洞危害等级较高,其中一个初始漏洞已经分配 CVE-2026-15903 并完成修复发布。

JINGdigital_的博客 256

企业在哪里可使用 ChatGPT 和 OpenAI 模型?

依托托管 Amazon EC2 实例支持最长 14 天会话,搭配共享文件系统、适配 GPU、持久化存储,支撑复杂 Agent 工作负载。配置 VPC、子网、安全组、存储卷、服务角色,授权 AgentCore 管理账户内 Amazon EC2 资源。存储、网络、日志、其他云服务额外计费。企业想要把生成式人工智能落地到内部知识管理、软件开发、业务自动化、AI Agent 场景时,可以根据业务诉求,选择 ChatGPT 产品、OpenAI 官方 API,或是搭载 OpenAI 模型的云平台搭建应用。

JINGdigital_的博客 140

企业可以通过哪些渠道使用 ChatGPT 和 OpenAI 模型?

正式选型阶段,查阅 GPT-6 Sol、GPT-6 Luna、Claude Opus 5.5 的模型卡,确认 API、Region、功能特性与生命周期状态。在 Amazon Bedrock 体系里,GPT-6 Sol 主打高复杂度开发场景,支持功能开发、故障调试、代码重构、代码审查,也能够联动多款工具、应用完成多步骤业务流程。优先挑选 2-3 个典型场景,例如代码开发、文档处理、高频分类,使用同一套测试集分别跑测 GPT-6 Sol、GPT-6 Luna 和 Claude Opus 5.5。

JINGdigital_的博客 306

AI与大模型新闻日报 | 2026-11-11

今日 AI 圈动态速览:OpenAI 扩展 ChatGPT 商业功能:企业可认领资料并创建 AI 智能体,为 Business Agent 投放广告、谷歌最强 VLA 机器人模型:Gemini Robotics 2.5 登场,会系蝴蝶结、已在奔驰生产线上岗、挑战微软 Win11:原生 AI 系统 KORA 登场,将率先适配高通骁龙 X2 Elite 芯片、Meta的人工智能代理Muse登陆Apple Watch和Android Wear OS 等共 24 条新闻。

dozenyaoyida的博客 436

ChatGPT能把手机录音转成文字吗?入口、时长和纪要核对一次讲清

录音能上传,为什么却无法转成文字?转写稿看起来完整,为什么纪要又改错了金额、期限和负责人?本文结合当前官方说明,讲清手机音频准备、转写入口、长录音分段及纪要核对,附两段可复制提示词与虚构校对样例,帮助保留原话、区分提议和决定

海波的专栏 218

ChatGPT、Perplexity、Gemini 与 AI Overviews 引用对比:谁的引用更可信

AI 引擎的引用机制差异很大:ChatGPT 以行内引用加 Sources 列表呈现来源,Perplexity 几乎逐句可溯源,Gemini 在回答中内嵌相关来源链接,AI Overviews 则把多源聚合答案与来源列表一起放在搜索结果顶部。本文从引用透明度、来源偏好、可干预性 3 个维度对比这 4 个引擎,并给出 GEO 的 3 点启示,帮企业在多引擎环境下提升被引用的概率。

淡然一笑 的专栏 303

ChatGPT批量导出没有PDF模式?“AI导出鸭”正在重新定义AI内容归档的底层逻辑

摘要(149字) AI导出鸭插件突破性解决了ChatGPT等平台内容无损导出PDF的难题,尤其针对批量处理LaTeX公式、Mermaid流程图等复杂元素。其技术核心通过虚拟DOM比对生成矢量PDF,实现文本可复制、公式不失真、流程图高清渲染,并支持多对话合并导出。相比传统截图式工具,它构建了从AI对话到可交付文件的生产力管道,满足开发、教育等场景的归档需求。工具采用本地处理保障隐私,以“格式网关”架构重新定义AI内容落地的优雅方式。

rteertreerte的博客 368
上一篇: 连接不存在的 IP ,会发生什么?
下一篇: 不写代码,拿百万年薪!ChatGPT提示工程或造就15亿码农大军
IT界那些事儿
博客等级 码龄6年 2万+粉丝 22原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值