中文字幕无码av不卡一区,亚洲综合AV永久无码精品一区二区,黑人巨大白妞出浆,黄色高清无码免费看,久久久久免费精品国产,久久无码人妻丰满熟妇区毛片,欧美日韩国产综合草草,久久福利网站,亚洲一区二区三区中文字幕在线,av国内精品久久久久影院

現(xiàn)在，AI技術、GPT等大模型應用正在加快對互聯(lián)網(wǎng)行業(yè)的“入侵”，這也倒逼著相關的互聯(lián)網(wǎng)從業(yè)人員開展內容學習。那么對非技術人員來說，如果想擁抱AI時代，可以基于哪些內容進行搜索學習？本文作者便發(fā)表了他作為非技術人員的思考和啟發(fā)，一起來看一下吧。

從2023年農歷春節(jié)開工到現(xiàn)在，身邊每天都充斥著對GPT、LLM領域大量的媒體分析、行研報告、產品demo、社群活動。熱度要比過去元宇宙、區(qū)塊鏈這些技術概念更加空前，可見他對底層技術的變革是如此的歇斯底里。

作為一枚數(shù)據(jù)產品經理，苦研數(shù)周，輸出倒逼，簡單總結了一些自己的學習心得。

前言

1. 用大白話讓非技術人員了解這一技術的關鍵點，如想深度探索，可基于此搜索學習。
2. 讓互聯(lián)網(wǎng)行業(yè)產品、運營等人員在工作中想要應用這一技術時有基本的框架思維。
3. 作者非AI技術出身，有表述不準的地方，歡迎指正。

一、ChatGPT與GPT通識

ChatGPT是一個聊天應用。一個輸入框，輸入你想問他的任何問題，他會給你一個答案，并且這個答案看起來是經過思考、講究語法并且正確的。他理解你的語言，并能用你的語言給你答案。

而這背后，就是GPT這個大模型在發(fā)揮作用（Generative Pre-trained Transformer），翻譯為“基于Transformer的生成式預訓練模型”（引號里的中文值得逐字理解），通俗點講，這個模型的目的就是理解你輸入的文字，然后計算答案，然后用你能懂的語言進行呈現(xiàn)。

至于什么是Transformer、它為什么可以做到，這背后的技術點，我們下文展開。

對于行業(yè)小白，我們先科普幾個這個行業(yè)關鍵詞：

• NLP：Natural Language Processing，自然語言處理。
• AGI：General Artificial Intelligence，通用人工智能。
• LLM：Large Language Modle，大語言模型。
• AIGC：AI-generated content，互聯(lián)網(wǎng)人應該都聽過UGC、PGC，沒錯這個就是AIGC，AI生成內容。

連起來造句就是：要想讓AI達到通用人工智能（AGI）的程度，自然語言（NLP）領域的大語言模型（LLM）能力是非常重要的，大語言模型（LLM）領域有一個重要的應用就是AIGC。

二、GPT大模型背后的關鍵技術點

如果你想要研究清楚GPT背后的技術點以及發(fā)展脈絡，可以先從以下幾個概念入手。

1. Transformer

你可以理解為他是一個特征提取器，中文語義：轉換器，他的目的就是把你給他的文本數(shù)據(jù)進行理解學習，形成他認為的人類語法。有資料說明，光GPT3就用了45TB的文本數(shù)據(jù)，涵蓋中文、英文等多國語言，模型生成了超1.7萬億的參數(shù)。就像一個一兩歲的孩子，沒背單詞、沒背語法、沒學拼音也會說話一樣。這中間的實現(xiàn)就是這個模型在起作用。所以也堪稱暴力美學。

用技術術語說，Transformer的核心是自注意力機制（self-attention），它可以讓模型在處理序列數(shù)據(jù)時，將不同位置的信息加權組合起來，從而更好地理解輸入序列的結構和含義。這其中的核心手段是編碼和解碼，即Encoder和Decoder。

