chatGPT o1 preview用一个小时干完了博士一年写的代码

十几个小时之前，加州大学欧文分校（UCI）的物理学博士Kyle Kabasares，实测chatGPT o1 preview+mini后发现：自己干了大约1年的博士代码，o1竟在1小时内完成了。

不信？那就让我们看视频，眼见为实。

chatGPT不仅能写视频，还可以理解视频，帮我们生成视频摘要（见下图右边）：

下面就是为这个视频生成的解说词：

在视频中，讲述者展示了如何利用ChatGPT在一小时内编写出其博士研究的代码，尽管他花费了近一年时间进行研究。他强调了自己论文中方法部分的质量，并展示了ChatGPT生成的代码与他自己代码的对比。尽管生成的代码效果不错，但他指出仍需额外工作来处理输入数据和其他细节。最后，讲述者对ChatGPT的表现感到惊讶，并考虑其是否可能访问了他的GitHub代码。

You may be interested in these questions:

• ChatGPT如何帮助提高编程效率？
• 博士研究中使用AI工具的优缺点是什么？
• 如何评估AI生成代码的准确性？
• 在视频中，讲述者展示了如何利用ChatGPT在一小时内编写出其博士研究的代码，尽管他花费了近一年时间进行研究。他强调了自己论文中方法部分的质量，并展示了ChatGPT生成的代码与他自己代码的对比。尽管生成的代码效果不错，但他指出仍需额外工作来处理输入数据和其他细节。最后，讲述者对ChatGPT的表现感到惊讶，并考虑其是否可能访问了他的GitHub代码。

You may be interested in these questions:

• ChatGPT如何帮助提高编程效率？
• 博士研究中使用AI工具的优缺点是什么？
• 如何评估AI生成代码的准确性？

亮点

展开全部

00:58

这段对话展示了一个人对自己编写的代码感到惊讶和骄傲。他对比了另一篇论文的研究方法，强调了自己方法部分的质量和简洁性，认为很多论文的研究方法写得很糟糕。

折叠

00:44

在讨论中，他提到自己的代码如何使用合成数据和自身功能，表明代码的执行效果令人印象深刻。这显示了他对自己工作的认可和自信。

01:16

他表达了对研究方法部分写作质量的自豪，指出许多研究论文的写作水平较低。这种对比突显了他在学术写作方面的能力和对高质量工作的追求。

01:41

他提到的215行代码中包含许多可视化元素，表明他在数据展示上的努力和创意。这种可视化不仅增强了结果的可理解性，也展示了研究的深度。

02:11

在视频中，讨论者提到他们在编写代码时没有给出实际的示例代码，而是只提供了论文中的描述。这种方法需要多次提示，但最终得到了想要的结果，显示了生成代码的潜力。

折叠

02:18

讨论者提到自己进行了多次尝试，估计提示的次数达到六到七次。这种反复的试验过程展示了与人工智能沟通时的复杂性与挑战。

03:09

他们的代码没有直接展示，而是通过描述来引导人工智能生成代码。这种方法强调了描述性语言在程序设计中的重要性。

04:01

最终，讨论者成功生成了所需的功能代码，体现了人工智能在编程上的应用潜力。这不仅提高了开发效率，也改变了传统编写代码的方式。

04:20

在机器学习模型的使用中，输入数据的质量和处理方式至关重要。尽管模型能够生成某些结果，但仍需额外的软件和工具进行处理，以确保结果的准确性和有效性。

折叠

04:38

使用合成数据进行模型测试是常见的做法，但仍需关注数据的噪声和边缘效应。这些因素可能会影响模型的最终输出，因此需要仔细处理和验证。

05:30

数据处理的复杂性要求研究人员具备一定的技术背景，以便有效地使用各种软件工具。这不仅包括编程技能，还需要理解数据生成和分析的基本原理。

05:52

在分析过程中，选择合适的内核和卷积方法会影响结果的精确度。使用正确的工具和算法可以帮助提高模型的性能和可靠性。

如果觉得英文字幕断断续续的，也可以让大模型帮我们翻译、整理，看视频：

以下视频来源于

软件质量报道

已关注

关注

重播分享赞

关闭

观看更多

更多

退出全屏

视频加载失败，请刷新页面再试

整理成的文字是：

开头的时间删去后，翻译润色的内容如下： 没有机会，根本没有机会，真是的，这根本不可能。我在208行上，你在什么地方？天哪，这代码居然跑了，简直就是我的代码的真实写照。我知道它使用了合成数据和自己的函数，但这实在是太离谱了。居然达到200行，我在下一行写的是什么？天呐， الناس不理解。我不知道人们不理解的是什么。这段对话是从我给出论文的方法部分开始的。嘿，你知道吗，首先要赞美我自己，写了这么出色的方法部分，许多方法部分其实写得很糟糕。如果真的去读一些论文，会发现大多数方法部分都很糟糕，所以我为自己的好方法部分感到骄傲。 不过，天哪，我的天啊。好吧，让我们来稍微比较一下，它用了多少行？200行。我是说，这些可视化其实并不算什么，全都不算，215行。我也有很多图表，我的代码就在这里。现在这首歌的气氛真是太合适了，我感觉这就是现在的心情。音乐呢？悲伤的音乐在哪里？你有千百次机会，等等，它重构了，花了六七次尝试。是的，我没有展示给它我的代码，这才是疯狂的地方。我告诉你，只是让它读我的论文，我们大概给了它一两个提示。我觉得我们给它提示大概有三次，记得是01的提示。 我来数数，可能是……一次，两次，如果大家能记得的话，三次，四次，哦，糟糕，算错了。我记得好像是四次，五次，……六次，我觉得这就是它，我没给它任何示例代码，也没有给它我的GitHub库。我只是告诉它，给了它我论文的描述，我简单复制了论文左边的代码部分，然后说：“嘿，我的代码是这样的，你能帮我写一个函数吗？”不过，我要插句插曲，作为一个实际完成这项工作的人的提醒，确实有一些输入是需要额外处理的，比如它是如何生成输入的，没错，我让它生成输入项，所以它才跑起来。 有些人会说，这只是过度解释。是的，也许这有点像过度解释。但当你看到这些嘈杂的数据和模型时，确实有几个输入需要额外的工作，比如掩模等。你需要打开其他程序来进行一些额外的工作，这些东西可不是免费得来的。用的还是一些分析函数。我能更好地解释的是，你在我论文中看到的这些曲线，实际上是你需要输入到代码中的实际数据，这需要在其他软件中完成。因为另有一款软件会处理这些星系图像，进行拟合与分析，所以依然有很多工作需要完成。 总之，这用的是合成生成的数据，但它确实完成了我希望它执行的操作。我可能需要再次检查，某些小细节，比如边缘效应，或者在卷积时该怎么做。实际上，这正是我在论文中提到的Kernel。所以我原本想说，绝对不可能它会知道这个，但天哪，它居然已经看过我的代码了，甚至可以说它已经遍历了GitHub的所有代码。如果它真的看到了我的代码，那它做得真是太好了。嗯，我觉得现在是个不错的结束时机。

后来为了回答大家一些疑问，这位博士又录制了一个18分钟的视频：

这18分钟时间有点长，我让大模型根据语音整理成摘要文字，咱们能在2分钟就看完了：

这篇文章看完，你也感到，全程我也都借助大模型帮我做事：解读视频、翻译字幕文字、润色字幕文字、对长篇内容生成摘要等等，

我们实实在在进入了大模型时代，它一直在身边帮助我们做事情。