autogpt本地部署,auto win,auto wind,autogluon windows

AutoGPT应该是在上上周的时候特别火，

原因是他可以实现自我思考，就是依据你给它提供的目标，自己去设置问题，并根据自己设置的问题，去解决这些问题。实现了自问自答，给一个他一个目标，还你一片可行方案的目的。从远景上来看，确实强到离谱，想想下，你一个不会编程的人，通过你的藐视把你的产品要求讲述给它后，他给你生成了一个产品软件。大大的节省了资源和成本。

有兴趣可以看下下面的网站，需要有4.0的API

AgentGPT: Autonomous AI in your browser

openaiceo谈人工智能时代 open ai创始人谈ai自主进化

openai人工智能,open人工智能,ope人工智能,openai人工智能下载

2023年3月17日，OpenAI官网发布了最新的研究论文《大语言模型对劳动力市场影响潜力的早期研究》，其研究显示，持有学士、硕士和专业学位的人比没有正式教育证书的人更容易受到GPT的影响。元战略观察员对本篇文章核心内容进行了编译，将GPT类大模型对劳动力市场以及不同职业和行业产生的深刻的潜在影响呈现给读者。

摘要：本文研究了大语言模型（LLM），例如生成预训练转换器（GPT），对美国劳动力市场的潜在影响。研究人员采用了一种创新性评级方法，用来评估GPT模型在不同行业工作任务中的匹配度。研究发现，约80%的美国劳动力可能会因为GPT的应用而受到影响，而约19%的工作岗位中至少一半的工作任务可能会受到影响。

研究方法与数据

1按职业划分的活动和任务数据

研究人员使用美国劳工部的O*NET 27.2数据库，其中包含了1016个职业的信息，包括各自的详细工作活动（Detailed Work Activities, DWAs）。同时，本文制定了共19265项任务用于评估GPT-4对工作的辅助效果，这些任务大多数与DWAs相关。

表1 计算机工程师/设计师、紧急救护、赌场服务、电商、幼儿园教师、小学教师等职业的工作活动内容和任务描述

我们使用的两个数据集包括：

?19,265个任务，每个任务具有一个“任务描述”和相应的职业，大多数任务与一个或多个DWA相关联；

?2,087个DWA，大多数DWA与一个或多个任务相关联，任务可能与一个或多个DWA相关联，尽管有些任务缺乏相关的DWA。

2工资、就业和人口统计数据

本文使用美国劳工统计局（Bureau of Labor Statistics, BLS）提供的2020-2021年职业就业系列数据，包括职业名称、每个职业的就业人数及工资、2031年这些职业的前景预测、职业准入的教育水平以及获得职业能力所需的在职培训情况等信息。BLS数据库可以与O*NET数据库相关联，通过当前人口调查（Current Population Survey, CPS），将O*NET中的任务和工作活动数据集与BLS劳动力人口统计数据进行对应，截取相关数据。

3GPT对完成任务的有用程度（暴露度）

研究采用暴露度（Exposure）作为GPT对工作任务影响的评估标准。本次研究将暴露度定义为一个衡量标准：是否能够通过利用GPT将完成特定工作任务的时间减少至少50%。具体而言，本文主要采用了三种评估标准：

1.无暴露度（E0）：应用模型不能减少50%的任务耗时，或者降低了任务的完成质量。

2.直接暴露度（E1）：在保障任务质量的前提下，完成任务耗时减少50%。

3.LLM+暴露度（E2）：虽然无法直接节省50%的任务耗时，但在LLM的基础上开发其他额外功能以节省50%以上的耗时。

值得注意的是，本文所采用的暴露度评估标准旨在评估GPT对于特定任务的辅助效果，而非评估其完全替代人类完成任务的能力。

评估方法

研究人员使用了两种评估方法来评估GPT系统的整体暴露度，分别为人工评分和GPT-4评分。

表2 GPT-4评分和人工评分的一致性以及皮尔逊相关分数的比较。一致性得分是通过观察两组分数的一致程度来确定的

通过这种分析方法，我们可以更好地了解GPT对不同职业的潜在影响。通过将各种任务和职业与GPT的暴露程度联系起来，能够预测哪些工作可能受到更大的影响。这有助于政策制定者和利益相关者了解GPT对劳动力市场的潜在影响，从而制定相应的政策和措施。

