NOA进城，标志着智能辅助驾驶下半场的开赛，华为、小鹏、毫末智行、蔚来、理想等，已经跃跃欲试。
站在商业角度看，城市NOA是通往自动驾驶的最后一块拼图，一旦成熟，用户付费意愿高，车辆都能兼职赚钱了，个人是否拥有私家车或许也并不重要了，人类出行的方式将发生颠覆性的变化，
前段时间，小鹏宣布城市 NGP 开放北京五环内城区环线和城市快速路，随后，蔚来的NOP+也在北京开放。
今年上半年，小鹏城市NGP 已经落地北上广深四个城市，下半年计划扩大到50个城市，明年增加到200城。
何小鹏在上海车展上甚至喊出了2026年，城市场景每百公里接管次数小于1次的目标。
这个目标激进吗？另一个重磅玩家，华为的城市NCA开城节奏与小鹏基本一致。去年10月，搭载华为ADS 1.0的极狐αS HI版在深圳落地NCA。
今年4月，华为ADS 2.0正式发布，最大的改变来自ADS 2.0版本中增加了道路拓扑推理网络，从而摆脱了对高精地图的依赖。
搭载华为ADS 2.0的车型目前有问界M5智驾版和阿维塔11单电机版，后续也会包括问界M7/M9智驾版，以及其他几个智选车合作车型。
ADS 2.0城市NCA目前开放了深圳、广州、上海和杭州的部分城区。上海车展上，华为曾高调宣布ADS 2.0年内要覆盖45城。毫末智行也多次对外宣布了城市NOH的进展，毫末推出的行业首个重感知城市NOH，将首批落地北京、保定、上海等城市，目前毫末城市NOH软件封版，达到交付状态，只待上车。如果小鹏，华为，毫末是有备而来，理想则杀入的更突然。
6月，理想在其首届家庭科技日上宣布，计划年底前开通100座城市的无图城市NOA方案。按照理想的预期，他们试图一步到位，直接把高精地图拿掉。
甚至，一直以来不太“重视”智驾的比亚迪都开始集结重兵，攻山头了。
现阶段的城市NOA，可以说是一片热土。
只是从宣传到落地，中间的难度只有干过的人才知道。
城市NOA 无图是终局
NOA进城，之前卡在图上。
车企对高精地图可谓是又爱又恨。高精地图的好处不言而喻，上帝视角的感知先验和超视距能力，可以为智驾系统提供一个保姆级的拐棍。
利用这根拐棍，匹配好自车与真实世界的定位，车辆的感知系统只要确保对周身障碍物的精准感知和躲闪即可，系统对规划也会更从容。但另一面，受限制成本、鲜度、覆盖度和政策等多重因素，高精地图的普及没有预想的快，甚至严重拖累了车企高阶智驾进城的步伐。
相比30万公里的高速路段，中国的城市道路超过1000万公里，采集的道路要素只会更多，再加上经常性施工的现实条件，过度依赖高精地图，会让智驾系统在一致性、安全和稳定性上都会产生影响。
成本层面，高精地图很贵。报告显示，厘米级的测绘效率约为每天每车100公里道路，每公里的陈本在千元左右，规模化的日均测绘成本在十万元水平，对车企来说很难接受。
严格的资质监管也成为高精地图最难翻越的大山。目前尽管北京、上海、广州、深圳、杭州、重庆开放了高精地图应用试点，但高精地图推广速度，远不及智能驾驶技术的发展速度。
多重维度影响下，去高精地图的重感知路线，已经智能驾驶进城的最现实的选择。
重感知轻地图路线下，始于特斯拉的BEV+Transformer成为目前业内首选的解题思路。
特斯拉之前，量产车辅助驾驶的感知算法模块主要来自CNN（卷积神经网络）、 RNN（循环神经网络）为代表的小模型。
虽然CNN通过卷积层、池化层实现了模型训练参数量的降低，但CNN仍然存在一定的缺陷，多池化会丢失一些的有价值信息，忽略局部与整体之间的关联性，这就对车辆理解真实世界困难重重。
