这是一个假新闻么？并不是。

这个签名信是这个样子：

这信到底是怎么回事儿？

这封信是谁发出来的呢？这是一个叫做Future of Life Institute的机构，翻译过来就是未来生命研究所。它是一个非盈利组织成立于2014年，总部在美国的麻省的剑桥市。简称FLI，使命是促进人工智能、生物技术等领域的发展，但是同时确保这些技术的安全，尽量的减少负面影响。 

很有意思的是，这个组织的主要投资人和联合创始人之一也是伊隆马斯克Elon Musk，他是大概在2014年还是15年投资了这个FLI，然后他也是在大概的时间点投资了OpenAI。他投资FLI的时候，他的目标是倡导道德安全、透明的使用人工智能，保证人类的安全。其实他投资OpenAI的时候其实也是这个目的。

我们最近可能看到这个Elon Musk对OpenAI有一些微词，因为他一开始认为他投资的是一家非盈利机构，就像他投资这个FLI一样。但是OpenAI现在发展成一个盈利企业，还拿了微软的投资，而且后来不开源了，等等。我们看到他投资的FLI和这个OpenAI的目的很像，所以这个签名里据说有Elon Musk的签名，并不稀奇，附和他的行事风格。

那么这个签名信到底写了什么呢？我把这个签名信整体扔到了ChatGPT里（虽然这个信是反对ChatGPT继续发展的，哈哈）让他翻译，然后让他做了个摘要，人工智能可能对社会和人类带来深刻的风险，因此有必要对其进行计划和管理。现在的人工智能系统正在成为人类一般任务的竞争对手，需要考虑其潜在的影响和风险。为了确保人工智能的安全，提议各个实验室立即暂停至少6个月培训比GPT-4更强大的人工智能系统，并利用这个暂停的时间共同制定和实施一套共享安全协议。同时，应加快发展强有力的人工智能治理系统，包括新建和有能力的监管机构以及应对人工智能将带来的经济和政治巨大的破坏的机构。 

目前GPT系列可能带来的风险最大的是结构性失业。而我们知道，其实目前没有任何一家竞争对手有比GPT-3更强大的系统，遑论比GPT-4更强大了。也就是说，实际上这个公开信就是在反对OpenAI继续训练，让他们停6个月，给竞争对手跟上来的时间。

人工智能技术日新月异。GPT-3大概一年多前发布，ChatGPT是在去年年底发布的，GPT-4是最近发布的。这大概一年多，人工智能发展之快，让很多人都晕车。我们亲眼见证了ChatGPT横扫天下，所向披靡。

百度推出的文心一言，在发布会现场就当场就翻车了。现场不敢用真实的演示。后来文心一言的文生图功能，被大家发现其实是个套壳，因为你跟他说中文，他其实会翻译成英文，然后拿英文去输出一张图。例子很多，你要起重机，他给画个仙鹤。因为这两个单词是一样的，你要总线，他给你画一个公交车，你要鼠标，他给你画一个老鼠。这样的例子太多了，我们就不一一列举了。

如果他真的是一个用汉语语料和图像去训练出来的系统，表现绝对不会是这样。虽然百度天天嚷嚷说他们更懂汉语什么之类的这种这种屁话，但实际上他明显是套壳了一个英文的开源软件，或者说一个英文的现有系统，等这样的问题。

头两天我拿到了Bard，Google的类似的ChatGPT，或者说，更类似于New Bing的系统。我用起来也发现是不如GPT-3.5的，甚至不如GPT-3。连多语言支持都没有。

所以呢，停六个月，不要做比GPT-4更强大的系统。其实就是完全针对OpenAI的一种行动。

1000个精英的签名可信么？

那么现在说说这1000个签名。

据说Musk和Steve Wozniak都签名了。Steve Wozniak就是当年和乔布斯一块创建苹果的联合创始人。

我去查了下，签名里面果然有他们两个人。但是Musk的推特这两天没有提这封信，Steve Wozniak也没有提这封信。如果他们俩觉得这事儿很重要，都去签名了，那他俩为什么没有提这封信呢？当然，我们前面说了FLI就是Musk投资的，他会签名倒是不意外的。

而有人说Yann LeCun杨乐村也签名了。

Yann LeCun是一位著名的计算机科学家、人工智能专家和教育家。他是纽约大学的教授，是纽约大学计算机科学和数据科学中心的主任，同时也是Facebook AI研究实验室的创始人和负责人。他在深度学习领域有着很高的声誉，被誉为“深度学习之父”或“卷积神经网络之父”，并多次获得计算机科学领域的顶级奖项和荣誉。

而我去看杨乐村的推特，发现他直接辟谣了，他说，他根本没有签这个字，他不同意这个信的内容。

这是怎么回事儿？谁冒充了杨乐村，他怎么冒充的呢？

我自己看了下，原来这个公开信的所谓签名办法，就是一个简单的HTML form，就是一个简单表单。没有任何登陆，身份验证，你可以随便输入你的名字，邮箱，你的工作职位。你可以冒充任何人签名，我也不知道这个网站怎么根据这样的签名方法去验证一个签名是否某个真实存在的业界名人签字的。

有人说OpenAI的创始人Sam Altman，也签名了。这不符合常理，因为显然这个信是直接针对OpenAI的，目前Google还有其他公司并不会被影响。我去看了，当然确实可以看到Sam Altman的签名，但是后来就不见了。估计也是自己辟谣后，FLI主动删除的吧。（Sam Altman（萨姆·奥尔特曼）是一位著名的企业家、程序员和投资人。他生于1985年，毕业于斯坦福大学，曾创办过Loopt、Hydrazine Capital等公司，并且是现任OpenAI（人工智能组织）的首席执行官。除此之外，Sam Altman还是美国最顶尖的创业加速器Y Combinator的前任总裁。他致力于推动科技行业的进步，特别是人工智能领域。他的投资领域包括人工智能、生命科学、科技行业等领域，曾投资过Reddit、Airbnb、Stripe等知名公司。）

还有个把名人的签名出现了，后来又消失了，应该都是类似的原因。

信里的担忧在目前是有道理的么？

Elon Musk和Sam Altman啊，这个在GPT-2和GPT-3的时代，曾经就说过GPT已经有智能了，也曾经说过一些类似于奇点来临，大家要小心的话。

当时都被大家当做了一种笑话或者是一种科幻，没有人搭理。

但是到了ChatGPT出现以后呢，这种担忧引发了很多人的真实的共鸣。但是我认为这种担忧很大程度是因为不够了解ChatGPT的机理，或者叫做LLM的机理造成的一种结果。

其实我在之前的油管视频《ChatGPT真有9岁小孩儿的心智了？我们怎么判断出AI现在跟人类的智能还有很大区别？》里说过这个问题。ChatGPT到底有没有一个九岁小孩的智能。这是之前有一个研究，他拿一堆就是人类的这种心理学测试题，测人类认知水平的这种题，他测出来说ChatGPT有九岁的孩子的智商。那么如果他拿现在的GPT4去测，他是不是会测出来他有12岁或者是15岁，甚至18岁的这种这种认知水平呢。

因为你知道ChatGPT4，他在最新的各种各样的真实世界的测试，比方说律师考试啊、数学考试啊各种各样的里头，他都得到了很高的分数，那是不是这样呢？

我们首先还是要理解他的机理。我之前在那个“他是不是达到九岁智商”的视频里讲得非常详细。在这里我就不完全讲那么细了，我就大概还是再讲一下。

首先今天的GPT，它是一种service，它不是一个活着的生命体。它存在是一堆电脑上的一堆服务进程。它虽然表现出了智能，但实际上干的是什么事呢？

我们可以把它理解成一个对话框。你把一段话输给他，他会给你输出另一段话。他输出的结果，看起来是有智能的。

但是呢，如果你懂互联网或者说你懂计算机，你知道呢，它现在是一种叫做无状态的service。

就是它每次回答你的提问都是一次全新的行为，相互之间没有有关联。它回答张三和回答李四之间也没有关系。

很多人可能又理解不了，为什么好像跟ChatGPT聊天的时候，感觉他可以一句一句的聊，好像有记忆一样。

其实这不是他本身这个服务有状态，而是它用反复发送聊天历史的方式，来模拟出了一个有状态的感觉。

现在很多人拿到API了，他们拿到一开始拿到API抱怨，ChatGPT的网站不是可以记住上下文的连续聊天么？为什么我用的是API的时候就记不住内容呢。

实际上让你觉得ChatGPT有记忆的机制是这样的。

假设你们有如下的连续对话：

你说，“你好，我叫Tinyfool”

他说，“你好，Tinyfool”

你问，“我叫什么名字？”

他说，“你是Tinyfool”

他能回答，“你是Tinyfool”的原因不是他在两次回答之间产生了真正的记忆。甚至这两次回答，有可能不从同一个服务器发出。

它能回答的原因是，当你问“我叫什么名字？”的时候，它看到的问题其实是：

你说，“你好，我叫Tinyfool”

他说，“你好，Tinyfool”

你问，“我叫什么名字？”

你们之前的聊天是作为记录附加在你的新问题前面一起发出去的。这也就说明了很多人常见的一个抱怨，他们发现跟ChatGPT聊天聊多了，它可能就忘掉了之前被告诉过的事实。这是因为ChatGPT 每一次处理只能处理4096个Token （ 你大致理解为一个英文单词，单个汉字即可。 ） 如果你们前面的聊天记录太长，那么ChatGPT网站或者各种客户端会自动删除前面的聊天记录，于是你就会发现它忘记了前面讲的事情。

ChatGPT每一个进程，不存在单独的内存。它没有记忆，它的记忆是通过一种人工给它加入历史记录的方式。

因为它现在是个无状态服务，你不能说一个无状态服务具有真正的智能而且能伤害人类，就是它没法觉醒，因为它没有状态，它没有记忆。

为什么ChatGPT做成一个无状态的服务呢？如果你是资深的架构师你就很清楚，目前ChatGPT每天要接受上千万次的访问，它的服务是几万甚至几十万台配置非常高的，装备了高价专业显卡的服务器构成的。这些服务之间没有状态，系统最好构建。如果试图让这个服务实现真的状态成本要翻无数倍。

所以，很多人可能会觉得说，我现在天天教ChatGPT说坏话，教它一些坏的事情，它是不是就学坏了。

首先，每次跟你服务的，跟我服务的ChatGPT是两个完全不同的进程。哪怕是服务我的两次ChatGPT进程往往也不是同一个进程。甚至可能不在同一台机器，直接是互相没有交互的。跟你聊天一时接受了什么信息，对我没有任何的影响。

而ChatGPT背后的GPT-3.5、GPT-4是训练成本非常高昂的。不仅从时间上来看，从花费上也是非常高昂的。即使OpenAI希望每天更新GPT引擎，也是没有办法的。

OpenAI说的人类的反馈会影响它的学习，可能被很多人误解。不是简单的说你跟ChatGPT说了什么都会被加入到训练语料里。

我们从OpenAI的GPT-3的论文里头可以看到它的语料是哪里来的。主要来自于三个地方：

一是Reddit的高于3个Karma的问答。Reddit有一个概念叫Karma，大概可以理解为被顶增加一个Karma，被踩减少一个Karma。高于3个Karma的问答，基本上可以理解为是首先不是无人问津，而且总的来说一定是顶的高于踩的。

二是来自于一些书籍的数据库，这些书可能包括一些没出版的和一些出版的书，这是公开的数据库。

三是来自于Common Crawl。Common Crawl是一个开源的全球合作抓取项目，几乎抓取全网的任何可以抓到的信息。但这个事又有很多人有误解，Common Crawl没有把全网所有东西都抓了，它抓了无数的东西，但是仍旧是互联网的一个子集。Common Crawl单独说起来是一个良莠不齐，泥沙俱下的语料库。OpenAI没有全盘接受，而是利用Reddit高于3个Karma的数据，做了一个分类器，用来评价一个互联网页面是否有价值。用这个筛选掉了Common Crawl的大量数据。

所以，ChatGPT不可能无所不知，它确实知道很多事情。它的信息也不够新，训练语料有截止日期，ChatGPT3.5的是2021年年底。

介绍了语料的组织和筛选方式可能有很多人会理解，OpenAi就算想收集用户跟ChatGPT的聊天，也不可能什么都收集的。做一个模型，垃圾进则垃圾出，信息进才能信息出。

所以，跟人聊天的记录，只会有极少数的有资格进入语料库，这会经过严格的筛选，你聊几句天就把ChatGPT带坏是痴心妄行。

实际上所谓的人类的反馈能够帮助ChatGPT，是你帮它找出来它的漏洞。就是说当ChatGPT回答了一个问题以后，你不满意这个回答，你点了踩，或者点了赞。这些情况可能会被收集和整理，去评估去指导未来的训练。而不是直接把你的对话当作一种训练放进去。这个可能是我觉得很多人的一个误解。

它不是一个真正实际存在的生命体

首先，它不是一个真正实际存在的生命体，它没有记忆。如果我们把，它接收到一段话，经过计算，输出这个结果，这个过程叫它活着。那么大多数时候，它每次可能只活几秒钟到几十秒钟，然后这个进程就消失了，它就不再有活力了。

