ChatGPT从出世到如今已经快半年了，带来的革新消息有很多，然而也有很多的人在利用它提升自己的工作效率。作者对ChatGPT做了深入的研究，并从三个方面分享自己关于ChatGPT的思考和理解，一起来看看吧。
从ChatGPT出世到现在快半年了，这半年它给我们带来许多革新性的消息，大量的资本向它靠拢，人们也有保不住饭碗的危机感。作为数据工作者，ChatGPT对我来说不是那么陌生。
近几个月也体验了ChatGPT,它带给我的感受确实很惊艳，提出各种各样的问题，都能回答的不错。获得知识变得比原来更容易了。网络上有很多关于ChatGPT的新闻，大多数是关于AI革命，人工智能突破了，要夺走我们饭碗之类的。于是也开始对GPT做了一些深入了解，其中有很多问题都是GPT给我的答案，今天想在这里把我对GPT的理解总结一下。
ChatGPT是个大语言模型，那为啥叫大语言模型？我特意问了行业内的专业人士，大模型的要素是“超多的数据量、超多的计算集群、超多的模型参数“。
这几天工作中和同事聊天，他说他回家的路上下载了一个英文词典大全，有2mb的大小。GPT3训练使用了45tb的数据，45tb基本上也都是文本数据，所以训练gtp3的数据量级是一本字典的23,517,744,000(百亿）倍。我们不经感叹，一个英文字典的实体书拿在手上沉甸甸的，里面的内容可能我们一生也读不完整，但它仅仅只有2mb的大小。
gpt的回答：
在参数数量和训练资源上，GPT3有1750亿个参数，用了数千个高端的GPU进行了训练，是个典型的大模型。同事们说其实GPT就是“大力出奇迹”，因为数据、参数量级上来了，在语言的理解和表达上就越来越准确。
我们从出生那一刻开始就在持续的接收数据开始训练了。想想看，你听到的声音、触摸到物体的感受、闻到的气味、看到的图像都会转化成信号，传输入到你的大脑中，并且默默地接受慢慢的训练，且一直持续。在训练的过程中，好的不好的感受你都会体会到，别人的反馈，会让你知道什么是对的，什么是错的。这个过程对于人来说，会持续一生，活（训练）到老学到老嘛。
语言的训练模型就是这个原理，很多人比喻它是鹦鹉学舌的过程。训练它的数据就是在互联网上产生的数据。这也是它远远远强于人类的地方，它汇集了整体人类的“智慧”。
网上关于人工智能时代来临了，要取代人类了，灭杀人类的新闻吹的天花乱坠，一时间让很多人信以为真。我通过实际体验ChatGPT的功能，是真的让人感觉在和一个人聊天。
在早些年，我们在网上客服上和机器人沟通就是定式的，感觉很刻板。例如早期的微软小冰，对话过程是没有这么柔性的衔接的。一是不能联系上下文，二是回答的问题很刻板，让你很明显感觉它是机器。但ChatGPT的产品体验已经非常接近人了，让机器能够和人顺畅的通过自然语言对话，至少这种感觉非常真实，这种突破确实让人觉着机器有了生命，于是它带给人们的恐惧感就扑面而来，这本身就是人们的普遍心理反应。
ChatGPT本质上就是个大力出奇迹的计算效果，它根据你的输入，来算出回答概率最高的答案。它没有意识，只有你和它说话，它才会回答你，它不会主动和你沟通。
ChatGPT不是技术革命，它的技术很早就出现了，它在这个时间出现，是必然的，因为现在满足了训练模型的大数据量和大计算量基础。对产品来说，想象的空间还是挺大的。
我认为，ChatGPT的真正突破在于人机交互上的革新。刚体验ChatGPT的时候，我觉着它很神奇，它什么都会，还能帮你做很多事，写文章、回答一些天马行空的问题，还能写代码，搭建个小网页，给我一种无所不能的感觉。它具备了理解你的意思，并帮助你做事情的两个最基本能力。