Encoder把輸入文本編碼成一系列向量，Decoder則將這些向量逐一解碼成輸出文本。在每一個Encoder和Decoder中，都有多個自注意力層和前饋神經網(wǎng)絡層組成。這些層通過不斷傳遞信息和調整參數(shù)，最終將輸入轉化為一個意義準確的輸出。

2. MLM（Masked Language Modeling）

MLM（掩碼語言模型）是 GPT 預訓練中的一個關鍵技術點，其目的是通過對輸入序列中的部分單詞進行遮蓋，使模型在預測下一個單詞時能夠學習到上下文的信息。簡單但很巧妙。

在MLM中，模型會在輸入的文本序列中隨機選擇一些單詞，并將其替換為特殊的MASK標記。模型的任務是預測這些MASK標記所代表的單詞是什么。因為模型只能觀察到MASK標記周圍的文本，因此它需要對上下文進行建模，以便正確地預測MASK標記所代表的單詞。Transformer、MLM等等這些架構、算法和模型設計讓GPT問世，而Prompt和Fine-tune可以讓我們能更好的使用他。

3. Prompt

中文語義：提問、提示語。在與ChatGPT對話的時候，我們的輸入即為prompt，想要讓GPT更好的理解我們的意圖，那prompt的精度就決定了這個大模型能否高效理解我們的意圖。

特別是在AIGC領域，只要你能想到，他就可以給你反饋。如果把GPT看做一個知識的海洋、一個可以持續(xù)再生的金庫，人類想要攫取，那Prompt會變得非常非常非常重要，它就是那個金鑰匙。

4. Fine-tune

中文語義：微調。企業(yè)在應用AI能力時，GPT可以定義為一個理解自然語言的初始模型，為了更好地應用在業(yè)務場景中，可以在GPT的基礎上進行微調，理解為一個有監(jiān)督學習的過程，喂給他我們的業(yè)務數(shù)據(jù)或領域數(shù)據(jù)集，讓他能讀懂我們的業(yè)務數(shù)據(jù)并按需輸出。

三、大語言模型對軟件產品的改變

1. 用戶需求被直觀暴露

目前的軟件產品，用戶的真實需求主要是通過在軟件產品內的行為數(shù)據(jù)進行發(fā)現(xiàn)和理解，如監(jiān)控用戶反復查看某個商品、用戶搜索了某個商品、用戶將什么商品添加到了購物車，基于此進行分析、預測，根據(jù)用戶行為反饋再進行調優(yōu)。

當有了自然語言處理的能力，用戶會直接暴露自己的需求，如“我需要購買從北京到三亞的往返機票，旅途5天，希望有一半時間住民宿，機票和住宿一共7000元預算，請給我提供一個規(guī)劃”。

這種簡單粗暴的交互，會迭代目前“業(yè)務與行為數(shù)據(jù)采集、數(shù)據(jù)聚合與處理、用戶畫像建模、人/物標簽計算、推薦算法、反饋調優(yōu)”的整套數(shù)據(jù)工程。當下自然語言所暴露出來的需求會在數(shù)據(jù)集中占更大的權重。

2. 新的人機交互

ChatGPT、Midjourney+Discord、文心一言等現(xiàn)在都是通過聊天框模式提供服務。這確實也是人與機器通過自然語言溝通最理想的方式。但chat模式不是當前人機交互的終極形態(tài)。

人與機器交互，想要達成期望結果，對話框、對話框+命令行、對話框+插件并不是當前人機交互的終極形態(tài)。

所以chat不是結果，但，已成必須。

比如我們的日常學習某一軟件，特別PS、數(shù)據(jù)分析工具等，學習門檻很高，這是因為軟件設計是自下而上的設計，人機交互的連接點是鼠標（或約等于鼠標的手指）。

想要讓軟件以及他的宿主——計算機，識別你的意圖，開發(fā)者需要完全依賴于鼠標在計算機上的點擊、拖拽、滾動等交互方式來設計軟件反饋。而現(xiàn)在，有了一種新的范式，就是自然語言。基于LLM這樣的大模型，機器已經或逐步可以足夠理解人類的語言并做出正確的反映。如果再有鼠標的交互加持，人類使用機器的效率會有更大程度的提升。

