三谈ChatGPT(ChatGPT可以解决问题的90%)
这是我第三次谈ChatGPT,前两篇主要谈了ChatGPT的概念,之所以火的原因和对人们的影响,以及ChatGPT可能存在的安全风险和将面临的监管问题。这一篇主要讲讲ChatGPT的场景和处理问题的逻辑。
这一次我特意使用了ChatGPT中文网页版体验了一番。并请ChatGPT帮我做了几个问题。下面是ChatGPT帮我写的一个java加解密工具类。
下面是ChatGPT帮我写的一个java加解密工具类。
import javax.crypto.Cipher;
import javax.crypto.KeyGenerator;
import java.security.Key;
import java.security.KeyPair;
import java.security.KeyPairGenerator;
import java.security.SecureRandom;public class EncryptionUtil {/*** 对称加密算法AES加密* @param content 待加密的字符串* @param password 秘钥* @return 加密后的结果* @throws Exception 异常*/public static byte[] aesEncrypt(String content, String password) throws Exception {KeyGenerator kgen = KeyGenerator.getInstance("AES");SecureRandom secureRandom = SecureRandom.getInstance("SHA1PRNG");secureRandom.setSeed(password.getBytes());kgen.init(128, secureRandom);Key key = kgen.generateKey();Cipher cipher = Cipher.getInstance("AES");cipher.init(Cipher.ENCRYPT_MODE, key);return cipher.doFinal(content.getBytes("utf-8"));}/*** 对称加密算法AES解密* @param content 待解密的字符串* @param password 秘钥* @return 解密后的结果* @throws Exception 异常*/public static String aesDecrypt(byte[] content, String password) throws Exception {KeyGenerator kgen = KeyGenerator.getInstance("AES");SecureRandom secureRandom = SecureRandom.getInstance("SHA1PRNG");secureRandom.setSeed(password.getBytes());kgen.init(128, secureRandom);Key key = kgen.generateKey();Cipher cipher = Cipher.getInstance("AES");cipher.init(Cipher.DECRYPT_MODE, key);byte[] result = cipher.doFinal(content);return new String(result, "utf-8");}/*** 非对称加密算法RSA加密* @param content 待加密的字符串* @param publicKey 公钥* @return 加密后的结果* @throws Exception 异常*/public static byte[] rsaEncrypt(String content, String publicKey) throws Exception {KeyPairGenerator kpg = KeyPairGenerator.getInstance("RSA");kpg.initialize(1024);KeyPair kp = kpg.generateKeyPair();PublicKey pubKey = kp.getPublic();PrivateKey priKey = kp.getPrivate();Cipher cipher = Cipher.getInstance("RSA");cipher.init(Cipher.ENCRYPT_MODE, pubKey);return cipher.doFinal(content.getBytes());}/*** 非对称加密算法RSA解密* @param content 待解密的字符串* @param privateKey 私钥* @return 解密后的结果* @throws Exception 异常*/public static String rsaDecrypt(byte[] content, String privateKey) throws Exception {KeyFactory kf = KeyFactory.getInstance("RSA");PKCS8EncodedKeySpec spec = new PKCS8EncodedKeySpec(Base64.getDecoder().decode(privateKey));PrivateKey priKey = kf.generatePrivate(spec);Cipher cipher = Cipher.getInstance("RSA");cipher.init(Cipher.DECRYPT_MODE, priKey);byte[] result = cipher.doFinal(content);return new String(result);}
}
我请ChatGPT帮我写一篇辞职申请书。
尊敬的公司领导:您好!在这样一个特殊的时刻,我写下这篇辞职申请书,表达我的离职意愿。回顾在公司工作期间,我感谢公司给予了我很多机会和成长空间,也让我经历了很多挑战与收获。无论是从专业技能还是个人素养上,我都有了极大的提升和进步,同时也结识了很多优秀的同事和朋友。然而,在个人生活和职业发展方面,我需要做出一些调整和抉择。经过反复思考和评估,我认为现在是一个适合我离开公司的时机。我深感抱歉,但希望您能够理解我的决定。为了保证公司业务的连续性和稳定性,在此承诺在离职前完成手头的工作,并将所有的工作交接到公司指定的同事,确保工作交接的安全、完整和规范。最后,再次感谢公司的支持和信任,祝愿公司越来越好,也祝福所有的同事和朋友们取得更加美好的职业与人生。此致敬礼!申请人签名日期
