2023年，随着gpt4的出现，哪些人工智能领域还值得本科生入坑?

最近题主打算进组科研，本来想去做nlp，但是gpt4一出很多人说现在入nlp没有很大空间了，都在劝退。请问对于本科生科研，人工智能哪些领域还值得研究呢？比如深度学习，机器学习，知识图谱，决策树，时间序列分析，强化学习等。或者还是数据挖掘，云计算等领域更加值得入坑？希望前辈指导，谢谢！
ps：题主就读于某华五软院，还是想在本科试一试发paper甚至顶会

并不需要有这种担心，我认为人工智能的机会在GPT4这波的带动下只会变得更多！就像深度学习的飞速发展并没有让传统机器学习的研究无路可走。
大语言模型的进展日新月异，经常看到一些研究自然语言处理的朋友们担心大模型的出现会不会让AI科研无路可走了。我认为完全不需要有这种担心。技术永远是不断进步的。新技术的出现不可避免会取代旧的技术（这是进步），但同时也会催生更多新的研究方向。比如，近年来深度学习的飞速发展并没有让传统机器学习的研究无路可走，相反，提供了更多的可供研究的方向。
同时，AI一个子领域的突破势必会带动其他子领域的蓬勃发展，这其中就有许多新的问题需要研究。比如，以ChatGPT/GPT-4为代表的大模型上的突破很可能会带动计算机视觉的进一步提升，也会启发很多AI驱动的应用场景，例如金融、医疗等等。
所以，近期可能研究热点包括（1）目前大模型还做不到、做不好的领域，我们能否让大模型做好，（2）在大模型能产生颠覆性的领域比如医疗金融，我们能否更好地应用大模型？
除此之外，我认为Data-centric AI也是非常值得研究的方向。无论技术如何发展，提高数据的质量和数量一定是提高AI性能的有效方法。经过了多年的研究，模型设计已经相对比较成熟，特别是在Transformer出现之后（目前我们似乎还看不到Transformer的上限）。提高数据的数量和质量将成为未来提高AI系统能力的关键（或可能是唯一）途径。此外，当模型变得足够强大时，大多数人可能不需要再训练模型。相反，我们只需要设计适当的推理数据（提示工程）便能从模型中获取知识。因此，Data-centric的理念将越来越重要。
有兴趣可以阅读：GPT模型成功的背后用到了哪些以数据为中心的人工智能（Data-centric AI）技术？

谢邀，坐标南部某教育很强的学校，从周围讨论的情况来看可以尝试选择Human Studies, HCI这种强交互型的方向，或者基础CV或者Robotics这种永远有进步（但同时也比较卷）的方向，但可以尽量避开代码生成或者自然语言理解这种
你提到的数据挖掘也已经是非常成熟（日薄西山）的领域了，目前的共识是方法论层面已经同质化非常严重，很多DM的研究者已经开始转向NLP（可能最近又要重新选择方向lol）
综合来说贴近人机交互，传统AI方向可以尝试

马毅老师说的好，当代人工智能在四十年代后期，所有奠基理论都已形成，比如维纳控制论，香农信息论，图灵测试。研究当代人工智能理论和方法，还是要从历史的角度全面梳理一下，前人是很智慧的，当前很多方法都是早有雏形的，只是受制于历史条件限制没法发展。
本科有志于投身科研非常赞 ，趁时间大把，不如巩固好理论基础，梳理清楚发展脉络，建立起独特的思维和视角。同时打好代码基础。不必过早的追求发paper，卷魔改，拼手速。
本科阶段是最宝贵，最纯粹的学习时光。

这是一个好问题，也是很多同学都比较关心的问题，结合当前人工智能领域的创新现状和发展趋势，我来说说个人看法。
首先，随着GPT-4的发布，很多同学确实感觉NLP领域的一些方向已经做到很极致的状态了，要想在已有的技术体系结构和理论支撑下做出更好的效果，难度已经越来越大了。
实际上，当学术界发掘出一个新的创新空间并提出基础的理论支撑之后，剩下的事情就应该交给产业界来完成落地应用和价值输出，毕竟这个过程需要更多的产业资源，这一点在近些年来的人工智能领域已经有了明显的体现。
虽然当前大模型的边际效应依然没有出现，但是“大力出奇迹”并不应该是学术领域创新的主要方式。当然了，目前在高校和科研院所做创新的导师团队通常也没有太多的算力支撑，这也是比较现实的问题。
回到这个问题上，对于本科生同学来说，当前选择进入人工智能领域并不需要太过于纠结，至于选择NLP、CV还是图谱、深度学习、强化学习、机器人等方向，我认为都没有问题，关键点在于尽早做出选择并尽快开始落实学习和科研计划。
本科生要想有更好的科研体验，一方面要考虑到自身的实际情况，另一方面还需要考虑到自己所处的科研场景，如果能够加入重点实验室从事核心方向的研发，相信会有很多机会完成创新成果输出，甚至可以完成强成果输出。
人工智能领域的创新方向虽然很多，但是研究到一定程度后，会发现很多研究又好似殊途同归，比如可信任人工智能就是一个典型的代表，当前不论是做NLP方向，还是做CV方向的同学，都可以往这个方向发展，重点在于自身是否具备了一定的人工智能科研基础。
从科研的角度来说，要想尽快完成创新成果的输出，一定要快速找到自己的创新着力点，要重视给自己营造一个比较理想的交流和实践场景，这对于本科生和研究生同学来说，都是一样的。
目前我联合多所国内外大学的导师和互联网大厂的企业导师，共同打造了一个技术论坛，在持续开展科研实践、创新成果分享和知识讲座等活动，最近论坛也成立了科研兴趣小组，很多同学也都希望能够出一些成果（文章、专利等），感兴趣的同学可以联系我申请参与，相信一定会有所收获。
最后，如果有人工智能领域相关的问题，欢迎与我交流。

同为nlp组的本科生，有过同样的困惑，和老板请教过这个问题。
简单来说，我们可以研究它的泛化能力，它为什么work，为什么不work。也可以挖掘更多的应用，比如，目前GPT还只有自然语言和image，也许可以探索别的模态，比如3D。还有，可以研究大模型的轻量化部署。