请问用的chatgpt平台是哪个网址？
【 在 lvsoft 的大作中提到: 】
: 之前觉得gpt4也不咋滴，实际上还是我的使用姿势的问题。
: 最近尝试用gpt4写mcu固件，感受很震撼～～
: 下面我给出2个例子。第一个例子是我自己都对at32的库不熟悉，
: ...................
--
FROM 218.106.82.*

因为我发文的时候还在用chatgpt写code，所以让它做的都是杂活。
后面我开始用它调试代码，这个时候面对的就都是开放性问题了。

我把debug过程的对话附上，这次格式化成pdf版本，看起来会清晰一点。

我先说下背景，这次的开发工作基础部分都是找别人做的，他选了at32实现can底层通讯，然后我在它的基础上移植了canopenstm到at32上，并基于canopen去做上层应用。我对于can和canopen都是零认知，大概就是看了些科普扫盲级的资料了解了下，对于内部细节是一概不知，当然也没有去仔细看手册规范。

然后，如果忽略所有的报警和错误问题，正常的sdo流程是能走完的，所以我一直的判断是整个流程正常，只有一点“小”问题。最后发现的真正的问题有2个，一是can的通讯波特率设置不正常，具体是其中的采样点稍微大了一点（但也符合手册推荐的规范），导致can在自动重发的模式下能双向通讯，但可能部分数据包还是出现了错误，通讯之后总线上有大量的错误包。另一个是canopen在移植过程中，我参考了一个现成的配置，但需要删除其中的PDO配置项，但我没有删除干净导致PDO初始化不正常，进而导致canopen要发emergency包，叠加can底层的通讯问题，基本上can和canopen层面就到处都是各种奇奇怪怪的问题了。

然后，can的通讯波特率设置，人家是找的雅特力官方提供的配置工具给出的参数。人家在他自己的环境中也都通过了测试，我也独立的把他的流程走了一遍确认过，所以我一直是不认为can底层通讯参数上是有问题的。而且我没有逻辑分析仪和can协议分析器，所以一直没办法进行最底层的确认（其实都有，但我找不到了...再买了一套至今还在路上...）

以上是这个问题的背景，你可以看看期间我跟chatgpt的对话，感受下chatgpt分析问题的能力。其中pdo的参数配置，有一个小坑，就是canopennode的实现并没有做表达式解析，而是按照约定俗成的默认规则直接实现了代码。这点是在chatgpt的辅助下定位到的。此外canopen的pdo设置还有一些奇奇怪怪的细节规则，这些我估计不细看手册是打死也想不到的。但chatgpt都给我直接指出了问题。另一个can通讯设置的问题，也是在chatgpt的辅助下定位到的。当然在对话中可能无法直接看出来，因为我并没有指望问它xxx是什么问题，然后它直接给到我答案。更多的是让它帮我解释各种信息，让它提出分析建议，然后我在这个过程中边学习边分析。算是一起合作定位到了问题。

以上整个过程，我全程没有问人类专家，也几乎没有google去找别人的经验/类似案例（基本上，google就只用来找手册资料），作为一个对can和canopen细节完全不了解的人开始，通过chatgpt的对话分析出来的。从这个角度来说，我觉得它这个专家还是很称职的。当然，他里面还是犯了些错误的。比如他认为at32是新唐的，还有他的波特率计算公式也有点小问题，比如按照at32的手册其实bts1_size = bts1+1, bts2_size = bts2+1，而它没有指出来，所以自己不看手册没注意这个小细节的话参数会填错。不过我认为这些都是无伤大雅的问题。基本上它对于背景知识记忆的还是比较抽象的，不会去记非常琐碎的细节。所以如果关注细节，你得在最近的上下文中把细节告诉它。

下面就是最后一个问题，为什么雅特力给的官方can波特率配置器这么离谱。我测试了几个配置都不太正常，我找别人做的实现，他也是从这些参数里面选出了唯一一个能接近正常工作的配置。而且我自己按手册，自己手算出来的参数更是完全无法通讯。不过这些问题等逻分到位再研究了...

