如何認識、理解和用好ChatGPT

對ChatGPT 的常見誤區是什麼？

首先，ChatGPT 是GPT 模型，全稱為"Generative Pre-trained Transformer”。目前是GPT3.5 代。 GPT 模型是一種LLM，本質還是語言模型，而不是不了解AI 發展的朋友們通常提到AI 所想到的AGI。

LLM VS AGI 區別是什麼

LLM的全稱是"Large Language Model"，它是指以自然語言為基礎，利用深度學習技術構建的大型語言模型。 LLM 通過大量的訓練數據和算法，可以學習自然語言的規則和特徵，從而實現自然語言生成、理解、問答等任務。目前，最著名的LLM 是OpenAI 的GPT系列模型，包括GPT-3、GPT-2 等。

AGI的全稱是"Artificial General Intelligence"，它是指一種能夠像人類一樣執行多種智能任務的人工智能係統。 AGI 是指能夠像人類一樣進行推理、學習、自我修復、自我意識等多種智能行為的智能係統。與LLM 不同的是，AGI 具有更廣泛的應用領域和更強的智能能力。

總的來說，LLM 和AGI 在技術層面和應用領域上存在著巨大的差異。 LLM 側重於自然語言處理和智能問答等任務，而AGI 則更為廣泛，可以在多個領域進行多種任務的處理和應用。此外，AGI 的研究和實現需要更為複雜和高級的技術和算法支持，與LLM 相比，還處於更早的研究和發展階段。

• ChatGPT 是語言模型，不是通用人工智能。
• 不要拿紅色蠟筆，想畫藍色海洋。

介於很多朋友閱讀速度很快，這裡狠狠重複一下……如果只有一個take away，那就是這兩句。

如何理解ChatGPT

想要理解ChatGPT，首先要理解這三種邏輯推理方法。

1. 歸納邏輯Inductive Logic（什麼是ChatGPT 能做的）
2. 演繹邏輯Deductive Logic（什麼是ChatGPT 暫時不能做的）
3. 溯因邏輯Abductive Logic（什麼是人能做，但ChatGPT不能的）

假設有一個實驗，研究人員對某種新藥進行了臨床試驗，並對試驗結果進行了數據分析。現在我們來舉例說明這三種邏輯推理方法如何應用於這個實驗。

歸納邏輯

• 在歸納邏輯中，我們通常從特定的實例中歸納出一般的規律和定律。在這個例子中，我們可以根據試驗的結果，觀察這種新藥的療效，然後推斷出這種新藥在人類中的作用規律。例如，如果試驗表明該藥物可以有效地治療某種疾病，那麼我們可以推斷這種藥物對該疾病具有普遍的治療效果。在這個過程中，我們從特定的實例中歸納出了一般的規律，這是歸納邏輯的一個典型應用。

演繹邏輯

• 在演繹邏輯中，我們通常通過利用已知的普遍規律或定律來推導出特定的結論。在這個例子中，我們可以利用已知的醫學原理和已知的藥物成分等信息，來推導出該新藥物是否具有治療效果。例如，如果我們已經知道了該藥物的成分，以及這些成分對人類身體的作用規律，那麼我們就可以通過演繹邏輯的推理方法，推導出該藥物對某種疾病是否具有治療效果。

溯因邏輯

• 在溯因邏輯中，我們通常通過選擇一個最有可能的解釋來解釋已知的事實或現象。在這個例子中，我們可以根據已知的實驗結果，以及已知的醫學原理和藥物成分等信息，選擇一個最有可能的解釋來解釋這些實驗結果。例如，如果我們發現這種新藥物具有治療某種疾病的作用，但我們尚不確定該藥物的作用機理是什麼，那麼我們可以通過選擇一個最有可能的解釋來解釋這種藥物的作用。這種解釋可能是該藥物作用於某種特定的細胞或分子，從而產生治療效果。在這個過程中，我們通過闡述邏輯來解釋了已知的實驗結果。

歸納邏輯Inductive Logic

1. 什麼是ChatGPT 能做的？
2. LLM 的本質是統計學，所以學習了大量語言數據的ChatGPT 有很強的語言組織能力，並不是因為它精通語義學，而是它知道一個詞後面大概率跟什麼詞，大概率組成什麼句子。 ChatGPT 行文組織的能力，是基於統計學而不是語義學，更不是專業領域的知識體系。
3. 這幫助我們理解ChatGPT 擅長的任務是什麼、該如何和ChatGPT 溝通、如何高效利用好ChatGPT。