因为自动驾驶场景下，跟人类开车一样，车辆的感知需要时序信息来完成目标跟踪和视野盲区的预测。
相比CNN，RNN可以描述时间上连续输出的状态。但也要求硬件需要更大的缓存。RNN难以学到长时间距离的依赖关系，轨迹预测的准确度就会降低。
而Transformer的关键在于引入注意力机制，凭借优秀的长序列处理能力和更高的并行计算效率，大幅提升了BEV 空间中的特征级融合效果，最终通过更强的泛化表现，从多种技术路线中杀了出来。
Transformer对数据规模有硬性要求，如果数据量达不到要求，其性能反而不如CNN。
毫末智行CEO顾维灏认为，数据驱动的自动驾驶3.0时代需要1亿公里以上的数据支撑，这些数据来自智驾功能激活后的高价值数据。
BEV+Transformer后，去年特斯拉AI Day上，特斯拉又对外展示了，能够检测通用障碍物的Occupancy Network占用网络。
至此，理论上，高阶智驾可以彻底不依赖高精地图了。
当然这里有个概念，所谓的轻地图，或者无图，现阶段并非完全不用地图，而是有个逐步取代的过程。
从高精地图切换到无图的过渡方案，多数企业的还会先从图商拿到SD底图，再用测试车去跑ODD测试。
NOA进城的意义，更大在于高阶智能驾驶的使用场景大幅度扩展，对于体量大以及自动驾驶算法正向研发能力强的头部企业来讲，使用场景的扩展意味着数据量更加丰富，算法迭代速度将提升。城市NOA底座是工程能力
城市NOA真正量产走入寻常百姓家，背后考量的是工程化能力、低成本和高效率的数据闭环。
工程化落地是底座，上层则来自大算力，大模型，大数据。
技术上，推动城市NOA迭代的因素则“相对”简单。数据的获取、标注、训练、迭代和数据的闭环能力建立。
但城市域NOA所面临的类似场景挑战非常多，感知端有大量的corner case需要解决，特别是预测和规划的认知端更是堪比登月。
如何评估感知结果与决策规划结果间的关系，对于业界都是巨大的挑战。
毫末的应对方案是中国首个自动驾驶数据智能体系MANA，以及将MANA感知和认知相关大模型能力统一整合到DriveGPT雪湖·海若。
今年4月，毫末推出自动驾驶生成式大模型DriveGPT，也就是可解释的驾驶常识。
用感知融合后的文本序列输入，以自动驾驶场景文本序列作为输出，将自动驾驶场景Token化，最终完成自车的决策规控、障碍物预测以及决策逻辑链的输出等任务。
让自动驾驶决策更像人类司机的也让决策变得更有可解释性，这一点至关重要。
数据规模上，毫末手里的辅助驾驶量产数据也值得一说，根据7月的数据，毫末的HPilot整体已搭载近20款车型，用户辅助驾驶行驶里程突破6500万公里，HPilot2.0 辅助驾驶日均里程使用率达12.6%。
MANA 学习时长超过84万小时，相当于人类司机11万年。DriveGPT 雪湖·海若，已经完成基于6500万公里量产车驾驶数据训练，预训练模型参数规模达1200亿。规模化城市NOA覆盖区域和体验感无法一蹴而就，无图的通勤NOA或许是合适的过渡方案。
理想公布的通勤NOA，除了需要人类司机要先进行固定通勤路线，手把手教AI司机开车外，车辆也会通过感知硬件来感知和记录路段信息，让自身的神经先验网络算法先跑起来。
理想官方的消息是，对于相对简单的通勤路线，基本一周内就可以完成训练激活。对于较为复杂的路线，预计需要2-3周时间也可以完成训练。
此前，小鹏的AI代驾，与理想的通勤NOA功能一致，都放弃了对高精地图的依赖，通过融合感知和算法迭代，在高频路段实现高阶辅助驾驶功能。
