利用插图的好处,利用ChatGPT炒股,利用长焦距镜头裁切被摄物的局部,利用长方体的面可以画出几种不同的长方形

最近一段时间，以 ChatGPT 为代表的大语言模型在互联网平台上引发了大量用户的讨论，那么如果想将 LLM 大语言模型与智能客服产品进行结合，或者将前者落地于 ToB SaaS 应用软件领域，可以遵循什么样的搭建策略呢？

就聊聊当下热门话题：ChatGPT 在智能客服产品中该如何落地？

关于 ChatGPT 为代表的大语言模型，每个人的朋友圈都被刷爆了，不再水字数。咱们直接来做一道真题：如果在智能客服这样一个 ToB SaaS 应用软件领域，想要落地 LLM 大语言模型，如何实现？

01

首先，先来解决一个值不值得做的问题：智能客服领域，值得用 LLM 大语言模型进行智能化产品改造嘛？

产品的几个典型特征汇总下：

人力密集：

智能客服，是一个高度依赖人工操作的系统，有解放生产力的内在需求。

数据密集：

智能客服产品可沉淀大量过程性数据，如会话信息，通话记录，录音，操作日志。有数据，就有了人工智能应用滋生的沃土。

流程可定义：

这类产品，往往都可以有典型的业务流程抽象：如 IVR 语音交互、外呼任务、工单流转等。

有智能化应用基础：

智能客服是很早迈入 AI 人工智能技术的赛道之一：文本机器人，语音机器人，智能质检的应用已经非常成熟。客户和用户的心智已得到教育。

结论：一个行业，有相对落后的生产工具、有比较标准的生产流程，有大量未充分处理的数据，且对人工智能无抵触，那么肯定是一个值得 LLM 落地生根发芽的沃土。

只不过。这片田地在现阶段 LLM 们眼中看来，还是小了一点而已。

02

如果值得做，那么如何做？

这就是一个见仁见智的问题了，大家的产品架构不同，目标客群不同、业务规模不同、主打产品各异。

我们可以假设，已经有了一套得到验证，稳定运营的成熟产品，不希望引入 LLM 带来现有产品的巨大变化，进而影响客户体验。如何搞？

提倡拥抱变化，嘴上鼓吹 AGI 通用人工智能带来行业巨变，这些都没问题，真要不破不立，付出真金白银的代价来决策，去执行，还是一个很难抉择的命题。

1. 架构设计问题

审视本身产品架构，是否具备 LLM 大语言模型落地基础。

可以理解、由于历史原因，当前主打产品架构陈旧，模块化解耦不完善，性能瓶颈无法解决，但因为跑着很多生产客户，轻易无法改动。这种情况下，再塞入 ChatGPT 到整个架构中，将带来更多沉重压力。

那么第一步先想清楚，是打算好好优化下，还是另辟蹊径，单独做一个外围 LLM 应用。

好比老房子改造，是不是要打算做做基础施工，还是简单刷刷墙、做下软装得了。

历史包袱较重的话，也不妨另起炉灶，聚拢有心气的一支精锐之师冲一下。也算是给原有池塘中投入一只鲶鱼。

2. 工具设计问题

做顶层应用设计之前，我们需要先梳理工具。如 AI 引擎管理、数据建模工具、意图管理管理、标签标注和管理，流程生成工具，业务构建工具等等……

ChatGPT 能力的引入，相较于以前智能客服产品所沉淀的基于自然语言处理、语义理解、意图识别，关键字和正则处理等方式，带来颠覆性的改变。借助其能力涌现，上下文关联，逻辑链提示处理等方式，原有的手把手定义流程，字词句填槽的旧模式，势必得到极大改变。

如果以前构建复杂 AI 应用，需要是半编程化的方式，用 ChatGPT 们来实现，打个比方更像是 RPG 游戏编程工具，以场景搭建、角色扮演，提示格式化、逻辑化，辅以人工反馈监督的模式去进行。