演繹邏輯Deductive Logic

1. 什麼是ChatGPT 暫時不能做的？
2. ChatGPT 之所以寫出漂亮的文章或措辭，不是因為它有很強的文學造詣，而是因為人類提供給它足夠優秀的訓練語料，讓它知道在漂亮的文章裡，一個詞後面大概率跟什麼詞，大概率組成什麼句子。換言之，ChatGPT 不具備任何從專業領域的知識體系中，推理分析內容的能力。即使在任何例子中，它看似完成了這一點，也是因為統計學而不是真正具備這樣的能力。因為通常這樣的結果是經不起推敲和辯駁的。
3. 這幫助我們了解ChatGPT 的邊界是什麼。 ChatGPT 的輸出結果哪些是可信的、哪些是需要質疑的。哪些任務是目前不值得你向ChatGPT 提出的、ChatGPT 未來努力的方向是什麼，KG 研究未來有沒有結合的可能性。

溯因邏輯Abductive Logic

1. 什麼是人能做，但ChatGPT 不能的？
2. ChatGPT 目前被訓練得非常得體，遵守禮儀規矩，說不出錯的話。換言之，ChatGPT 不能說“胡話”。 （如果是專業知識的胡謅，屬於上一種類型）這跟ChatGPT 是Inductive Logic 的表達也有關。 ChatGPT 無法跳出學習資料以外回答你。也就是說，ChatGPT 還不具備對未知現象提出假設的能力。儘管大多數人未經訓練也不具備這個能力。
3. 這幫助我們了解ChatGPT 做不到，但人有可能做到的事情。人在未來的競爭力是什麼，而一旦ChatGPT 展露出具備這種能力時，又意味著什麼。

如何用好ChatGPT

網絡上關於ChatGPT 的Prompt 一搜一大把，這裡簡單推薦幾個網站。

https://platform.openai.com/examples

https://github.com/f/awesome-chatgpt-prompts

簡單說下ChatGPT 擅長的任務：

一、回答具體的知識問題

不管是coding、哲學觀點研究還是紫微斗數。

ChatGPT 是非常好的老師，它可以條理清晰、有針對性地回答你的問題，而且你可以不斷地追問細節。這意味著學習資源空前平等，只要你有心想學。但記住永遠保持質疑精神。

通常全網知識越常見的內容，回答越好，反之越差。比如中醫藥、八卦五行的問答裡，就會存在胡說八道的情況。但是偏門知識也有引導的tricks，比如在新建對話中，先從ChatGPT 可能更容易聊對的內容/概念聊起，再去問你想知道的問題。這是因為同一會話的歷史語料會作為prompt 影響到ChatGPT 的下一次輸出。越多的context 給到ChatGPT，它就能對特定語境下的特殊詞彙和問題，有更好的表現。

二、解決語言問題

練習英語表達、給代碼debug 、擴寫縮寫複述等等，只要是語言。

訓練了全網做多語言數據的模型，能力有多強不用我多說。在很多問題上，它甚至比你學校的老師，回答更出色。但仍然也有ChatGPT 解答不了的語言問題，不妨換個問法試試，或者先做些context 的輸入和引導。記住，我們用ChatGPT 是為了自己的進步成長，得到自己想要的知識，而不是為了刁難它，說出一句它果然不行。同樣的，永遠保持質疑精神。

三、高級廢話文學

週報、PPT、公文、申請、總結、運營文案、商務交流等等。

沒有比看過全網廢話文學的LLM 更能說高級廢話了。如果ChatGPT 寫不出來，只能說你prompt 水平不行。思路還是一樣的，只要你知道ChatGPT 是基於統計學的，把prompt 往你想要的內容上引就可以了。盡可能在會話中提供更多的細節、要求、上下文，一次問不出來，可以把問題拆成好幾個問，循序漸進得到結果。

四、輸出機器懂的語言

其他模型的prompt，其他框架/服務的指令、接口等等

嘗試把ChatGPT 想像成機器大腦，正在說language in the brian。你永遠想不到ChatGPT 可以給你多驚豔的輸出。

ChatGPT 有可能會帶來哪些影響

首先，我們聊過ChatGPT 是語言模型。那麼我們就要看語言意味著什麼？

1. 語言是人類的交流工具，最主要的交互形式之一。
2. 語言是網絡數據最大的載體，哪怕音頻、視頻都可以轉換成文本數據。
3. 語言除了natural language，還有coding language，和language in the brain。
4. 語言的邊界就是思想的邊界。