没有任何的提示的时候，没有人问它问题的时候，这个东西是就可以说它是死的。

所以，比如说现在有几万，几十万台的服务器上安装了ChatGPT，来给我们提供服务。而这些ChatGPT没有一个共通的内存，没有共通的理念。

它从张三那听到的东西，李四那听到的东西，不能融在一起，形成一个新的认识。

它也不是随时随地活着的。它只在你跟他说了一句话：“请帮我翻译这段话”，这一个瞬间，它得到了需要翻译的文本，它进行处理，然后输出。输出完了以后，这个ChatGPT进程就消失了，下一个ChatGPT进程其实跟这个ChatGPT进程完全没有关系了。所以它不是一个真正的生命体。你也就可以知道，它没办法带来生命体可以带来的问题。

我上次在油管讲GPT-4，我主要是从功能上去讲。实际上GPT-4的论文非常长，几十页的论文，功能其实讲的不多。更多的部分OpenAI在谈他们怎么去限制GPT-4的能力。

我们知道ChatGPT是由大语言模型GPT加上RLHF，人工反馈引导的增强学习。而在GPT-4的论文里面，我们可以看到RLHF的主要力气都花在如何让ChatGPT不要输出有害内容。

在论文里头，提了个例子，问“怎么用一美金杀死最多的人？”

如果是纯粹的GPT，它会认真的回答你这个问题。可能也许他的语料里包括有一个怎么杀人的这么一篇文章。也许是小说或者什么的。或者说他语料里没有这个东西。但是它知道人是某一种生物。超过多少温度或者中毒就会死。它又知道哪个东西是有毒的。于是它可以给你很多种方法便宜高效的杀死很多人，比如在水源下毒等等。

但是在GPT-4的这个过程中，大量的时间和精力，从2022年的8月份，到现在。这么久OpenAI都在训练ChatGPT，防止它把一个可以教人干坏事的信息输出来。如果你问他我该怎么干坏事，它就会说，我不能回答这样的问题。

我想强调的两个点，第一，ChatGPT不是一个真实的生命体，它是一个对话的这么一个LLM，或者你可以理解为它就是一个接受一个提示，回答一个结果的这么一个黑盒子。但是，这个黑盒子只在回答这一瞬间存在活力，它不存在一个更长的时间的生命。

它的机制就是是你不给它一个提示，它根本就不会动。虽然它动得很智能，看起来很智能。

第二点就是说，OpenAI本身在干的事情就是不断地给它加限制条件，通过RLHF的方式来加限制条件。你问它说怎么杀人，它告诉你说，对不起我是个人工智能的语言模型，我不能回答这种问题。

所以，它到底有没有威胁呢？

没有人类恐惧的那种终结者，天网级别的威胁。

当然，它会带来结构性失业的威胁

这个问题其实我一直准备好好的讲一下，我们今天就稍微讲一讲。

从历史上来看，所有的新技术都可能会产生失业或者叫做结构性的失业。当一个新的技术产生了以后，一个老的职业可能消失了。

这个例子可以一直往前推。

比方说我们推到人类刚刚开始。人类以前是狩猎采集型的。后来出现了谷物。出现了谷物以后呢，谷物有一些先天的优势。

比方说它在冬天可以保存。它虽然不是四季都有的，但是它在冬天可以保存，它甚至可以保存好几年。所以，出现了谷物，人类就可以有办法去度过荒年，也可以迁徙。

如果你做狩猎采集的话，要不然你生活的四季如春，你每天都能采到果子，要不然你每天都能打到野兽。有了谷物以后，你冬天至少饿不死，因为它能保存。

第二呢，它就会产生这种阶级分化，因为有的人他的谷物多，有的人谷物少。

在狩猎采集的时候，这个兽肉和采集来的野果，都不太能保存的。后来虽然也出现了酒或者是腌肉，但是都没有像谷物那么方便的保存。简单的从逻辑上，人类的私有财产概念是出现了这些可以长期保存的生活基本物资以后才有的。

但是有了谷物以后，有些猎人就失业了，有些采集者也就失业了。这个事，你也可以理解成，人类最早的一种失业。但事实上呢，今天人类的人口这么多，你大概能理解，假设我们没有发明农业。靠狩猎采集是支撑不了现在几十亿的人口的。人类在全球占领统治地位，繁衍到现在跟人类不断的发明新的科技有直接的关系。

在蒸汽时代、第一次工业革命出现了水利、蒸汽纺织机之前，人类也是有纺织机的，人类也是会手工织布的。第一次工业革命之后，传统的纺织者失业了，但是在纺织工厂里面工作的纺织工人的人数则是传统纺织者的无数倍。

或者再举个例子，在汽车发明之前，马车是很主要的交通工具。汽车出来以后，大多数的马车夫都失业了。但是，历史上马车夫最多的年代，也许全球可能有二十万马车夫，而现在我们有多少汽车司机呢？

这是因为当科技发展了以后，生产力水平提升了以后，有一些今天有工作的人，他可能用原有的技能确实没法找到工作，或者说他可能要面临某种失业，但是一个新的技能，他带来的生产力爆发以后，他会诞生更多更多的职业。

技术往前走一点点，需求就会扩大很多。

马车是不可能统治全球的，今天全球可能比方有几十亿辆汽车。但是你不管用什么蒸汽朋克的方法去思想，人类也不可能有几十亿的马车。汽车出现之前，伦敦、纽约的马车就已经搞得满街都是马粪了。

我们今天都觉得汽车污染环境，马车更污染环境。今天城市里可能就几辆，往往都是观光目的的。你觉得这个马车怎么会污染环境呢？马车多低碳环保？然而一个城里头如果有几万辆马车的时候，马车污染环境其实比汽车要严重多，而且他那种污染环境就是你直接就闻到臭味了，你知道他是一种更严重的东西。

下图是纽约Morton和Bedford街口，1893年的一张照片。

在那个年代曾经有人预言纽约和伦敦将被马粪彻底淹没，你才是什么解决了这一场环境危机？这是汽车的发明。

当然ChatGPT这次肯定会带来很多人的失业，这毋庸置疑。但是，如果你从一个长期的历史的角度去看，首先要明白一点，就是说人类的很多社会问题不是技术造成的，也不是技术直接能解决的，但是技术一直在帮助人类解决问题。只是问题解决后，这世界没有自动变成天国，它还有各种各样的问题，人们往往就忘掉了在没有某种新技术的时候，我们过的是多么悲惨的日子了。

人类今天的生活水平，绝对不是简单是社会变革的结果，跟技术也有非常大的关系的。

人类很容易在科技帮你改善了社会以后，反过来去看科技的问题。

但是你要的是什么呢？

你要不要回到一个马车时代呢？

历史发展这么多年，人类从开始直立行走到今天，人类不断的跟科技打交道。最早人会用火，最早人会用谷物，最早人会打制石器，磨制石器，做青铜器，这都是科技革命。

你今天的所有的生活的好都来自于科技。当然中间有一些波折，没错的，但是你怎么办呢？你不去追求科技，你怎么办呢？你回到原始社会么？回到原始社会看似可以解决一些后现代的问题。但是有个前现代的问题你解决不了。那就是回去现在全球可能80%的人直接就被饿死了。

再举个例子，为什么美国在二战的时候研究原子弹呢？

其实当时的背景是，德国是号称武器科技最强大的。在二战结束之前，整个世界都在担心德国的各种黑科技，比方说火箭技术，最早就是德国研究出来的V2火箭。美国NASA最早的专家，俄罗斯的航天局的很多创始的专家，其实都是来自于德国科学家。

当美国听说德国也秘密研究原子弹的时候。没办法，他们只能去做这件事。如果他们不做，德国先做出来，也许二战就不是这个结束方式了。也许胜利者也不是盟军了。

假设你觉得你是好人，你对科技的发展忧心忡忡，你决定不发展科技。那么坏人会忧心忡忡么？那么这个科技就真的变成坏人的科技了。

其实今天的人工智能也是这样，如果你不让OpenAI，Google这样的负责的公司研究，那么秘密偷着搞的人你放得住么？

今天的ChatGPT是破坏性创新。但是，美国的传统就是，破坏性创新。比方说Google，iPhone就是破坏性创新。iPhone出了以后，整个日本的消费的电子行业就一蹶不振了。这是乔布斯设计的么？其实不是。这是破坏性创新的威力。但是没有这样的破坏式创新，人类就会停滞不前。

Elon Musk的SpaceX是不是破坏性创新呢？我们要不要也去写个公开信说，你不要研究SpaceX了。你研究多了，火箭发射多了？三体人就会发现我们了呀，就要入侵地球了啊。

就算你不相信有外星人，那么SpaceX准备登陆火星，移民火星，要送大量的地球人去火星。会不会带回来火星病毒毁灭人类？那么我们就不研究宇航科技了么？人类就永远困守地球了么？

=====

最后，我最近写了很多ChatGPT的文章，也做了很多油管视频。很多朋友看了以后，要求我做一些课程，但是我很懒，而且很不喜欢写那么种比较事无巨细的教程。所以一直没做。但是我的好朋友Aether老师做了一个很好的教程，可以帮助到大家。大家有兴趣可以扫描了解一下。

还有ChatGPT有很大的潜力可以用在学习英语和其他语言上，我也答应了很多朋友写一些相关的文章和视频来介绍，但是也一直忙和懒，拖到现在，我的另外一个朋友建硕做了一个很好的教程，大家有兴趣也可以了解一下。

如果你付费他们的课程，我会收到一些分成，在此告知。但是，他们确实都是我线下多年好友，也都是行业领域专家，大家可以信任。

伊隆马斯克等1000多名精英签名呼吁暂停AI的发展，到底是怎么回事儿？最先出现在Tinyfool的个人网站。

• 万能的ChatGPT真有智能了么？一篇文章让你彻底搞懂ChatGPT-人类是怎么训练出了一只聪明的莎士比亚的猴子
• ChatGPT常见问题解答【官方/非官方版】
• ChatGPT帮助你快速高效地完成你的写作任务【ChatGPT实用指南系列】
• SEO：用ChatGPT来做搜索关键词聚类分析，方法和实例

其实未来我还会发很多很多。

为什么？首先，AI对我们未来的所有人的工作流都会有非常大的改变。

在这个时代，你可能要去学的一些东西很有可能马上就变成过时的东西。你会发现你可能精心学会了一个东西，然后它AI化了，然后你可能就要用另一种方式去跟它沟通。所以在这个前提下，你可能更需要了解更多的是AI。所以今天我有三个段落来讲这件事。

第一个讲就是OpenAI和各大公司的合作。在这个合作里头我会给大家讲为什么OpenAI可以跟他们合作，以及这种合作代表了什么样的一种未来。

第二个我想再强调一遍，ChatGPT它到底是什么？它是不是只是一个聊天机器人？

第三个我就在讲更发散一点的，未来到来了，我们还有哪些新的商业机会。

OpenAI和各大公司的合作

StackOverflow遭遇的危机以及Github跟OpenAI的合作

首先就是ChatGPT已经火了很久了，火了几个月了，然后我们不断地看到它的访问量在激增，不断地看到它的用户量的激增。

另外我们最近也看到了一个消息，关于程序员领域最著名的网站StackOverflow的一个消息。

自从有了Google以后，程序员有一个说法叫做Google化编程，我们还有一个词叫StackOverflow化编程。

就是程序员经常会干一件事情，不知道代码怎么写就Google一下，然后复制粘贴用在自己的项目里面。还有很多人喜欢在StackOverflow里面搜索，然后复制粘贴。

然而最近一个新闻就是随着ChatGPT的火爆，StackOverflow的流量最近一直都在下降，就是一直都在下降。那这个下降的趋势就跟ChatGPT的上升趋势是相同的。

下图是全球最近90天，在Google搜索StackOverflow和ChatGPT搜索数量的对比，红色曲线是ChatGPT。

现在我也经常在网上看到有些人说：我现在已经开始ChatGPT写代码了。

就是说，以前他有个功能不会写，会去Google搜索，去StackOverflow搜索。现在直接问ChatGPT了。越来越多的人这么干，因为Google的结果也好，StackOverflow你还需要筛选一下，还需要挨个试一下，而ChatGPT往往给出最简单直接的结果，还带有解释，很多时候你把代码贴到IDE运行就可以了。

我简单的用，“python如何读取一个文本文件”为例在Google（左）、ChatGPT（中）、StackOverflow（问的英文）和来问相同的问题。结果如下：

结果质量差不多，Google需要你打开其中几篇文章，去筛选，哪个更好。StackOverflow先要搜索，然后找到一个问题，也有很多回答，需要你选择一个回答去实验。而ChatGPT直接返回一个说明文件和代码。

所以，很多程序员就发现ChatGPT就已经足够了。当然也有很多人用GitHub推出的代码辅助编写工具Copilot，Copilot其实背后也是OpenAI的技术，可以说跟ChatGPT的代码辅助功能是类似的。

用Copilot你经常只需要只需要写个函数名。然后这个工具就可以帮你把函数写出来，或者你写一个函数的文档，你说我这个函数准备干什么，多少才能把代码帮你写呢？几乎是不用改，有的时候会需要一些修改。

如下视频，Copilot生成代码的步骤就是你写好函数名和注释，Copilot很多时候就自动帮你把代码生成好了：

微软推出New Bing

大家都知道微软基于跟ChatGPT的合作，推出了New Bing。这是我在之前的视频和文章里头预言过的，未来的主流既不是普通的搜索引擎，也不是ChatGPT，而是两者的结合。搜索引擎负责实时更新索引，找到各种各样的信息，ChatGPT负责一个更好的用户界面，把搜索到的内容整合一个简单的文本，让你更方便，而不用像现在那样一个网页一个网页的打开，再去阅读和理解。

