我们知道，由于ChatGPT过于强大的能力，导致其遭多所大学封杀。《大西洋杂志》有文章谈道：“大学论文从此死了(The College Essay is Dead)，高中英语课程死了(The End of High -school English)。”
目前，纽约和西雅图的教育系统已全面封杀ChatGPT，因为学生使用ChatGPT肆无忌惮地作弊，调查显示，现在美国89%的大学生都在使用ChatGPT代做作业。而ChatGPT可能正在颠覆整个留学行业，特别是文书工作。通过ChatGPT生成文书内容，能够快速简便地生成优秀的文书（论文）。据《福布斯》+杂志报道，ChatGPT只用不到10分钟就写出了一篇23FALL Common App的申请文书和一篇威斯康星大学麦迪逊分校的补充文书，其文书内容紧扣题目，条理清晰......可以预计，各学科、各专业的AⅠ数字人很快就可以替代讲师或教授进行授课了，所以，您觉得当各类型ChatGPT足够强大能给出答案等知识时，是否还有必要出国留学读哈佛、牛津、剑桥和耶鲁等高校吗？是否应缩短学制学年呢？特斯拉CEO埃隆·马斯克曾在采访中谈教育制度时表示：没必要拥有大学学位，甚至高中文凭，比尔·盖茨、乔布斯都没大学毕业，学历代表了过去，能力体现在当下，学习力意味着未来可期！他认为不需要上大学学知识。世界上的知识基本都是免费的。如果你愿意你基本上可以免费的学习任何知识。（You don’t need college to learn stuff! Everything is basically for free. You can learn anything you want for free. ）。大学教育并不一定是必需品，学历≠知识，拥有大学学位并不是成功的保证……对此，您有何高见？如果您还有良知，是为公平、正义和共建美好世界而来，那就请你将《共绘网》转发出去，让更多人受益吧！
一共有人参与 条评论
干了一辈子软件，我一直以为AI导致的世界的天翻地覆的变化会发生在几百年之后。ChatGPT的出现让大多数人类包括我大吃一惊。 ChatGPT的本质就是“自寻规律”的自主学习能力。 比如你给它看十万张视网膜的照片，每一张都告诉它这个人是否有糖尿病。看完这些照片后，你给它一张新的视网膜照片，它就可以判断这个人有没有糖尿病。 即使连人类不知道那些判断的标准是什麽，AI肯定可以找出。这就是新一代“自寻规律”的AI算法的革命性。在此算法被发明之前，AI研究的目的一直是在某一个狭窄的领域让计算机能够接近人脑的知识、判断力，哪怕是白分之一都是大成就了。自寻规律的算法让AI瞬间把人脑远远地抛在了脑后，ChatGPT可以在医学院、律师资格考试和任何它学习过的专业的考核中拿到顶尖的成绩。
(1)据《华尔街见闻》的报告：一些美国和德国学者公布的新近研究显示，OpenAI的最新一代AI语言模型ChatGPT 4完成并通过了美国的几个会计类考试，包括美国注册会计师（CPA）、注册管理会计师（CMA）、注册内部审计师（CIA）和注册税务师（EA），平均得分85.1。 发布上述最新研究的研究人员指出，几个月前，ChatGPT 4的前代ChatGPT 3.5没能过关考试，但新版ChatGPT这么快就考试通过。这个结果意味着，ChatGPT“对会计和审计行业会有颠覆性”。美国杨百翰大学David Wood教授解释说，之所以两代ChatGPT的AI技术性能产生差异，主要源于新一代有了新的插件，这些插件赋予它“推理和行动”的能力。Wood也认为不要夸大ChatGPT近期的影响，认为如果它能帮助会计师应对普遍存在的人手短缺问题，它就有很大的潜力。Wood评价，这项技术令人兴奋，但大家必须知道怎样配合它其他的技能使用，而不是说，突然把它放到审计或者纳税申报表里，就立刻能用了。