【 在 philbloo 的大作中提到: 】
: 看你给的例子确实是有点吃惊
: 不过你给的所有例子都不是开放性问题 我不太相信机器能给开放性问题给出有创新的答案
: 我想了一下最近在做的问题 感觉机器没法给出有建设性的意见 当然我没买chatgpt所以没法试
: ...................
--
修改:lvsoft FROM 180.111.27.*
FROM 180.111.27.*
附件(337.5KB) chatgpt_case4.pdf

也不能这么说，因为这个问题按手册的说法就不应该存在。事实上它产生的根源应该是我用的usb can adapter导致的兼容性问题。并且chatgpt整个过程是不知道我这个usb can adapter的任何细节的。说穿了这就是现实世界问题的复杂性来源。

此外，你应该知道陶哲轩最近对chatgpt的评价吧？
https://mathstodon.xyz/@tao/110601051375142142
https://mathstodon.xyz/@tao/109543141003492779

对于你的问题，我不是这个领域的专家我也不懂，就只能直接复制到chatgpt随便掰扯几句看看：
===========
# Barrett改进与Masking

## You
如果只需要商的最小几个 bit， Barrett reduction 能否有改进空间？如果没有的话，是否意味着 Montgomery reduction 也不能？如果有的话，能不能加入 arithmetic masking？

## ChatGPT
Barrett reduction和Montgomery reduction都是一种模数运算的快速算法，主要用于公钥加密以及数字签名等密码学计算中。

你的问题具有一定深度，尤其是关于只需要商的最小几个bit的改进空间以及加入arithmetic masking的可能性。

对于Barrett reduction和Montgomery reduction的改进，一般取决于你的具体应用场景和硬件资源。通常，这两种方法已经相当优化，但并不意味着不能改进。例如，有时可以根据实际应用中的模数特性来进行特定的优化。

如果我们只需要商的最小几个bit，理论上有可能对这两种减少算法进行改进，但需要注意的是，这样的优化可能会带来其它方面的问题，如可能增加实现复杂度，降低运算的稳定性，或者增加硬件资源的消耗等。

至于arithmetic masking，这是一种用于防止侧信道攻击的技术，通过在算术运算中加入一些随机性，从而使得攻击者难以通过分析硬件的运行特性（如功耗、电磁泄露等）来获取关键信息。这是密码学实现中的一个常见的安全性设计。

一般来说，arithmetic masking能否加入到这两种减少算法中，取决于你的具体应用需求以及硬件资源。可能需要对算法进行一定的改造以适应arithmetic masking的加入。同样，这种改造可能会带来其它的问题，如增加实现复杂度，降低运算速度，或者增加硬件资源的消耗等。

总的来说，这两种算法是否可以进行改进，以及能否加入arithmetic masking，取决于你的具体需求，你的硬件资源，以及你愿意承受的复杂度和速度等多种因素。在进行这种改进时，需要在速度、安全性和资源消耗等多个方面进行权衡。

## You
需要投入的计算资源问题不需要考虑，也不需要考虑谨慎设计和测试之类的工程问题。你能否先给出一些具体的改进思路作为探索？

## ChatGPT
确实，当我们不需要考虑计算资源和工程设计的问题时，我们可以在理论上探索一些可能的改进方法。以下是我对 Barrett reduction 和 Montgomery reduction 进行改进以及如何加入 arithmetic masking 的一些初步思考：

1. Barrett reduction：该方法依赖于预计算的量μ来加速计算过程。如果我们只需要商的最小几个bit，可以考虑优化预计算的μ。这里可能存在一个改进的空间，那就是在预计算阶段使用更高效的计算方法来得到μ。例如，可以探索使用牛顿法或其他高效的求倒数方法。
2. Montgomery reduction：Montgomery reduction的特性使其在计算连续的模幂运算时特别高效，如RSA公钥加密。如果我们只关注最小几个bit，可能可以通过调整算法以只计算和存储这些位来实现优化。然而，这需要注意如何处理溢出或借位的问题。
3. Arithmetic masking：为了防止侧信道攻击，可以考虑在计算过程中引入随机的“掩码”数值。这些掩码可以用来对中间结果进行随机化，使得攻击者无法通过分析硬件行为来推测关键信息。对于Barrett reduction和Montgomery reduction，可以在算法的每个步骤中引入这样的掩码。需要注意的是，引入掩码需要在不影响最终结果的前提下完成，因此可能需要对原算法进行相应的调整。