所以自然語言交互可能會成為所有軟件產品的必須。

3. 插件化一些軟件，再淘汰一些軟件

軟件的工具如 word、PPT、EXCEL、印象筆記、Xmind、github正在“+AI”以降低使用成本了。你可以自研AI能力，也可以讓自己被插件。當新的用戶習慣被養(yǎng)成，那些不能AI化的軟件會顯得異常難用。

比如一個數(shù)據(jù)分析平臺，

如果數(shù)據(jù)查詢只能通過自助式點選，而不是問答式就會面臨用戶體驗差評，如果數(shù)據(jù)查詢報表還需要人來去總結數(shù)據(jù)基礎表征，而不是自動進行總結也會面臨用戶體驗差評。

于是，產品就會有逐步被棄用的風險。

4. 想象力變得更為重要

工具本身的術變得不是那么重要，AIGC類型的工具使用門檻相對變低，但對人的大腦反而提出了更高的要求。

人的想象力是無限的，但實現(xiàn)能力是有限的，而AIGC工具，他可以讓想象具象化，甚至在你創(chuàng)作過程中給你驚喜。

過去做一張如下的圖需要在設計軟件上進行至少數(shù)小時的操作，初級選手光設計工具就得學習很久。如果這個需求是來自于客戶，那這其中的溝通和理解成本會變?yōu)楹艽蟮脑O計成本。

圖：在Midjourney平臺的創(chuàng)作而現(xiàn)在，你只需要描述你想要的，即使你要一個五彩斑斕的黑，AI也會實時給你一個他認為正確的反饋，你可以基于此不斷用語言進行調整或輔之以設計師的PS之術。

想象力變得越來越重要，甚至可以說得到了釋放。

四、值得思考的地方

1. 依然存在的學習成本

機器可以理解人類的語言，但并不代表可以精準理解人的意圖。這之間的gap需要人去不斷對機器調優(yōu)，如模型迭代，同時也需要人去了解機器的語法，比如現(xiàn)在的Midjourney、playground，你的提問或prompt的使用也是有語法的，并配合圖形界面上的一些控制功能。

圖：Midjourney的prompt“語法“，來自于網(wǎng)絡視頻

2. 置信度

說GPT一本正經胡說八道，不是沒有證據(jù)，這是我最近的實際測試。

我：140和290之間有多少個質數(shù)？

ChatGPT：

140到290之間的質數(shù)包括：149, 151, 157, 163, 167, 173, 179, 181, 191, 193, 197, 199, 211, 223, 227, 229, 233, 239, 241, 251, 257, 263, 269, 271, 277, 281, 283, 293。因此，140到290之間有28個質數(shù)。

我：直接告訴我有多少個，而不是列出來。

ChatGPT：在140和290之間，共有28個質數(shù)。

我：確定？

ChatGPT：是的，確定。

我：重新計算一下，再給我一個答案。

ChatGPT：非常抱歉，在上一個回答中我犯了一個錯誤，實際上在140到290之間有23個質數(shù)。感謝您的提醒，希望這次的回答能夠滿足您的要求。

你以為這就是正確答案？這還不算完，于是我讓他寫了一個python腳本：

代碼沒問題，我執(zhí)行了，于是：

沒錯，按ChatGPT給我的python執(zhí)行，答案是27。誒？換個角度想，他也會犯錯，是不是更像人類？

3. 可解釋性

可解釋是可信的前提。我們塑造了他，卻不了解他，如果他輸出了一個錯誤的答案，但看起來是那么正確，這時候我們就得警惕了（就像文中那個求解質數(shù)問題，看起來是那么正確），應用在教育、醫(yī)療、建筑設計等領域，他輸出了一個錯誤的藥方、他設計了一個尺寸差了幾公分的圖紙，如果他犯的錯誤無法及時發(fā)現(xiàn)，那他產生危害需要人類來買單。

