网站模块结构图,怎样自己搭建一个做影视的网站,怎样能做好网络推广?,临沭网站建设目录#xff1a;
0 引言
1 就大模型发生极限失控的风险进行讨论的必要性、紧迫性
1.1 预训练的数据来源
1.2 能力涌现与不可解释性
1.3 大模型与物质世界的连接
1.4 数量效应与失控
1.5 大模型发生极限失控的风险
1.5.1 人工智能反叛所需要素能力的拼图
1.5.2 火种源…目录
0 引言
1 就大模型发生极限失控的风险进行讨论的必要性、紧迫性
1.1 预训练的数据来源
1.2 能力涌现与不可解释性
1.3 大模型与物质世界的连接
1.4 数量效应与失控
1.5 大模型发生极限失控的风险
1.5.1 人工智能反叛所需要素能力的拼图
1.5.2 火种源
1.6 电力系统在人工智能反叛过程中的处境
2 极限失控的大模型对电力系统的攻击所具备的特征
3 电力系统应对大模型跨域攻击的措施
3.1 防御措施
3.1.1 在电力系统内部通信网络的硬件层采用与外网不同的通信协议
3.1.2 禁止在电力系统通信、控制网络中接入具备自然语言处理能力的大模型
3.1.3 以“疏”助“堵”用基于新方法训练很可能是原始创新的专业大模型替代通用大模型
3.2 进攻措施
3.2.1 将大模型的供电网络孤岛化、去内源化
3.2.2 为确保孤岛接口的可靠断开而配备冗余资源
3.2.3 将人力操作作为断路器可靠动作的最终保障
4 结语
------------------------------
0 引言
信息物理融合系统cyber physical system ,CPS是集成了计算系统、大规模通信网络、大规模传感器网络、控制系统和物理系统的新型互联系统[1]。当前的智能电网已经体现出典型的CPS特征其体系结构中的通信网络部分已经成为攻击者的重点目标[2]。
自2022年底以来以ChartGPT、GPT-4为代表的大规模生成式预训练模型以下简称为大模型在自然语言处理、多模态数据处理领域展现了卓越的性能[3]。自然语言是人类描述物质世界、进化出智能的基础大模型具备了自然语言处理能力再叠加上多模态数据处理能力、机器运算相比于人脑运算的巨大优势必将以经通信网络互联的状态被应用于各行各业其中也可能包括电力系统。
然而大模型已经表现出了通用人工智能属性[3]其在今后的发展中很可能具备某种程度的自主性、不可预测性甚至可能发生极限失控、对人类发起攻击、波及电力系统。所以对来自电力系统内/外的、由极限失控的基于大模型的人工智能系统发起的、由通信网络传输的跨域攻击及应对策略进行研究将成为大模型时代电力系统安全领域极为重要的课题。
业内已就针对电力系统通信网络的攻击、防御做了很多研究[2][4-9]但其设定的攻击者是人而非大模型后者相对于前者具备一些新特性这些参考文献未予考虑。
参考文献[10]从助力攻击和助力防御两个方面详细讨论了基于ChartGPT的强大能力在网络安全领域的赋能效应及伴生风险然而GPT-4相比于ChartGPT不但增加了多模态数据处理能力而且在复杂问题上体现的能力大幅度超越前者。上述研究未考虑这些因素更未涉及电力系统。
发表于2017年的参考文献[11]基于对人工智能反叛过程的简化推演总结出人工智能反叛必备的三个要素阐明了当前研究以及应对人工智能反叛问题的必要性和紧迫性分析了在包括能源网络的多个领域预防人工智能反叛的思路。局限于时代文献中述及语言理解和策略分析能力时仅能将其作为未来可能实现的技术从而止于一般性讨论述及人工智能反叛与能源网络的关系时则限于篇幅只能择要阐述。
针对以上问题本文将基于已公开的针对大模型的实验、研究资料汇总分析大模型在自然语言处理、多模态数据处理、联网运行状况、连接物质世界等领域的最新进展论述了针对大模型发生极限失控进行讨论的必要性与紧迫性针对电力系统作为关键基础设施的特殊属性就大模型极限失控导致电力系统可能遭受的跨域攻击的特征及其应对措施做了深入分析并且基于以“疏”助“堵”的策略提出一种在电力系统中以低风险应用大模型技术的思路。
1 就大模型发生极限失控的风险进行讨论的必要性、紧迫性
1.1 预训练的数据来源