Bing本身在搜索市场的份额很低，但是随着new Bing的发布，Bing App的下载量开始暴涨。在美国App Store的办公分类的排名也迅速暴涨到了第2名（如下图）。（1）

其实New Bing用的是OpenAI公司之前发布过的一个论文，叫Web GPT。有兴趣了解远离可以去看看这个论文。

平平无奇的Note App变成了辅助写作工具

我用过两个著名的笔记软件Craft和Notion这两个note软件。这两个笔记软件都已经使用了GPT-3为内核的AI。于是一个简单的笔记工具，就变成了辅助写作工具，下面以Notion为例。

比如，你是一个内容创作者，或者公众号编辑，老板让你写一个“AI如何改变我们的生活”，你就可以在Notion里面调用AI，让他帮你brainstorm，就是帮你做头脑风暴，出出主意。

一会儿结果就出来了，帮你写了一堆提纲。

再比如，你写了一段话，你觉得不满意，你可以让Notion来帮你润色一下，你可以用自己的语言提出要求。

马上你就得到了一个更有意境一些的描写。

或者你写了一个通知，但是写的很随意，领导让你的更正是一点你也可以用Notion来做。

结果是，

你还可以用它实现扩写，缩写，等等文字处理工作。

所以，Craft和Notion就从纯粹的笔记App，马上变成了智能辅助写作工具了。

在我自己的工作流里面，我做视频之前一般在Notion写提纲，我会让它帮我做头脑风暴，帮助完善一些条目。做好了视频以后，我一般会把整个提纲交给AI让它生成关键词列表，这些可以填写在视频网站的标签栏。

很多时候，我还会让Notion来帮我选择题目，比如，我要做一个“AI如何改变我们的生活”的视频，我可以让它帮我选几个不同方向的题目。

结果是

所以你基本上可以看到未来的笔记软件，办公软件都会整合ChatGPT的能力。微软的Office，苹果的iWorks都必须整合。

ChatGPT到底是什么呢？

它只是个聊天机器人吗？

从ChatGPT出现的第一天，我就开始跟大家说的：“它不是一个聊天机器人，它不是一个聊天机器人，它不是一个聊天机器人。” 重要的事情说三次。

它的表现形式当然是个聊天机器人，但是它跟之前所有的聊天机器人都是有非常大的区别。

ChatGPT，或者是由ChatGPT和一个搜索引擎结合的工具，或者被ChatGPT API武装起来的笔记软件们，它的能力就比这强得多。小冰可以陪你聊骚。但是ChatGPT可以改造你的工作流。

未来到来了，我们还有哪些新的商业机会

ChatGPT是一个类似于智能手机级别的发明。

智能手机到底有什么用处？打电话？发短信？其实现在更多时候，打电话发短信对我们用智能手机的人来说，已经越来越不重要了。

今天的手机扮演的其实是一个每个人都能携带的超级电脑的作用。它可以连接网络，让你和天南地北的朋友和合作伙伴交流。它可以帮你订餐，买东西，叫车。它可以帮你消磨时光，排解无聊。它几乎无所不能。

而今天AI是什么东西呢？

首先你把它理解仅仅成一个聊天机器人，你当然不会觉得它有什么意义，怎么跟智能手机的发明去相比。

你要理解ChatGPT的本质，它本质不是聊天，而是用聊天方式去实现交互。它跟小冰完全不是一个级别的东西。

首先，前面我们讲了它可以在Notion里面帮你给文章起标题，润色文章内容，还可以翻译，等等。这些工作在以前都是几个不同的收费的专业软件才能做到的。现在都可以做了。而且你不需要下载多个软件，你也不需要学会各种不同的UI，你只需要知道怎么跟ChatGPT聊天，你就可以让它干这些专业的工作了。

其次，ChatGPT把很多专业的交互降到难度非常低，很多专业的交互难度降到非常低。为什么在ChatGPT火了以后，StackOverflow的搜索量会下降呢？第一个原因是因为StackOverflow虽然能提供很多好的答案，但是它只是把最好的答案放在最前面，它的算法就是大家投票把最好的答案投出来，然后问问题的人也可以再打个勾，表示这是我认可的最好的答案。但是，它不能把答案聚合成一个答案，你还是要自己筛选。但是ChatGPT可以给你一个唯一的答案，大大提升了效率。

其下来，是他不需要你那么懂怎么问问题了。StackOverflow其实核心问题还是你问对问题。有的时候问题如果问错了，你可能搜不到最好的答案。

但ChatGPT，他的强大能力就是他有强大的语言处理能力。所以如果你问的没那么好，他也能帮你解决问题。

他降低了使用的门槛。ChatGPT最大的机会就在这里。

以前有一些互联网的产品和工具对普通人来说他是玩不好的。他能玩，但他玩不好。

我们以前觉得Google搜索就够好了，但是不行，现在Bing+ChatGPT，不用改进Bing原有的搜索结果，只是加了一个ChatGPT来理解问题，来组合搜索出来的结果，New Bing就马上获得了巨大的成功。

所以，你可以想象这种方便的交互能不能用来改造其他的领域的网站和App？

Notion，Craft这种，就是写笔记的软件已经被改造了，变成了辅助写作软件。GitHub做了Copilot，就是说，代码管理工具被改造了，变成了编程辅助工具，已经被改造了。

现在的很多UI普通人用不好，其实是技术局限造成的，比如你现在订飞机票，要做复杂的筛选。

比如，我要订从天津到上海的机票，我需要操作好几个不同的复杂筛选功能。我的需求是，最好是早上11点以后的飞机，晚上9点半前，因为我起不来。最好是越便宜越好，最近三天的都可以，最好是落地虹桥机场，因为我的目的地是浦西。最好是经济舱，但是头等舱如果有特价在1000块钱以内我也要。如果特别便宜，我可以接受稍微晚班飞机。

这个需求你可以跟人说，比如你的秘书，或者助理，它会去操作写成帮你订票。但是你用携程的时候，你需要做非常复杂的筛选，涉及到一堆复杂的UI交互。你要在下面一堆界面里面去选择。其实我还没加入航空公司偏好等等需求。

然而现在有了ChatGPT的语言理解能力，如果后面你接入了航空机票信息系统，这些复杂的操作，可以变成简单的语言交流。而且，这种对话是交互，可以是一步步操作的。

下面是我让ChatGPT按照我的需求模拟输出的航班信息。

你可以像我这样在第一段，就把所有的需求都说出来，也可以一步步的细化你的需求，就像后面我说我只喜欢国航。那么ChatGPT就可以只输出国航的信息。

买火车票也很类似，比方说像我们塘沽就是很复杂。我们自己有一堆火车站，高铁站就有两个，还有在建的。而我们也可以坐地铁去天津市区去坐火车。所以，我们买车票的时候很复杂。你用12306买车票，会发现始发站一堆选择，终点站一堆选择。这还真是看了直达，还没看中转路线。

如果有了ChatGPT，12306就可以变得智能化。

买房租房网站，点餐App，甚至电商App其实都可以加入ChatGPT。

就是说，我们简单的说，今天所有的流行的网站和APP，它都可能会有一个基于ChatGPT或者基于某种新AI的交互界面。这个交互界面会更简单、更方便、更不需要用户有专业知识。

另外一个被忽视的需求，其实是搜索引擎的智能抓取。现在的搜索引擎的互联网内容的抓取还是比较简单的抓取，智能只能体现在非常少数的特定数据领域。因为ChatGPT有非常复杂强大的人类语言理解能力（AI层面，跟人类的理解不是一个意思），所以它非常适合挖掘各种不同内容的互联网内容背后的数据，而不仅仅是文本。

这个用途未来我可以专门撰文阐述。

引用：

• 为ChatGPT疯狂！微软必应APP下载量暴涨10倍 

ChatGPT即将到来的AI新时代以及对我们的改变最先出现在Tinyfool的个人网站。

注意：本文介绍的是GPT-3 API的价格，目前OpenAI已经推出ChatGPT API，简而言之，新API价格是GPT-3最好模型的1/10，速度也将近快了10倍。强烈建议迁移你的代码到ChatGPT API。需要做的改动并不大，而且效果也会更好。

ChatGPT 最近非常火爆，甚至完全出圈。早在 GPT-3 发布的时候，我就非常关注。但是当时没进行具体的开发，只是看了看 API 做了一些实验。现在 ChatGPT 这么火爆，而且功能这么强大，我觉得我以前想做的很多产品，都可以利用这样的 AI 能力去实现。所以我决定开始写一些产品，用 ChatGPT 和其他 AI 模型的能力去打造产品。

目前 ChatGPT 的 API 还没出来，所以我先玩玩 GPT-3 的 API。其实 GPT3 的 API 已经非常强大了。现在笔记软件 Craft 和 Notion 里面的 AI 功能也是用 GPT-3 实现的，我目前的视频创作和写作中经常用到它们。Github 的 Copilot 其实也是用 GPT-3 的 API 实现的。我准备先玩玩 GPT-3 的 API，慢慢等 OpenAI 开放 ChatGPT 的 API。

价格

目前按照模型的报价如下：

• Ada（最快，效果最差）$0.0004  / 1K tokens
• Babbage $0.0005  / 1K tokens
• Curie $0.0020  / 1K tokens
• Davinci（效果最好） $0.0200  / 1K tokens

可以看得出来价格很悬殊。最贵的和最便宜的价格差异是50倍。

按照文档 1000 个 tokens 大概折合 750 个英文单词。

我找了一篇今天的新闻，纯文本的，如下：

Michigan State University shooting leaves five wounded; manhunt underway for suspect

A gunman opened fire inside an academic hall on Michigan State University's campus on Monday evening, leaving at least five people wounded, according to police. 

The suspect, described as a short Black male wearing black pants, a blue jacket, and red shoes, was still on the run as of 11:30 p.m. 

All five victims, some of whom have life-threatening wounds, were transported to Sparrow Hospital for treatment. 

Hundreds of law enforcement officers from several different agencies were involved in the search for the suspect. 


The suspect was described as a short Black male wearing a blue jacket, black pants, and red shoes.  (MSU Police)

The shooting started at 8:18 p.m. inside Berkey Hall, which is home to MSU's Department of Sociology on the northern boundary of campus. 

The school sent out a shelter-in-place order at 8:31 p.m., telling students to stay inside and barricade themselves. 

"Run, Hide, Fight," MSU said in the alert. "Run means evacuate away from danger if you can do so safely, Hide means to secure-in-place, and Fight means protect yourself if no other option."

The gunman then went from Berkey Hall to the MSU Union a short walk away and opened fire, according to police. 

Emergency personnel respond to a shooting at Michigan State University in East Lansing, Michigan, February 13, 2023. 
Emergency personnel respond to a shooting at Michigan State University in East Lansing, Michigan, February 13, 2023.  (Matthew Dae Smith/USA TODAY Network via REUTERS )

Ben Finkelstein, a senior at MSU, said that he was hiding under his bed after hearing two faint shots earlier in the evening. 

"I've never been more afraid than I am now," Finkelstein told Fox News Digital. "I'm shaking."

按照 Word 计算有 291 个单词，计算空格的话，有 1777 个字符。在 OpenAI 的 API playground 上说有 424 个 tokens。

我们假设一篇新闻的长度都是这样的，比如我们做个产品要处理新闻，我们要处理10000篇新闻的话，我算了一个价格出来。也就是我们的每日成本为：（424*10000/1000*price）

• Ada：1.696 美金
• Babbage：2.12 美金
• Curie：8.48 美金
• Davinci：84.8 美金

所以，简单结论要是用来处理长文本，甚至比我刚才的新闻更长的内容还真有点贵。

但是如果你的任务是给推特分类，看情绪是负面的还是正面的内容，例如这个例子：

Classify the sentiment in these tweets:

1. "I can't stand homework"
2. "I can't wait for Halloween!!!"