海量数据训练的大模型，需要大型云计算中心。
上个月，特斯拉的超级计算机Dojo开始投产。马斯克表示，明年将在Dojo上投入10亿美元以上的资金，并在2024年底前，部署30万个英伟达A100GPU，补充Dojo。
小鹏与阿里云在乌兰察布共建了自动驾驶智算中心扶摇， 算力可达600PFLOPS。这也帮助小鹏自动驾驶核心模型的训练时长从7天，缩短至1小时内，大幅提速近170倍。毫末智行则与字节火山引擎共建了670PFLOPS算力的超算中心MANA OASIS，中文名雪湖·绿洲。超算中心的投入，帮助毫末智行的模型训练效率提升了100倍。无图的探索，远远不止以上几家。
百度Apollo的City Driving Max，基于高精地图推出了轻HD地图，以纯视觉+激光雷达的方式实现感知冗余，比行业通用的传统高精地图要“轻”近80%。
凭借软硬件一体化的能力，大疆车载把城市NOA的价格卷到了极致，轻舟智行基于单颗地平线征程5芯片，也推出了入门版的城市NOA。
小马智行在Robotaxi的基础上，发布辅助驾驶软件方案小马识途，并计划在今年内量产高速、城区行泊一体辅助驾驶方案。
2023年仅仅过去半年，城市NOA就卷出了新高度，虽然无图城市NOA并不是一件一蹴而就的事。
毫无疑问，高阶辅助驾驶的“科技平权”时代即将呈现。大模型、大算力、大数据的催化下，中国的高阶智能驾驶正在进入ChatGPT时刻，也有人喜欢把它称为iPhone时刻，不管叫什么，在这场人类汽车历史上颠覆性的变革浪潮下，很庆幸我们都是亲历者。
【本文来自易车号作者蒸汽电荷，版权归作者所有,任何形式转载请联系作者。内容仅代表作者观点，与易车无关】
扫码关注公众号
扫码体验小程序版
暂无数据
CHATGPT是一种基于人工智能技术的语言生成模型，它可以根据输入的文本进行生成回复。而大数据是指对大量数据的采集、存储、处理和分析的过程。两者在技术上有一定的联系，但并不完全相同。
CHATGPT可以在特定范围内生成高质量的回答，但它仍然依赖于大量的训练数据。目前的CHATGPT模型是通过对大量互联网上的文本数据进行无监督学习而得到的，因此大数据的存在对CHATGPT的训练和表现有着重要影响。
大数据不仅仅是为了训练CHATGPT这样的模型，它还可以用于其他方面的分析和应用。大数据可以用于分析用户的行为模式、市场趋势、风险预测等，帮助企业做出更明智的决策。大数据还可以用于社会科学研究、医疗健康、城市规划等领域的数据驱动决策和创新。
CHATGPT和大数据并不完全相互替代。CHATGPT是一种用于生成回答的工具，而大数据是指对大规模数据进行加工和分析的方法。CHATGPT可以受益于大数据的应用，但它并不能完全替代大数据的功能和作用。
NOA进城，标志着智能辅助驾驶下半场的开赛，华为、小鹏、毫末智行、蔚来、理想等，已经跃跃欲试。
站在商业角度看，城市NOA是通往自动驾驶的最后一块拼图，一旦成熟，用户付费意愿高，车辆都能兼职赚钱了，个人是否拥有私家车或许也并不重要了，人类出行的方式将发生颠覆性的变化，
前段时间，小鹏宣布城市 NGP 开放北京五环内城区环线和城市快速路，随后，蔚来的NOP+也在北京开放。
今年上半年，小鹏城市NGP 已经落地北上广深四个城市，下半年计划扩大到50个城市，明年增加到200城。
何小鹏在上海车展上甚至喊出了2026年，城市场景每百公里接管次数小于1次的目标。