那为什么说ChatGPT的突破在人机交互上？作为一个老产品人，人机交互是产品经理工作中非常重要的一环，我们会花费很多时间来研究人机交互，设计页面结构、功能、画原型、想尽办法提高用户产品使用体验。
说白了就是怎么能够让自己的产品好用，怎么让用户不用花费太多的学习成本快速的上手自己的产品。简单的说人机交互就是功能按钮、页面的布局摆放，往深了说，它要研究人的心理，要通过数据进行交互统计，对用户体验度量，要了解用户的心智，好的产品体验在人机交互上一定做的很好。
但是以往的人机交互，我们努力的方向是让人来适应机器。
我们通过良好的设计，把用户限定在一个条条框框里（交互框架），核心目的就是让机器能够在这个框架中充分理解人的“动作’，因为我们无法通过眼神、肢体动作、语言来让机器直接理解我们意图，我们必须把产品的实际功能摆放出来，让用户理解产品功能，逐步摸索用法。这个过程实际上是人与机器在交互上的折中方案，人不能无所顾忌的让机器随心所欲干什么事情。
好的交互体验无需说明书，更贴近人的本性。举个简单的例子，苹果手机的屏幕使用方式（交互）（2007年乔布斯发布的iphone一代机），从二岁的孩子到80岁的老人，不用教，看别人用两次就会了。因为这个设计符合人的一般使用习惯。现在的应用程序，拿ios应用来讲，产品设计基本都使用苹果给出的基本交互框架，或者基于这个框架衍生发展出来的。例如底层页、瀑布流、九宫格、tab页的设计等等。
所有的业务服务都会通过拆解业务过程，选择合理的交互框架进行功能的组装，最后形成一个完整的交互逻辑，就是用户看到的产品样子。复杂的可以看看微信、支付宝这些超级应用，都离不开苹果1代发布的交互框架。
人与人的沟通是情景式的，是随机的，每个人的表达方式又不同，通过语言让机器理解人表达的意思并执行命令想想就很难。试想机器要和刚会说话的孩子、80岁的老人、全世界200多个国家的人，得诺贝尔奖的科学家、老师、司机、学生、等等不同的角色来沟通是件多么不容易的事，全球80亿人有80亿种表达方式，从机器的角度来看，理解这80亿人的表达就是一个无限集，是无边界的。
ChatGPT的出现，打碎了传统的交互边界，让人机交互有了更多的可能。
设想未来，我们可以有自己的私人gpt，他可以帮你整理历史的聊天记录，例如整理我们2018年去云南的的照片，然后生成一篇图文游记；周末我想吃火锅，结合我的口味，选择出我要在美团买菜上的货物；我想在周末带孩子去图书馆，帮我预约周日下午的时间；新闻应用方面，基于我过去的喜好，总结今天的热点新闻，告诉我财经方面都发生了什么大事情等等。这是个人生活领域。但这个过程不是一蹴而就的，随着时间的推移，会有一个逐步的演化的过程。
在我所在的数据科学领域，我一直努力期待看到的一个场景就是说出问题后，直接给出结论。例如请帮我分析一下，华中大区昨天销量暴增的原因，然后直接出结果：“运营补贴起效果，又赶上地方补贴政策和节假日多重效果导致销量暴增”。又如电影钢铁侠中的助手，帮我分析一下战甲强度，帮我分析一下反应堆的持续性…
结合现有数据进行推理分析，简化掉所有数据分析过程，分析数据，直接出给结论是我做数据产品的一个梦想。我们现在要花费7成左右的时间去处理数据，大量的时间用在了数据采集、处理与准备的过程。
ChatGPT理解我们的意图，然后执行命令，简化了我们搜循、准备、以及各种场景的“过程”，在产品的交互上，我们可以减少很多过程式的设计。
那是不是传统的交互框架就完全被替代消失了？我认为不会，产品设计讲用户场景，即便AI帮你把云南的照片整理出来形成故事游记，选择出你周末要吃火锅的货物，也是需要展现出来的，展现出来的形式，还是离不开传统交互框架，并且应用程序永远也绝对不会只是动动嘴皮子就完成所有任务的。所以传统的交互加上AI的加持是未来的发展方向。