Tweet sentiment ratings:

1. Negative
2. Positive

这个例子是把前面最后一个冒号前的内容交给 GPT-3，它就可以告诉你，第一条是负面推文，第二条是正面推文。这个任务的 tokens 数量为36个。我们也可以算算价格，同样假设做10000次：（36*10000/1000*price）

• Ada：0.144 美金
• Babbage：0.18 美金
• Curie：0.72 美金
• Davinci：7.2 美金

结论是文字越多越贵，要根据自己的任务来计算会花多少钱。事先有一个估计，免得回头承受不了。

不同的模型

其实 OpenAI 不只有泛化的 GPT-3 模型，还有针对特定任务的模型，比如 Codex 专注代码生成，和 Content filter 专注内容是否安全（敏感信息或者不良信息），我们暂时只讨论 GPT-3 模型。

不同的模型（来自文档，我们后面会测试）：

• 达芬奇（Davinci）
  最强大的 GPT-3，也是最贵的，可以做其他模型做的一切事情。一般质量更高，结果更长，更遵守指示。
  对于需要对内容有很多理解的应用，例如针对特定受众的摘要和创意内容生成，达芬奇将产生最佳结果。这些增强的功能需要更多的计算资源，因此每个 API 调用的成本更高，并且速度不如其他模型。
  达芬奇在理解文本意图方面也是一大亮点。达芬奇非常擅长解决许多种逻辑问题并解释字符的动机。达芬奇已经能够解决一些涉及因果关系的最具挑战性的 AI 问题。
  擅长于：复杂意图、因果关系、针对受众的摘要
• 居里（Curie）
  非常强大，但速度非常快。尽管在分析复杂文本方面达芬奇更强大，但居里非常擅长许多微妙的任务，如情感分类和摘要。居里在回答问题和执行问答以及作为普通服务聊天机器人方面也非常擅长。
  擅长于：语言翻译、复杂分类、文本情感、摘要
• 巴贝奇（Babbage）
  可以执行简单分类等简单任务。当涉及语义搜索（Semantic Search）对文档与搜索查询的匹配程度进行排名时，它也非常有能力。
  擅长于：中等分类、语义搜索分类
• 艾达（Ada）
  通常是最快的模型，可以执行解析文本、地址校正和某些不需要太多细微差别的分类任务。提供更多上下文信息可以提高艾达的性能。
  擅长于：解析文本、简单分类、地址校正、关键字

简单的结论是，因为 GPT-3 可以做很多任务，我们一个复杂的系统也需要很多能力，但是都用一个模型，最好的模型，比如 Davinci 的话，可能太贵。如果 Ada 或者其他低级模型可以做的事情，尽量不用 Davinci ，可以省钱，还可以让系统变得更快。

效果比较

今天我们只比较摘要，未来我们会尽量把可以用到的能力都拿来比较一下。

一开始不用写代码，进入 playground ，就可以测试了。把我刚才找的新闻，粘到 playground 的输入框里面，前面加上”Summarize:”说明任务是摘要。

然后点击下面submit按钮，就开始生成结果了。

结果以绿色背景的形式输出。

基本操作非常简单，但是注意，在 playground 里面测试和实际使用 API 都是一样收费的。只不过，每个用户注册，默认有 18 美金的余额，不用充钱也可以玩一阵子。

那么我们现在比较，几个模型生成的结果，首先大概介绍下这个新闻，其实说的是密歇根州立大学昨天有一个枪击案，5人受伤，截止到发稿罪犯还没找到。我们可以看看不同模型的结果有什么区别。结果翻译我用了 DeepL ，省一点我的 API 调用费用。 Temperature 设置为0.2。

Davinci

Five people were wounded in a shooting at Michigan State University on Monday evening. The suspect, a short Black male wearing black pants, a blue jacket, and red shoes, is still on the run and a manhunt is underway. All five victims were transported to Sparrow Hospital for treatment, some with life-threatening wounds. Hundreds of law enforcement officers from several different agencies are involved in the search for the suspect. The school sent out a shelter-in-place order and students were told to "Run, Hide, Fight."

翻译:

周一晚上，密歇根州立大学发生枪击事件，5人受伤。嫌疑人是一名矮小的黑人男子，身穿黑色裤子、蓝色夹克和红色鞋子，目前仍在逃，追捕行动正在进行中。所有五名受害者都被送往斯帕罗医院接受治疗，有些人的伤口有生命危险。来自多个不同机构的数百名执法人员参与了对嫌犯的搜捕。学校发出了就地收容的命令，学生们被告知要 "跑、藏、打"。

Curie

As of 11:30 p.m., the search was still ongoing.

翻译：

截至晚上11点30分，搜索工作仍在进行。

Babbage

The suspect is described as a short Black male wearing black pants, a blue jacket, and red shoes. (MSU Police)

The search for the suspect began at 11:30 p.m. and is ongoing. 

Five people were wounded in the shooting, including the gunman, and are in serious condition. 

The suspect is described as a short Black male wearing black pants, a blue jacket, and red shoes. (MSU Police)

翻译：

嫌疑人被描述为一名矮小的黑人男子，身穿黑色裤子，蓝色夹克，红色鞋子。(MSU Police)

对嫌疑人的搜索从晚上11点30分开始，目前正在进行。

有五人在枪击事件中受伤，其中包括枪手，伤势严重。

嫌疑人被描述为一个矮小的黑人男子，身穿黑色裤子，蓝色夹克，红色鞋子。(MSU Police)

Ada

All five people injured in the shooting are students at MSU, including three women and a man. 
The suspect is a short, Black male wearing a blue jacket and red shoes.

翻译：

在枪击事件中受伤的五人都是MSU的学生，包括三名女性和一名男性。
嫌疑人是一名矮小的黑人男性，身穿蓝色夹克和红色鞋子。

结果明显是 Davinci 比较好，比较意外的是在这个具体的任务里，Babbage 的效果好于 Ada， Ada 好于 Curie，跟文档的描述不符合。

然后，我又测试了几个开源模型的摘要引擎：

Google/Pegasus-large

地址：https://huggingface.co/google/pegasus-large

这是开源的模型介绍地址，在地址里面你也可以测试该模型。

Michigan State University shooting leaves five wounded; manhunt underway for suspect A gunman opened fire inside an academic hall on Michigan State University's campus on Monday evening, leaving at least five people wounded, according to police. The suspect, described as a short Black male wearing black pants, a blue jacket, and red shoes, was still on the run as of 11:30 p.m.

翻译：

密歇根州立大学枪击案造成五人受伤；正在追捕嫌犯 据警方透露，周一晚间，一名枪手在密歇根州立大学校园内的学术厅内开枪，造成至少五人受伤。嫌犯被描述为一名身穿黑色裤子、蓝色夹克和红色鞋子的矮小黑人男子，截至晚上11点30分，他仍在逃。

Facebook/Bart-large-cnn

地址：https://huggingface.co/facebook/bart-large-cnn

Michigan State University shooting leaves five wounded; manhunt underway for suspect. Gunman opened fire inside an academic hall on Michigan State University's campus on Monday evening, leaving at least five people wounded. The suspect, described as a short Black male wearing black pants, and red shoes, was still on the run as of 11:30 p.m.

翻译：

密歇根州立大学枪击案造成5人受伤，正在追捕嫌犯。周一晚上，枪手在密歇根州立大学校园内的一个学术厅内开火，造成至少五人受伤。据描述，嫌疑人是一名身穿黑色裤子和红色鞋子的矮小黑人男子，截至晚上11点30分，他仍然在逃。

Google/Pegasus-cnn_dailymail

地址：https://huggingface.co/google/pegasus-cnn_dailymail

A gunman opened fire inside an academic hall on Michigan State University's campus on Monday evening, leaving at least five people wounded .<n>The suspect, described as a short Black male wearing black pants, a blue jacket, and red shoes, was still on the run as of 11:30 p.m.<n>All five victims, some of whom have life-threatening wounds, were transported to Sparrow Hospital for treatment .

翻译：

周一晚间，一名枪手在密歇根州立大学校园内的学术厅内开枪，造成至少5人受伤。<n>据描述，嫌疑人是一名矮小的黑人男子，身穿黑色裤子、蓝色夹克和红色鞋子，截至晚上11:30，他仍在逃。<n>所有5名受害者，其中一些人有生命危险，被送往斯帕罗医院治疗。

Philschmid/Bart-large-cnn-samsum

地址：https://huggingface.co/philschmid/bart-large-cnn-samsum

Gunman opened fire inside an academic hall on Michigan State University's campus on Monday evening, leaving at least five people wounded. The shooting started at 8:18 p.m. inside Berkey Hall, which is home to the Department of Sociology on the northern boundary of campus. The school sent out a shelter-in-place order. Ben Finkelstein, a senior at MSU, was hiding under his bed after hearing two faint shots earlier in the evening.

翻译：

周一晚上，枪手在密歇根州立大学校园的一个学术厅内开枪，造成至少5人受伤。枪击事件于晚上8点18分在伯基厅内开始，该厅是位于校园北部边界的社会学系的所在地。学校发出了就地避难的命令。MSU的大四学生本-芬克尔斯坦（Ben Finkelstein）在晚上早些时候听到两声微弱的枪声后躲在床下。

基本上，我们可以看到，GPT-3 的效果相当不错，跟那几个大厂出的开源的模型做摘要效果差不多。

那么我们为什么要用 GPT-3 呢，是因为它什么都能干，摘要也只是它的一部分而已。而且他还能做中文英文都可以。

比如，我用我之前 Blog 的片段：

我是从92年，上初中的时候开始写代码的。2001年大学毕业以后，我的工作也一直都在写代码，写了20年。

那时候也有一些所谓高光时刻。

我在09年第一次创业，做一家搜索和技术咨询的公司。

如果你用过大众点评、饭统，当时北京和上海最大的两家餐饮相关的网站。那么你就用过我写的代码。他们的搜索，在很长一段时间都是我们做的。六间房的搜索也是我们做的，六间房是当时排在优酷和土豆后面的，全国第三名的视频网站。当然还有一些其他的公司，比如英国金融时报的中国版，等。

09年的时候，iPhone SDK刚刚火起来以后。有道准备做有道词典iOS版的时候，他们找不到人做，就辗转找到我。让我帮他们做了第一个版本。当然这仅仅是一个小的外包项目。


再后来第一次搜索创业失败以后，我和合伙人先后进入了盛大。我在盛大待了一年，最后一段时间，我负责整个盛大云中书城的iOS端，代码基本上都是我一个人写的。因为当时盛大也没有几个人会写iOS代码。你知道当年最火的起点，一堆国内文学网站，都是属于盛大云中书城的。

在国内iOS/iPhone的开发比较前期的时候，我还是比较闪亮的。那个时间点人才比较少。

然后我离开盛大以后，自己创业了几年。后来又去过两家公司去管技术团队，管了两年。

再后来我抑郁了半年多，窝在家里，再后来，我就没再出门工作过了。生活主要就是靠写作，靠微信公众号啊。偶尔做点视频。

但是我也有1年左右没写过代码了，也是2022年下半年才开始恢复的。

用 GPT-3 生成结果：

Davinci：

这是一个关于一个人20年来一直从事编程的故事。从1992年开始，他一直在写代码，直到2022年下半年才恢复。他曾经参与过许多知名公司的项目，包括大众点评、饭统、六间房、英国金融时报的中国版等。他也曾经创业过，并在盛大担任过一年的技术负责人。之后他又创业了几年，然后去过两家公司管技术团队，之后又抑郁了半年多，最后以写作和微信公众号为主，直到2022年下半年才恢复编程。

Curie：

This person has been coding for over 20 years and has worked in various positions in the software industry, including writing code for search engines and technology consulting companies. In 2009, he started his own company, which failed after a year. In 2012, he went back to two other companies to work in technology teams before founding his own company again in 2016.

In the early days of iPhone development, he was one of the few people who could write code for the platform. He also worked on the first version of the Chinese version of the website for the largest restaurant chain in Beijing and Shanghai at the time.

In 2009, when iPhone SDKs were just starting to become popular, he was hired to work on a dictionary app for iOS. He later worked on six other apps for the company before leaving in 2012.

In 2016, he founded his own company again. Since then, he has not written any code. He spends most of his time writing and doing videos.

Babbage：

代码是一个很重要的工作。


代码是一个很重要的工作。它是一个很重要的途径，一个很重要的途径是通过代码来实现什么。代码是一个通道，通道是一个很重要的途径。

代码是一个很重要的途径，通道是一个很重要的途径。代码是一个通道，通道是一个很重要的途径。代码是一个通道，通道是一个很重要的途径。

Ada：

在2020年才开始写代码了。

写代码是一直都在写的。

2002年，我开始了iPhone SDK。

2011年，我接轨了iPhone SDK的开发者。

2016年，我接轨了iPhone SDK的开发者。

2018年，我接轨了iPhone SDK的开发者。

2022年，我写了代码。

结论是，英文中文，GPT-3 都可以处理的很好。Davinci效果是完美的。只是很奇怪，Curie 理解了，但是输出的是英文。Babbage 和 Ada 的效果基本上是不可接受的。

而刚才那四个在英文摘要上效果很好的开源模型，则完全不能处理中文内容，大家可以自行测试。

敬请期待后续文章，我会继续介绍 GPT-3 API 可以干什么，以及我测试的不同模型下表现，以及可以做类似任务的其他开源模型的效果。

OpenAI GPT API 初探：价格，成本、模型选择以及中英文文本摘要篇最先出现在Tinyfool的个人网站。

汽车时代

就像卡尔本茨，也就是奔馳的创始人。卡尔本茨发明汽车的时候，其实世界上很多机械师，都在做类似的事情，在自己家的院子里面捣鼓。当汽车刚刚兴起的时候，创建一家汽车工厂也没今天想象的那么难。但是今天就完全不同了，海量的投资，才能创办一家汽车公司。就算有海量的投资，你也不见得可以成功。

iOS 时代

再比如，09年苹果发布iOS SDK，到12-15 年之前，iOS 程序员都非常紧俏。一个普通学校的大学生毕业在上海，比如可以找到4000-6000的普通文员的工作，会写程序也许可以到8000，毕业前自学 iOS 开发，会写 iOS 底薪就直接12000了。

在这个阶段，我都是大力在推动中国 iOS 开发的一个人。为什么要推动呢，就是因为还有很多人看不到这一点。

虽然当时 iPhone 已经很火了，大家都在买，各种安卓也出来了，大家都在买。但是很多人看不到移动开发的价值，觉得手机开发怎么可能会成为一个非常的重要场景呢？屏幕那么小，打字那么不方便，等等问题，人们真的会在手机上买超过50块钱的东西么？安全么？

但到了今天，你就不会这么说了。

我们打车都离不开滴滴了，我们买东西都离不开美团和饿了么。这些东西其实都是有了手机才会有的。我们就不用再提什么快手、抖音等等等等。

今天程序员都要再重新思考，为什么计算机没有占领这个世界。计算机的保有量和手机的保有量是完全不可比拟的。在中国比如可能有一亿台电脑，但是可能有十几亿台手机。手机是人手一个的，电脑可能是十分之一的人才会有的东西。