研究结果

1数据汇总

表3 人类和GPT-4暴露数据的汇总统计

汇总统计数据如表3所示。人类和GPT-4评分都表明，平均职业水平的α（即E1）值在0.14和0.15之间，这表明对于普通职业来说，大约15%的任务会对GPT直接暴露（即耗时缩短一半以上）。这个数字对于β（即E1+0.5*E2）增加到超过30%，对于ζ（即E1+E2）超过50%。巧合的是，人类和GPT-4评分均将整个数据集中14%-15%的任务评为直接暴露。根据β值，80%的员工至少有一项任务暴露于GPT，而19%的员工有一半以上的任务被记录为暴露于GPT。

2工资与就业

表4 左边显示为受影响职业的百分比，右边显示为受影响工人的百分比

上图展示了整个经济体相对于GPT的暴露强度，左图显示受影响职业的百分比，右图显示受影响人数的百分比。暴露强度的分布在职业和个人之间是相似的，这表明某职业的从业人数与职业相对于GPT的暴露度没有很高的相关性，它可能与为特定领域开发GPT驱动软件的投资密切相关。

3技能重要性

为探究职业技能的重要性和暴露度的关系，本文使用了O*NET数据集提供的基本技能，并对每个职业的技能重要性进行量化，对暴露度进行了回归分析，以探究技能重要性与暴露程度之间的关联。

研究结果表明，科学和批判性思维技能的重要性与暴露度呈现出强烈的负相关性，这意味着需要这些技能的职业不太可能受到当前GPT的影响。相反，编程和写作技能与暴露呈现出强烈的正相关关系，这意味着涉及这些技能的职业更容易受到当前GPT的影响。

4研究方法

本研究还将职业准入门槛作为标准来观察不同工作类型的暴露差异，通过研究“准入所需的典型教育”和“达到职业能力要求所需的在职培训”两个因素，揭示GPT对劳动力具有潜在影响的趋势。

上表结果表明，持有学士、硕士和专业学位的人比没有正式教育证书的人更容易接触到GPT，部分完成大学课程但没有学位的人也具有高水平的GPT暴露度。

研究结果显示：

1.持有学士、硕士和专业学位的人比没有正式教育证书的人更容易受到GPT的影响，部分完成大学课程但没有学位的人也具有高水平的GPT暴露度。

2.暴露最少的工作需要最长时间的培训，起薪水平也不高。相反，不需要在职培训或仅需要实习的工作有更高的收入，但更容易受到GPT的影响。

5暴露度最高的职业

在人工评估下，暴露度最高的十大行业领域分别为：证券、大宗商品合同及其他金融投资服务、保险公司、数据加工托管及相关服务、其他信息服务、出版业（除了互联网）、借贷信用中介、出租非金融无形资产（版权作品除外）、基金、信托及其他金融工具、央行及货币当局、电子批发市场及中介机构。

在GPT-4评估下，暴露度最高的十大行业分别为：数据处理托管及相关服务、其他信息服务、出版业（互联网除外）、保险公司、借贷信用中介、证券、大宗商品合约及其他金融投资服务、科学及技术专业服务、非金融无形资产出租（版权作品除外）、广播电视（互联网除外），央行及货币当局。

结 论

研究发现，对于LLM，大多数职业都有一定程度的暴露度，薪资较高的职业通常有更多高暴露度的任务。分析表明，根据当前LLM的技术水平，约19%的工作岗位至少有50%的任务暴露于GPT。

研究结果显示，LLM（如GPT）的广泛应用对美国经济发展和劳动力市场产生了重要影响。虽然LLM技术对于提高人类劳动效率和能力的作用是显而易见的，但是社会、经济、监管和其他因素将综合影响实际的劳动生产结果。随着技术能力的不断发展，LLM对经济的影响力可能会持续提高，政策制定者需要关注它们可能带来的伦理和安全风险，并采取措施来减轻其可能带来的负面影响。

审核编辑 ：李倩