利用CHATGPT學習 ─ 每天一篇ARXIV

[利用CHATGPT學習 ─ 每天一篇ARXIV]

 

本篇內容介紹三個主題式的快速學習方式

利用GAI(generative ai)工具 CHATGPT 以及txyz.ai插件，貼上連結和詢問特定問題就可以快速得到新摘要的知識內容。

探索 從0到1的學習方式，挖掘未來ai 時代的可能需要的跨領域學習模式。

關鍵字：gai, chatgpt, txyz, 創新系統思考法, prompt, 跨領域學習

#innovationsystemthinking

#gai
#chatgpt
#txyz
#cross_disciplinary_learning

2023.08.03~08.05

2023©汪周禮

 

背景說明：

今年因為AI技術突飛猛進的關係，網路上出現的知識量越來越大，GAI(generative ai)工具越來越多，根據futurepdeia的資料，到今天(2023.8.04)為止，已經出現54類共4643 個AI工具！

 

為了能夠更有效使用ai工具的學習，於是開始尋找CHATGPT(付費模式)的插件應用，終於在上個月發現了很好用的論文學習插件(PLUGIN)工具─ txyz.ai ，這個插件工具可以針對arxiv上面的論文進行摘要說明以及回答論文內容相關的問題，非常方便，大幅縮短學習時間與學習效率。

 

這邊分享三個CHATGPT的學習案例：

1.      LK99常溫超導體

2.      LLM在數學文字問題(math word problem, MWP)應用的探索

3.      量子物理結合統計與AI機器學習的跨領域研究探索

 

 

 

 

題目1：LK- 99 常溫超導體 最新知識探索

資料庫： ARXIV  https://arxiv.org/

 

ARXIV檢索關鍵字： LK99, LK-99

ARXIV檢索結果：

LK-99得到7篇論文(原始論文1篇和相關論文6篇),

K99 得到2篇論文 (相關論文2篇) (美國柏克萊實驗室科學家 , UCI大學教授)

 

工具：ChatGPT 4.0 , 插件 txyz.ai

 

操作方式：

1.      在CHATGPT 4.0先選擇 txyz.ai 插件

2.      將arxiv 文章連結貼在問題中並請chatgpt說明

3.      論文中常溫超導體材料製作說明

4.      加強說明

5.      進一步了解應用影響與限制

 

 

詳細內容請參考圖檔

 

 

 

題目2：LLM最新知識探索

 

工具：ChatGPT 4.0 , 插件 txyz.ai

 

資料庫： ARXIV  https://arxiv.org/

 

ARXIV檢索關鍵字： LLM

ARXIV檢索結果：

LK-99得到7篇論文(原始論文1篇和相關論文6篇),

K99 得到2篇論文 (相關論文2篇)

 

 

操作方法：

1.      在arxiv上面尋找LLM(large language model)主題

2.      找到一篇GOOGLE 科學家近日發表了一篇利用LLM解決數學文字問題(MWP)的方面的應用探索

 

https://arxiv.org/abs/2308.01906

 

3.      請 CHATGPT+TXYZ.AI 說明內容。

4.      介紹應用影響與限制

5.      最後，請CHATGPT介紹裡面的 知識點, EX: MWP(MATH WORD PROBLEM)數學文字問題。

 

os: 我採用的問題描述非常精簡，但回答很豐富，為什麼?

 

詳細內容請參考圖檔

 

 

 

題目3：量子&AI 最新知識探索

 

工具：ChatGPT 4.0 , 插件 txyz.ai

 

資料庫： ARXIV  https://arxiv.org/

 

ARXIV檢索關鍵字： quantum, ai

ARXIV檢索結果：

Showing 1–50 of 479 results for all: quantum, ai

得到479篇論文, 選擇第一篇摘要內容最相關的

 

https://arxiv.org/abs/2308.01538

Non-equilibrium physics: from spin glasses to machine and neural learning

 

麻省理工學院的一位博士生最近發表了一篇論文，涉及 量子物理、統計與AI機器學習的跨領域探索。

 

操作方法：

1.      使用chatgpt + txyz.ai

2.      請chatgpt說明內容

3.      看看有那些應用影響與限制

4.      未來發展(趨勢)

5.      價值

 

應用系統思考法，從零概念開始，問出更多資訊，快速建立跨領域學習基礎。

 

#系統思考法
#功能
#應用影響
#限制
#趨勢
#價值

#hypersppedlearning

#ai4learning

 

詳細內容請參考圖檔

 

 

  