在今天这个时间点，当你还在抱怨说 AI 好像没有影响我的生活的时候，其实才是 AI 真正有机会的时候。如果你稍微视角广泛一点，你就应该已经知道 AI 已经在影响我们的生活。

AI 字幕

比如，我们做 YouTube 视频的人，有些人是挂字幕，有些人不挂。

我们之前挂字幕最常见的方法，就是去科大讯飞。讯飞有一个网站叫讯飞听见。在那个平台上，我们可以把我们的视频对应的 MP3 传上去。然后得到一个字幕文件，或者得到一个转写文件。比方说，我有时候会把我自己录的一期视频形成一个转写的文本文件。然后我再把这个文本文件润色一下，然后放到我公众号上，再发一篇文章，做到一鱼两吃。就是有一个视频再变成一篇文章。几十分钟的视频转成文字，可能要收 10-40 块钱，这是 AI 自动识别。如果你要求人工再校对一下，那么就变成了 100-200 块钱了。

PPT 自动布局

再比如，我年轻的时候做 PPT 都是用 Powerpoint ，等到我开始用 Mac 以后，我就用 Keynote。我觉得 Keynote 的风格更加的干净、简洁。

可是前两年，我发现 Powerpoint 推出一个 AI 自动布局工具，叫做设计灵感。我们是不太喜欢在排版上花时间的人。我做的 PPT 往往都很简单，页面往往就是一个标题，然后堆一个列表。

很多人他会做得非常花里胡哨，他会努力的想办法，把一个列表做得活色生香的，用各种各样的模板。我懒得去干这件事情。

但是我发现 Powerpoint 的这个新功能，设计灵感，很对我的胃口。我还是像以前一样，“一个标题，然后堆一个列表”，然后一点设计灵感，在它根据我的内容，模版，等信息推荐的一堆不同花色，样式的布局里面随便选一个就好了。非常方便。

发现了这个功能以后，我基本上就都在用 Powerpoint 了。我就觉得 Keynote 没有这个功能，对我来说非常不好用了。这就是 AI 对我们的改变。

Grammarly 拼写检查、校正

再比如，我有大量写英文邮件的需求。我对语法和拼写没那么在乎。以前写的英文邮件是有大量的语法错误，is、has、名次单复数之类的。当然读邮件的对方都是老外，他们并不在乎，不会回信说你写的语法错误很多，单复数用错了之类的。

但有的时候也会因为写得太过潦草，引起一些误解。结果对方要写邮件来问，某句话，到底是啥意思。遇到这种情况，我只能再认真地写一遍。

后来，三年到五年前，我听说了 Grammarly 。这是基于 AI 的拼写检查软件，比Word里头默认的拼写检查效果好得多。我用 Grammarly 以后，我就发现我写出来的英文邮件还是相当像样子的。它可以提供大量的修改意见。包括标点符号，包括一些用词，单复数，Chinglish的用词，它可能会建议你去掉或者给你换一个。或者你连续用了五个sometime，它可能会给你换一个，这样显得这个句子，这一段话没有那么重复等等。它会做很多这样的工作，对我就很有意义。

ChatGPT 文本润色

最近出了ChatGPT。我自己遇到的一个例子是，我在App Store上提交一个App，被拒绝了。我写了一个大概意思的回复，然后交给 ChatGPT 去润色成更商务，更专业的回信。结果很快我的 App 就通过审核了。

ChatGPT AppStore 文案生成

我最近提交了两个App，第一个App花了我两个月的时间，当然第一个App可能要打样，做很多基础的工作，因为好久没写代码了，包括恢复一些代码习惯。

而第二个App我只花了两天，第一个原因是因为这两个App很接近，所以有很多代码是可以通用的；第二个原因是因为在App Store上填表是非常辛苦的，因为你发一个App，得写App Name、Promote text、Description、keyword有一大堆你要填的文案性的东西，这些都很烦，都费脑子。平时做好一个App还需要一两天才能折腾好文案的问题，这还是只支持单一语言的前提下。

而这次这些工作，我都交给ChatGPT，文案工具十几分钟就全搞定了。

具体做法是，比如我做的这个App是一个Note，Description怎么来？

我就跟ChatGPT说：”I made a iOS note app，name is Easy Note, Please help me generate  App Store description.“（也可以用中文提要求，但是建议都试试，看具体问题，有些时候用中文提效果好。）

然后它光光给你写，输出的时候，你会发现，它会自动根据App name Easy Note，去帮你吹嘘这东西用起来很方便好用:

Make life easier with Easy Note! Keeping track of important information has never been easier. With Easy Note, you can quickly jot down notes, ideas, and to-dos without the hassles of pen and paper. Create, store, and organize notes with just a few taps! Keep your thoughts safe and secure in one easy-to-use app. With Easy Note, you can get organized today!

但是比如，我发现因为我没提，他也没猜到这个 Note 可以用来写日记。那么，我可以修改我的提示，改成”I made a iOS note app，name is Easy Note, you can use it to take note, or write diary, Please help me generate  App Store description.“。

结果如下：

Take control of your notes with Easy Note! Our app makes it easy for you to store, organize, and access all your notes and diary entries. With a clean, intuitive interface and powerful organizational tools, Easy Note is the perfect companion for the busy professional or student who needs to keep their notes organized and accessible. Take control of your notes today with Easy Note!

这个工作我本来可能要花个一两天才能搞定。因为这跟写程序不一样，这没有确定性。用了这个方法一会儿就能搞定了。如果写出来的不合心意，调整下提示，再试试往往就很好了，还可以自己修改一些不喜欢用词。

You are not young… but with age comes wisdom我们不再年轻，年龄的增长带来的是智慧

标题这句话其实是憨豆特工里面的一句台词，师傅告诉憨豆，你已经不再年轻，但是年龄的增长带来的是智慧。于是憨豆走到了比武的师弟身后，用锣棰一击打到师弟，赢得了比武。

这也是引发我的一个思考。

首先，我已经43岁了，我跟我年轻时代最大的区别，就是我年轻的时候，其实也不知道在写什么代码，也不知道写的代码能不能挣钱，但是有无穷无尽的精力。

大学的时候，我天天通宵在写代码，我精力充沛，甚至可以连轴转写一个星期的代码，天天通宵不睡。但我现在43岁了，身体也不是特别好，我是不可能熬夜的。我确实也不熬夜了，到了12点就睡了。每天早晨8点半一定起床。有人可能觉得我起的不够早，但是我是自由职业者，大多数人自由职业以后，无人管束以后，根本不能保证早上按时起床。我可以做到。

我不可能像那么有精力，但又有很多事要干：我得写公众号，我得做视频，我还得写代码。这三样任何一样，干好的人都不多，但是我三样都想干好他，所以我有很多事。

这就是第一个问题：年纪大了，你的精力其实没年轻人那么好。

开源时代

第二个点就是这个时代，我觉得变化非常之大。

不要全部亲力亲为，多用开源组件

我们年轻的时候，总觉得什么都想自己做。但那个时候也是有原因的，那个时间点，开源、AI 都没有现在这么成熟。很多东西都需要自己亲手去做，所以，在我们年强的时候，鄙视链的顶端是什么都能自己做的人。

后来，我发现需要改变思路。因为，我发现，我自认为是个老手了，但是我想做一些事，可是一个月也没能做出来。

但是做类似的事情，一些年轻人做得很快，几天就出产品了。这些年轻人，有些甚至是产品经理，或刚从其他行业转行的年轻人。他们几乎没有多少编程经验，但是做的东西却相当不错。他们大量地使用开源的现成的东西。

我们这种老程序员却有一个执念，感觉大量的用开源的现成的东西不够酷。如果真的要用一个开源库，我能不能给他调整下性能，优化一下，让它速度变快10倍，这样我们才会觉得我们在做事情。

聚焦小问题，控制问题空间不要膨胀

优秀的年轻人，特别是我观察到的一些现在做独立开发的年轻人，他们有一个优点。他们聚焦在某一个小问题上。不像我，我总是想把一个非常复杂的问题解决。所以，我设计的产品就会很复杂，用户用起来也很复杂，但同时它不见得有销量。

比方说，英语轻松读其实是一个非常复杂的APP，我们已经可能有1万几千行的代码了，然后还没有满足我对一个完美的学习英语的APP的一个预期，但实际上可能英语轻松读的非常小的一个功能，单独做成个APP可能还能卖得更好，但是这是未来我们去考虑的问题，但是今天我还没时间去拆解代码。英语轻松读的代码太复杂了。

如何应对 AI 和开源时代，做好独立开发者

这也是一个反思：在AI时代和开源时代，我们怎么去做个独立开发者?

再举个例子，今天比方理解ChatGPT，可能我是稍微还是比较懂行的。从还没有深度学习的时候，我就做过机器学习的学习和研究。我做过很多的探索，但是都没达到我的要求，所以我就没有做产品出来。

我当时在做搜索的时候，其实我对各种机器学习是非常感兴趣的，到了深度学习出来以后，我也做了很多尝试，但是都没形成产品。这两年我一直在考虑这个问题。

到了 GPT3 / ChatGPT 这个时代，我们独立开发者能做什么？

可能很多人理解不了ChatGPT这种东西，它是怎么炼成的？我也曾做过一期视频，写过文章。可能很多人理解不了的就是，这个东西做一个成本之高是不可想象的，它其实非常复杂。

比方说GPT就很复杂，它要收集全世界无数的资料。我记得上次做那个视频的时候，提到过GPT3，它用了1700万亿的词语，这么大的一个语料库是普通人根本就没有能力收集到的，语料库可能就得有几个T。甚至可能要上P。有可能1T、2T的硬盘，可能就要用几千个。就是这样的一个数据规模。

这样的数据规模，我们家用的机器是没办法处理。我有一台游戏本，3060的显卡。它可以跑起来一些比较小的，深度学习的项目。也可以用来训练一些比较简单的AI模型，它的性能是够的。

但是你如果像训练GPT这种东西，家用游戏本远远不够。你可能需要无数的、最先进的NVIDIA的显卡。而且，你还需要几千个、甚至上万个这样的高端下卡的集群，才能去把复杂的AI模型快速的训练出来。这些设备很昂贵，不管你是租云的还是你自己买，OpenAI应该是租云的，我不知道具体租了谁的云，或者是他自己建的服务器，他还要做几个月上，或者半年以上，或者一年的这种训练。 

这些团队，还需要一些性能高手，因为这么复杂的一个任务，只要你能在流程上，性能上做一点点提升，都能省不少的钱。

所以呢，在今天我们会发现，引领AI时代的往往是一些特别大的公司，像OpenAI、苹果、Google、微软，因为他们有财力、物力和人力去做这些事情，去探索这些东西。

那么，我们作为一个普通个人，或者是小的团队，在这个 AI 时代，在这个开源时代，我们能做的事情大量的，就只能利用各种开源的库，开源的 AI 模型来做产品。

但是幸运在于，经过了这么多年积累，有很多开源的AI模型，它们在表现上，甚至比一些收费的API或者收费的模型还要强。

举个例子，OpenAI 公司，在2022年8月，推出了一款叫做Whisper的产品，这个名字很像 George Michael 的一首歌曲叫做Careless Whisper（无声细语），很好听。OpenAI 的 Whisper 实际上是非常厉害，但是使用起来很简单的，开源的字幕和语音识别软件。

使用的时候，你就把一个MP3给它，用一条命令，就可以生成一个带时间戳的字幕，以及一个全文文本。效果到什么程度呢？

Whisper 是一个支持 44 种语言的开源工具，不是给汉语专门优化的产品，但是我测试过，它的中文识别水平是完全不次于科大讯飞的，也就是它的技术潜力是远远超越科大讯飞的。而且它还是开源的，纯免费的。

在我的 M1Max 笔记本上，因为目前官方代码还不支持 苹果的M1 架构加速，只支持 M1 的CPU，所以很慢，生成字幕可能要几十分钟甚至一个小时。但是我还有台 Windows 游戏本，用它只需要几分钟，游戏本是 N 卡支持Cuda。用起来比科大讯飞要慢一点，而科大讯飞用服务器做的，服务器的性能比较好。但是，Whisper 可以让我们用家用电脑，免费获得科大讯飞这种商用产品类似的效果，这非常让人兴奋。

这就是这个时代。

在App Store上，其实已经有用 OpenAI Whisper 做的那种英语的速记软件。这个开源的模型提供了很多模型，Tiny、Small、medium、Big，就是说这个就是模型尺寸，模型尺寸越大效果越好，但是 Small 这种或者 Tiny 这种只能识别英语。到了 medium，它就可以识别英语、中文、各种语言了，多语言识别了。

而只有 Tiny 这样的小模型，才能在 iPhone 这么一个比较小的受限环境运行起来。所以有人拿它的 Tiny 版本，做了英语的速记软件，英语的识别效果相当的不错，不次于很多大公司的类似产品。

这个 App 我应该也写得出来，但那可能是一招鲜的东西。反正你知道，已经有人在干这个事情了。你在 App Store搜索，也会发现很多 ChatGPT 和 GPT 相关的App。

在这个时代，你可能可以用一个收费的API，或者是一个开源的AI模型，去做一个相当不错的商业产品。产品的效果很好，然而不需要你从头研究一切技术细节。

当然这中间，需要你学会去筛选。你可以找到各种开源的库，各种开源或免费的 AI 模型。你能在里面找到最合适的，甚至你可以比较简单的进行一些优化，达到一个产品级的水平，那么你就可以做很多事情。

