主题：ChatAI 使用初体验(0) -- shuyong

免费试用阶段让人体验一下优质服务，后期收费肯定要对服务分级，不同收费对应不同准确度和全面性。

现在风风火火兴起的CHAT AI，确实有它们的独特价值。但是它们的价值并不是那些网红培训师吹嘘的那样，抓住了就一夜暴富，错过了就后悔终身。哪里会有这么简单的发财故事了。如果你相信说一句：“CHAT AI，你去给我赚一百万回来”，你就能躺着挣钱了，还不如相信《一千零一夜》里的“阿拉丁神灯”的故事。如果你要CHAT AI给你制定一个赚一百万的商业计划，那对这个发财计划，首先你相信么？其次，你能完全照着执行么？最后，你完全执行下来，你没赚到钱、反而亏了，你又能怎么样？所以赚钱这事，靠的还是自己的判断、自己的本事，别指望有人能替你挣钱。而CHAT AI就是一个新的有效率的辅助工具，有时候还不一定靠谱。

就我试用这一段时间，我觉得CHAT AI在学习知识方面能给我们提供独特的价值。通过你的提问，CHAT AI能体现你当前的学识水平。但是这不止是提问的水平这么简单，首先我们要有一个学习的愿望，好比如我们是一个运动员，原来跳高只能摸到篮板的边边，经过CHAT AI这个教练的不断培训，我们最终能摸到甚至抓住篮框了，CHAT AI这个教练固然功不可没，但是我们花费时间和精力，忍受孤独和痛苦的训练才是最重要的，而这如果没有一个学习的愿望是很难坚持下来的。

还有，光有提问，没有自己的思考也是不行的。随着知识水平的深入，CHAT AI出错(出现幻觉)的概率越来越大。再有，CHAT AI的“思维模式”与我们人类是不同的。有时候它们选择的内容和表述的侧重点会不一样，这未必适合我们人类学习，也未必适用于我们想要进入的专业领域。所以与人交流，看人写的书，交叉验证是十分必要的。

此外，与CHAT AI的交互输出，有信息量大的特点，无论对错，都给你无比自信地输出，量大管饱。我们要一边学习一边判断对错，对脑力的负担是不小的。所以与其问：“请你用最新的天文研究成果给我讲解广义相对论”，然后得到一个看不懂的答案，还不如问：“我现在只有初中物理水平，请你给出一个学习路径和学习计划，让我在5年内看懂广义相对论”，然后在5年中让它一步一步地给你上课，这还是可以实现的。

所以问题的关键还是在于自己想学肯学，不断学以致用交叉验证，而不是去听那些想割韭菜的人瞎忽悠。唉，在资本的指挥下，一些顶级的学校的高级学者不管五音不全也加入了大合唱，各种谬论频出：“AI已经达到了博士研究生的智力水平，具备强大的计算和学习能力。学科和专业将融合，不再存在明显的文科理科区分，一个文科生只要会向AI提问，就能进行编程。”把普通人唬得一愣一愣的。我很怀疑这些博士教授们有没有在自己专长的地方和CHAT AI有深度交流，他们会不会编程，会不会判别错误。甚至，他们能不能独立思考，能不能提出有价值的想法，这都是值得怀疑的。

现在CHAT AI的发展可以用侵略如火，势不可挡来形容。以后可能会影响我们人类社会的方方面面。但是，它们现在首先影响的是对自身应用的颠覆性地发展。CHAT AI也才火爆半年，在这半年里，有一个新兴的行业，提示词工程(Prompt Engineering)，快速地兴起又快速地衰落。

如何向CHAT AI提问以得到高质量的回答，是一个值得研究的话题，于是提示词工程很快就出现，也有些新潮公司开始设立岗位招这样的人。接着，用前端CHAT AI从人工提问生成高质量提示词给后端CHAT AI使用的研究也出现了。于是人工岗位刚刚兴起就没有了。但是照这样发展下去，就会出现层层套娃的现象，终究不是一个好主意。于是，将人脑与CHAT AI的思维模式相结合以高效搜索答案的研究也出现了，就是这篇思维树论文：

[Tree of Thoughts: Deliberate Problem Solving with Large Language Models](https://arxiv.org/pdf/2305.10601.pdf)

照这个思路发展下去，蒙特卡罗剪枝算法又会重现江湖，终究还是逃不过层层套娃的命运。

但是，还有没有更好的方法？也许发挥主观能动性是有可能的：

[OpenAI员工与友商玩起提示词决斗！](https://baijiahao.baidu.com/s?id=1767747263533478542)

---x8---8x---

然后为降低成本，由高端CHAT AI生成工具给低端CHAT AI使用，以在特定问题上得到高质量低成本的解决方案，这方面的研究也出现了：

[Large Language Models as Tool Makers](https://arxiv.org/pdf/2305.17126.pdf)

---x8---8x---

CHAT AI虽然在参与全流程的软件开发方面能力不足，但是在有复杂约束条件下搜索全局优化解方面有独特优势，于是在搜索空间复杂的情况下，从非正式规范(如自然语言、部分代码、输入-输出示例或伪代码)中生成程序，这方面的研究也出现了：

[Think Outside the Code: Brainstorming Boosts Large Language Models in Code Generation](https://arxiv.org/abs/2305.10679)

---x8---8x---

如今这些研究此起彼伏，如火如荼，方兴未艾。正所谓：浪花淘尽英雄。青山依旧在，几度夕阳红。

这个行业如火如荼，确实三天不学习赶不上刘少奇。

Orca这个论文https://arxiv.org/pdf/2306.02707.pdf很惊艳，不过目前也没开源，吃瓜群众的观感是不太信任。 13B可以干的接近GPT水平。当然现在的共识是开源模型与GPT的差距还是很明显的 https://arxiv.org/abs/2305.15717 当然主要差距还是民间算力瓶颈，资本出手的话大模型水平做上去还是很容易的，比如bloomberger花了一百多万刀自己算的那个金融专用bloomberggpt就是用的BLOOM欧洲开源科研大模型做的，也就是到云里租上几十个A100算上几天的事，收集整理数据反倒要花不少力气，这些数据一般都是藏着掖着。

一个最近的好消息是国内的上海AI Laboratory，SenseTime做的一个叫InternLM的大模型，104B，测试很接近GBT4的水平了，应该比百度华为那些都强的多，毕竟经历了正规测试标准，而且多语种，推理能力看实例很强，当然不能用敏感词去测，alignment上的能力应该实际上超越了GPT4 😁