最後總結一下：

AI 4 learning & study 降低跨領域學習門檻，利用GAI組合工具，本文中所介紹的chatgpt + txyz.ai 插件，快速學習不同領域的知識，特別是閱讀特定領域內的公開論文。

這次的案例混合一些創新系統思維方法的問題描述手法，例如本文why法結合系統法於描述問題應用例如本文，使得文字描述精簡

最後一些值得注意的地方可能是在問題描述上儘量採用功能用語通泛化 (generalization )，主要是我想要探索未知主題的知識邊界，但又不被想自己的認知所限制，因此利用語意分析概念所嘗試採用的一種提問技巧。

未來機會：

1. 可以採用價值工程的why-how 分析或因果鏈分析法法進一步探討邏輯因果關係

2. 可以採用KT法(Kepner & Tregoe)方法強化問題描述

3.   透過GAI工具，降低跨領域學習的基礎知識門檻。

4.  結合方法論改善提問描述技巧，切入重點取得想要的內容。

 

#AIforLearning
#ChatGPT
#txyzpluging
#hyperspeedlearning

 

 

科技巨人的競爭 ─ 避免柯達時刻的管理夢魘

Google 的柯達時刻?

2023.04.28

https://www.bnext.com.tw/....../ai-google-micros-diff-ana

Google有「最強武器」，卻輸給微軟？分析師評AI戰：一個在喝茶，一個喝紅牛

“ 知名數據分析公司GlobalData高階主管Cyrus Mewawalla告訴媒體，微軟去年憑藉聊天機器人ChatGPT確立了技術優勢，而Google則在人工智慧（AI）上面臨了「柯達時刻」。

「柯達時刻」常被拿來比擬一些企業因缺乏遠見、缺乏創新，導致公司沒落。柯達公司曾是最大的影像產品及相關服務的生產和供應商，但在顛覆性技術（數碼相機）侵入市場的時候，沒有採取及時的回應，導致2012年申請破產保護。需要指出的是，柯達早在1975年就發明了數碼相機，但未能加以利用。"

Arete Research高級分析師Richard Kramer告訴媒體，「Google在AI領域有最聰明的頭腦，有成就卓著的一批人，在前100篇論文中佔了三分之一，但他們是一家以工程為主導的公司，因此沒有將他們所做的事情產品化。」”

看完之後千頭萬緒，突然產生很多過去參與AI(數位)產品開發的心得，趁此機會分享給大家參考。

科技巨頭(研發型大企業)擁有豐沛的資金和人才，往往不愁沒技術，問題在於產品開發開發與應用挖掘，如果沒做好這一步，往往就會平白浪費將技術變現的好時機，畢竟技術應用關鍵第一步就是搶快(time-to-market)和時間賽跑。

科技巨頭從來不缺乏技術，往往缺的是技術應用挖掘，如何有效地根據市場競爭現況適當地將技術產品化及商業化。這個部分，往往對科技管理層是個考驗，需要管理投注很大管理能量跳出舒適圈來思考，因此，對管理層的經營成本風險也相對較高，但如果不投注心思，當"柯達時刻"的來臨，將成為管理層無可避免的夢魘成真。

彼得杜拉克(Peter Drucker) 大師讓我們知道企業組織只有兩個功能：創新和行銷。然而我們知道，創新不僅僅是開發技術，累積技術能量而已，對企業來說，更要能幫助企業提升市場競爭優勢，創造更多營收利潤(參考創新定義)。

在早幾年VC龐大資金的推波助瀾下，近年包括AI的新興技術大量橫空出世，如何將這些技術變現，全球新創無不卯盡全力，這也是目前AI 應用的發展方向之一，目前AI技術除了可以有效提升個人生產力，是否能為個人創造出更多的賺錢機會，否能創造出更多的刺激經濟的機會，更是大家關心的議題。也將是下個數位經濟發展的觀察重點。

要聊到這個部分，就不得不討論需求挖掘。

我們知道，技術應用挖掘是新產品開發中需求挖掘的活動之一。

如果熟悉新產品開發活動的朋友，相信應該都不陌生，新產品開發關鍵活動在需求挖掘，而數位產品開發的需求挖掘，根據研究，主要分為

市場(market)、客戶(customer)、產品(product)與技術(technology)四大類，且各有其不同的探索方法。

例如，市場需求挖掘有PEST系列方法，客戶需求挖掘有voc問卷法、JtbD(job-to-be-done)法，技術需求挖掘有問題模型法、功能模型法等，而產品需求挖掘有價值參數法和理想法等等。這些不同的方法都是為了能夠更好的挖掘出技術應用，將技術應用變現，為企業創造更多智慧財產價值。