語言交互，文字或語音

1. ChatGPT 已經改變了搜索引擎。可想而知未來會改變更多的交互形式。所有的檢索才能得到信息的場景，都可以嘗試加上對話入口。也就是說，更多的垂直領域，產品的使用指南、服務支持，都會從原來的文檔或笨拙的智能客服，全面轉向GPT 模型+ 弱人工的處理形式。未來將會有很多對話語料設計與分析的場景。
2. 所有工具類、效率類、任務導向的APP/交互/功能都將面臨智能化的轉型。數字化轉型曾經歷的事情，都有可能在智能化轉型中經歷一遍。包括探索的過程和流程化、工程化、自動化。工具和效率類APP 首當其衝的原因是，LLM 是擅長coding language 的，自然從natural language 到coding language 也不在話下。對應到現在的研究領域就是NL2SQL，和所有NL2codes、2function、2commands 的擴展場景，都值得期待。
3. 由於信息獲取方式的轉變，流量的入口也會一部分從瀑布信息流變成會話聚焦型。這種情況下，平台方無法像傳統的搜廣推rankings 給到內容創作者推薦和流量。那首先雙方的利益關係會被重建，以及如何再達到一種平穩的狀態。我們都需要思考新的商業關係、交互呈現形式以及技術手段，如何能滿足雙方的訴求。

語言的多媒體載體，文本、音頻、視頻

1. 語言模型不僅賦能文本生成，也將極大降低分析和生成和語言息息相關的音頻和視頻內容。文本的模型處理能力，能將整個互聯網信息數據整合起來。再加上多模態模型的發展，圖片、聲音等都會加入整個語義網絡semantic web。語義網絡的未來近在咫尺。
2. LLM 不僅會成為language 任務的copilot，比如GitHub 出的copilot 和notion 出的notionAI，還將成為大多數的生產工具的copilot，而且盡在咫尺，相信在2023 的下半年，就會爆發普及很多的x-copilot 的產品、工具和服務。

natural language，coding language 和language in the brain 讓ChatGPT 成為機器意識

1. ChatGPT 在coding language 上的表現不輸natural language，是因為編程語言是有規則、有序的。 ChatGPT 在兩種語言上融會貫通的優越表現，已經表明ChatGPT 具備轉譯能力，傳統學術研究上是NL2SQL 賽道，但ChatGPT 能做的已經遠遠超過SQL。目前來看，沒有比ChatGPT 更適合成為機器的language in the brain。
2. "Language in the brain" 是意識的一個重要組成部分，因為語言是人類意識的重要載體和表達方式。全局工作空間理論認為，意識是由全局工作空間中的信息所構成的，而全局工作空間是大腦中多個模塊之間共享的一個信息處理系統。語言作為一種信息的表達方式，在全局工作空間中扮演了重要的角色。全局工作空間理論（Global Workspace Theory）是由美國心理學家Bernard Baars 在1988年提出的一種心理學理論，它用於解釋人類意識的本質和機制。
3. 為什麼ChatGPT 有潛力成為機器意識？

• ChatGPT 已經連接起自然語言和機器語言
• ChatGPT 已經具備交流溝通的能力
• ChatGPT 已經具備理解context 的能力
• ChatGPT 已經具備推理的能力
• ChatGPT 在context awareness 問題上表現出來的泛化能力和潛力已經超過絕大多數算法模型
• ChatGPT 目前還沒有成為機器意識，但我們可以通過finetuning 和prompt engineering 訓練它，讓它逐步模擬GWT
• 垂類高集成、高自動化、高智能的AI 指日可待

語言的邊界就是思想的邊界

1. 美國語言學家和哲學家Benjamin Lee Whorf強調了語言和思想之間的互動性，並提出了"語言的邊界就是思想的邊界"的觀點。他認為，不同的語言系統對現實世界的理解和表達方式是不同的，因此人們的思想和理解也會受到語言的限制。
2. 維特根斯坦認為，語言的邊界塑造思想的邊界，這意味著語言和思想之間存在著密切的關係。他認為，語言不僅僅是一種表達思想的工具，更是塑造思想的方式。因為語言決定了我們所能想到的東西，甚至塑造了我們的觀念和信仰。
3. 過往我們接觸知識的來源五花八門，課堂、書籍、演講、討論……而現在ChatGPT 可以給我們不一定是最好的，但一定是最快的知識回答。網上看到一個比喻，說ChatGPT 是將幾十年互聯網的文本信息壓縮成低清縮略圖，使得用戶很快可以窺探全貌、看個大概。同時也因為高度壓縮，丟掉了很多細節。長此以往，隨著ChatGPT 的能力越來越強， 我們除了接受一手的ChatGPT 信息，還可能到處看到二手的ChatGPT 的半加工文章、播客和視頻。大量的ChatGPT 產出的信息將我們淹沒，下一代的小朋友會如何成長起來？他們會變成像ChatGPT 一樣思考、一樣講話嗎？

小結

只希望ChatGPT 能夠成為一個好工具，但不要成為人們放棄探索好奇心和思想邊界的藉口。

附

最近，和學中醫的朋友也聊到ChatGPT。友人深深表示部分傳統中醫脈絡可能因為沒有數字信息沉澱，而在這次智能化轉型中從網絡世界銷聲匿跡。

如有任何這類擔憂的朋友，都可以我號留言，探討可行的合作和幫助。