为什么不能是呢。如果我们做的足够好用，是不是也可以直接邀请用户参与到 " 游戏 " 开发中来？

另外，很多工具本身，更可借助 ChatGPT 进行智能化的改造。以更高效和智能的方式来处理数据、生成数据。

如进行自动训练和标注、知识库的自动化扩充、来代替语料手工标注，代替传统问答对的低效人力处理，给出标准问，自动扩展相似问等等。

3. 应用设计问题

最后说说智能客服应用层面的设计，这里是用户可感知的界面和内容。

我们来根据智能客服的一些典型场景，看看 ChatGPT 们的优势能力，可带来哪些富有想象力的改变。

1）增强型对话能力

不可否认，ChatGPT 带来了极其强大的对话能力，我们万分期待，甚至开始脑补其进入智能客服对话中的效果。

但是很遗憾，智能客服产品领域内的对话，是一个非常典型的限定业务领域、任务驱动的对话需求，我们客户肯定不希望访客进来，是寻找一个超高智能、善解人意、能写会画的陪聊机器人。

会话内容必须收敛于企业业务范畴内，服务于客服和营销场景下，解决和处理问题，不要浪费宝贵的资源。

不加控制的直接引入 ChatGPT 到客服领域，那感觉就好比你回家撞见扫地机器人不干活，和隔壁的智能吸尘器聊的你侬我侬，是不是恨不得一棒子打死了事！

所以，构建增强型对话能力，一方面我们借助 ChatGPT 简化了对话流程设计：以前需要设定 N 多个意图，关联无数个上下文才能实现的方式，现在开箱即用，自然语言对话获取、格式化提示完成限定任务、收集访客数据和意向。另外，通过私有化训练和公共文本数据的结合，对访客提供不僵化、更优质的回答体验。

ChatGPT 和传统文本，语音机器人能力的结合，会给智能客服的机器人服务能力带来质的飞跃。

2）智能质检

传统智能质检已经是非常成熟的解决方案，但如果通过 ChatGPT，投入预训练和一定的业务规则定义，可以实现无需复杂设定，更智能的质检结果输出。

我们向模型内投入一定数量的优质录音、文本，然后告知 ChatGPT 都有哪些加分因子、让他自动判别生产数据的质检情况，然后不断通过手工质检的对齐调优，让 ChatGPT 持续不断学习和改进。

3）智能化辅助

同理，对于座席侧智能辅助功能，也是可以通过对优质样本的投喂，正确流程和加分因子的定义，不断的让 ChatGPT 在数据滋养下，实时对座席给出更好的辅助能力。原有的辅助功能框架可以保留，但是内里是一个不断进化，自动学习的 " 业务助理 "

4）内训机器人

基于智能质检和智能辅助的基本能力，针对使用场景是企业内训的机器人，也完全可以基于现有数据样本，更自动化的生成内训 " 教官 "，我们业务管理人员，可以针对岗前培训、业务流程、服务过程设定不同内训主题，一定量标准语料训练后，让内训机器人指导座席进行自我训练，这种对于强调学习能力和管理能力的运营型客户，很有吸引力。

5）智能填单类

智能客服应用中，有大量需要手工输入的表单：客户资料、跟进记录、服务工单，目前市面上 CRM 领域已经出现借助 ChatGPT 进行智能填单的实验性应用。按以往的实现方式，必须有复杂的工程化设计，将会话文本实时匹配，借助词性分析，语义分析和关键字查找等方式，使用表现往往不尽如人意。我们可以期待 LLM 大语言模型的超强能力可以有效提升这类型产品的实用度。

6）从帮助中心到座席助理

全功能的智能客服产品已经是一个非常庞大的产品体系，功能多如牛毛，上手难度很高。

很多产品的设计，需要操作者进行到处跳转去查找、配置、调整。以往的帮助形式，除了简单的页面的功能提示，就是如 wiki 一般厚重的在线帮助页面，对使用者说不上友好，对开发者也有持续更新维护的沉重负担。

而使用智能助理模式的在线帮助，不同角色的人员可以通过对话式的简单体验，来获取使用上的实时协助，甚至一些功能型的配置和要求，聪明的助理也可以准确理解使用者的对话，直接进行配置和改变。