我再请ChatGPT帮我写怎么找女朋友的策略。
寻找女朋友是一件需要耐心和方法的事情。以下是一些可能有用的策略:了解自己:首先,你需要了解自己想要什么样的女孩,以及你自己能够提供什么。这将有助于你更有针对性地寻找合适的对象。广交朋友:在社交场合多认识人,在你感兴趣的领域里结交志同道合的朋友,他们或许会介绍给你一个合适的女孩。参加活动:参加各种活动和社交聚会,尤其是与你擅长或者热爱的活动相关的聚会,会有更多的机会和女生认识。在线社交:现在的社交方式已经多种多样,可以通过线上社交平台来认识新的女生,例如微信、陌陌、探探等,注意安全问题。做个好男人:善良、有礼貌、有责任心、有幽默感、身体健康等优秀品质会吸引更多的女孩子注意到你。加强自我培养:除了外表条件,内在素质也是很重要的,读书、学习技能、开阔见识、丰富爱好,这些都能让你更加有吸引力。别心急:恋爱是一件需要缘分的事情,不要着急,多享受单身时光,保持好心态,在合适的时间会遇到合适的人。总之,寻找女朋友需要耐心和方法,同时也需要保持良好的信心和心态。希望以上策略对您有所帮助。
上面的三个问题,我们可以看到ChatGPT回答的还是很官方的,其实这些东西我们通过简单的百度或者Google也可以找到相似的答案。只是ChatGPT帮我们聚合了。
我问最后一个问题:深圳最适宜居住的地方是哪里,ChatGPT的回答如下:
深圳是一个发达的现代化城市,拥有很多宜居的区域。以下是一些比较适宜居住的地区:福田中心区:福田中心区拥有完备的基础设施和便捷的交通网络,生活便利程度高,商业、文化、娱乐等资源丰富。南山区:南山区是深圳的科技与文化区,有很多海滨别墅和高端公寓,同时也有很多优秀学校和医院,适合居住的环境优美。罗湖区:罗湖区是深圳的老区之一,但近年来得到了很好的发展,是深圳的商业、交通和金融中心之一,而且还有很多古建筑和文化景点。龙岗区:龙岗区是深圳最大的行政区之一,有很多新型社区和高档住宅小区,适合家庭或个人居住,同时也有很多优秀的学校和商业配套。宝安区:宝安区是深圳的工业中心和物流枢纽,但随着城市规划的不断完善和发展,已经形成了一些高端住宅区和优质社区。需要注意的是,每个人对于居住环境的需求、生活习惯和经济实力都不同,选择居住地时应根据自身情况进行选择。以上推荐仅供参考。
这个答案就差强人意了。感觉ChatGPT永远都是一番官腔和中庸之道。这让我想起了以前说的数据中台可以解决90%的问题。但是这却是一个错误的说法,应该是可以解决问题的90%。
我们可以看到ChatGPT能够回答的东西都是一些共性的东西,就和我们写代码进行封装抽象一样,如果是个性化的东西,ChatGPT也不能很好解决。所以我认为ChatGPT只能解决问题的90%,因为ChatGPT不能直读人心,没有格局,没有情绪,更不会创新,它只能根据数据训练按部就班,提供这个世界上已有的经验,方便检索。但是不可否认的是ChatGPT确实可以作为非常有用的辅助性工作,能写代码,诗歌,论文等。
ChatGPT未来的发展预测(摘自中国日报网):
ChatGPT的技术发展趋势
ChatGPT基于的工具被称为大型语言模型(Large Language Models,LLMs),通过学习庞大的在线文本数据库中的语言统计模式来工作。基于现有的基本原理和技术,ChatGPT在未来发展进程中必然会进一步提升自身的技术水平,例如提升检索结果的质量。
技术提升的方式,一是需要将海量数据,尤其是实时的新数据增加到原有的文本数据库中,对其中不实、偏见或过时的信息进行更正,并以更新的文本数据库为基础,进行进一步的模型训练,以实现技术模型和应用工具的与时俱进。
二则是需要针对某些特定领域,进行专业化的模型训练,以实现技术提升。与之相比,更早诞生的智能问答和检索由于基于的模型较为简单、智能化程度不高,比较容易被识别;而基于LLM的ChatGPT在技术上的进步,使得它能够进行逻辑筛选,针对输入的问题提供一个大体合理的答复。但是,从本质来看它的回答仍然是不可靠的,在回答一些专业领域问题时也会产生错误的回答。因此,在一些特定的、专业化程度较高的领域,需要提供专业化的文本数据库、基于针对性的训练方法对模型和数据进行调整。以文史哲和理工科领域的问题研究为例,其需要的方法论和逻辑思维方式是不同的;在同一个学科的不同场景下,需要的分析思路也是不同的。因此,ChatGPT未来发展需要针对特定领域进行专业化的模型训练。
ChatGPT的商业化发展趋势和应用领域
ChatGPT的进一步发展同样离不开技术的应用和商业化。其商业化方式,一是与现有的大型商业平台(如微软、谷歌等)进行合作。虽然有相关人士称要实现由LLM驱动的搜索仍需要大幅降低其成本,但与此同时,微软计划将ChatGPT整合进他们的搜索引擎Bing并预计在3月份推出。此外,现有的大型商业平台也可能自行进行技术研发。这两者是否实现产品替代取决于两种方式的开发速度。
无论以哪一种方式实现商业化发展,必然首先聚焦于资源、资金高度集中和技术应用性强的特定领域。例如,金融领域技术应用较为广泛、资金充沛,金融科技、金融数据治理等都在金融领域率先开展;文化娱乐领域商业化变现较为迅速,同样可能会成为技术应用首要涉及的领域;与日常工作相关的办公软件等领域,如果能基于该项技术实现部分自动化办公(如自动化公文写作、PPT制作),由于其应用广泛、用户需求量大,也可能成为技术应用首先发展的领域。
ChatGPT的阶段性发展趋势和商业化竞争趋势
ChatGPT作为一种新的技术和工具,很可能与其他新技术和工具类似,在首次进入大众视野时会得到较多的研究和关注,在国内外诞生大量相应的创业公司或上市公司进行赛道布局。但在经过一段时间的激烈竞争后,实际成功并存活的公司并不多。这也是高德纳咨询公司(Gartner)提出的技术成熟度曲线所反映的状况。ChatGPT目前很可能正处于该曲线中过高期望的峰值阶段,即将到达泡沫化的底谷期。在它实现应用和实施以后,在某些具体领域和场景中的应用效果可能并不及预期。
在这一过程中,会有很多创业公司或上市公司逐渐退出市场。从国内来看,推测最后存活和成功实现技术应用的相关平台,很可能是具有充足资金、流量基础和现有数据库的大平台,例如百度、头条等。其余一些创新型公司或小型专业化公司,可能会遇到训练集不足、无法实现模型的有效训练等问题,最终退出市场。在这期间,相关上市公司的投资和股票价格可能快速上涨,但最终能够实现该项技术的国产化替代的,依然是现有的大平台。
相关文章:

三谈ChatGPT(ChatGPT可以解决问题的90%)
这是我第三次谈ChatGPT,前两篇主要谈了ChatGPT的概念,之所以火的原因和对人们的影响,以及ChatGPT可能存在的安全风险和将面临的监管问题。这一篇主要讲讲ChatGPT的场景和处理问题的逻辑。 这一次我特意使用了ChatGPT中文网页版体验了一番。并…...

Qt QSet 详解:从底层原理到高级用法
目录标题 引言:QSet的重要性与简介QSet 的常用接口迭代器:遍历Qset 中的元素(Iterators: Traversing Elements in Qset )高级用法:QSet 中的算法与功能(Advanced Usage: Algorithms and Functions in QList…...

Mac Doxygen的使用
Doxygen的使用 安装着Doxygen和Graphviz这两个东西 在源码目录先使用doxygen -g生成一个叫 ‘Doxyfile’ 的Doxygen的配置文件修改配置文件,里面都有介绍各个选项的功能,这里主要修改一下几个: HAVE_DOT YES EXTRACT_ALL YES EXTRACT_PRIVATE YES E…...

FPGA基础代码复用
一、verilog中有关代码复用的语法 1、连接符“{}” {4{1b1}} 或者 {5d6, 5d8} 2、参数(Parameter)型常量定义 parameter 参数名=表达式; 或者 localparam 参数名=表达式; parameter DATA_WIDTH 20; 3、function函数定义 …...

Hbase简介
HBase简介 一、HBase简介 1. HBase简介 (1) apache的顶级项目,hadoop的数据库,分布式、大规模的大数据存储。 HBase是Google的BigTable的开源java版本,建立在hdfs之上的,分布式、列存储、非关系(nosql、key-value&a…...