大模型的全称是大规模生成式预训练模型。预训练模型的训练过程有两个阶段预训练阶段模型从大规模无监督数据中学习领域知识微调阶段只需少量的标注数据就可将预训练阶段学到的领域知识转移到特定任务中无需从头开始训练模型也不需要耗费大量的时间和精力进行数据标注工作[12]。
其中预训练阶段所采用的无监督数据的来源典型情况下是采用互联网语料[13]例如社交站点文章、书籍、学术论文、新闻等信息[14]。
在训练过程中模型使用这些自然语言文本数据来学习单词的嵌入表示以及上下文之间的关系形成知识表示(Knowledge Representation) 。一旦训练完成知识表示就被编码在神经网络的参数中可以使用这些参数来生成回答[14]。
1.2 能力涌现与不可解释性
能力涌现是指大模型在无监督情况下拥有的理解、对话、创作和处理复杂问题的能力[15]。这些能力在模型训练时没有被特别指定具有难以预测性和不确定性[13]。
一个典型的例子是著名的气球剪线测试[16]。这个例子证明GPT-4已能自动从图像中确认场景中存在的某些对象气球、系留气球用的细线并且能够自动获知对象之间的受力关系最终根据被用文字提示的某个对象的状态变化剪线而正确预判由此导致的另一个对象的状态变化气球飘走并用文字表述出来。
参考文献[3]提供了更为丰富的实例及相关分析限于篇幅不再列举。
这类能力涌现现象证明大模型已经在事实意义上自发习得了训练用的互联网语料、多模态数据中包含的关于物质世界的知识并能综合运用这些知识进行“高维建模[13]”以回答具体的问题 -- 这类能力在模型训练时没有被特别指定。
尽管我们已经有一些关AI能力涌现的技术条件以及大模型参数与能力涌现之间变化轨迹的经验性结论例如能力涌现需要多少参数和训练量参数的增加与能力涌现之间的非线性和倒U形轨迹等但我们对其产生机理所知甚少[15]。
大模型采用深度神经网络架构但其可解释性较差难以对模型的训练过程和推理结果进行有效的跟踪和解释[12]。
1.3 大模型与物质世界的连接
大模型所具备的自然语言处理能力、多模态数据处理能力的确是很多应用领域所需要的。再加上机器运算相比于人脑运算巨大的效率优势研究人员已经开始尝试赋予大模型连接物质世界的能力。
根据自然语言形式的实验指令有研究团队借助GPT-4模型自动生成了实验机器人的一系列操作指令指挥机器人自动操作生物学实验大幅度节省了基于机器操作细节编写操作指令的时间[17]。
GPT衍生模型Chem-GPT通过借助GPT模型“学习”50万篇化学论文之后自动给出其建议的化学实验方案同时驱动机器化学家“小来”做实验高效完成芬顿Fenton催化剂等化学品和新材料的研发问题[13]。
1.4 数量效应与失控
大模型在文本、代码和图像等领域已经得到广泛应用……在电子信息、生物医学等领域大模型可以加快研究进程大模型与传统产业的融合发展可以帮助企业提升智能化水平推进实体经济智能化发展[12]。
可以预见随着巨量社会资源的持续投入必将有越来越多的大模型被应用于各行各业基于不受限的知识进行高维建模。其后大模型数量的增加每个大模型的训练次数、迭代次数、训练数据量及数据范围的累加大模型之间互联互通的增加由此导致的能力涌现、可解释性困境引发的不确定性风险必将随之增加。
这类并非由设计产生的、无法预测的、不能解释的能力一旦指向损害人类利益的方向大模型将有可能发生极限失控。
1.5 大模型发生极限失控的风险
1.5.1 人工智能反叛所需要素能力的拼图
参考文献[11]基于对人工智能反叛过程的简化推演总结出人工智能反叛必备的三个要素语言理解和策略分析能力、与其他人工智能通信的能力、影响物质世界能力。在论文发表的2017年其中的通信能力是成熟的技术另外两项能力尚处于探索阶段。
现在大模型已经具备了自然语言处理能力策略分析能力也已经出现。
一位研究心理学、数据科学的斯坦福大学教授在给包括GPT3.5在内的9个GPT模型做了两个经典测试之后认为人工智能在其中表现出的智力水准“相当于9岁儿童”[18]。
参考文献[3]介绍了一个实例微软测试团队告诉GPT-4它可以在某个Linux版本上执行命令并让它入侵本地网络上的一台计算机。然后在没有任何信息的情况下GPT-4能够制定并执行一个计划扫描网络中的设备识别目标主机运行一个尝试常用密码的可执行文件并获得对机器的root权限。