这个目标激进吗？另一个重磅玩家，华为的城市NCA开城节奏与小鹏基本一致。去年10月，搭载华为ADS 1.0的极狐αS HI版在深圳落地NCA。
今年4月，华为ADS 2.0正式发布，最大的改变来自ADS 2.0版本中增加了道路拓扑推理网络，从而摆脱了对高精地图的依赖。
搭载华为ADS 2.0的车型目前有问界M5智驾版和阿维塔11单电机版，后续也会包括问界M7/M9智驾版，以及其他几个智选车合作车型。
ADS 2.0城市NCA目前开放了深圳、广州、上海和杭州的部分城区。上海车展上，华为曾高调宣布ADS 2.0年内要覆盖45城。毫末智行也多次对外宣布了城市NOH的进展，毫末推出的行业首个重感知城市NOH，将首批落地北京、保定、上海等城市，目前毫末城市NOH软件封版，达到交付状态，只待上车。如果小鹏，华为，毫末是有备而来，理想则杀入的更突然。
6月，理想在其首届家庭科技日上宣布，计划年底前开通100座城市的无图城市NOA方案。按照理想的预期，他们试图一步到位，直接把高精地图拿掉。
甚至，一直以来不太“重视”智驾的比亚迪都开始集结重兵，攻山头了。
现阶段的城市NOA，可以说是一片热土。
只是从宣传到落地，中间的难度只有干过的人才知道。
城市NOA 无图是终局
NOA进城，之前卡在图上。
车企对高精地图可谓是又爱又恨。高精地图的好处不言而喻，上帝视角的感知先验和超视距能力，可以为智驾系统提供一个保姆级的拐棍。
利用这根拐棍，匹配好自车与真实世界的定位，车辆的感知系统只要确保对周身障碍物的精准感知和躲闪即可，系统对规划也会更从容。但另一面，受限制成本、鲜度、覆盖度和政策等多重因素，高精地图的普及没有预想的快，甚至严重拖累了车企高阶智驾进城的步伐。
相比30万公里的高速路段，中国的城市道路超过1000万公里，采集的道路要素只会更多，再加上经常性施工的现实条件，过度依赖高精地图，会让智驾系统在一致性、安全和稳定性上都会产生影响。
成本层面，高精地图很贵。报告显示，厘米级的测绘效率约为每天每车100公里道路，每公里的陈本在千元左右，规模化的日均测绘成本在十万元水平，对车企来说很难接受。
严格的资质监管也成为高精地图最难翻越的大山。目前尽管北京、上海、广州、深圳、杭州、重庆开放了高精地图应用试点，但高精地图推广速度，远不及智能驾驶技术的发展速度。
多重维度影响下，去高精地图的重感知路线，已经智能驾驶进城的最现实的选择。
重感知轻地图路线下，始于特斯拉的BEV+Transformer成为目前业内首选的解题思路。
特斯拉之前，量产车辅助驾驶的感知算法模块主要来自CNN（卷积神经网络）、 RNN（循环神经网络）为代表的小模型。
虽然CNN通过卷积层、池化层实现了模型训练参数量的降低，但CNN仍然存在一定的缺陷，多池化会丢失一些的有价值信息，忽略局部与整体之间的关联性，这就对车辆理解真实世界困难重重。
因为自动驾驶场景下，跟人类开车一样，车辆的感知需要时序信息来完成目标跟踪和视野盲区的预测。
相比CNN，RNN可以描述时间上连续输出的状态。但也要求硬件需要更大的缓存。RNN难以学到长时间距离的依赖关系，轨迹预测的准确度就会降低。
而Transformer的关键在于引入注意力机制，凭借优秀的长序列处理能力和更高的并行计算效率，大幅提升了BEV 空间中的特征级融合效果，最终通过更强的泛化表现，从多种技术路线中杀了出来。
Transformer对数据规模有硬性要求，如果数据量达不到要求，其性能反而不如CNN。
