ChatGPT从字面上可以分解成两个词Chat+GPT。Chat是聊天的意思，GPT是GenerativePre-trainedTransformer的缩写，生成式预训练语言模型，使用Transformer架构来处理自然语言处理（NLP）任务。说人话就是能够通过理解和学习人类的语言来进行对话，使其能够生成与输入语句相匹配的自然语言响应。它使用了海量的文本数据进行预训练，涵盖了互联网上的网页、书籍、论文等丰富资源，从而掌握了丰富的语法、语义、常识和上下文理解能力。可以真正像人类一样来聊天交流，能完成撰写邮件、视频脚本、文案、翻译、代码，写论文等任务。
总结一下就是它有大量的训练语料，超大规模的训练参数（上千亿），能自己生成内容（注意这里不是检索，所以你会发现每次向GPT提问同样的问题，得到的答案都是不一样的）。就算一个它不知道的东西，它都可以根据已掌握的数据，生成一个答案，虽然有时候可能在胡说八道，从这个角度，确实已经很像人类了。
ChatGPT具备许多令人兴奋的特性，使得它成为当今领域内备受瞩目的创新。主要的特点有：
ChatGPT展现了强大的上下文理解能力，可以深入理解对话的背景，并提供准确的回答。这使得对话更加连贯，用户可以轻松进行复杂的交流，无需重复提供背景信息。
ChatGPT擅长回答各种问题，无论是实际知识、推理还是其他领域的问题，都能给出相应的回答并提供有用的解决方案。
ChatGPT具备学习能力，能够从大量数据中不断吸收新知识，并将其应用于对话和问题的回答中。这使得ChatGPT能够跟上时代的发展，逐渐变得更加智能和准确。
ChatGPT可以使用多种语言进行对话，包括中文、英文、西班牙语、法语和日语等。它能够流利地进行交流，满足全球用户的需求。
ChatGPT具备处理复杂问题的能力，并以简单易懂的语言解释和回答。即使是看似复杂或专业的问题，ChatGPT也能够以用户友好的方式解释，使用户更容易理解。
由于其出色的性能和灵活性，ChatGPT适用于各种场景。无论是智能家居、智能客服还是其他领域，ChatGPT都能够帮助人们解决问题，并提供高质量的交互体验。
遇事不决，先问GPT。我们先问一下ChatGPT，Prompt是什么？
我们来简单概括一下ChatGPT的回答，Prompt就是提示工程（PromptEngineering）是指在使用自然语言处理（NLP）模型（例如GPT-4）时，设计和优化输入文本（即提示）的过程。这一过程旨在更有效地引导模型生成所需的输出结果。提示工程的关键在于提高模型的表现，使其更准确、有趣或符合特定上下文要求。
好了，那如何才能写出清晰的Prompt呢？让他能理解我们的问题，给出高质量的答案。就像与人沟通其实也是有很多技巧学问的，同样的，其实跟ChatGPT沟通也是有一些规律、模版是可以遵循的。
相信你掌握了以上6个最佳实践技巧，对ChatGPT的使用已经很熟悉啦~
不过，任何一个技巧、模版都不可能是万能的，很多时候，模版或技巧确实可以帮我们快速的达到及格线的水平，但是如果一直靠这些花里胡哨的东西，你永远也不可能成为一个行业顶尖的人才。很多东西是需要大家下苦功夫，在实战中一点点慢慢摸索出来的。实践才是检验真理的唯一标准。
其实GPT不是OpenAI公司的原创，而是由谷歌公司发明。是不是跟当年操作系统的图形用户界面其实是施乐公司最新发明的，却被乔布斯窃取到并应用到苹果的系统上一样。包括后来的iphone手机，大家也可以搜一下，其实所有的设计都是借鉴了其他公司的产品，但是乔布斯把他们组合并创新成了一件最伟大的艺术品，从而开启了一个全新的移动互联网时代，所以有时候并不一定什么都要原创，站在巨人的肩膀上来微创新，有时候更容易出成果。
上面扯的有点远了，我们回到为什么GPT3.5才算真正的人工智能这个问题上。
2018年OpenAI采用TransformerDecoder结构在大规模语料上训练了GPT1模型，揭开了NLP模型预训练+微调的新范式。2019年，OpenAI提出了GPT2，GPT2拥有和GPT1一样的模型结构，但得益于更多和更高的数据质量以及新引入的多任务学习方式，语言生成能力得到大幅提升。之后由于GPT采用Decoder单向结构天然缺陷是无法感知上下文，Google很快提出了Encoder结构的Bert模型可以感知上下文，效果上也明显有提升，同年Google采用Encoder-Decoder结构，提出了T5模型，从此大规模预训练语言模型朝着三个不同方向发展。