这些仅仅是理论上的可能思路，具体实现的效果以及可能带来的新问题需要进一步的研究和测试才能得出结论。



【 在 philbloo 的大作中提到: 】
: 这还是一个封闭性的问题。 CAN 的硬件软件协议是限制条件，这几个限制就把问题搜索空间大大缩小了。这整个上下文就是一个有限状态机，虽然穷举所有情况代价太高，但每一个具体问题可穷举的空间很小。你遇到的这几个问题都是肯定可以解决的，只要1）可重复， 2）有手册。chagpt 在这个解决过程中展现的能力确实惊人，但只是辅助性的作用，而主导的还是你的提问。
: 但开放性的问题，chatgpt （包括4.0）没法做到这么惊人。比如，如果只需要商的最小几个 bit， Barrett reduction 能否有改进空间？如果没有的话，是否意味着 Montgomery reduction 也不能？如果有的话，能不能加入 arithmetic masking？这一类问题 chatgpt 会迅速进入瘫痪状态，没法给出有意义的回答。当然，说实话我也不指望机器对这种问题能有突破性的回答，但哪怕是找到相似的论文中的结果，机器都做不到。
:
--
修改:lvsoft FROM 180.111.27.*
FROM 180.111.27.*

刚才急着出去散步，就没多问几句。
回来我也很好奇它对学术界的了解如何，再问了下，顺便把你的问题也问了问，直接发会被审核，我把整个聊天过程作为附件上传。

其实数学方面的能力是GPT4最弱的项目，然后编程是它倒数第二弱的。总体来说我还是一开始的感觉，对它的综合评价是四个字：“全知低能”（其实也没那么低了...chatgpt3.5可以算是低能，gpt4能力还是强很多的，算是刚过专业门槛吧）。能力方面大概就是个二本生的程度，但知识面方面可以涵盖人类一切知识，包括我自己最精通最熟悉的领域，它也能给我一些意外惊喜。

【 在 philbloo 的大作中提到: 】
: 陶的评价我看过 其实陶的态度很明确吧 “but it was slightly helpful evertheless ”
: 这也是我的感觉
: 比如说你贴的gpt对reduction的回答（谢谢），如果是一个人当面立刻这么回答我，我能判断出他是懂这个领域的，于是接下来就会有更有针对性和建设性的谈话。比如我会接着问，怎样可以根据需要的bit数来改进预计算？牛顿法迭代的次数是否和bit数相关？这方面引用比较多的书和论文有哪些？等等。但问这些问题之后gpt会暴露出“其实我不懂，你逼我也没有用”的态度来。所以，我感觉更有效的办法其实是直接上google scholar，把排名靠前的几篇论文及其引用扫一遍。
: ...................

【 在 philbloo 的大作中提到: 】
: 陶的评价我看过 其实陶的态度很明确吧 “but it was slightly helpful evertheless ”
: 这也是我的感觉
: 比如说你贴的gpt对reduction的回答（谢谢），如果是一个人当面立刻这么回答我，我能判断出他是懂这个领域的，于是接下来就会有更有针对性和建设性的谈话。比如我会接着问，怎样可以根据需要的bit数来改进预计算？牛顿法迭代的次数是否和bit数相关？这方面引用比较多的书和论文有哪些？等等。但问这些问题之后gpt会暴露出“其实我不懂，你逼我也没有用”的态度来。所以，我感觉更有效的办法其实是直接上google scholar，把排名靠前的几篇论文及其引用扫一遍。
: ...................