目前已经眼睛可见的就是工具类产品，例如微软的office套件、adobe全家桶生这类生产力工具方面的变化。例如我现在在大数据领域研究的埋点AI化、数据质量AI化，会议软件的自动会议纪要，邮件中的自动周报等，都会先从效能工具开始，具有直观的提效能力，消费者也有绝对的愿意为此埋单。
在未来几年，语言模型渗透在应用交互模型里是个逐步的过程。但可能需要出现另一个现象级的应用才能真正带起这个浪潮。现在ChatGPT可以说是最原始的应用，目前国民级应用还基本上看不到ChatGPT在应用体系内的发挥，一是思想上还没有突破，还是原有思维模型和交互定式，二是完全独立做自己的ChatGPT成本太高了，导致ROI（投资回报率）不足。随着技术提升和单位成本的下降，语言模型的渗透会越来越多。
ChatGPT让以前不敢想，没有精力去做、学习成本高的事情，变得敢于尝试了。
最近有两个尝试。
1）内容创作的尝试
我时常在听到一些喜欢的音乐时有作画的想法，想把此刻的内心感受用画表达出来。于是我基于midjourney的能力输入我想要的内容让它帮我生成图画。大大的减少了我去学习画画的过程。
2）机器学习、代码生成
作为产品经理我还是懂一些技术的，但是让我完全深入代码，从头写到尾还是不行的。有了chatgpt，我就有了想去通过机器学习的方式解决工作上的内容，自己做一些简单的研发工作，例如我工作的主要方向解决公司数据质量问题，想通走机器学习解决数据质量问题的路，不依靠研发，想自己先摸索。通过输入自己的想法帮我生成python代码，来做一些基本的验证，这样我不用深入学习python，也可以搞定。
但事实证明，是我想多了。
就拿第一个例子来说，确实在一些场景下，类midjourney的ai生成的图片是可以直接拿来用的，比如我在公司宣传产品的一些小宣传册封面、产品新功能的海报，都可以直接无修改就用。还有就是如同下图这种实物的外包装设计，通过AI作画，直接生成，简单易用。
但是如果你想要深入一些，例如结合故事来画一幅非常贴切故事情节的画作或者音乐，还是需要你自己来介入完成。生成的图画只能当作是个“毛坯房”，精装修还需要靠自己，即便你再会提问，实际交付物也和你理想中（脑海里）的存在差距。也就是说，你电脑里如果没有PS,AI等绘画工具，完全依靠midjourney来完成作画，是很难满足绝大部分需求的。
第二个例子也是一样，我想通过机器学习或者算法的方式解决数据质量的问题，ChatGPT的的确确可以帮我写代码，写的还非常不错，但是解决数据质量的整体思路，大框架是什么，流程是什么，如何去验证效果，如何产品化，如何很好的运用在业务中，这些不是ChatGPT能够帮助你的，必须自己有思路。如果你不会python、算法也是不行的，你必须基于你现有的知识完成任务。换句话说，对于不懂数据领域的人，你让他通过ChatGPT来解决数据质量问题，是不可能的。它只能基于现有网络上留存的数据和方法，告诉你大致的方向，但不能结合你的实际情况来帮助你完整的完成这个任务。
所以，ChatGPT是站在你肩膀上的效能利器。他能按照你意思帮你生成一个“毛坯”状的原料，不用再花大量的精力去处理初始内容（数据处理、素材准备），然后你要做的事情就是精雕细琢。
对于取代你工作的说法，我想上面的例子已经说明了，如果你拥有思路，拥有设计与创作能力，并且就处在创作、策划、产品技术架构的岗位上，完全不必担心。
其实在工业领域上，在100多年前就已经发生变革了，挖掘机、电梯、吊车的出现，让摩天大楼成为可能。生产线的出现，让社会的生产力爆炸，这其实就是工业时代的人工智能。它们的取代了传统手工制作方式，让产品标准化，生产出质量过硬的产品，最关键的是效率大幅度提升，福特T型车也因生产线的出现让成本降低，大众受益。
