越来越多的人开始尝试使用 ChatGPT 了，随之而来的是一些质疑的声音：“感觉 ChatGPT 没多厉害啊？这也不会那也不会……”这其实很正常，所有新技术在成熟运用之前都要经历类似的炒作曲线。恭喜大家进入冷却期，也就是要开始真正掌握这门技术了。
就像吃东西先问“能、好、怎”一样，我们面对一个场景，也可以先问第一个问题：能不能用 ChatGPT？
ChatGPT 模型的本质，是逐字按概率预测。“逐字”的关键作用，后续讨论“怎么用”时再强调，今天先说“概率”。概率就意味着会出错——所以“能不能用”，主要就是看出错我们接不接受。
大语言模型领域有另一家很著名的初创公司 cohere。其联合创始人 Yunyu Lin，著文讲解他认为最合适大语言模型的三类场景：
- There is no one correct answer (creative applications, summarization)
- There is some tolerance for error (routing, tagging, searching, and other tasks where perfection isn’t required)
- The answer can be easily verified (math, writing code for specific tasks, or human-in-the-loop use cases).
这三句话强烈推荐给所有朋友反复阅读！我们也可以取个反，什么是“不能用 ChatGPT”的场景？那就是：对错定义严格的，出错影响太大的，而且不容易判断对错的。
示例
给大家加深一点印象，演示一个 ChatGPT 极具迷惑性的反例。
几天前，我在阅读 elasticsearch的官方说明文档的时候，看到一系列相关性参数，用的都是缩写，讲的不明不白的。我去尝试问问 ChatGPT，这些缩写是什么意思？取值区间是多少？具体强相关弱相关的阈值点是什么？ChatGPT 一一作答，看起来非常完备：
但事实上，ChatGPT 不管是取值范围，还是强弱阈值，全说错了！JLH 和 GND 都不是 0-1 之间。GND 的强弱点也不是 0.5，而是 1。
如果不是多个心眼，又去 Wikipedia 上搜了一遍，绝对就被坑了——但如果没有 ChatGPT 先把缩写解释出全名，直接上 Wikipedia 可能都不知道搜什么。
总结
我们来对照一下 cohere 的三原则，看看这个场景“能不能”用 ChatGPT：
- 对错定义是不是严格唯一：是的。数学概念毫无歧义。
- 出错是不是大事儿：是的，相关性搞反了，产品给用户推荐的内容都是错的，会造成直接业务损失。
- 错误容不容易判断：个人感觉不容易。相关性算法太多了，哪怕专业算法同学也不一定接触过所有知识。
这么一分析，结论就明确了：这个场景不能用 ChatGPT——至少不能只用 ChatGPT。
细心的读者可能注意到，我在第三条强调了“个人感觉”。因为 cohere 这三条原则中，前两条都很难改变。唯一可变的，是判断对错的“容易程度”，这一条因人而异，你越是懂的领域，这个 AI 助手可能越是得心应手。
同时，这也是 New Bing 设计来源链接功能的道理：通过引入外部知识链接，让判断变容易。比如上面这个例子，换成问 New Bing，记住选“精确”对话：
虽然看似依然强调取值一般在 0-1 之间，下面直接给出了 Wikipedia 地址。我们就很容易判断对错了。
好了。“能不能”的问题就聊到这，下期，我们继续“能、好、怎”，敬请期待。