换句话说，就算通过了CPA考试，ChatGPT也还不是能干活的注册会计师。Wood说，也许它能帮我们做枯燥的工作，让我们专心做那些最有意思的事。 美国《今日会计》网站在1个多月之前的4月13日也做过相似的测试。当时利用3.5版的ChatGPT没能通过美国《今日会计》做的美国注会考试测试。在四个科目的得分分别是审计和鉴证（AUD）39分、财务会计和报告（FAR）46分、（法规）35分和商业环境（BEC）48分。在近日利用4.0版本的ChatGPT测试则通过了美国注会考试。另有报道称：4.0版的ChatGPT在美国律师考试中获得了90分，在15次美国大学预修课程考试（AP）中通过了13次，在GRE口语考试中获得近满分的成绩。 更早的时候，美国杨百翰大学会计学教授David Wood的在2023年1月的使用ChatGPT 3.0测试则表明AI应对大学会计课程考试还是逊于人类的。他从14个国家186所教育机构的327名合作者里获得了25181道会计课堂考试题。杨百翰大学的本科生还提供了2268个教科书测试库问题。这些问题涵盖了各种会计子领域，例如会计信息系统（AIS），审计，财务会计，管理会计和税务。它们的难度和类型也各不相同。Wood教授的测试结果表明，学生的表现是优于AI的。学生的平均得分为76.7%，而ChatGPT为47.4%。在11.3%的问题上，ChatGPT的得分高于学生平均水平，特别是在会计信息系统(AIS)和审计方面表现出色。然而，它在税务、财务和管理评估方面苦苦挣扎，可能是由于它在数学过程中的困难。ChatGPT 判断题（68.7%正确率）和多选题（59.5%）上表现更好，但在简答题（28.7%至39.1%）方面有困难。它通常与高阶问题作斗争，有时会为不正确的答案提供权威的书面描述或以不同的方式回答相同的问题。研究人员预计 GPT-4 将改进会计问题并解决他们发现的问题。最有希望的方面是聊天机器人增强教学和学习的潜力，例如帮助设计和测试任务或起草项目部分。（益嘉仁）
(0)中国教育其实就是一个“精神病院”。竞技如此白热化，投入少一丁点，名次就会后退大半截。 所以孩子的年级排名，一直徘徊在100到200名之间。 有几个老师，很多次语重心长地给我说，孩子其实大有潜力的，这样子可惜了。 我都只是笑笑。 我的考虑很简单，成绩是不是最好不重要，重要的是别拼出精神病。 成绩再好，精神不正常又有何益？ 美国爱荷华大学两次震惊世界的凶杀案，凶手不都是从咱中国去的尖子生吗？ 我访问美国期间，翻译也多次谈到，北大清华好几个留美生，虽然专业上一直很优秀，但由于精神原因，最终都走上了自我毁灭的道路，要么进大牢，要么进精神病院。在我看来，毋宁说，整个中国教育其实就是一个精神病院。 如果说运动员是牺牲身体健康来换取奖牌，那么尖子生不仅是牺牲身体健康，更兼牺牲心理健康。 他们往往以心理残疾为代价来换取所谓优质学位。 又岂止尖子生才是牺牲品，数量更为庞大的差生群体，他们一直在公开的歧视中生活，没有起码的尊严，没有起码的自信，他们比之尖子生更悲剧。 这其实是说，无论尖子生，还是所谓差生，他们的命运并没有根本的差异，他们都是千疮百孔。 这种情况下，或许只有中庸之道，才是一个相对明智的选择？ 基于这个思路，一直以来，我都反对给孩子设定一个最高目标，而只主张给孩子划定一条底线。 不求孩子跑在最前面，但求孩子别从底线上掉下来。我以为只有这样做去，孩子身体上心理上的代价才可能小一些，才是对孩子最大限度的保护。（阅读第一 ）
