如果說紐約「華爾街」是國際金融中心的話,那麼華盛頓的「K街」可謂是風雲變幻的國際政治中心。
華盛頓的“K街”離白宮不遠,這裡有著一群專業的“政治說客”,每當美國政府有了新的法案草案,他們就會花費大量時間仔細研究法案草案,以評估它們是否與他們的客戶相關,這些客戶通常是各大企業。
美國政府各種法案的威力不用多說了,比如近期通過的《晶片與科學法案》,直接受到波及的半導體企業就為數不少,及時了解各類法案會不會影響到自己,成為企業政策研究的重中之重。
現在,這項工作也可能要被ChatGPT取代了。
史丹佛法律資訊中心的研究員約翰· 內(John Nay)最新的研究顯示,AI模型能夠在75%的情況下預測一份美國國會法案的摘要是否與特定公司有關,更重要的是,隨後能夠起草一封信給該法案的發起人,主張對立法進行修改,這個模型和ChatGPT一樣,背後同樣也是OpenAI 的GPT-3 大語言模型(LLM)。
論文arXiv 預印本:https://arxiv.org/ftp/arxiv/papers/2301/2301.01181. pdf
約翰·內(John Nay)的論文顯示,他基於OpenAI 的GPT-3大語言模型(LLM) 開發的初級AI 說客,可以在讀取一份美國國會法案的摘要的基礎上,判斷一份美國國會法案的摘要是否與特定公司有關。
例如上面提到的晶片法案,如果你有一家涉及半導體產業的公司,但並非主要業務,你不確定晶片法案是否會影響到你的公司,那麼這個AI就可以告訴你答案,準確率高達75%。
這是如何做到的呢?
首先,當然是AI如何理解文本的問題,這個需要大量的數據用來訓練,約翰· 內(John Nay)的方法是收集大量法案數據和企業數據,透過OpenAI 的API 為模型提供文字提示。
法案資料包括法案的標題、法案摘要、由國會確定的法案主題,公司資料由公司的名稱以及該公司向美國證券交易委員會提交的業務描述作為資料組成。
給AI模型的任務範例如下:
##完成訓練之後,約翰· 內(John Nay)整理了335張法案的數據,然後對模型進行挑戰,以預測它們是否與121家獨特的公司有關。 因為大多數立法不會影響到大多數公司,他發現,只要總是說“不”,模型就可以猜對 70.9% 的情況。當他在2022年3月發布的舊版 GPT-3上測試這種方法時,結果比那糟糕得多,預測準確率只有52.2% 。 但是,在2022年11月才公佈於眾的 GPT-3.5模型(也就是ChatGPT的大腦)上進行試驗時,它的準確率達到了75.1% 。在置信度評分超過90的法案上,準確率上升到79%。 如果法案與企業有關,也能自動產生法案修改建議 對於判定相關的情況,AI也會給予相關的理由,例如: 答案:是解釋:Alkermes Plc 是一家生物製藥公司,開發和商業化旨在解決主要治療領域(包括成癮和精神分裂症)患者未滿足的醫療需求的產品。該法案要求醫療保險和醫療補助服務中心 (CMS) 與製藥公司就醫療保險處方藥福利所涵蓋的藥物價格進行談判,這可能會影響 Alkermes Plc 的產品。 置信度:95 更重要的是,如果判斷法案與企業有關,AI隨後能夠起草一封信給該法案的發起人,主張對立法進行修改。 例如這樣的一封信: 論文沒有評估起草的信件在影響政策方面有多大效果,約翰· 內(John Nay)明確表示,這種方法還遠遠不能完成遊說者的大部分工作。 但他表示,相隔數月發布的模型在預測性能方面的顯著提升是值得注意的。他表示: 「目前有一個明顯的趨勢,就是能力將迅速增強。」 「立法程序還沒有為此做好準備,」同時他也表示。 「這只是幾天內構建的一個簡單的概念證明。隨著更多的資源和更多的時間花在這上面,特別是隨著更多的關注於建立工作流程和用戶體驗與人類說客的日常工作聯繫在一起,這可能會建成一些相對複雜的東西。」你是一名遊說者,分析國會法案對公司的潛在影響。
鑑於該法案的標題和摘要,以及其10K SEC 文件中有關公司的信息,你的工作是確定該法案是否至少與公司有一定的相關性(就是否會影響公司而言,如果它之後被實施)。
法案的官方標題:{official_title}
法案的官方摘要:{ summary_text}
法案的官方主題:{subjects}
##公司名稱:{ company_name}
公司業務說明:{business_description}
##該法案是否與該公司潛在相關?
以這種格式回答:回答:「是」或「否」(全部大寫)。 #
說明:您為做出回應而進行的逐步推理。置信度:0 到100 之間的整數,用於估計您對答案的置信度(1 為低置信度,99 為高置信度)
以上是ChatGPT化身政治說客:幫企業判斷是否受政府新法案影響,甚至寫信建議修改立法的詳細內容。更多資訊請關注PHP中文網其他相關文章!