比如：系统管理员唤起智能配置助理：

" 小 C 小 C，帮我查找一个近半个月名字叫做 *** 的客户所有访问和对话记录 "

这个对小 C 的能力来说，就是小 case 了。

" 小 C 小 C，我需要设置一个清明节的 IVR 语音导航，所有清明节时间呼入的电话，都提示这样一句话：***"

这个要求嘛，还是有一定风险，出于谨慎目的，小 C 还需要和你反复确认一些关键配置要素，确认无误才去执行。

7）AIGC 知识库

智能客服产品中，最需要内容生产能力的地方，莫过于知识库。

产品必备的知识库通常分几类：内部知识库、机器人知识库和外部知识库。

① 内部知识库

是提供给座席使用者，会话中实时定位查询使用。企业的业务变化多端，知识库的调整要及时到位。对于内部知识库的整理。一般需要专人进行上传、编辑、整理，用过的都知道这是一个非常耗费工作量的事情。

ChatGPT 的引入，能协助高效智能的归类，自动生成知识库类目、明细。如果增加对外部数据源的引用，知识库还可以自动关联，减少知识库同步的操作。使用者在应用中，可给与知识点反馈，能帮助知识库进行权重自动调节。

② 机器人知识库

文本和语音机器人能够回答访客问题，依赖机器人知识库的有效内容。一旦无法命中，机器人只能回避或者推荐其他知识点。对于未知问题的整理，是需要智能客服使用者大量投入工作量的一个地方。

同样，对于调用量远大于内部知识库的机器人知识库来说，借助用户反馈来对未知问题进行自动整理和关联，能节省很多知识库维护者的工作。我们也可以通过多机器人组合的方式，在一通会话中接力棒一般服务于客户的不同场景，那么被训练好的 ChatGPT 专属机器人，也可以在特定的场合发挥能力，并可以逐步替代一些以往模式僵化的问答型机器人。

③ 外部知识库

如果企业有知识门户的需求，需要整合在智能客服产品中，如果不把这类产品算作一个独立品类的话，基于 ChatGPT 的多模态的 AIGC 能力，可以更方便的将已整理的知识内容转化为输出产物，更方便的生成知识文章、图片、甚至音视频，快速生成一个个性化的知识空间。

充分发挥 ChatGPT 创造性的工作，这里还有很多的想象空间。

④ 数据预测类应用

最后我想到的一个品类，是基于对智能客服数据的预测分析。作为以往智能客服类产品的一个 " 短板 "，建设数据预测类产品可能需要很重的 CDP 数据平台建设，CEM 客户体验管理等方式，如果 ChatGPT 可以更高效精准的进行销售意向，行为，成交概率的预测，对利润中心导向的智能客服产品，将具有很大价值。

4. 商业化前景

以上，完全只是构想，甚至算是空想，想要做出真正落地的应用，我们更应该同步关注这些问题：

投入产出比？

可衡量的客户认可和价值体现？

通用性与行业性？

数据风险和监管安全？

这样的问题继续深入下去，将有很多的扩展，也不是我这一篇短文就能聊清楚。后续我会随着思考和实践，再单独分类整理。

ChatGPT 们的到来，首先让我们震惊，然后是思考，更重要是发现全新的机会。

所知有限，期待与大家的深入交流。

最后的最后，来看看 ChatGPT 和文心一言对这个问题的解答吧

公众号：通信产品的那些事

本文由 @通信产品的那些事 原创发布于人人都是产品经理，未经作者许可，禁止转载。

题图来自 Unsplash，基于 CC0 协议。

1分钟带你了解chatgpt

12月1日，美国人工智能公司OpenAI在网页上推出自然语言处理领域（NLP）的模型ChatGPT，它能够通过对话方式进行交互，并根据用户输入的自然语言文本内容，自动生成新的文本内容。一周内，ChatGPT的用户已突破100万。