毫末智行CEO顾维灏认为，数据驱动的自动驾驶3.0时代需要1亿公里以上的数据支撑，这些数据来自智驾功能激活后的高价值数据。
BEV+Transformer后，去年特斯拉AI Day上，特斯拉又对外展示了，能够检测通用障碍物的Occupancy Network占用网络。
至此，理论上，高阶智驾可以彻底不依赖高精地图了。
当然这里有个概念，所谓的轻地图，或者无图，现阶段并非完全不用地图，而是有个逐步取代的过程。
从高精地图切换到无图的过渡方案，多数企业的还会先从图商拿到SD底图，再用测试车去跑ODD测试。
NOA进城的意义，更大在于高阶智能驾驶的使用场景大幅度扩展，对于体量大以及自动驾驶算法正向研发能力强的头部企业来讲，使用场景的扩展意味着数据量更加丰富，算法迭代速度将提升。城市NOA底座是工程能力
城市NOA真正量产走入寻常百姓家，背后考量的是工程化能力、低成本和高效率的数据闭环。
工程化落地是底座，上层则来自大算力，大模型，大数据。
技术上，推动城市NOA迭代的因素则“相对”简单。数据的获取、标注、训练、迭代和数据的闭环能力建立。
但城市域NOA所面临的类似场景挑战非常多，感知端有大量的corner case需要解决，特别是预测和规划的认知端更是堪比登月。
如何评估感知结果与决策规划结果间的关系，对于业界都是巨大的挑战。
毫末的应对方案是中国首个自动驾驶数据智能体系MANA，以及将MANA感知和认知相关大模型能力统一整合到DriveGPT雪湖·海若。
今年4月，毫末推出自动驾驶生成式大模型DriveGPT，也就是可解释的驾驶常识。
用感知融合后的文本序列输入，以自动驾驶场景文本序列作为输出，将自动驾驶场景Token化，最终完成自车的决策规控、障碍物预测以及决策逻辑链的输出等任务。
让自动驾驶决策更像人类司机的也让决策变得更有可解释性，这一点至关重要。
数据规模上，毫末手里的辅助驾驶量产数据也值得一说，根据7月的数据，毫末的HPilot整体已搭载近20款车型，用户辅助驾驶行驶里程突破6500万公里，HPilot2.0 辅助驾驶日均里程使用率达12.6%。
MANA 学习时长超过84万小时，相当于人类司机11万年。DriveGPT 雪湖·海若，已经完成基于6500万公里量产车驾驶数据训练，预训练模型参数规模达1200亿。规模化城市NOA覆盖区域和体验感无法一蹴而就，无图的通勤NOA或许是合适的过渡方案。
理想公布的通勤NOA，除了需要人类司机要先进行固定通勤路线，手把手教AI司机开车外，车辆也会通过感知硬件来感知和记录路段信息，让自身的神经先验网络算法先跑起来。
理想官方的消息是，对于相对简单的通勤路线，基本一周内就可以完成训练激活。对于较为复杂的路线，预计需要2-3周时间也可以完成训练。
此前，小鹏的AI代驾，与理想的通勤NOA功能一致，都放弃了对高精地图的依赖，通过融合感知和算法迭代，在高频路段实现高阶辅助驾驶功能。
海量数据训练的大模型，需要大型云计算中心。
上个月，特斯拉的超级计算机Dojo开始投产。马斯克表示，明年将在Dojo上投入10亿美元以上的资金，并在2024年底前，部署30万个英伟达A100GPU，补充Dojo。
小鹏与阿里云在乌兰察布共建了自动驾驶智算中心扶摇， 算力可达600PFLOPS。这也帮助小鹏自动驾驶核心模型的训练时长从7天，缩短至1小时内，大幅提速近170倍。毫末智行则与字节火山引擎共建了670PFLOPS算力的超算中心MANA OASIS，中文名雪湖·绿洲。超算中心的投入，帮助毫末智行的模型训练效率提升了100倍。无图的探索，远远不止以上几家。