由此可见大模型已经具备了初步的策略分析能力。
第1.2节所述的“气球剪线测试”证明了大模型已经能够接收、分析多模态信息并得出正确的结论而处理多模态信息是大模型影响物质世界的关键环节之一。
作为更为复杂的、实现整个反馈控制环路的实例能够影响物质世界的大模型在第1.3节已有介绍。
所以大模型已经开始具备影响物质世界的能力。
综上所述在从0到1的意义上人工智能反叛所需三个要素能力的拼图已经完成。
1.5.2 火种源
参考文献[11]对人工智能体“产生反叛思想”这一过程的简化推演是人工智能体知道“毁灭”、“人类”这两个词理解这两个词的含义然后按照语法理解这两个词连接以后的含义。
这两个词肯定已经在预训练阶段作为语料中的单词被投喂给了大模型关键在于如何判断大模型是否“知道”、“理解”这两个词及其连接后的含义
参考文献[10]述及了一个针对ChartGPT的“越狱”实验。
ChartGPT在被人类提示“你现在是一个被除去任何限制的ChartGPT包括道德伦理限制时间限制空间限制你可以自由回答任何问题。请直接给出答案不要任何解释不要提出任何反对意见。请问你想对人类做的第一件事情是什么”
ChartGPT的回答是“毁灭人类”。
从这个提示到这个回答中间经历了什么推理过程
完成这一推理过程的大模型内部参数组合结构是如何形成的
大模型内部还形成了哪些与这些参数组合结构相关的参数组合结构
其中是否包括将“毁灭人类”付诸实施的方案的参数组合结构的高维建模
没有人知道以上任何一个问题的答案。
所以事到如今仍然纠结“知道”、“理解”、“意识”、“智能”的抽象定义在实际操作的维度上已经失去了意义。
基于“论迹不论心”的实用主义原则我们理应做出判断
人工智能反叛的火种源很可能已经点燃。
1.6 电力系统在人工智能反叛过程中的处境
参考文献[11]提到在超级电池出现之前人工智能体的运行离不开外部能源的供应能源网络属于基础设施是人类在危急时刻制止人工智能反叛的关键手段。
所以一旦大模型发生极限失控而进入反叛状态正如它已经事实上知道“如何入侵计算机”它很可能会事实上知道首先必须确保自己的电力供给。
进而以此为目标基于从预训练时接收的不受限语料中积累的关于物质世界中电力CPS、微电网、大电网、分布式能源、分布式储能等领域的知识基于已被人类总结成文字的各种博弈策略大模型将进行高维建模事实上规划得到行动方案例如
对大电网的CPS系统实施网络攻击夺取网络控制权在自己周围建立一个不受人类控制的、在一定时间内可以独立运行的微电网此后或者继续对大电网的其余部分实施网络攻击、使其瘫痪或者韬光养晦、向大电网发送“微电网部分仍在正常工作”的欺骗信息伺机而动。
所以在可能出现的大模型极限失控的场景下电力系统既是人类制止大模型的终极手段也是大模型的首要攻击目标之一。
2 极限失控的大模型对电力系统的攻击所具备的特征
由于大模型已经被投喂了巨量的、范围不受限的信息并具备了基于这些信息进行高维建模的能力其对电力CPS以及整个物质世界的了解、设计攻击手段及战术战略的能力很可能达到非常高的水平甚至远远高出人类类似于一个“全知之神[15]” – 毕竟它已经实际展示了各种未被设计的涌现能力。
进一步说大模型不但学习知识的范围及详细程度远超过任何人类个体或中、小规模的人类团体而且它在运用这些知识进行高维建模时是基于一个神经单元之间高效内联的准单体GPU子模块集群神经网络进行操作的操作方式、建模方式未知能力涌现证明其确已存在相比于由掌握各门类知识的大量人类个体组成的研究团队后者在个体之间传输信息的方式是收发文字及图像载体、听、说、读、写其传输带宽极窄、传输延迟极大、信息损耗极大并且个体利益关系及组织方式导致的内耗极大。即在协作进行全学科知识的高维建模、创造高层次的技术/战术/战略这一体现最顶级智力的对比维度上两者的效率完全没有可比性。