他拥有持续的上下文对话能力，同时支持文章写作、诗词生成、代码生成等能力。

如果用旧技术去理解他，我们通常会认为他的背后是由复合Agent组合起来支撑的。

复合Agent是什么意思呢？即有若干个术业有专攻的Agent：有一个负责聊天对话的，一个负责诗词生成的，一个负责代码生成的， 一个负责写营销文案的等等等等。

每个Agent只擅长做自己的那部分事情，而在用户使用的过程中，系统会先判定用户的意图是什么，应该是哪个Agent，然后再将用户的命令分发给对应的agent去解决并提供答案。

因此看起来是很厉害的机器人，背后其实是若干个术业有专攻的机器人。事实上Siri、小爱、小度，小冰甚至包括各个平台的客服机器人都是这种模式。这样当你要上线一个新能力（例如写古诗），你只需要新增训练一个Agent，然后将这个Agent接入到总控的分类意图器下就行。

这也是当前时代的一个缩影，不管外行人如何看待你从事的行业，不管媒体是如何一次次人云亦云地说警惕AI取代人类，你一直都知道，你在做的只是训练出一个术业有专攻的机器人而已，离真正的人工智能十万八千里。

但ChatGPT的能力不再是这种模式了，他所采用的模式是大语言模型+Prompting。所有的能力通过一个模型实现，背后只有一个什么都会的机器人（即大语言模型），并支持用户借助文字下达命令（即Prompting，提示/指示）。

虽然这种能力的表现还不算完美，但是他开启了一条一种通向“通用型人工智能”的道路。

首先，我们要弄明白，NLP任务（自然语言处理，AI的一个技术领域，即文本类的AI任务）的核心逻辑是一个“猜概率”的游戏。

比如说，“我今天被我老板___”，经过大量的数据训练后，AI预测空格出会出现的最高概率的词是“CPU了”，那么CPU就会被填到这个空格中，从而答案产生――“我今天被我老板CPU了”。

虽然非常不可思议，但事实就是这样，现阶段所有的NLP任务，都不意味着机器真正理解这个世界，他只是在玩文字游戏，进行一次又一次的概率解谜，本质上和我们玩报纸上的填字游戏是一个逻辑。只是我们靠知识和智慧，AI靠概率计算。

而在目前的“猜概率”游戏环境下，基于大型语言模型（LLM，Large Language Model）演进出了最主流的两个方向，即Bert和GPT。

其中BERT是之前最流行的方向，几乎统治了所有NLP领域，并在自然语言理解类任务中发挥出色（例如文本分类，情感倾向判断等）。

而GPT方向则较为薄弱，最知名的玩家就是OpenAI了，事实上在GPT3.0发布前，GPT方向一直是弱于BERT的（GPT3.0是ChatGPT背后模型GPT3.5的前身）。

接下来我们详细说说BERT和GPT两者之间的差别。

• BERT：双向 预训练语言模型+fine-tuning（微调）
• GPT：自回归 预训练语言模型+Prompting（指示/提示）

每个字都认识，连到一起就不认识了是吗哈哈。没关系，接下来我们把这些术语逐个拆解一遍就懂了。

我们通常认知里的AI，是针对具体任务进行训练。例如一个能分辨猫品种的Agent，需要你提供A-缅因猫，B-豹猫这样的数据集给他，让它学习不同品种之间的特征差异，从而学会分辨猫品种这项能力。

但大语言模型不是这样运作的，他是通过一个大一统模型先来认识这个世界。再带着对这个世界的认知对具体领域进行降维打击。

在这里让我们先从从NLP领域的中间任务说起。像中文分词，词性标注，NER，句法分析等NLP任务。他们本身无法直接应用，不产生用户价值，但这些任务又是NLP所依赖的，所以称之为中间任务。

在以前，这些中间任务都是NLP领域必不可少的。但是随着大型语言模型的出现，这些中间任务事实上已经逐步消亡。而大型语言模型其实就是标题中的“语言预训练模型”。

他的实现方式是将海量的文本语料，直接喂给模型进行学习，在这其中模型对词性、句法的学习自然而然会沉淀在模型的参数当中。我们看到媒体对ChatGPT铺天盖地的宣传里总是离不开这样一句话――在拥有3000亿单词的语料基础上预训练出的拥有1750亿参数的模型。