(0)作为一个青春期男孩的妈妈，我也关注教育十来年了，对中国的教育也失望得很，道理大家都懂，但是被时代裹挟的时候你还剩下多少选择的权利？外国的教育也有它的弊病，文化不同，你没见到西方教育的真正问题就不能下结论。我身边就有例子，西方的文化自由允许16岁的孩子选择变性！请问中国有哪个家长能够接受？我们一直抱怨中国的教育虐杀人性，但是你也不能否认中国的基础教育确实领先世界。很多事情都是不能只看局部的，国家的改革初衷是好的，但是家长本身又有多少是理智的呢，教育这样的大问题需要整个社会的参与和改进，而不是个人的努力或哪个单位的决定可以改变。我更期待社会风气的正本清元！古老的中国智慧对待教育其实早有答案，只不过我们放弃发扬自己的文化太久了。希望全社会都积极看待这个问题吧！
(0)一、机器学习。机器学习是指从有限的观测数据中提取（或“猜测”）出具有一般性的规律，并利用规律对位置数据进行预测的方法。机器学习是人工智能的一个重要分支，并逐渐成为推动人工智能的发展的关键因素。 当我们用机器学习来解决实际任务时，会面对多种多样的数据形式，比如声音、图像、文本等，不同数据的特征构造方式差异很大。对于图像这类数据，我们可以很自然地将其表示为一个连续地向量，而对于文本数据，因为其一般由离散符号组成，并且每个符号在计算机内部都表示为无意义地编码，所以通常很难找到合适地表达方式。因此，在实际任务中使用机器学习模型一般会包含以下几个步骤：1.数据的预处理：经过数据的预处理，如去除噪声等，比如在文本分类中，去除停用词等。 2.特征提取：从原始数据中提取一些有效的特征，比如在图像分类中，提取边缘、尺度不变特征变换特征等。 3.特征转换：对特征进行一定的加工，比如，‘降维和升维。降维包括特征抽取和特征选择两种途径。 4.预测：机器学习的核心部分，学习一个函授并进行预测。 二、机器学习算法分类：1.监督学习。 输入数据是由输入特征值和目标值组成；函数的输出可以是一个连续的值（称为回归）或是输出是有限个离散值（称为分类）。 2.无监督学习。 输入数据是由输入特征值组成，没有目标值；输入数据没有被标记，也没有确定的结果，样本数据类别未知，需要数据样板间的相似性对样本集体进行类别划分。 3.半监督学习。 训练集同时包含有标记样本数据和未标记样本数据。 4.强化学习。实质是自动进行决策，并且可以连续决策。 机器学习常用算法： 1.线性回归。 2.Logistic 回归。 3.线性判别分析（LDA）。 4.分类与回归树。决策树是预测建模机器学习的一种重要算法。决策树模型的表示是一个二叉树。这是算法和数据结构中的二叉树，没什么特别的。每个节点代表一个单独的输入变量 x 和该变量上的一个分割点（假设变量是数字）。决策树的叶节点包含一个用于预测的输出变量 y。通过遍历该树的分割点，直到到达一个叶节点并输出该节点的类别值就可以作出预测。决策树学习速度和预测速度都很快。它们还可以解决大量问题，并且不需要对数据做特别准备。 5. 朴素贝叶斯。 6. K 近邻算法。 7. 学习向量量化。 8. 支持向量机（SVM）。支持向量机可能是最受欢迎和最广泛讨论的机器学习算法之一。超平面是分割输入变量空间的一条线。在 SVM 中，选择一条可以最好地根据输入变量类别（类别 0 或类别 1）对输入变量空间进行分割的超平面。在二维中，你可以将其视为一条线，我们假设所有的输入点都可以被这条线完全的分开。SVM 学习算法找到了可以让超平面对类别进行最佳分割的系数。 9.Bagging 和随机森林。随机森林是最流行和最强大的机器学习算法之一。它是 Bootstrap Aggregation（又称 bagging）集成机器学习算法的一种。 bootstrap 是从数据样本中估算数量的一种强大的统计方法。例如平均数。你从数据中抽取大量样本，计算平均值，然后平均所有的平均值以便更好的估计真实的平均值。bagging 使用相同的方法，但是它估计整个统计模型，最常见的是决策树。在训练数据中抽取多个样本，然后对每个数据样本建模。当你需要对新数据进行预测时，每个模型都进行预测，并将所有的预测值平均以便更好的估计真实的输出值。（AI科技在线 ）
(0)
手机扫描二维码访问