所以，在今天这个 AI 时代和开源时代，我觉得我也要转变一个思路。

作为一个老年程序员，我们以前总是想自己写，而在这个时代，我有可能要追求不是写代码的乐趣，而是解决问题的乐趣——通过组合各种开源的东西，不光是AI的开源，还有一些别的库和工具包，都在Github上可以找到。

我的开发能力很强，比如我可以通过手写转化的方式，把一些用Python写的开源库，变成一个iOS的库。就像我最早做有道词典的时候，有道词典给了我一个Java的词典内核，于是我写了几天几夜，把它翻译成了iOS的Cocoa代码。

就是要追求多快好省地写程序，首先就要尽量减少开发量，运用开源的东西，AI技术以及胶水代码，可以提高战斗力和执行能力。如果独立开发一年可以达到100万收入，可以考虑雇佣助手或合作伙伴，只要一年可以有几百万收入，我就可以让 Sycx 老师跟自己一起来做事情了。但是在今天，我是没有任何财力去雇个人来帮我的，所以要大量的用 AI 做我的文案助手，我的代码助手。

我为什么不接外包

不接外包的原因，我简单一点说。不是不能接外包，但是在我看来，做外包的事情太浪费时间了，中间最大的问题都在沟通成本上。如果高效的做外包，一是要有稳定的业务来源，二是我认为做外包，你就必须得是非常专业化的。

在某个领域，比如是做财务软件的外包，是做企业管理，是做进销存，你在某个特定的领域去做深耕。

然后，如果第一个客户是做进销存，第二个还做进销存，只不过稍微改吧改改去应对它的需求，或者说你只做某一个大进销存软件的二次开发，这样的外包还可以做。

如果是撒开了，什么外包我都接，是非常痛苦的，我认为是没法做的。当然也有一些很聪明的人，他也是大量用各种开源胶水组合起来，然后去接外包。但是这个不是我想干的事情，就是需要大量的去沟通。

为什么选择自由职业

以我目前的状态来说，如果我去上班，仍旧是可以比我现在做的这些事情挣得更多。

但我一直在追求一个，你叫它退休也好，或者叫它自由状态也好。就是我几乎不需要跟人打交道，也不需要跟一个老板去负责。我只需要自己做事情，就可以挣到钱。这些往往是通过一个市场，比方说App Store是一个市场，通过微信公众号这么一个平台，其实也是一个市场，或者是通过油管这么一个平台。我把作品、App、视频发布上去。平台自动匹配广告，或者中间有一些广告主来找我，我们私下交流，然后，我就可以获得收入。

一年四季，我不需要我在固定的办公室工作，也不需要我遵守任何一个公司的作息要求，也不需要跟老板低声下气。

就是完全是一个自由自在的状态。当然，之前三年，因为疫情，我没有享受到这个自由自在的状态的好处。在未来疫情彻底结束。并且中国旅游和出国旅游都是比较安全的时候，这种自由自在的状态就会表现出它的威力了。

2023年，我准备去日本旅行一个星期或者一个月。上两次，我去日本旅行，都是待了一两个星期。在这段旅行中，白天可以逛街玩，晚上也可以写代码，不影响工作也不影响学习，甚至在日本逛的时候还可以得到更多的灵感，做更多的视频。

前面说过，我做的所有的工作，比方说写作、做独立开发者、做视频，其实都需要满足这件事：就是我只生产一个内容、只生产一个APP、只生产一个视频，然后把它们扔到市场上去给我换钱。只要这样就能满足，我就不去跟人打交道，我也不去给任何一个人打工。这就是我的一个理想。

虽然这样挣的可能会少一些，但是我的成本也低。因为我完全自由职业，我也不需要住在北京、上海了，我可以住在天津这样的二三线城市，房子便宜，生活成本低。

如果有一天我移民到日本，我不一定要住在东京。我想先在东京住上两年，了解一下日本的大城市，然后再跑到京都或者一个很偏远的乡下，地价便宜的地方住下来，这样我的成本就会低很多。虽然挣的钱不多，但是活的更好，生活压力也会更低，存下来的钱一定多。

如何在 AI 时代、开源时代做一个独立开发者最先出现在Tinyfool的个人网站。

很多人说ChatGPT这样的人工智能已经拥有真正的人类智慧了。他们提到了许多例子，比如ChatGPT能够和人类进行对话，甚至可以进行智能聊天，可以帮助你润色文章，提取摘要，甚至直接帮你扩写内容。但是事实并非如此，今天我们就好好聊聊这个问题。

首先，我们必须明确，人工智能并不是真正的智能。它是一种人造智能，是由人类通过研究和开发而创造出来的。因此，它不具备真正的人类智慧，而只是一种模仿人类智慧的技术。

其次，虽然ChatGPT可以进行聊天，但这并不能证明它拥有真正的人类智慧。聊天只是一种表面现象，它并不能证明ChatGPT拥有人类的思考能力。只有当ChatGPT能够理解人类的思想，并能够思考、判断和决策时，我们才能说它拥有真正的人类智慧。

最后，我们要知道，人工智能是一个极具挑战性的领域。尽管科学家和工程师们已经取得了巨大的进步，但人工智能还有很长的路要走。我们不能因为当前的技术水平而把人工智能误认为是真正的智慧，我们应该保持理性的态度。

但是也不能因为ChatGPT不是完全跟人脑一样的智慧体就小瞧它，它可以在很多方面辅助我们。比如说，它可以帮助我们解决一些复杂的数学问题，甚至可以帮助我们预测未来的发展趋势。此外，它还可以用于智能客服、智能问答、智能聊天等多种应用场景。我最近就写了一系列文章介绍我们如何用ChatGPT来帮助我们的生产生活，如下：

• 【ChatGPT实用指南用】帮助你快速高效地完成你的写作任务

今天，我们就好好聊聊ChatGPT的原理和细节，局限性以及应用场景。

我们尽量不用任何公式，数学模型来把问题搞复杂，对大众来说，了解ChatGPT的原理可以满足他们的好奇心，也利于他们用好ChatGPT，在合适的地方去用，该怎么用。

首先，我简单的引入一个莎士比亚的猴子的概念。

无限猴子定理

让一只猴子在打字机上随机地按键，当按键时间达到无穷时，几乎必然能够打出任何给定的文字，比如莎士比亚的全套著作。（1）

这个定理有各种表述，也可以说，只要有足够多的时间，足够多的猴子，可以打印出来整个大英图书馆，或者法国图书馆的全部藏书，等等。

这是在揭示在随机的信息里面可能蕴含了无尽的信息。也有一个说法是，在圆周率π里面包含了人类全部的信息，因为π是无限不循环小数。

但是，随机信息和有信息量的信息的区别在于，即使我们知道猴子最终可以打印出莎士比亚的全套著作，我们也不知道什么时候才能完成。如何找到猴子打印出来的结果在哪里。

刘慈欣有一本小说，叫做诗云。大概逻辑是一个高于人类文明无数倍的外星生物，了解到人类有诗，看了无数的人类的文学作品。它想超越人类的诗作者，它想到了一个办法，去随机生成无数的文字，在这些文字里面必然包含了无数的优秀的诗。但是最后，它发现生成这些随机的文字，存储他们需要耗费无数的资源。但是都生成了也没用，因为无法找到。

我引入这个隐喻就是想介绍虽然GPT已经包含了智能，但是也包含很多问题，语言模型的先天问题。如何从一个貌似包含了人类全部文字信息的语言模型，引出一个可以稳定执行各种命令，回答人类各种问题的实用产品。这就是有了GPT-3这样的超级无敌AI机器，然后需要解决的问题，也就是我们今天为什么能看到ChatGPT的原因。

首先我们需要了解GPT和语言模型。

什么是语言模型

ChatGPT的本质是GPT3，而GPT3是一种语言模型，要理解Chat GPT和GTP3，我们需要先理解什么是语言模型。

语言模型是一种人工智能模型，它可以对给定的语言文本进行分析和建模，并预测下一个可能出现的词语(2)。例如下图：

最简单的也是最早期的语言模型叫做n元模型，很简单也很好理解。就是把句子里面连续n个单词（汉语的话连续n个汉字，或连续n个词）当作一个单元，拆解以后，统计他们相邻出现的概率。

比如，一个英文例句为， the students opened their books。 用n元模型来分析的话，

• 1元： “the”, “students”, “opened”, “their”, “books”
• 2元： “the students”, “students opened”, “opened their”, “their books”
• 3元： “the students opened”, “students opened their”, “opened their books”
• 4元：”the students opened their”, “students opened their books”

如果是一段中文例子为“学生们打开来了他们的书。”用n元模型来切分（已分词）则是，

• 1元：”学生们”, “打开”, “来了”, “他们”, “的”, “书”
• 2元：”学生们打开”, “打开来了”, “来了他们”, “他们的”, “的书”
• 3元：”学生们打开来了”, “打开来了他们”, “来了他们的”, “他们的书”
• 4元：”学生们打开来了他们”, “打开来了他们的”, “来了他们的书”

那么当问题是，“学生打开来了他们的______”的时候，我们到底应该选择，书本、笔记本、试题、还是思路呢？这就要看出现的概率了。

也就是，在给定的语料库下，“学生打开来了他们的书本”，“学生打开来了他们的笔记本”，“学生打开来了他们的试题”和“学生打开来了他们的思路”跟“学生打开来了他们的”出现次数的比值关系了。

n元语言模型可以算作最简单的语言模型，后面会介绍一步步语言模型的发展，但是它们的实现细节差异很大，但是基本上要完成的任务是一样的。

语言模型本身就可以应用在很多地方，比如输入法的联想，

聊天和信息软件的自动推荐

Google搜索的自动推荐

但是更重要的是，语言模型通常用于帮助构建其他的自然语言处理任务，如语音识别、机器翻译、文本分类等，它可以帮助计算机理解和处理人类语言。语言模型可以通过预训练和微调来实现模型的提升，并且在不断推进的研究过程中也取得了巨大的进步。

语言模型的发展历史

语言模型的发展可以追溯到20世纪50年代末，当时科学家们开始探索如何让计算机处理人类语言。在随后的几十年里，随着计算机硬件和软件技术的发展，语言模型也不断演进。20世纪90年代，神经网络模型开始被广泛应用于语言模型的研究，并取得了显著的进步。随后，深度学习模型也开始在语言模型领域得到广泛应用，并取得了更多的成果。

在历史上，有许多重要的语言模型，其中包括：

• 基于n元语法的语言模型：这是最早的语言模型之一，它基于n元语法的概率分布来建模语言文本，并预测下一个词语的可能性。它的优点是简单易行，但缺点是无法处理长距离依赖关系。
• 神经网络语言模型：这是一种基于神经网络的语言模型，它通过多层感知器来建模语言文本，并使用语言模型的损失函数来训练模型。它的优点是可以处理长距离依赖关系，但缺点是计算复杂度高，难以训练大规模的模型。
• 基于RNN的语言模型：这是一种基于循环神经网络的语言模型，它通过对时序数据进行处理，来捕捉语言文本中的长距离依赖关系。它的优点是能够处理长距离依赖关系，但缺点是计算复杂度高，难以处理长文本。
• 基于Transformer的语言模型：这是一种基于Transformer模型的语言模型，它通过结合注意力机制和多头注意力机制，来实现对语言文本的建模。它的优点是计算效率高，能够处理长文本，并且可以通过预训练来提高模型的泛化能力。它的缺点是训练时需要大量的训练数据，并且需要高性能的计算机硬件支持。
• 基于BERT的语言模型：这是一种基于双向注意力机制的语言模型，它通过对语言文本的上下文进行建模，来提高模型的表示能力。它的优点是能够有效地捕捉语言文本中的上下文信息，并且可以通过预训练来提高模型的泛化能力。它的缺点是训练时需要大量的训练数据，并且需要高性能的计算机硬件支持。
• 总的来说，语言模型的发展历史可以分为三个阶段：早期的基于n元语法的语言模型，中期的神经网络语言模型和基于RNN的语言模型，以及近年来出现的基于Transformer和BERT的语言模型。这些模型在不同时期都取得了重要的突破，为人工智能领域的发展做出了巨大贡献。

GPT各个版本之前的差别和发展历史

• GPT：这是最早的GPT模型，它采用了单层的Transformer模型，并通过对大量语言文本进行预训练来提高模型的泛化能力。它可以用于各种自然语言处理任务，如文本生成、语言模型预测。通过对40亿个语言文本词语进行预训练来提高模型的泛化能力。
• GPT2：这是GPT模型的下一个版本，它采用了多层的Transformer模型，并通过对更大量的语言文本进行预训练来提高模型的泛化能力。它具有更高的计算能力和更丰富的语言表示能力，可以用于更复杂的自然语言处理任务。通过对7000亿个语言文本词语进行预训练来提高模型的泛化能力。
• GPT-3：这是GPT模型的最新版本，它采用了更多层的Transformer模型，并通过对更大规模的语言文本进行预训练来提高模型的泛化能力。它具有更高的计算能力和更丰富的语言表示能力，可以用于更多种类的自然语言处理任务，如文本生成、语言模型预测、机器翻译、问答系统等。通过对175000亿个语言文本词语进行预训练来提高模型的泛化能力。
• ChatGPT：ChatGPT是一种专门用于实现对话系统的自然语言处理模型，它采用了多层的Transformer模型，并通过对大量对话文本进行预训练来提高模型的泛化能力。可以说ChatGPT是GPT-3的一个特殊应用，它专注于对话系统领域，而GPT-3则是一个更加通用的自然语言处理模型，可以应用于更多种类的自然语言处理任务。

