沒抓住「AI 與大語言模型」的碩博士生，學術上馬上得承受的三個弱點：
更新於 2024/09/19閱讀時間約 1 分鐘
1. 低估大語言模型對學術研究的深遠影響：
- 許多碩博士生可能認為大語言模型僅僅是處理文字的工具，沒有意識到它們在學術研究中的潛力。例如，這些模型能協助快速整理文獻、生成初步的研究報告，甚至提供語言上的支持來幫助撰寫論文。如果未能充分了解大語言模型的強大功能，就可能錯過使用這些工具來提升研究質量與效率的機會。
2. 過度依賴大語言模型，忽視學術研究核心能力的培養：
- 大語言模型可以加速許多重複性任務，如數據分析和文本生成，但碩博士生仍需專注於培養自身的研究能力，例如提出創新性問題、設計實驗、分析結果等。過度依賴 AI 可能會讓你在面臨複雜的學術挑戰時，發現自己的核心能力不夠強大，無法應對更具挑戰性的研究工作。大語言模型是一個輔助工具，但真正的學術創新還是來自於研究者本身的能力與洞察力。
3. 沒有將大語言模型融入學術研究的工作流程：
- 大語言模型不僅能處理簡單的文本工作，它還能協助碩博士生優化整體研究流程，提升整體效率。例如，透過大語言模型進行快速文獻篩選、初步假設生成，甚至是自動化資料分析等工作，可以讓研究者節省大量時間。如果沒有積極探索大語言模型如何幫助你的研究工作，可能會錯失改善研究效能的機會。關鍵在於發展「AI+學術工作流程」，讓大語言模型成為研究中的重要資產，而不只是工具。
你在學習 AI 與大語言模型的過程中，還見過什麼其他弱點？
留言0
查看全部
你可能也想看
Google News 追蹤
*合作聲明與警語：
本文係由國泰世華銀行邀稿。
證券服務係由國泰世華銀行辦理共同行銷證券經紀開戶業務，定期定額(股)服務由國泰綜合證券提供。
剛出社會的時候，很常在各種 Podcast 或 YouTube 甚至是在朋友間聊天，都會聽到各種市場動態、理財話題，像是：聯準會降息或是近期哪些科
在當今快速變化的數位時代，企業面臨著前所未有的數據處理需求。為了應對這些挑戰，企業紛紛建立自己的大型語言模型（LLM），利用大量數據進行訓練，讓模型能夠理解並生成自然語言，從而實現人機協作，優化業務流程並提升客戶體驗。
數據分析與解讀
隨著數據的爆炸式增長，能夠分析、解讀和應用數據的能力變得至關重要。這包括熟悉數據分析工具和技術，如統計學、數據挖掘、機器學習等。然而，僅靠短時間的數據分析並不足以提供深入見解。
要熟悉數據分析工具和技術，如統計學、數據挖掘和機器學習，可以從以下幾個方面入手：
基礎知識的學習
因為 AI 領域的技術不斷地迭代更新，無法避免的是需要一直去追新的技術 並且需要在一個有限的時間學會，或是實作應用導入到專案之中。
那我覺得在學習新技術可通過以下步驟:
1. 找一個讀得懂的教學資源
現在網路上的教學資源很多，或是書籍的資源也很豐富， 同時也有像是 chatgpt 的 AI
本文談及資料科學的領域與分工。首先是建造一個AI的研發流程，資料收集到 AI 模型訓練的過程，AI經歷這一切流程被創造出來並產生價值；再來本文也提及在這個領域中的各種腳色、資料工程師、數據庫工程師、資料科學家和資料分析師的各種介紹。並且強調跨領域合作的重要性。
本文介紹了AI科研文獻管理工具，包括Connected Papers、EasyScholar、Research Rabbit、ReadPaper、立理 LitLit、海鯨AI學術、pdftopdf.ai等。這些工具能幫助科研人員實現高效的文獻管理和利用文獻資源，並提高科研工作的效率和質量。
為什麼不想學「說話」？
因為思緒已太多
因為用心「聽」，又會「說」的人太少了
因為用「心」聽得見的人，不須聽見我
因為沒有「心」聽見自己的人，我不想認識也不想說服
就算遇見了有心又有力量的人
今生也已太晚（我生即為不喜說話的人，此時也嫌晚)
我沒有來生
數位化以後
能夠有個人思考
https://www.youtube.com/watch?v=wjZofJX0v4M
這是我看過最好的AI科普影片了；現在流行的GPT使用的大語言模型 (large language model, LLM), 是把每一個單字都當作一個高維度向量