也就是说在GPT3.0之前，谷歌的Bert模型是远超OpenAI的GPT模型的。这里补充一个知识点，GPT3.0之前都是开源的，OpenAI由于一些商业等多方面的考虑，从GPT3.5开始，模型都是闭源的。
直到2020年OpenAI提出了GPT3将GPT模型提升到全新的高度，其训练参数达到了1750亿，训练语料超45TB，自此GPT系列模型的数据飞轮便转动起来，超大模型时代开启，NLP任务走向了预训练+情境学习新路线。由于GPT3可以产生通顺的句子，但是准确性等问题一直存在，于是出现了InstructGPT、ChatGPT等后续优化的工作，通过加入强化学习模式实现了模型可以理解人类指令的含义，会甄别高水准答案，质疑错误问题和拒绝不适当的请求等。
从GPT3.5，GPT突然涌现出了“乌鸦”能力，之前的都可以理解成量变，一种鹦鹉学舌的能力，并没有真正的智能。
可能是大力出奇迹，我感觉跟人脑是一个道理，一个神经元没啥智慧，一百万个、一百亿个可能也没啥智慧，不过增加到一千亿个神经元连接，突然就有智慧了，涌现出了能力。这是一件很玄学的事情，包括现在世界顶级的人工智能专业也无法解释这种现象，我们只能理解成大力出奇迹。
这里拿出一点篇幅来普及一下什么“鹦鹉学舌”的假人工智障，什么是拥有“乌鸦”能力的真人工智能
所谓鹦鹉学舌，就是东施效颦。没有GPT之前，几乎所有的自然语言处理都遵循着这一范式。他没有真的懂你的意思，只是一种模式匹配，比如之前的语音助手，只能识别有限的场景，比如你问他，帮我导航去天安门，他可以给你答案，但如果你让问他火星怎么去，他可能就回答不了你，因为他的数据库里没有这个问题的答案。也就是说，他只能回答在自己的数据库里有对应答案的问题，一旦你的问题超出了他的数据范围，他是没办法给你回复的。无法做到根据现有的数据生成新的数据，但是世界的问题千千万，不可能穷尽所有的可能把所有的问题答案都事先准备好，这也是之前的人工智能大家感觉并不智能的原因，因为他的底层实际上还是在做匹配。我举一个程序员都能理解的例子，比如你要实现一个不同条件得到不同结果的功能，我相信大部分程序员都是这样实现的。
乌鸦通过观察，自主串通了
这三件事情，从而利用红绿灯和汽车，来帮自己达到“安全打开坚果”这一任务结果。
如果类比成机器学习模型，过往“鹦鹉学舌”范式的解法，是要求所有乌鸦可以共享一个大脑，它们有很清晰的优化目标，即“保住性命的前提下打开坚果”。它们的方式是，随机尝试所有事件的组合，并向着最优解的方向不断演化。
最后，再给大家看一张图，让大家了解ChatGPT是如何一步步演化到目前的水平的：
通过上图，大家可以看到：
这里解释几个专用名词：
InstructGPT：
ChatGPT的交互模式，让GPT的能力，更加贴近人类真实交互方式。在in-contextlearning基础之上，进一步降低了prompting的门槛；一定程度解决了GPT-3生成结果与用户期望不一致的非预期输出，大幅降低了有害的、错误或偏差的输出结果，让GPT更符合人类胃口
RLHF
ChatGPT背后的核心技术之一，让模型学习人类的偏好。全称是reinforcementlearningfromhumanfeedback，通过构建人类反馈数据集，训练一个reward模型，模仿人类偏好对结果打分，是GPT-3后时代LLM越来越像人类对话的核心技术
ChatGPT
InstructGPT的亲戚，但一些优化方式也带来了ChatGPT的更泛化和准确能力，再次引爆了AIGC。ChatGPT总体来说和InstructGPT一样是使用RLHF进行训练，但模型是基于GPT3.5，而且数据设置上也不同。ChatGPT是一个输入，模型给出多个输出，然后人给结果排序，让模型可以学习人类的排序策略，即使是一本正经的胡说八道看起来也很合理的样子
AI时代已来，面对每天海量的信息铺面而来，我想说，不要焦虑、不要担心自己会被替代，最好的方式就是保持一颗平常心，主动的拥抱AI，让AI成为你的个人助理，根据自身的情况，先从能马上提高自己工作生活效率的内容学起，躬身入局，日拱一卒，相信不久的将来，你一定会感谢今天的你的坚持！