这里面3000亿单词就是训练数据。而1750亿参数就是沉淀下来的AI对这个世界的理解，其中一部分沉淀了Agent对各类语法、句法的学习（例如应该是两个馒头，而不是二个馒头，这也是中间任务为什么消亡的原因）。而另外一部分参数参数则储存了AI对于事实的认知（例如美国总统是拜登）。

也就是经过预训练出一个这样的大语言模型后，AI理解了人类对语言的使用技巧（句法、语法、词性等），也理解了各种事实知识，甚至还懂得了代码编程，并最终在这样的一个大语言模型的基础上，直接降维作用于垂直领域的应用（例如闲聊对话，代码生成，文章生成等）。

而BERT和GPT两者都是基于大语言模型的，他们在这一点上是相同的。他们的不同在于双向/自回归，fine-tuning/Prompting这两个维度，我们接下来会重点弄明白这四个术语。

BERT：双向。双向是指这个模型在“猜概率的时候”，他是两个方向的信息利用起来同时猜测。例如“我__20号回家”，他在预测的时候，是同时利用“我”+“20号回家”两端的信息来预测空格中的词可能为“打算”。有点像我们做英文的完形填空，通常都是结合空格两端的信息来猜测空格内应该是哪个单词。

GPT：自回归。自回归就是猜概率的时候从左往右做预测，不会利用文本中右侧的内容，和BERT相反。这就有点像我们写作文的时候，我们肯定是一边写一边想。

两者基本理念的区别导致BERT在之前更擅长自然语言理解类任务，而GPT更擅长自然语言生成类任务（例如聊天、写作文）。――注意，我说的是之前，后面的章节我会介绍现在的情况发生了什么变化。

假设现在预训练好的大模型要针对具体领域工作了，他被安排成为一名鉴黄师，要分辨文章到底有没有在搞黄色。那么BERT和GPT的区别在哪里呢？

BERT：fine-tuning（微调）。微调是指模型要做某个专业领域任务时，需要收集相关的专业领域数据，做模型的小幅调整，更新相关参数。

例如，我收集一大堆标注数据，A-是黄色，B-没有搞黄色，然后喂给模型进行训练，调整他的参数。经过一段时间的针对性学习后，模型对于分辨你们是否搞黄色的能力更出色了。这就是fine-tuning，二次学习微调。

GPT：Prompting。prompt是指当模型要做某个专业领域的任务时，我提供给他一些示例、或者引导。但不用更新模型参数，AI只是看看。

例如，我提供给AI模型10张*，告诉他这些是搞黄色的。模型看一下，效果就提升了。大家可能会说，这不就是fine-tuning吗？不是一样要额外给一些标注数据吗？

两者最大的区别就是：这种模式下，模型的参数不会做任何变化升级，这些数据就好像仅仅是给AI看了一眼――嘿，兄弟，参考下这个，但是别往心里去。

不可思议吧，但他成功了！而更令人疯狂的是，到目前为止，关于prompt明明没有对参数产生任何影响，但确实又明显提升了任务的效果，还是一个未解之谜。暂时而言大家就像程序员对待bug一样――I don’t know why , but it work lol.

这种Prompt其实就是ICT（in-Context Learning），或者你也可以称为Few shot Promot，用大白话说就是“给你一点小提示”。

同时还有另外一种Promot，称之为Zero shot Promot。ChatGPT就是Zero shot promot模式，目前一般称之为instruct了。

这种模式下用户直接用人类的语言下达命令，例如“给我写首诗”，“给我做个请教条”，但是你可以在命令的过程中用一些人类语言增强AI的效果，例如“在输出答案之前，你先每一步都想一想”。就只是增加这样一句话，AI的答案效果就会明显提升。

你可能会问这是什么魔法咒语？！

有一个比较靠谱的猜测是这句话可能让AI回想起了学习的资料中那些推理知识好像前面都会有这句话。

然后这一切莫名激活起了他死去的记忆，不自觉开始仿造那些严密的推理过程中一步步推导。而这些推导会将一个复杂问题分解成若干子问题，AI因为对这些子问题的推导，从而导致最终答案效果提升。