科海思除COD树脂,大孔树脂,除COD专用树脂
一、产品介绍 Tulsimer A-722 MP具有控制孔径的大孔强碱性Ⅰ型阴离子交换树脂 Tulsimer A-722 MP 是一款具有便于颜色和有机物去除的控制孔径的,专门开发的大孔强碱性Ⅰ型阴离子交换树脂。 Tulsimer A-722 MP(氯型)专门应用于去除COD…...

Qt 多线程 QThread、QThreadPool使用场景
QThread 和 QRunnable 都是 Qt 框架中用于多线程编程的类,它们之间有以下不同点: 继承关系不同 QThread 继承自 QObject 类,而 QRunnable 没有父类。 实现方式不同 QThread 是一个完整的线程实现,包含了线程的创建、启动、停止、…...

如何一招搞定PCB阻焊过孔问题?
PCB阻焊油墨根据固化方式,阻焊油墨有感光显影型的油墨,有热固化的热固油墨,还有UV光固化的UV油墨。而根据板材分类,又有PCB硬板阻焊油墨,FPC软板阻焊油墨,还有铝基板阻焊油墨,铝基板油墨也可以用…...

【代码随想录】刷题Day2
1.左右指针比大小 977. 有序数组的平方 class Solution { public:vector<int> sortedSquares(vector<int>& nums) {vector<int> ret nums;int left 0;int right nums.size()-1;int end nums.size();while(left<right){if(abs(nums[left])>abs…...

Python机器学习、深度学习技术提升气象、海洋、水文领域实践应用
Python是功能强大、免费、开源,实现面向对象的编程语言,在数据处理、科学计算、数学建模、数据挖掘和数据可视化方面具备优异的性能,这些优势使得Python在气象、海洋、地理、气候、水文和生态等地学领域的科研和工程项目中得到广泛应用。可以…...

计及调度经济性的光热电站储热容量配置方法【IEEE30节点】(Matlab代码实现)
💥 💥 💞 💞 欢迎来到本博客 ❤️ ❤️ 💥 💥 🏆 博主优势: 🌞 🌞 🌞博客内容尽量做到思维缜密,逻辑清晰,为了方便读者。 …...

“不要放过这个春天”解锁品牌春日宣传新玩法
在万物复苏的春天,人们换新装、踏青等需求蓄势待发,出现了全民消费热情高涨的趋势,让品牌「贩卖春天」的宣传此起彼伏。 品牌洞察到用户的消费需求,打造具有品牌特色的浪漫宣传,如采用春日限定元素、创新春天宣传场景…...

利用GPT2 预测 福彩3d预测
使用GPT2预测福彩3D项目 个人总结彩票数据是随机的,可以预测到1-2个数字,但是有一两位总是随机的 该项目紧做模型学习用,通过该项目熟练模型训练调用生成过程. 福彩3D数据下载 https://www.17500.cn/getData/3d.TXT data数据格式 处理后数据格式 每行 2023 03 08 9 7 3 训…...

类加载过程
基本说明 反射机制是Java实现动态语言的关键,也就是通过反射实现类动态加载。 静态加载:编译时加载相关的类,如果没有则报错,依赖性太强动态加载:运行时加载需要的类,如果运行时不用该类,即使…...

【C/C++】C++11 无序关联容器的诞生背景
文章目录 背景无序关联容器适用场景有序关联容器适用场景 背景 C11 引入了无序关联容器(unordered_map、unordered_set、unordered_multimap 和 unordered_multiset)是为了提供一种高效的元素存储和查找方式。相比于有序关联容器(map、set、…...

h264编码原理
在介绍编码器原理之前首先了解三个制定编码标准的组织: 1.国际电信联盟(ITU-T),这是一个音视频领域非常强的组织,规定了很多标准如h261,h262,h263,h263。h263也就是h264的前身。 2.国际标准化组织(ISO)&…...

网络工程师经常搞混的路由策略和策略路由,两者到底有啥区别?
当涉及到网络路由时,两个术语经常被混淆:策略路由和路由策略。虽然这些术语听起来很相似,但它们实际上有着不同的含义和用途。在本文中,我们将详细介绍这两个术语的区别和应用。 一、路由策略 路由策略是指一组规则,用…...

高精度气象模拟软件WRF实践技术
【原文链接】:高精度气象模拟软件WRF(Weather Research Forecasting)实践技术及案例应用https://mp.weixin.qq.com/s?__bizMzU5NTkyMzcxNw&mid2247538149&idx3&sn3890c3b29f34bcb07678a9dd4b9947b2&chksmfe68938fc91f1a99bbced2113b09cad822711e7f…...