百度Apollo的City Driving Max，基于高精地图推出了轻HD地图，以纯视觉+激光雷达的方式实现感知冗余，比行业通用的传统高精地图要“轻”近80%。
凭借软硬件一体化的能力，大疆车载把城市NOA的价格卷到了极致，轻舟智行基于单颗地平线征程5芯片，也推出了入门版的城市NOA。
小马智行在Robotaxi的基础上，发布辅助驾驶软件方案小马识途，并计划在今年内量产高速、城区行泊一体辅助驾驶方案。
2023年仅仅过去半年，城市NOA就卷出了新高度，虽然无图城市NOA并不是一件一蹴而就的事。
毫无疑问，高阶辅助驾驶的“科技平权”时代即将呈现。大模型、大算力、大数据的催化下，中国的高阶智能驾驶正在进入ChatGPT时刻，也有人喜欢把它称为iPhone时刻，不管叫什么，在这场人类汽车历史上颠覆性的变革浪潮下，很庆幸我们都是亲历者。
【本文来自易车号作者蒸汽电荷，版权归作者所有,任何形式转载请联系作者。内容仅代表作者观点，与易车无关】
我觉得短期内不会影响到高校的专业设置，但长期来看肯定会有这样的趋势。
大模型的快速发展必然会对教育领域的专业设置产生影响，教育是为产业服务的，同时教育也是产业领域发展的晴雨表，近些年不断增加的与计算机、人工智能相关的专业就能够说明一定的问题。不过高校的专业设置本身一向都是滞后于社会发展的，短期内应该不会看到有太大的改变。毕竟就算想改，师资本身的更新迭代都还有个过程。
从现有的实践来看，AIGC的确可以用于执行一些基础重复工作，让人们有更多时间从事创造性和复杂的任务。的确可能会对高校的专业设置产生一定影响。至于说对专业设置的影响，我倒觉得不会太大，因为大多数传统的、基础性的专业肯定还会存在，最多也就是教学目标和方式可能会相应改变。
一些专业可能需要大量的数据处理或者复杂计算，而这些工作现在完全可以由AIGC来完成。这样一来，本来做这些工作的人们就可以更多地关注解决更复杂、更有挑战性的问题。那么这样的改变就可能会导致高校需要调整专业设置。某些专业可能需要调整其课程设置，以适应AIGC的应用。在个专业中，可能要要加入与AIGC关的课程，以培养学生在与自动化系统和智能化技术合作方面具备必要的技能。当然未来肯定也会开设一些新的专业，就像前几年大数据火的时候一群高校集体扎堆开大数据方向的专业一样，后边还有开电竞专业等热门方向的，估计再过几年就能看到 与AIGC 方向的专业出现了。例如：与AIGC相关的学科，如人工智能、机器学习和数据科学等，高校可能会根据市场需求和学生兴趣来开设这些新专业。与此AlGC的应用可能导致某些专业中的一些基础重复工作被自动化和智能化。高校可能重要重新评估课程设置，将更多的重点放在培养学生与自动化和智能化技术进行合作的能力上。
我猜想未来可能会出现一个专门培养prompt工程师的相关专业，类似于“自然编程语言专业”之类的东西。将AIGC本身涉及到的软硬件相关卡脖子技术研究，转化为一门偏软的“语言”类培训。新鲜事物究竟有没有那么强大的生命力还是有待观察的。就拿代表本人观点文字举个例子，比如ChatGPT确实可以根据你的培汪团需求分分钟产出文字，但这会影响汉语言文学的专业设置吗？
显然并不会啊！退一万步讲，AI写出的文字只能作为一种生产资料来看待，而并不能作为一个艺术品，某种程度它并不能完全替代作家的作品。因为它写出的文字带有浓配橘浓的机器色彩，少有感情、也无情绪，将文字工作完全变成了保准化的流水线工程。