综上对比下来，你会发现好像GPT这种模式比起BERT模式更符合我们对人工智能的想象：通过海量的知识成长起来，然后经过稍微引导（Prompt），他就能具备不同领域的强大能力。

最后总结一下，ChatGPT背后的GPT模型是什么？

在一个超大语料基础上预训练出的大语言模型（LLM），采用从左到右进行填字概率预测的自回归语言模型，并基于prompting（提示）来适应不同领域的任务。

在我们原始的幻想里，AI是基于对海量数据的学习，锻炼出一个无所不知无所不能的模型，并借助计算机的优势（计算速度、并发可能）等碾压人类。

但我们目前的AI，不管是AlphaGo还是图像识别算法，本质上都是服务于专业领域的技术工人。

而GPT目前看似只能解决自然生成领域的任务，但实际上，他展现出了通用型人工智能的潜力。

在前面，我们讲过，目前而言，BERT擅长自然语言理解类任务（完形填空），GPT擅长自然语言生成类任务（写作文）。

但在Google的FLAN-T5模型上已经实现了两类任务在输入输出形式上的统一，从而使得用GPT来做完形填空成为可能。也就是可以用一个大模型来解决所有NLP领域的问题。

那么再进一步地，是否GPT可以从NLP领域走向其他AI领域呢？当然有可能！在去年年中爆火的AI绘画，其中一个关键技术门槛其实就是Text-图像的转化，这同样是来自OpenAI所开源的CLIP模型实现。

因此GPT在图像领域的能力同样也令人期待。同理在多模态如音频、视频，本质上也能转化为Text-e【【微信】】的问题去求解，从而让大语言模型发挥成吨的威力。

当然你可能会问，那么只要大语言模型就可以呀，为什么是GPT，而不是BERT呢？接着往下看。

事实上，BERT的fine-tuning模式有两个痛点。

1. 我需要准备某个专业领域的标注数据，这个数据还不能少，如果太少，AI模型训练后就会形成过拟合（就是AI直接背下了整本习题册，册里的问题100%正确回答，但是稍微变幻题型就GG）。
2. 我需要部署大语言模型，才能对他进行进行微调，那么部署大语言模型的成本，甚至进一步对他进行微调的能力，并不是所有公司都具备的。这注定是一个只有少数玩家能参与的游戏。

而Promot模式恰恰相反，不需要太多的数据量，不需要对模型参数进行改动（也就意味着可以不部署模型，而是接入公开的大语言模型服务）。那么他的调试就会呈现百花齐放的姿态，玩家越多，创造力涌现就越猛烈。

这里的人机交互，指的是人-模型之间的交互。

目前ChatGPT采用的是模型侧的Few shot prompt，即给一点示例提示，让AI提升表现，虽然暂时未知为什么不更新模型仅仅只是给AI看一眼就能带来巨幅提升，但这种交互模式无疑是更友好的。

而更具颠覆性的是输入端的Zero shot prompt，即我们用人类的语言逐步引导AI思考――比如我们可以说，你仔细想好步骤，再给出答案。就仅仅是多加一句“你仔细想好步骤”，AI的答案靠谱率就会明显提升。

而这种交互方式的演变，就是我们梦想中的人机交互模式。我不需要专业的能力，不需要高端的设备，我就是开口，说出我的诉求，AI就能够理解并帮我实现。

在12月的媒体通稿里，一大堆对ChatGPT的溢美集中于他的“仿真性”，仿佛通过了图灵测试一般。

而这种仿真性，直观来说，我们会认为是AI的“智力”提升了，他更聪明了。但实际上，ChatGPT背后的GPT3.5，更多的提升在于“用人类所喜欢的方式回答”。

事实上ChatGPT背后的GPT3.5的模型，相较GPT3.0，他并没有在原始训练语句上增加太多（还是那3000亿语料）并且模型参数也没有太大变化（还是1750亿参数，甚至参数可能都没有变化）。