ChatGPT会引发生产力的爆炸，引发内容生产的爆炸，有思路有想法有创意的人，制作内容变得更容易。跨界、复合性的工作也变的更简单，减少了你复合学科的学习成本和时间。它不是夺走大家的工作，或者说它夺走的是生产“毛坯”的那部分人的工作，真正的创造者会因为ChatGPT的出现而让生产力提高，让更多的人敢想之前不敢想的，敢于跨领域去实现，复合性工作变得越来越容易，让更多的不可能成为现实。
我们自己训练自己的ChatGPT的可行性？这个东西我觉着具有先发优势。GPT从1代到4代，经历了5年时间，从2018年1代开始到2023年初的GPT4，我想不存在弯道超车的，别人走过的路我们要想达到同样的效果，也一定要走的，可能走的比别人还长。单拿训练数据来看，1代用了15G数据，到3代的45TB数据，光数据的处理所花费的时间就要用年来计算。所以像文心一言如果达到ChatGPT同样的效果，肯定也要经历同样的历程。另一个就是太费钱了，一个英伟达A100要将近10万块钱，训练GPT要几千块上万块GPU，还不算电费，机房等费用，烧钱的同时，还没有经济回流，这个账摆在各公司面前还好，真的要等上几年哪怕1年才出效果，我想在国内的环境下，应该没有几家公司能有这样的耐心。
我上学时候对于每天做题写卷子这种事就提不起来兴趣，尤其是背诵类的任务，例如古文、历史、政治这种，我是直接放弃的。那时就觉着，为什么考题是考朱元璋是哪年生人，明朝是哪年灭亡的，郑和去了哪些国家，机械的背下来着实让人痛苦，过了几年我不还是会忘了吗？现在随手上网就能查。我夫人的副职是老师，她跟我说，她的很多学生，背诵能力很强，以至于依赖背诵。学习数学、物理都是背公式，背概念，根本不理解其中的意思。这是一个很可怕的现象，孩子们没有学习的欲望，缺少求知欲。语文英语历史方可以背诵解决，数理化也是这样，分数低先不说，危险的是磨灭了孩子对世界的科学理解和逻辑思维的培养。
ChatGPT的鹦鹉学舌能力，我认为在未来会对现有教学模式有更大的冲击。你再怎么背，也赶不上机器，就如同英文字典那个例子，仅仅只有2MB的内容，我们都不可能完全记住。当然不是说语文、历史不用学了，而是要减少死记硬背、完成任务式的教育方式，多以解决问题，开放式讨论的方式学习，学习科学的历史演变，培养推导、演绎的能力，利用ChatGPT的海量知识与人机交互的提升，让它融入到教育、科学探索的过程，帮助我们提升解决问题的能力。考试的问题不在是清朝是哪一年灭亡的，而是问问在1912年，都有哪些因素导致了清朝灭亡，为什么会出现这些因素？讲讲自己的思考和论证。
人和ChatGPT的最大区别在于，人具备总结、分析、积攒知识的能力，能够掌握“方法”，而ChatGPT终究是冷冰冰的算法与模型，应该让我们的方法中，融入ChatGPT的能力，当作自己的一部分。
不知道ChatGPT是不是这个时代的搅局者，它能否打破我们传统的平衡，是否能够真正革新我们和机器的交互方式。
因为理解我们，完成指令两个必备要素它已经基本做到了。
我们应该拥抱AI提高自己、改变思维方式，让它融入到我们的工作和生活中，让自己身边多一个机器“朋友”吧。
作者：勍爷小箴，微信公众账号：数据产品设计 datadesign
本文由 @勍爷小箴 原创发布于人人都是产品经理。未经许可，禁止转载。
题图来自Unsplash，基于CC0协议
该文观点仅代表作者本人，人人都是产品经理平台仅提供信息存储空间服务。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。