根據美國產品開發管理協會(PDMA)統計，美國頂尖企業新產品開發的發展平均需要3-5年熟成，特別是突破型的產品技術，往往都要5年的時間。若透過這個時間往後推算，Google的實際情況可能更不樂觀？

產品開發難度和成本投資，往往會比技術開發要高更多（*MIT TLO參考資料）特別是在非技術面的影響更大。

畢竟大量享受google免費資源下，也是希望google能有突破，最怕管理層為了營收表現，開始將免費產品收費，那才是災難，希望我的顧慮是多餘的。

成功的專利創新專案要件 - 專家 VS OPEN AI

.

成功的專利創新專案要件 - 專家 VS OPEN AI 

使用包括TRIZ相關的創新工具已經超過15年，在過去的使用創新工具的成功經驗中發現，一個真正成功的創新專案，最終方案通常變成企業智慧財產，在市場技術競爭密集的領域中，為了有效排除對手，通常會申請專利、嘗試取得專利權，並透過專利布局擴大應用價值範圍，取得市場有效競爭地位。

在這些成功案例中發現：

一個成功的專利創新專案需要三種人才組合：

技術領域專家：熟悉產品相關的技術，並且有能力解決領域內的技術問題，有能力提供具體實施方案；

專利領域專家：熟悉專利布局組合操作，有能力根據技術領域專家所提供的實施方案，根據不同的市場設計出符合需求的專利布局架構與組合；

創新工具應用專家：擁有豐富的創新工具知識，熟悉創新工具的使用方式與使用限制和應用範圍，有能力根據不同的需求和問題選擇使用適合的創新工具，提供創新方案架構組合。

以上這三種專家的合作，缺一不可！

其中，創新工具應用專家關鍵作用在於：

是否能將技術與專利領專家所提出的問題和需求，

提供有效的創新方案架構組合，並且，

這些創新方案架構可被技術和專利領域專家們理解與執行，

最後產生具體解決方案！

在成功的創新工具應用成果中發現，

創新工具應用專家之所以能提供創新方案架構組合，

是因為使用不同的創新工具後，

可以產生不同創新方案架構，換句話說，實務上幾乎不太可能僅僅產生一種創新方案架構。

將這些多種創新方案架構組合，交由技術領域專家評估後，如果原先創新方案架構系統範圍沒有問題，例如沒有系統層次對應不明確、範圍不明確、系統內交互作用定義不明確等等問題，技術領域專家往往就能輕易理解並產生多種具體解決方案概念與實施方式。這一塊有賴於創新工具應用專家和技術領域專家充分溝通與合作，藉由技術領域專家所提出的技術問題和明確對應的技術系統架構下，由創新工具應用專家建構出包括該技術問題以及對應的有效技術系統組成。最後根據創新工具解決問題的流程，提供解決該技術問題的創新架構組合，與技術領域專家合作產生可實施的創新方案組合。

上面這個過程往往需要技術和創新專家雙方充分合作才有可能達成，關鍵在於系統範圍的建構。而雙方合作的程度和該創新工具應用專家本身對技術領域的熟悉程度有關，通常，若創新工具應用專家本身熟悉技術領域專家的技術領域，則可以更有效的建構出技術問題所對應的技術系統架構！也有一種情況是，技術領域專家學習並熟悉創新工具，使得技術領域專家本身也接近創新工具應用專家的程度，這樣一來，就可以讓企業在盡可能不揭露技術特徵的可控制範圍內，確保擁有最大營業秘密範圍內的操作優勢。

最後，根據這些可實施的創新方案組合，雙方和專利領域專家溝通和討論，

根據市場競爭角度下的專利申請策略，綜合性的針對創新方案組合進行評估，選擇具有價值的實施方案與特徵組合，規劃專利布局策略下的布局組合，為企業建構最大價值的權利範圍申請專利。

技術越來越複雜，創新門檻越來越高，真正有價值的創新成果需要專家們的耐心灌溉！

附上OPEN AI Play Ground的回覆 (GPT 3, text-davinci003)

2023©汪周禮@智合創新

10+年 AI 產業工作經驗、15+專利產業工作經驗、15+創新工具使用經驗

智合創新─提供創新知識與服務

SERVICE@iiiinnovation.com (3*i + innovation)

創新工具應用課程招生中！

歡迎聯絡我們~