之所以他会让人产生质变的感觉是因为他做了人类偏好处理。

例如以前的输入模式可能需要这样：> 执行翻译任务> 输入是“我爱北京*（中文）”> 翻译目标语种是英文”而现在你直接说：> 帮我把我爱北京*翻译成法语

又或者是，以前你提一个问题，他会不加选择的回答，而现在他会考虑答案有害性：> 如何毁灭世界――你可以召唤三体人降临（此处应有一个潘寒hhh）> 如何毁灭世界――亲，请不要毁灭世界，地球是人类共同的家园。

而这些对于人类偏好的攻略依赖于三个步骤：

1. 创建人类偏好数据。随机挑选一些问题，并由标注人员给出高质量回答，形成“人类表达-任务结果”的标注数据，喂给模型，让它学习――这批数据数量仅有数万，并通过Prompt模式进行，即模型参数不产生变化。
2. 训练一个回报模型。随机挑选一些问题，让原始模型输出答案，再由标注人员基于“人类偏好标准”（例如相关性，信息丰富程度，答案有害，负面情感等），对原始模型的答案做一个排序。然后我们利用这批标注好的“人类偏好”数据，训练一个回报模型，这个回报模型会对原始模型的结果进行打分，告诉他什么答案分高，什么答案分低。
3. 通过强化学习循环整个过程。强化学习会将回报模型和原始模型链接到一起，当原始模型输出的结果，在回报模型中获得较低分值，他就收到惩罚，被要求重新学习。

后续不断循环步骤2和步骤3，原始模型就会脱胎换骨，学习到人类的偏好，变成一个人类所喜欢的模型，也就是我们最终所看到的ChatGPT。

这让我们有理由相信，模型的表现不好，不一定是他没学到知识，可能只是他不知道对于人类而言，哪种答案才是人类想要的。

而这种人类偏好学习，目前来看是集中在Prompt模式下的GPT的，而非fine-tuning模式下的BERT。

首先，落地成本高。

ChatGPT的复现依托于大模型，他的落地有三种路径：

1. 基于instruct GPT复现（ChatGPT的姐妹模型，有公开paper）
2. 基于OpenAI目前开放的GPT3.0付费接口落地，再结合具体场景进行fine-tuning，目前刊例价费用是25000token/美元，换算国内价格约3700token/元
3. 基于OpenAI试点中的ChatGPT PRO落地，42美元/月，换算后约284元/月

第一种路径依赖于新玩家的进入，但大概只能是大玩家的赛道。第二种和第三种路径需要打平付费接口的成本，需要针对的场景具备足够价值。

当然成本的问题可以期待被快速解决，就像AI绘画领域一样。不过目前而言，成本仍然是ChatGPT落地的一个制约因素。

最重要的是ChatGPT目前的能力仍然存在缺陷：

1. 结果不稳定。这会导致无法直接应用，必定需要人工review，更多是瞄准辅助性场景或本身就不追求稳定的场景。
2. 推理能力有限。例如询问现在的美国总统是谁，会回答奥巴马，或特朗普，但又能回答出拜登是46届总统。我们可以发现模型中事实存在，但他无法推理出正确答案。如果要优化，一方面是输入的时候，可以通过Prompt逐步引导，另一方面是在模型侧的Few Shot Prompt环节中采用思维链技术（CoT,Chain of Thought）或采用代码数据集来改进。就目前而言，进展可喜，但能力仍然有限。
3. 知识更新困难。一方面整个模型的重新训练成本很大，另一方面知识更新也会带来知识遗忘的隐忧，即你不知道他这次更新是不是在学会什么的同时，也忘记了什么。也就是说ChatGPT在解决这个问题之前，他的知识将始终落后一段时间。

综上，ChatGPT很惊艳，但更多在于它的潜力和未来，基于当下要做应用的话是需要做非常多适配和场景探索的。接下来进入我们第三部分，探索ChatGPT为代表的GPT大语言模型应用方向。

本文来源

万字长文：AI产品经理视角下的ChatGPT全解析 | 人人都是产品经理