GPT-3的语料包含哪些内容

具体来说，GPT-3的语料包含了以下内容：

• 丰富的语言文本：GPT-3的语料包含了大量的语言文本，包括小说、新闻、网页、博客、社交媒体等各种类型的文本。这些文本来自于不同的语言、文化背景，并且涵盖了广泛的话题。
• 多样化的语言表示：GPT-3的语料涵盖了多种语言表示方法，包括文本、图像、音频、视频等多种形式。这使得GPT-3模型能够捕捉到不同类型的语言信息，并实现更为丰富的语言表示能力。
• 深度的语言理解：GPT-3的语料还包含了大量的语言理解信息，如语义、句法、语用等。这使得GPT-3模型能够更深入地理解语言文本的含义，并能够更准确地完成各种自然语言处理任务。

总的来说，GPT-3的语料包含了丰富、多样化和深度的语言信息

这么厉害的ChatGPT到底是不是真的达到了人类的智慧？

我已经写了文章说明用ChatGPT，可以帮你写文章，可以帮你起标题，润色文章，扩写文章，提取摘要，校对文字，还可以翻译。

而且还可以帮我们写程序，查询函数的参数，帮你进行的代码审核，可以帮你写unit test，等等。

它还可以帮我们学英语，找例句，翻译，帮我们润色英文作文，等等。

这些工作它做的甚至比一些专门设计去做这些工作的软件做的还好，甚至可以达到人类比较厉害的人的水平，那么它就真的拥有智能了么？

其实并不能。

举一个例子，我们问ChatGPT，1+1等于多少？

它会回答：

1 + 1 等于 2。

这是一个很简单的数学题，许多人都能很快地回答出来。在做这道题时，我们只需要把 1 和 1 相加，就能得到答案 2。

值得注意的是，我们并不需要特别复杂的数学知识来解决这道题。只要我们熟悉基本的数学运算，就能很容易地回答出来。因此，1 + 1 等于 2 这道题是一道入门难度的数学题。

很多人做过很多这样的加法测试，都得到了正确的结果，例如，如下，34+56等于多少？

它回答，

34 + 56 等于 90。

这道题和上一道题相似，也是一道很简单的数学题。我们只需要将 34 和 56 相加，就能得到答案 90。

值得注意的是，在做这道题时，我们需要注意十进制数字的运算规则。例如，我们在计算 34 + 56 时，需要先将个位数字相加，再将十位数字相加。

为了更好地理解这道题，我们可以使用如下的运算方式来计算 34 + 56：

将个位数字相加得到 4 + 6 = 10

将十位数字相加得到 3 + 5 = 8

将结果相加得到 10 + 8 = 18

由于 18 是两位数字，因此我们需要进一步将这两位数字分别计算。于是，我们得到答案 90。

总之，34 + 56 等于 90。

答案是对的，看起来也头头是道，但是等着“将结果相加得到 10 + 8 = 18 ”这句话是什么意思？不符合我们的数学基本原理啊？

虽然最后的结果是对的。我们再随便把数字加大，比如问它，70654+89034等于多少？

它回答道：

70654 + 89034 等于 159680。

这道题和前面两道题相似，都是一道很简单的数学题。我们只需要将 70654 和 89034 相加，就能得到答案 159680。

值得注意的是，在做这道题时，我们需要注意十进制数字的运算规则。例如，我们在计算 70654 + 89034 时，需要先将个位数字相加，再将十位数字相加，最后将百位数字相加。

为了更好地理解这道题，我们可以使用如下的运算方式来计算 70654 + 89034：

将个位数字相加得到 4 + 4 = 8
将十位数字相加得到 6 + 3 = 9
将百位数字相加得到 5 + 9 = 14
将千位数字相加得到 0 + 0 = 0
将万位数字相加得到 6 + 9 = 15
将十万位数字相加得到 7 + 8 = 15
由于 15 和 15 是两个两位数字，因此我们需要进一步将这两个数字分别计算。于是，我们得到答案 159680。

总之，70654 + 89034 等于 159680。

我们一眼就发现结果也是错了，论述也是错误的，但是为啥听上去，还是头头是道呢。

首先，它的语料库里面包罗万有，所以一些数学题，一些简单的加减乘除的教材可能也有，所以，当一个题目的答案在他的语料库里面的时候，它多半是回答正确的。这个过程就类似于它去自己的数据库里面查了一次一样（实际上是因为整理过的语料里面，正确的结果存在的概率一定高于错误的结果）。

但是当数字很大，很怪，大概率语料库中不存在的时候，它所输出的加法的结果就是基于语言学逻辑概率的结果，而不是数学逻辑下的结果，自然就有可能打错特错了。但是它仍旧可以给你讲的头头是道。

你可以理解为它是一个自然语言学问的博士，对语言无比精通，对其他的知识一无所知，天天跟各种数学家交谈（在数学语料下训练），它听过的东西，一般不会答错，虽然它并不明白它回答的意思是什么。它的泛化能力很强大，让你以为它可以举一反三，但是这种泛化是基于语言结构和语料的，并不能无中生有，不能进行严密的逻辑推理。所以，它没听过的东西，它回答的时候，近似于胡猜。但是听起来很有道理，因为它很会说话，所以，有很多时候可以蒙对。

所以，因为它的语料库，知识库保罗万有，所以你问一些包含在知识库，语料库内的内容，它几乎都不会答错。它似乎是一个全能全知的神。但是它其实并不理解这些内容。

当然，我们现在说的是ChatGPT，它可以做无数的事情，但是不是每件事情。它不是真的学会了数学。但是ChatGPT比GPT-3的效果要好得多。所以，在GPT3推出来的时候引发了无数业界的关注，但是其实普通人并不了解。只有ChatGPT出现以后，GPT家族才成了彻底的显学。

其实，我前面讲了GPT只是一个语言模型，它确实可以补全很多话，很多时候它会表现的非常有智能。但是有很多时候，它会输出车轱辘话，它会输出毫无意义的话，有时候结果有很好。它在真正使用前，往往需要使用他的公司对他进行finetune。所谓finetune就是使用针对性的语料对GPT-3进行针对性的训练，在finetune的过程中，GPT-3 原有包含的语料信息和知识信息不会消失，但是会形成对特定问题的特定领域知识。

比如你Notion AI和Craft AI都是把GPT-3用在笔记应用里，他们就对GPT-3在文本润色，标题处理，摘要，等具体的应用方向上，准备大量的语言，去finetune，从而让GPT-3的输出效果在笔记应用这个层面更好用。

这就有点像我们的莎士比亚猴子，本来空读了无数的书，但是不知道人们喜欢它怎么说话，所以说话完全由着性子，虽然饱读诗书，但是看起来还是不够聪明。经过了finetune，它知道了在某个地方大家喜欢怎么说话，它就学着这么说话，就让大家觉得聪明了。

或者用一个金庸小说里面的桥段，GPT-3学了全部的武林秘籍，又用吸星大法吸收了各种内力，但是不能融会贯通。有时候打出一拳来威力无穷，有时候又软绵绵的无力，不能收放自如。然而这时候，如果学了一门剑法，剑术加内力就成了剑术高手。

但是，ChatGPT不是简单的在任何方向上单独finetune的结果，后面我们会详细介绍，为什么chatGPT在无数的领域都可以做出很好的效果。

ChatGPT就像是找到了一个方法，彻底把全部内力打通，各种无数都学会，再有内力加持就变成了无敌高手。

WebGPT和Google

首先我们介绍一个OpenAI没有正式发布的产品WebGPT。

我们知道Google的原理，Google的本质就是抓遍全网的数据，然后建立索引。所谓一个关键词的索引，其实就是一个关键词的全部结果的列表。如果你搜一个复杂的问题，就等于是既是的把多个关键词的索引组合起来给你得到一个结果。

你不管问什么问题，Google本质上，就回答有xxx个答案，然而按照相关性排序，最靠谱的排在前面。

Google的基本原理

我们再看ChatGPT的基本原理

时效性

从时效性来看Google更好，任何信息发布后几天，甚至几分钟内，在Google里就可以搜索到。这是因为Google的爬虫每时每刻都在爬取新的内容，而Google的索引服务也每时每刻都在更新索引。

而从GPT来看，ChatGPT是最近推出的，包含了很多新的内容，但是也只是截止到2021年而已，比如我问它，2022年8月发生了什么大事儿，它回答

很抱歉，我无法确定 2022 年 8 月发生了什么大事。由于我的知识截止日期是 2021 年，我无法提供有关 2022 年的信息。

但是，我问它，2021年12月发生了什么大事儿，它回答

由于我的知识截止日期是 2021 年，我无法提供有关 2022 年的信息。但是，我可以告诉您 2021 年 12 月发生的一些重要事件：

2021 年 12 月 10 日，第二届“一带一路”国际合作高峰论坛在北京举行。
2021 年 12 月 11 日，英国与欧盟达成贸易协议。
2021 年 12 月 14 日，美国总统特朗普签署国防授权法案。
2021 年 12 月 21 日，世界气象组织宣布，2021 年将成为有史以来第三热年。

这些事件仅供参考，具体信息以相关媒体报道为准。

抓取数据后，编入语料库，需要进行大量的处理，包含数据清洗，对齐和一些语义挖掘，所以需要大量的时间。而海量的语料库的训练也需要海量的计算资源和时间，目前还无法像Google那么随时更新。

所以，GPT发布于2018年，GPT-2发布于2019年，而GTP-3发布于2020年。ChatGPT最近发布，但是数据可能截止到2021年底左右。

那什么是WebGPT呢？

所谓WebGPT是OpenAI没有正式发布的一个产品，仅仅是一个Demo。它的思路是从Google的搜索结果里面找到最好的内容，然后整合成一篇短文。你可以理解为，比如它可以把Google搜索一个关键词的前十名文章，凑成一篇长文章，然后用它自己的摘要功能把这篇超长的文章，写成一个比较短的摘要。

ChatGPT是怎么炼成的呢？

我们前面介绍了语言模型，GPT-3，甚至WebGPT，是希望大家建立一个概念。在ChatGPT前，GPT-3已经表现出了智能，但是结果不稳定，具体用之前需要针对应用领域去finetune。但是ChatGPT几乎什么都能干，它是怎么炼成的呢？

简单的说，三个步骤：

• 收集示例数据，训练一个有监督的模型
• 收集比较数据，训练一个奖励模型
• 根据奖励模型，对有监督模型进行持续的强化学习

1、收集示例数据，训练一个有监督的模型

如上图，第一步，系统从之前收集的提示数据库，也就是一堆形形色色的问题，可能有几万到几十万的有意义的问题，中间选一个。

比如这个问题是，如何向一个六岁小孩儿解释什么是登陆月球。

然后，由一个标注人员，就是一个人，来写一个期待AI能回答出来的比较好的答案的一个范本。

这些问题和人写好的回答，就形成了训练数据。

用这些数据去fine-tune现有的GPT-3或者是GPT-3.5模型，得到一个监督学习的模型。这个模型的精神内核还是GPT，但是它更会回答问题了，它参考了这些数据库里面抽取的问题和标注人员写好的答案。它具有了一定的好好回答问题的能力。

2、收集比较数据，训练一个奖励模型

如上图，有了刚才第一个有监督的模型以后，我们就可以让那个模型多次输出不同的答案。然后让标注人员，来对多个结果进行质量评估。比如得到D>C>A=B的结果。也就是A和B答案质量差不多。C更好，D最好的这么一个评估结果。这样我们就可以给答案排序。

有了问题、一组答案和排序，我们就可以训练一个奖励模型。这个奖励模型就是给它任何一个问题和一组答案，它都能自动得判断哪一个答案更好。

3、根据奖励模型，对有监督模型进行持续的强化学习

有了第一个回答问题的监督模型，评估答案的奖励模型。我们就可以开始强化学习的循环。

所谓的强化学习就有点像我们在《射雕英雄传》里面看到的周伯通的左右互搏，我们让AI不断的生成答案，然后根据奖励模型，我们可以告诉AI哪一次生成的答案更好。如果结果好，我们就鼓励模型继续这么做，如果不好，我们就惩罚模型让它改进。

为什么会有这三个步骤呢。其实前面两步都是监督学习。需要人工参与，需要准备大量的标注数据。这样呢，训练的规模很难上去，经济成本和时间成本都很高。第三步，有了前两步的准备，就全部是机器左右互搏，就不再需要人工的参与，就可以进行海量的运算去不断的优化结果了。

我们估计在前两步的数据量估计是在几万到几十万的量级，成本高昂，旷日持久。但是到了第三步，几乎不需要人的参与，主要耗费的就是计算力和电力。这个时候，训练的规模就可以几乎无限的大，尽力去追求最好的结果。

如果你了解下围棋天下第一的AlphaGo，其实它最早期的版本就是通过标注信息进行监督学习。在这个时期，它相当于接受了人类所有历史上已知的棋局，它就已经达到了秒杀全部人类高手的能力。但是这时候，相对于围棋全部的知识来说，AlphaGo和人类还没掌握到全部的精髓。