附件(13.1KB) ChatGPT_20230705T134229348Z_BarrettMasking.md
--
FROM 180.111.27.*

虽然不太清楚你的领域的情况，但我看他的回答也是这种感觉，所以你看我后面都在逼着它给出进一步的建议。
我总体感觉上gpt4的训练倾向性，会让它更容易给出偏科普偏宏观的内容，可能对于普通人来说这些信息很有帮助，但对于专业人士来说就是一大堆正确的废话。这是我之前试用后对它评价不高的原因。

另一地方就是它胡编乱造这个事情我之前是被它坑过的...尼玛当时我问了它一个比较小众也比较复杂的问题。然后它编造了一个库宣称可以解决我的问题。我去查了下互联网的某个犄角旮旯还真的有这个库，而且还确实跟我的需求相关...然后我信了，还很开心，花了大概一周的时间大干了一场，最后发现tmd它把我引进了一个大坑...

我这次使用获得的新的体会是，你可以在一个上下文内，把一个很具体很细节的问题抛给它，它基于它全知的知识背景，有可能能给出一些很有用的答案，或者至少是很实用的帮助，或者极大的减少你自己去分析问题的精力。这个是我之前没发现的能力和用法，实践下来我这次还真挺满意的。但要发挥出这个能力，确实需要专业的人不断就着细节问题对着他问。一旦人不能揪出它的问题，修正不了它的错误，它的回答也就拉垮甚至是扯蛋了。

至于你说的这个算法的事，其实gpt4让我佩服的地方恰恰是它对于问题的理解和解释。至于乱试瞎蒙，其实可以要求gpt4猜测一个乱试的方向对代码进行修改，然后再要求它直接给出执行结果，最后再反过来要求它对执行的结果进行解释。gpt4最神奇的地方是它能表现的可以模拟运行了程序，并不需要真的执行...如果gpt4的这个能力能做到100%正确，这尼玛直接就破解了停机问题...实际情况下它当然做不到100%正确，但它能做的很大概率正确。

所以最让我惊讶的就是这种对于各种稀奇古怪的现象描述，对复杂结果背后的理解和解释。这个东西不是那么的显然的，这恰恰是我们人类最引以为豪的点。我们都会认为人当然是超越图灵机的...但现在它至少在表现上，经常给我它也具备了一样能力的感受。

我贴的对话log，可能看起来还不是那么明显，因为最完整的体验在我心中，这个感受真的只能自己去使用才行。要知道里面很多缩写gpt4应该是不清楚的。at32和stm32只是类似，在很多细节上是不同的，很多寄存器名字也取得不一样。gpt4对stm32还算比较了解，但对at32是相当不熟悉，可以说并没有多少背景知识。它大概也跟我们人一样，在套用stm32的背景知识去理解at32。而因为gpt4的上下文规模限制，很多地方我只能把代码片段丢给它，包括格式化也都乱七八糟的，很多log信息也是我自己写的，只有我自己知道。所以在它的视角里，其实是相当缺乏全局信息，信息的噪声也很大。就我给的那些代码片段，我自己读我都要不断跳转去查定义，查手册。我在想如果我的视野只有gpt4的记忆窗口这么大，别人把这种代码和错误现象丢给我，还要我当别人肚子里的蛔虫去猜他知道些啥在想什么，然后让我给出正确的解析，尼玛我也是会很吃力的...但它表现的还挺游刃有余的，就这点，特别突破我认知。

未来gpt4的token空间肯定会继续拓展下去，一旦它的记忆力能涵盖一个完整工程的所有细节，然后智力在提高点，那它的表现，我只能说感受到了恐惧。

【 在 philbloo 的大作中提到: 】
: 先谢谢。
: 首先，它给的方向是显而易见的，但需要更实际的内容才有意义。
: 它给的论文和书我看过一些，因为有几篇是超高引用的。但貌似没有聚焦在这个问题上的书或论文。这个问题的大范畴（B 和 M reduction）比较旧，但引入了 LSB 和 arith masking 是相对来说比较新的东西（最近10年才开始有人关注，最近两年是热点问题）。所以对它来说挑战太大。
: ...................
--
修改:lvsoft FROM 180.111.27.*
FROM 180.111.27.*