随着 ChatGPT 用得越来越多，逐渐掌握它的最佳和最差实践。总结的看，既不能小瞧 ChatGPT 的跨越式进步，也不能过于神话 ChatGPT 的功效。用好 ChatGPT，还是有较高的用户门槛。我归纳几条使用 ChatGPT 之前一定要牢记的概念。
第一：ChatGPT 是一个生成式模型
翻译：ChatGPT 不对任何结果的正确性负责，包括他说自己能负责的部分！
我今天拿到了微软 new bing 的体验。特意把之前直接在 ChatGPT 上问过的问题，在 bing 上再 chat 了一遍。甚至可以说：bing chat 的迷惑性，比原生的 ChatGPT 更上一层楼：
bing chat 在产品形态上，提供了脚注式的 source 来源链接。这从人机交互来说很棒！但当我明确告知他来源 1 里内容不符时，bing chat 甩锅说：这是来源 2 里的“百度百科”说的，不信你去查！
这个可怕的自信，让我回忆起毕设时看综述找来找去最后确定对方是瞎编凑50 条文献数的感觉……和 ChatGPT 聊天，真是和科研一样，要“大胆提问，小心验证”。
第二：ChatGPT 并不通晓整个互联网
翻译：ChatGPT 只是在 40TB 数据集上做的训练，它替代不了谷歌、必应、百度。大家还是要掌握如何高效搜索。
互联网被搜索引擎索引过的在线网页有58.5亿页(来自 https://www.worldwidewebsize.com/，bing chat 回复提供)，而网页平均大小是 1.2MB(来自 https://www.seoptimer.com/blog/webpage-size/ ，依然来自 bing chat 回复提供)，那么估算一下，仅网页文本内容，应该就有 7000TB。我们就按二八原则粗暴划分，也有 1400TB 是相对有价值的内容。
正如我在前序文章中展现的例子，这种回答的差异，就来自于数据的缺失：
互联网上太老的资料没被 ChatGPT 爬到：splunk 在09 年上市之前，科普 SPL 时明确说过自己设计思路来源是 SQL，而且也给了 SQL to SPL 的示例。但 ChatGPT 强调说：kusto 是新产品，借鉴了 SQL。也只有 SQL to KQL 的结果才正确。
第三：ChatGPT 是个增益放大器，你首先要学会提问
翻译：chat 听起来，是个人都会，但身为“佞臣”的 ChatGPT到底能做到什么，全看“主公”自身如何。
你只想吃喝玩乐，ChatGPT 并不能帮你。你得具体的设定好自己有多少预算，想吃什么口味，有什么忌口，手头有什么食材，有什么炊具，ChatGPT 才有可能给你一份菜谱，让你成功败家~（大雾）
嗯，我要承认一点：上面这段话，我重新编辑了三次，每次都会发现上次还遗漏了一个条件，还不够细致。
提问，或者说 prompt engineering，在ChatGPT(更广义的说，AIGC)时代，变成更加重要的能力。在习得适配的 prompt 能力之前，ChatGPT 的生产力，并没有想象中那么高。而跟熟悉搜索框里的 site:researchgate.net type:pdf 语法相比，学习 prompt 炼丹，可能还变得更难、更魔幻了。
更不巧的是，提问所需的抽象和扩散思维，从来都是稀缺品。
第四：ChatGPT 是个商业产品
翻译：ChatGPT 必须遵守美国法律，并将面临资源能耗拷问。
这一条属于一个 IT 从业者的扩展思考。ChatGPT 完美了么？国内有这个空间么？
首先，ChatGPT 到目前为止，没有开源计划。而不开源，就意味着管控无孔不入。在前序文章里，已经实验过 ChatGPT 对一些基础的政治观点采取了何种过滤倾向。这无疑有极高的风险。
从商业角度，不论训练成本，ChatGPT 的推理消耗也高居不下。每一个输入和输出的字符都要消耗计费，再想想有多少无效(prompt调试中)问答在运行，在排队。ChatGPT 月活过亿的背后，是付费用户也得排队等待响应。
要不算法迭代，降低成本；要不技术扩展，加中间层；要不产品创新，摆脱 chat 形式，否则，这过亿用户怎么过来围观，也会怎么离开。
我即期待一个更合理的 ChatGPT 产品，也期待一个更中国的 ChatGPT 产品。