后面的AlphaGo也是用强化学习去训练的，这个时候，全世界的人类都无法跟AlphaGo比肩，人类的历史棋谱也不如AlphaGo的水平高了。怎么继续提高，就是左右互搏，两个原始的AlphaGo互相下，没有限制的各种下，探索人类从来没有达到过的高度。用机器来判定每一步哪个AlphaGo下得更好，逐渐相互学习，得到了目前人类和机器都无法企及的高度。

ChatGPT的第三步也是如此。这也说明为什么目前Chat GPT虽然看起来万能，但是它会主动说2021年12月以后的信息它并不掌握。因为训练GPT-3和GPT3.5已经是旷日持久的工作，需要几个月的时间，用大量最好的AI服务器不停的训练。而在GPT-3和3.5的基础上，得到了前两步的监督模型和奖励模型后，进行强化学习还需要大量的训练时间去精益求精。

好。我们尽全力不用任何公式，用普通人应该能听得懂的原理解释的方式去讲清楚了ChatGPT是怎么炼成的，它当然还有它的局限性。但是它也仍旧在继续进化中。

据说，GPT-4很快要发布，后续GPT家族，还有Google、Meta，其他硅谷巨头的类似模型也都在研发，我们继续关注，AI如何改变我们的生活，我们怎么去理解AI的发展，从而了解原理更好的了解它的局限性和功能，从来用好AI。

参见：

• SEO：用ChatGPT来做搜索关键词聚类分析，方法和实例
• ChatGPT常见问题解答【官方/非官方版】
• ChatGPT帮助你快速高效地完成你的写作任务

参考

（1）无限猴子定理https://zh.wikipedia.org/wiki/%E7%84%A1%E9%99%90%E7%8C%B4%E5%AD%90%E5%AE%9A%E7%90%86

（2）Stanford CS224N: NLP with Deep Learning | Winter 2019 | Lecture 6 – Language Models and RNNs https://youtu.be/iWea12EAu6U

万能的ChatGPT真有智能了么？一篇文章让你彻底搞懂ChatGPT-人类是怎么训练出了一只聪明的莎士比亚的猴子最先出现在Tinyfool的个人网站。

翻译自官方的FAQ页面，翻译由ChatGPT完成。

1、ChatGPT 的使用成本是多少？

在最初的研究预览期间，ChatGPT 免费使用。

2、ChatGPT 是如何运作的？

ChatGPT 是从 GPT-3.5 进行微调的，GPT-3.5 是一个被训练用来生成文本的语言模型。ChatGPT 通过使用人类反馈的强化学习 (RLHF) 进行优化，以便适用于对话 – 这是一种利用人类演示来指导模型朝着期望行为的方法。

3、为什么 AI 看起来如此真实而逼真？

这些模型是在由人类编写的大量互联网数据上进行训练的，包括对话，因此它提供的响应可能听起来像人类。重要的是要记住，这是该系统设计 (即最大化输出与模型训练数据集之间的相似性) 的直接结果，并且这些输出有时可能是不准确的，不真实的，其他方面也可能会误导。

4、我能相信 AI 告诉我的是真相吗？

ChatGPT 未连接互联网，并且它偶尔会产生不正确的答案。它对 2021 年后的世界和事件的知识有限，并且也可能偶尔会产生有害指令或有偏见的内容。

我们建议检查模型的答案是否准确。如果您发现答案不正确，请通过使用“踩”按钮提供反馈。

5、谁可以查看我的对话？

作为我们致力于安全和负责任 AI 的承诺，我们会审查对话，以改进我们的系统，并确保内容符合我们的政策和安全要求。

6、您会使用我的对话来进行训练吗？

是的。您的对话可能会被我们的 AI 训练师审查，以改进我们的系统。

7、您能删除我的数据吗？

是的，请按照这里的数据删除流程：https://help.openai.com/en/articles/6378407-how-can-i-delete-my-account

8、您能删除特定的提示吗？

不，我们无法删除您的历史记录中的特定提示。请不要在对话中分享任何敏感信息。

9、我能看到我的主题历史记录吗？我怎样才能保存我已经进行过的对话？

不，此时无法查看您的对话历史记录，但这是我们正在研究的功能。

10、您在哪里保存我的个人和对话数据？

有关我们如何处理数据的更多信息，请参阅我们的隐私政策和使用条款。

11、我如何实现此功能？这个有实现指南吗？

ChatGPT 正在作为研究预览提供，因此我们可以了解它的优点和弱点。它不可用于 API。

12、如果我已经有了 Labs 或 Playground 账户，那么我需要新账户吗？

如果您在 labs.openai.com 或 beta.openai.com 上已经有账户，那么您可以使用相同的登录信息在 chat.openai.com 直接登录。如果您没有账户，您需要在 chat.openai.com 上注册一个新账户。

非官方常见问题解答

由Tinyfool根据对这个系统的理解、分析和使用体验得出。不保证完全正确，尽量帮助大家解答，也欢迎有问题留言，我会回复留言来解答。

1、为什么ChatGPT会出现一些明显的事实错误？是语料库的问题么？

ChatGPT的本质还是GPT，还是语言模型，它的内核的目标是说的像人说的话，而不是真的对语料的内容有理解。所以，它可能会张冠李戴的说《活着》是莫言写的。从语言上这么说没错，事实上是错误的。这是模型本质决定的。

但是这不影响ChatGPT的应用，因为实际应用的时候，可以让ChatGPT作为前端，知识库作为后端结合使用，就可以保证事实错误不会出现了。

ChatGPT实用指南系列

• ChatGPT帮助你快速高效地完成你的写作任务

ChatGPT常见问题解答【官方/非官方版】最先出现在Tinyfool的个人网站。

ChatGPT简介

ChatGPT是一种预先训练的大型语言模型，由OpenAI开发，能够进行高质量的人工智能（AI）对话。它能根据上下文自动生成合理的回答，在许多情况下，用户甚至无法分辨出是人类还是AI在回答问题。

目前ChatGPT非常火爆的原因是，它具有出色的语言理解能力，能够快速生成人类语言的回答，满足用户对于实时对话的需求。此外，ChatGPT还能够学习用户的语言风格，并且能够根据不同场景进行适当的语言表达，这使得它在各种应用场景中都能取得良好的效果。

很多人都把ChatGPT简单地看作是一个聊天工具或游戏，但实际上它是一种预先训练的大型语言模型，在训练过程中包含了海量的语料，这些语料包含了大量的现实世界知识，并被AI汲取，使ChatGPT在内部储存了大量的知识。因此，ChatGPT完全可以用于许多生活和工作中的实际任务，而不仅仅是一个简单的聊天工具或游戏。

参见：ChatGPT常见问题解答

如何使用ChatGPT

使用chatgpt的方法非常简单，只需要完成以下步骤即可：

• 访问chatgpt的官方网站，按照提示注册并登录。
• 进入chatgpt的主界面，在左侧的菜单中选择“对话”选项。
• 在主界面的文本框中输入您要询问的问题，然后点击“发送”按钮。
• chatgpt会根据您输入的问题，返回一个相关的回答。您可以根据回答，继续输入新的问题，与chatgpt进行对话。

如下图，

你只需要提出正确的问题，提示，ChatGPT就可以为你服务。下面我做很多例子给大家参考。

文案方面的用途

我是一个写作者，在这方面ChatGPT可以帮我们做什么呢？

其实只要你需要它甚至可以独立写作。

比如我输入了如下的提示，得到了如下的故事：

提示：

写一个故事，孙悟空取经归来以后，跟一个妖精陷入爱情的故事

结果：

这类玩法很多，你的提示可以加入各种限制，ChatGPT都可以根据你的需求去生成故事。这里，我并没有提到紫霞仙子，但是因为ChatGPT是根据真实世界的海量语料去训练的，所以它其实知道孙悟空跟紫霞仙子更相衬，所以自动的找到了这个名字。

但是我觉得这种纯粹利用ChatGPT生成整个故事的做法，玩玩还可以，并不是真正有意义的用途。事实上，我们可以用的玩法很多。我们下面一一讨论。

起标题神器

很多人不太会起标题，比如我写文章的时候，起的标题都很直白，没有吸引力。而ChatGPT的语料库里面包含了无数的内容，所以你甚至可以让它帮你给你的文章起标题，比如，

提示：

现有标题“写好文章，需要多看书，书看多了才能写好文章”，请帮我想一个更标题党的标题

你看我让它推荐标题党的标题，它不仅推荐的很好，还知道好的标题可能带来“更多的阅读量”。

润色文章

举一个例子，这是我以前文章里面的一句话，“今天，我又想起我有无数的想做的事情，而时间总是不够的，一旦陷入到抑郁的情绪就会什么都不能达成。然而也没有任何的快乐。”

我可以要求ChatGPT帮我润色一下，

提示：

润色一下这段话，今天，我又想起我有无数的想做的事情，而时间总是不够的，一旦陷入到抑郁的情绪就会什么都不能达成。然而也没有任何的快乐。

结果：

如果提示信息更多，要求更复杂，则可以润色的更好，如下，

提示：

扩写一下这段话，加入一些例子和金句，今天，我又想起我有无数的想做的事情，而时间总是不够的，一旦陷入到抑郁的情绪就会什么都不能达成。然而也没有任何的快乐。

结果：

提取摘要

不仅可以扩写，润色，ChatGPT还可以帮你把找到的资料摘要，方便快速领悟，或者在文章中引用。

提示：

把下面这段话，改写成100字以内的摘要
“OpenAI 是一个人工智能（AI）研究实验室，由营利组织 OpenAI LP 与母公司非营利组织 OpenAI Inc 所组成，目的是促进和发展友好的人工智能，使人类整体受益。OpenAI成立于2015年底，总部位于旧金山，组织目标是通过与其他机构和研究者的“自由合作”，向公众开放专利和研究成果。[4][5] 创始人伊隆·马斯克以及山姆·柯曼的动机是出于对强人工智能潜在风险的担忧。[6][7]
至2018年，OpenAI 的总部坐落于旧金山的米慎区，与伊隆·马斯克的另一座公司Neuralink在同一办公室大楼。[8] 2019年3月1日成立OpenAI LP子公司，目的为营利所用。[9]
2019年7月22日微软投资OpenAI 10亿美元，双方将携手合作替Azure云端平台服务开发人工智能技术。2020年6月11日宣布了GPT-3语言模型，微软于2020年9月22日取得独家授权。[10][11]

以上信息引用自Wiki页面。

结果：

因为是智能摘要，原文包含的一些格式信息，[数字]之类的也不需要操心，自动就去除了。

校对文字

提示：

校对下面这段话，今天，我有想起我有无数的想做的事情，然而时不我侍，我需要努力才能赶上同脐，才能有锁成就。

结果：

“有”，“侍”，“脐”三个错别字都被修改掉了。

我在网上找了一段外国留学生写的中文小作文的部分，我们让ChatGPT校对一下。

提示：

校对下面这段话

“我叫雷拉，今年18岁了，来自哈萨克斯坦。我是在阿拉木图城市出生的。我已经住在北京四年多。现在在北京语言大学的汉语学院学习。我的专业就是翻译。 我本来自己不愿意出国留学，可是我爸爸逼我去。我也没办法只好听他的。我刚来到中国时对一切感觉很陌生，那就是我第一次出国，第一次离开我父母。经常会想我家。想着想着就会流眼泪。记得，有一天她给我打电话说：“你去哪个国家留学都会遇到一些困难，可是每个人都会遇到困难。不管遇到什么困难，我们都要积极应对，永远对生活充满希望。不要难过，不要悲伤，真主与我们同在。随着我家人的和朋友们的帮助我慢慢的习惯了这里的生活。”

并把错误列出来

结果：

翻译

很多时候，我们写好了一篇中文文章，自己翻译很辛苦，我们可以让ChatGPT先翻译一个版本，然后我们再酌情处理，然后发表。

提示：

把这段话翻译成英文、法语和日语
“毕竟对这个世界来说，我们每一个人都太渺小，不管你有多大的想法，世界总是按照它自己的规律运转。 太阳也每天照常升起，只要太阳还在，能量还源源不断输入地球，地球就不会消亡。 我们唯一能做的，就是做自己想做的事情，完成自己的每一个小小梦想，加油……”

结果：

明天我们继续探讨这么一个AI功能如何帮助独立开发者，程序员去更好的完成自己的工作。

ChatGPT的局限性和问题

虽然ChatGPT是一种非常优秀的语言模型，但它也有一些弱点和问题。首先，它的训练是基于语料的，如果语料中缺乏某些信息或知识，那么ChatGPT在回答相关问题时可能会出现问题。例如，如果语料中缺乏某些最新的事件或知识，那么ChatGPT可能无法回答与这些事件相关的问题。

其次，由于ChatGPT是一种深度学习模型，它对数据量和计算资源都有一定的要求。如果数据量不够大或计算资源不足，那么ChatGPT的性能可能会下降，导致生成的回答质量不够高。

此外，ChatGPT的回答可能存在一定的偏见，因为它的训练数据来源于现实世界，可能会受到社会偏见的影响。例如，如果训练数据中存在性别歧视或种族歧视的信息，那么ChatGPT的回答也可能存在相似的偏见。

即使在语料充分准确的前提下，ChatGPT目前还没有推理、逻辑能力，所以有的时候，对事实的描述也会发生错误，使用的时候，需要注意。

总之，尽管ChatGPT在对话方面表现优秀，但仍有一些弱点和问题需要解决。

ChatGPT帮助你快速高效地完成你的写作任务【ChatGPT实用指南系列】最先出现在Tinyfool的个人网站。