影片中GPT3共儲存50257個英文單字, 每
這篇文章討論了自然語言處理技術的發展歷程，從語言模型的引入到深度學習的應用。作者觀察到現今GPT在產出中文國學內容時的深度不足，並提出了自然語言處理領域的倫理使用和版權問題，以及對大眾的影響。最後，作者探討了個人在自然語言領域的發展可能性。
2023年底以來，語言模型發展面臨著價格上漲、更新減緩和公司內部變動的局面，這些變化似乎意味著語言模型的發展受到了人為的控制和限制。
最近和朋友討論AI，朋友提到了跟上AI議題、學習AI工具的難點：
雖然知道有各種AI工具，但不知道哪裡會用得到。
工具演變這麼迅速，如果現在學，工具一下子又更新，就又得重新學習，好像永遠都跟不上。
如果AI幫我做了很多事情，那我要做什麼？
*合作聲明與警語：
本文係由國泰世華銀行邀稿。
證券服務係由國泰世華銀行辦理共同行銷證券經紀開戶業務，定期定額(股)服務由國泰綜合證券提供。
剛出社會的時候，很常在各種 Podcast 或 YouTube 甚至是在朋友間聊天，都會聽到各種市場動態、理財話題，像是：聯準會降息或是近期哪些科
在當今快速變化的數位時代，企業面臨著前所未有的數據處理需求。為了應對這些挑戰，企業紛紛建立自己的大型語言模型（LLM），利用大量數據進行訓練，讓模型能夠理解並生成自然語言，從而實現人機協作，優化業務流程並提升客戶體驗。
數據分析與解讀
隨著數據的爆炸式增長，能夠分析、解讀和應用數據的能力變得至關重要。這包括熟悉數據分析工具和技術，如統計學、數據挖掘、機器學習等。然而，僅靠短時間的數據分析並不足以提供深入見解。
要熟悉數據分析工具和技術，如統計學、數據挖掘和機器學習，可以從以下幾個方面入手：
基礎知識的學習
因為 AI 領域的技術不斷地迭代更新，無法避免的是需要一直去追新的技術 並且需要在一個有限的時間學會，或是實作應用導入到專案之中。
那我覺得在學習新技術可通過以下步驟:
1. 找一個讀得懂的教學資源
現在網路上的教學資源很多，或是書籍的資源也很豐富， 同時也有像是 chatgpt 的 AI
本文談及資料科學的領域與分工。首先是建造一個AI的研發流程，資料收集到 AI 模型訓練的過程，AI經歷這一切流程被創造出來並產生價值；再來本文也提及在這個領域中的各種腳色、資料工程師、數據庫工程師、資料科學家和資料分析師的各種介紹。並且強調跨領域合作的重要性。
本文介紹了AI科研文獻管理工具，包括Connected Papers、EasyScholar、Research Rabbit、ReadPaper、立理 LitLit、海鯨AI學術、pdftopdf.ai等。這些工具能幫助科研人員實現高效的文獻管理和利用文獻資源，並提高科研工作的效率和質量。
為什麼不想學「說話」？
因為思緒已太多
因為用心「聽」，又會「說」的人太少了
因為用「心」聽得見的人，不須聽見我
因為沒有「心」聽見自己的人，我不想認識也不想說服
就算遇見了有心又有力量的人
今生也已太晚（我生即為不喜說話的人，此時也嫌晚)
我沒有來生
數位化以後
能夠有個人思考
https://www.youtube.com/watch?v=wjZofJX0v4M
這是我看過最好的AI科普影片了；現在流行的GPT使用的大語言模型 (large language model, LLM), 是把每一個單字都當作一個高維度向量
影片中GPT3共儲存50257個英文單字, 每
這篇文章討論了自然語言處理技術的發展歷程，從語言模型的引入到深度學習的應用。作者觀察到現今GPT在產出中文國學內容時的深度不足，並提出了自然語言處理領域的倫理使用和版權問題，以及對大眾的影響。最後，作者探討了個人在自然語言領域的發展可能性。
2023年底以來，語言模型發展面臨著價格上漲、更新減緩和公司內部變動的局面，這些變化似乎意味著語言模型的發展受到了人為的控制和限制。
最近和朋友討論AI，朋友提到了跟上AI議題、學習AI工具的難點：
雖然知道有各種AI工具，但不知道哪裡會用得到。
工具演變這麼迅速，如果現在學，工具一下子又更新，就又得重新學習，好像永遠都跟不上。
如果AI幫我做了很多事情，那我要做什麼？