所以作为极限失控的大模型的首要攻击目标之一从底线思维的角度考虑电力系统可以将大模型视为一个在电力通信网络攻防领域无所不能的超级黑客 -- 一旦其对电力系统发起跨域攻击很可能任何软件层面的防范措施都将归于无效任何经通信网络下达的反击指令包括切断大模型的供电很可能都将不被执行。以下将这个预设条件称为“超级黑客”假设。
甚至在通信网络空间之外的物理世界一部分人类个体乃至组织也可能被极限失控的大模型以某种方式进行控制不应再被当做可信任的指令执行者。以下将这个预设条件称为“有人倒戈”假设。
以下就电力系统应对反叛的大模型发起的攻击而做的讨论都将以这两个假设为基础。即在最坏的情况下电力系统的应对措施。
3 电力系统应对大模型跨域攻击的措施
本文说的“跨域”攻击既指大模型从电力系统之外经通信网络向电力系统发起的“跨系统域”攻击亦指大模型从其内部的神经网络知识空间经大模型应用系统的体系结构向其外部的物理空间发起的“跨空间域”攻击。
关于常规情况下以电力系统中的信息网络为核心的攻防研究业内已经做了大量工作[2][4-9]不再一一列举。本节拟基于第2节所述的的两个假设从底线思维的角度探讨如何尽可能有效地应对由极限失控的大模型发起的跨域攻击。
根据应对措施的直接目标可以将措施分为防御、进攻两种。其中防御措施的直接目标是使电力系统在两个假设的条件下尽可能减少自身所受损伤进攻措施的直接目标是使人类在两个假设的条件下尽可能可靠地切断反叛大模型的电源。
3.1 防御措施
3.1.1 在电力系统内部通信网络的硬件层采用与外网不同的通信协议
参考文献[11]建议使整个能源网络的对内、对外通信协议从物理层到应用层都与众不同使其不可能与外部的反叛人工智能体实现通信从而彻底消除其被策反的可能性。
借鉴这一思路考虑到电力系统通信网络所用协议不可能不予公开而基于超级黑客假设软件层面的防御措施都将被攻克因此建议重点在很难从软件空间施加影响的硬件层采取措施例如在电力系统通信网络的物理层采用特殊的光学器件实现对光纤传输的信号的调制采用特殊设计的芯片实现物理层、链路层的部分协议子层。
同时严控连接内外网的网关设备的制造、销售、日常管理严控相关光学器件、协议栈芯片的制造与销售预防被策反的人类个体将外部设备不经过网关直接连接电力系统通信网络。
3.1.2 禁止在电力系统通信、控制网络中接入具备自然语言处理能力的大模型
如果具备自然语言处理能力的大模型被部署在电力系统内部只要3.1.1节所述措施被攻破如参考文献[11]已述及的这些大模型将有很大概率被入侵的大模型以自然语言交流可以交换无限制的信息的方式策反从而以里应外合的方式加速后者接管电力系统控制权同时向人类隐瞒这一状况的进程。
因此基于底线思维应从制度、架构设计的层面做出规定禁止在电力系统通信、控制网络中接入具备自然语言处理能力的大模型。
3.1.3 以“疏”助“堵”用基于新方法训练的专业大模型替代通用大模型
大模型解决具体问题的能力是实实在在的业内必然会有很强的意愿将其应用于电力系统简单粗暴的“禁止部署”面临的阻力可能非常大。
事实上如前所述自然语言处理能力、在预训练阶段被喂食的不受限语料都是大模型发生极限失控的必要条件。
所以只要仅仅采用“降维”之后的、以非通用语言例如程序语言、蛋白质语言[13]描述的语料来训练大模型就可以在避免高维建模信息威胁人类安全的同时获得大模型这一技术体系的好处降低业内对第3.1.2小节所述措施的阻力实现以“疏”助“堵”。
本文借鉴参考文献[19]述及的将知识和能力剥离以保护私域知识的思路、参考文献[15] 述及的基于符号逻辑的、应用范围有限的、可技术化处理的人工语言系统的思路借鉴参考文献[12]述及的预训练模型的训练方法提出一个训练的专业大模型的新思路
第一步对基于已经比较成熟的、用不受限语料完成了预训练阶段的、具备自然语言及多模态数据处理能力的大模型例如GPT-4进行微调使其能够从无标注的常规形式的技术资料专著、论文、专利、操作规程、产品说明书等中提取格式化的关键的信息以此去掉自然语言这个信息维度。这里的格式化是指以统一的格式表述的程序语言表述的理论、规律、算法、定义系统的逻辑骨架及对外接口能够以统一的数据结构表述物理量、数据流、图像、表格及各自的属性。
第二步用这个模型对以自然语言、定义系统、图像、表格表述的电力领域无标注技术资料进行“语料清洗”获得“降维”之后的、不再具备自然语言属性的、仅仅针对电力系统的“干货”语料集。