总结827
学习目标: 4月(复习完高数18讲内容,背诵21篇短文,熟词僻义300词基础词) 学习内容: 高等数学:刷1800,做了26道计算题,记录两道错题,搞懂了,但并不…...

还在发愁项目去哪找?软件测试企业级Web自动化测试实战项目
今天给大家分享一个简单易操作的实战项目(已开源) 项目名称 ET开源商场系统 项目描述 ETshop是一个电子商务B2C电商平台系统,功能强大,安全便捷。适合企业及个人快速构建个性化网上商城。 包含PCIOS客户端Adroid客户端微商城…...

总结下Spring boot异步执行逻辑的几种方式
文章目录 概念实现方式Thread说明 Async注解说明 线程池CompletableFuture(Future及FutureTask)创建CompletableFuture异步执行 消息队列 概念 异步执行模式:是指语句在异步执行模式下,各语句执行结束的顺序与语句执行开始的顺序…...

【开发日志】2023.04 ZENO----Composite----CompNormalMap
NormalMap-Online (cpetry.github.io)https://cpetry.github.io/NormalMap-Online/ CompNormalMap 将灰度图像转换为法线贴图 将灰度图像转换为法线贴图是一种常见的技术,用于在实时图形渲染中增加表面细节。下面是一个简单的方法来将灰度图像转换为法线贴图&…...

春秋云境:CVE-2022-28525 (文件上传漏洞)
目录 一、题目 1.登录 2.burp抓包改包 3.蚁剑获取flag 一、题目 ED01CMSv20180505存在任意文件上传漏洞 英语不够 翻译来凑: 点击其他页面会Not Found 找不到: 先登录看看吧: 试试万能密码:admin:123 发现错误…...

【软件测试二】开发模型和测试模型,BUG概念篇
目录 1.软件的生命周期 2.瀑布模型 3.螺旋模型 4.增量,迭代 5.敏捷---scrum 1. 敏捷宣言 2.角色 6. 软件测试v模型 7.软件测试w模型 8.软件测试的生命周期 9.如何描述一个BUG 10.如何定义BUG的级别 11.BUG的生命周期 12.产生争执怎么办 1.软件的生命周期…...

短视频app开发:如何实现视频直播功能
短视频源码的实现 在短视频app开发中,实现视频直播功能需要借助短视频源码。短视频源码可以提供一个完整的视频直播功能模块,包括视频采集、编码、推流等。因此,我们可以选择一些开源的短视频源码,例如LFLiveKit、ijkplayer等&am…...

[架构之路-174]-《软考-系统分析师》-5-数据库系统-7-数据仓库技术与数据挖掘技术
5 . 7 数据仓库技术 数据仓库是一个面向主题的、集成的、相对稳定的、反映历史变化的数据集合,用于支持管理决策。近年来,人们对数据仓库技术的关注程度越来越尚,其原因是过去的几十年中,建设了无数的应用系统,积累了…...

销售高品质 FKM EPDM NBR 硅胶 O 形密封圈
O形圈常用于各种行业,包括汽车、航空航天和制造业。它们是由不同材料制成的圆环,用于将两个或多个组件密封在一起。用于制造O形圈的材料是决定其有效性和耐用性的重要因素。在本文中,我们将讨论用于制作O形圈的不同类型的材料。 1.丁腈橡胶(…...

Linux环境变量:不可或缺的系统组成部分
目录标题 引言(Introduction)Linux环境变量的概念(Concept of Linux Environment Variables)环境变量的作用与重要性(Roles and Importance of Environment Variables) Linux环境变量基础(Linux…...

FFmpeg命令行解析
目录标题 一、引言(Introduction)1.1 FFmpeg简介(Overview of FFmpeg)1.2 FFmpeg命令行的应用场景(Application Scenarios of FFmpeg Command Line) 二、FFmpeg命令行基础(FFmpeg Command Line …...

机器学习——为什么逻辑斯特回归(logistic regression)是线性模型
问:逻辑斯蒂回归是一种典型的线性回归模型。 答:正确。逻辑斯蒂回归是一种典型的线性回归模型。它通过将线性回归模型的输出结果映射到[0,1]区间内,表示某个事物发生的概率,从而适用于二分类问题。具体地说,它使用sig…...