作为一些较为低端的营销文案、或者含金量并不高的网文来讲还是可以的，但作为一件作品还是差点意思。但反过来想想，对毕业生的要求变高了是真的。AIGC虽然在短期不会影响高校的专业设置，但是必然会影响相关专业的就业率，特别是针对一些基础重复工作。
往后毕业生最大的竞争力应该是在思维，特别是创新思维和工具使用思维上。
最后随着人工智能技术的发展，可能会出现一些新的专业，例如人工智能工程师、数据科学家等，但这并不会导致现有专业的消失。
ChatGPT是一个非常强大的语言模型，但它并不是万能的，在生成代码的场景下还需要人工编程和检查，所以一定程度上ChatGPT的使用是需要依赖程序员的护航，才能确保完成应用。说替代程序员的，着实是过度解读了。ChatGPT的爆火，让我想起，同样会提高程序员开发效率的低代码平台，它的出现也同样被人类污名化，职业威胁程序员。通过低代码平台，只需要通过拖拽的方式，或者是编辑几行基础代码，就能快速的开发出各类应用系统。最关键的是低代码改变了传统开发对专业技能的要求，现在只要掌握一些基础的代码知识，甚至不需要任何基础，就可以进行应用系统的开发！作为国内主流的JNPF低代码平台服务商，JNPF低代码平台负责人认为：低代码的本质是解放开发者的双手，让他们从重复的代码工作中解放出来，低代码在这个过程中扮演的是“辅助者”角色，而并非“替代者”。因为永远有一些容易被忽略的边缘性技术问题，需要程序员去解决，这是低代码不能替代的。
而且低代码并不意味着完全就抛弃代码，相反在平台无法满足一些复杂的业务场景时，就需要代码的辅助，当然这个过程的代码量要可控，否则就违背了低代码开发的本质。
而像市场上一些无代码平台，确实做到了看不见任何代码，但是当平台需要去应对复杂业务逻辑系统的开发时，便会显得力不从心，JNPF保留了这种灵活的开发机制，当需要更深层次的处理业务逻辑时，如果平台开发不能完全匹配，就需要程序员通过代码开发实现相关能力与服务。而这种二次开发的需求已经超过了应用创建者的能力范围，这就需要专业的程序员基于平台去开发。与其无深究低代码是否会让程序员失业，不如去想如何通过低代码技术的加持，让程序员变得更有含金量，让低代码成为程序员工作的润滑剂。普通人如何不被OpenAI 取代。
在某些方面强于普通人的，特别是对于重复性智力劳动，如重复性写套话、写代码、画图，那么怎么不被取代？还是需要多学习、多主动思考、多实践、看更多书，做更多有挑战的事情，在认知上避免被取代的关键是不断学习和提高自己的能力，并努力适应新的环境和挑战。
目前ChatGPT还没有办法完全替代编程人员，但未来的发展谁也不知道。
因为ChatGPT只是个语言模型，现在的语言模型在未知领域面前表现并不好，而程序员却要解决很多未知问题，但是ChatGPT可以为编程人员带来很多的便利，可用作为辅助工具使用。
ChatGPT是一个基于NLP（自然语言处理）技术的语言模型，它可以用于聊天和对话系统。虽然ChatGPT在自然语言生成方面有很高的表现，但它本身并不是一个取代NLP的技术，而是NLP技术的一种应用。
NLP是涉及理解和生成自然语言的综合领域，它包含各种技术和方法，例如语义分析、情感分析、机器翻译等。ChatGPT 在对话系统方面的应用中展现了强大的能力，但在其他NLP任务上可能需要不同的模型或方法。
虽然ChatGPT在特定领域内可以模拟人类对话，但它并不是全能的，也不能完全取代NLP技术。NLP仍然是一个广泛的研究领域，需要不断探索和改进各种技术和方法来应对不同的任务和挑战。