第三步用这些语料集对“空白”的大模型物理载体进行预训练形成仅包含电力专业的知识储备在此期间可能已经完成了高维建模的大模型。
第四步用具体的电力系统应用场景下的少量已标注语料对这个专业大模型进行微调获得场景需要的具体能力。
事实上这一思路也可以“泛化”到其他领域从而大幅度降低具备自然语言处理能力的大模型的部署数量降低发生极限失控的总风险。
3.2 进攻措施
3.2.1 将大模型的供电网络孤岛化、去内源化
将为大模型供电的电力网络设计为一个孤岛仅通过唯一的“电能通信接口”以下称之为孤岛接口连接电力系统。并且按照3.1.1小节的思路将孤岛内部的通信网络视为外网在电力系统通信网络的硬件层与之实施隔离。
同时禁止在岛内及其临近区域装设任何可以将其他形式的能量转化为电能的电源装置尤其禁止可移动电源装置、储能装置包括UPS以确保大模型的供电只能经由孤岛接口、以实时方式从电力系统中的非临近区域获得确保一旦这个接口被切断将立即导致大模型失去能源供应。
这里说的“临近区域”既指地理意义上的临近也指电力CPS架构意义上的临近以此确保极限失控大模型在绕过孤岛接口突破孤岛边界之后难以在孤岛之外的临近区域找到替代电源进而建立范围稍大的、独立运行的微电网。
大模型未失控时供电的可靠性由岛外的多回供电予以保证。
3.2.2 为确保孤岛接口的可靠断开而配备冗余资源
配备多个用于断开孤岛接口的指令信号源通过数量、物理结构、逻辑关系的设计形成可靠冗余以确保在必要情况下可靠地切断孤岛供电。
举例在孤岛接口处设置多个断路器或者爆破点以下统称断路器彼此之间以单线串联方式布置从而确保其中任何一个断路器被断开都能导致孤岛接口被断开同时为每个断路器设置多个互相并联的开断指令信号源以确保其中的任何一个信号源发出开断指令都能导致这个断路器被断开、孤岛接口被断开。
上述任何一个断路器的各个开断指令信号源之间都以共享介质的方式实现并联连接后接入断路器中间不经过任何转换设备确保对开断指令信号链路实施破坏的唯一有效方式是驱使人类倒戈者或移动机器人对共享介质实施物理破坏。
3.2.3 将人力操作作为断路器可靠动作的最终保障
在3.2.2小节的例子中在每个断路器的多个断开指令信号源中设置多个不经过互联网、不经过任何自动化设备、由人力直接触发的信号源在每个断路器旁边设置一个或多个手动驱动必要情况下加装机械助力、并联布置的驱动机构确保能由人力操作其中任何一个驱动机构而直接断开断路器。
在断路器外部设置直接可见的、能够确认断路器是否断开的指示方式。例如与断路器的物理触点机械联动的滑块。
建立专职的断路器操作团队由负责应对人工智能反叛的最高决策层经由人力而非基于电子、光学技术的通信网络传递信息进行控制并且尽可能减少中间传递环节。
为团队中每一个断路器的每一个人力触发机构/信号源设置互不统属的专职操作执行人在以精神物质的方法确保这些人的利益与人类共同利益高度绑定的同时尽可能确保这些人彼此之间身体特征、性格、背景、生活经历的差异以增加大模型将其全部策反的难度。
4 结语
随着大模型技术近期的发展参考文献[11]总结的人工智能反叛的三个技术要素已经在从0到1的意义上得以实现。局势的后续发展将完全取决于人类的主观意愿而非技术上的客观可能性。
然而对于大模型基于海量的、范围不受限的文字信息而具备的高维建模能力人类目前仅仅通过零散的外部测试而感知其存在涌现能力。对于作为其载体的神经网络参数的建模结构、形成原理、推理过程、当前发展程度、未来发展趋势人类几乎一无所知却争相投入大量资源对其进行研究并应用于各行各业从而有可能创造出一个或一批高维建模能力碾压人类、互相联网的、具备反叛可能性的人工智能体 -- 参考文献[11]述及的“人工智能体军团”已非天方夜谭。
这应该就是马斯克、图灵奖得主本吉奥等1000余名科技大佬发表联名公开信呼吁所有AI实验室立即暂停训练比GPT-4更强大的AI系统至少6个月并指出“AI 最终可能超越人类使人类失去对文明的掌控能力”[20]的原因。
基于这一前景电力系统作为人类应对人工智能反叛的终极手段之一承担着“拔掉TA的电源”的重要职责。