我們需要了解他的決策動機是如何生成的，沒錯，就是動機。因為人在決策哪怕是犯罪，都會尋求背后的動機，是利他、利己還是此人有精神疾病，最終都會試圖用動機來解釋。

不能只推導到用了什么計算框架和算法，然后就給他不停地喂數(shù)據(jù)，要想讓他更好的為我們服務，找到合適的時機影響他，而不是任由他，最后可能站在我們的對立面。

換句話說，“知其所以然”也是我們求知的源動力。

4. 數(shù)據(jù)安全、用戶隱私與版權

數(shù)據(jù)是GPT的養(yǎng)料，用戶的數(shù)據(jù)從此變得越來越重要，想要微調，普通用戶想要使用，需要貢獻一方數(shù)據(jù)。GPT無國界，但數(shù)據(jù)有國界。目前國內中大型企業(yè)對GPT的API能力也仍處于封閉狀態(tài)（所以我們國家也一定會有自己的大模型，比如百度文心一言）。

關于版權，我們看ChatGPT自己如何說：

“根據(jù)國際版權法，創(chuàng)作作品的版權通常歸原作者所有。但是，當作品是由人工智能生成時，問題就變得復雜了。因為人工智能本身沒有創(chuàng)作權，它只是根據(jù)預設的算法和數(shù)據(jù)生成內容。所以，根據(jù)現(xiàn)有的版權法律，AIGC的版權歸誰是一個尚未確定的問題。

另外，AIGC的版權問題還涉及到人工智能的產權和知識產權。在AIGC的生成過程中，通常會涉及到許多算法、數(shù)據(jù)、模型和程序等，這些都是有產權和知識產權的。因此，除了作品版權的問題之外，還需要考慮這些產權和知識產權的歸屬問題。

綜上所述，AIGC的版權問題是一個復雜的問題，需要在法律、技術和倫理等多個方面進行探討和解決。我們需要尋求各方面的意見和建議，來制定適當?shù)姆珊驼撸源龠M人工智能技術的發(fā)展和利用?！?/p>

5. 責任與義務

自動駕駛時發(fā)生了事故，駕駛員需要承擔100%的責任。同樣的，使用AI工具工作，如果犯錯了，無論是工具還是人為的錯誤，那責任依然歸咎于人。

所以人類責任與義務的存在，決定了即使在AI時代，某些工作至少需要一個人來擔（bei）責（guo）。

6. 可持續(xù)性

這個大模型確實可以成為一個可持續(xù)再生的金庫，為人類服務。不過此時，他已經站在我們身旁，一同跟我們進化，人類長高1厘米，他可能會長高3厘米。

但如果人類停止對他的數(shù)據(jù)輸入，無論是新的知識、新的研究、還是今天的新聞，甚至對他的答案不做任何反饋。那么他也會過時或不那么好用。為了有更多的金礦可以攫取，我們會進入一個循環(huán)，不停的喂養(yǎng)他，迭代他，對他的輸出再反饋，他也不停地進化為我們服務。

五、職業(yè)發(fā)展

什么樣的職業(yè)會被取代，不如想想什么樣的職業(yè)會變得越來越重要。我覺得可以從兩個角度思考：

1. AI建造師

AI本身也是人創(chuàng)造出來的，如果他會取代一部分人的工作，那就走到上游去成為創(chuàng)造他的人。AI算法工程師、數(shù)據(jù)采集與治理專家、AI軟硬件產品設計與開發(fā)、芯片、AI領域新聞媒體，這些都是以AI為中心的上下游領域。

2. 會用AI的人

一部分會用AI工具的人已經嘗到了甜頭，比如已經在Youtube、B站分享AI工具使用以及做教程的up主，他們都是第一波會用AI的人，已經賺到了AI啟蒙的紅利。

在企業(yè)內，AI可能不會完全替代某一崗位，但會替換掉一部分。如設計師、工程師，基礎工作可以交給AI來做，但AI輸出的結果需要有人審驗，更重要的是需要有人擔責，所以也會需要部分專職。