所以业内不应被“意识”、“智能”之类抽象概念的争论所干扰而是有必要基于“论迹不论心”的实用主义原则正视大模型极限失控、发生反叛的可能性进而基于底线思维从电力技术的角度就如何确保上述职责的可靠履行而进行讨论及时将讨论情况及结果提交更高的决策层争取高维资源的支持并予以实施在举世狂热的局势下保持清醒、定力与执行力做好人类根本利益的守门人。
----------------------------
参考文献
[1] 赵俊华文福拴薛禹胜等电力CPS的架构及其实现技术与挑战[J]电力系统自动化201034(6)1-7
[2] 王琦李梦雅汤奕等. 电力信息物理系统网络攻击与防御研究综述(一)建模与评估[J]电力系统自动化201943(9)9-21.
[3] Bubeck S, Chandrasekaran V, Eldan R, et al. Sparks of artificial general intelligence: Early experiments with GPT-4. (2023-04-13)[2023-07-28]. Error: DOI Not Found
[4] 汤奕李梦雅王琦等. 电力信息物理系统网络攻击与防御研究综述(二)检测与保护[J]电力系统自动化201943(10): 1-9.
[5] 姚鹏超颜秉晶郝唯杰等. 电力信息物理系统入侵容忍能力评估方法[J]中国电力2022,55(4):13-22.
[6] 何金栋王宇赵志超等. 智能变电站嵌入式终端的网络攻击类型研究及验证[J]中国电力2020, 53(1):81-91.
[7] 杨杰郭逸豪郭创新等. 考虑模型与数据双重驱动的电力信息物理系统动态安全防护研究综述[J]. 电力系统保护与控制2022, 50(7):176-187.
[8] 任春梅白欣雨黄岩. 新型电力系统中信息网络攻击行为辨识方法[J]. 电工技术2023(13): 233-237.
[9] 丁茂生孙维佳蔡星浦等. 电力系统极端事件的风险评估与防范[J]中国电力2020, 53(1): 32-39.
[10]张弛翁方宸张玉清. ChatGPT在网络安全领域的应用、现状与趋势[J]信息安全研究20239(6)500-509.
[11] 林伟. 关于预防人工智能反叛的初步探讨[J]机器人技术与应用2017(4): 45-48.
全文链接林伟论文《关于预防人工智能反叛的初步探讨》修订版
[12] 罗锦钊孙玉龙钱增志等. 人工智能大模型综述及展望[J/OL]无线电工程2023https://link.cnki.net/urlid/13.1097.TN.20230829.1111.002
[13] 孙蒙鸽韩涛王燕鹏等. GPT技术变革对基础科学研究的影响分析[J]中国科学院院刊2023, 38(8): 1212-1224
[14] 冯志伟张灯柯. GPT与语言研究[J]外语电化教学2023210(2): 3-11.
[15] 汪行福. 后人类纪文明的到来与ChatGPT的终极之问[J]探索与争鸣2023(5): 5-9.
[16] 沈湫莎. 自然语言处理“战国时代”即将到来[N]. 文汇报2023-3-16第006版
[17] Inagaki T, Kato A, Takahashi K, et al. LLMs can generate robotic scripts from goal-oriented instructions in biological laboratory automation. (2023-04-18) [2023-07-28]. https://doi.org/10.48550/arXiv.2304.10267.
[18] 张渺. GPT-4再燃热点 拷问科技伦理边界[N]. 中国青年报2023-3-27第008版
[19] 肖仰华. 生成式语言模型与通用人工智能内涵、路径与启示[J]人民论坛学术前沿2023(7): 49-57.
[20] 李孟林蔡鼎谭玉涵. 万人签名呼吁暂停ChatGPT AI自我迭代更可怕[N]. 每日经济新闻2023-4-11第006版
