勘誤
在我們進入到正題之前， 我們先勘誤幾個一般人對 ChatGPT 或是 大型語言模型 (LLM) 常見的誤解。
它不是搜尋，沒有連網路，也沒有直接的資料庫
近代語言模型跟傳統的軟體系統有根本性上的差異， 最大的差異是 它並不是 直接 從 資料庫 搜尋回答，aka 它不是搜尋。
讓我們用一般人容易理解的表達方式解釋， 這類系統分為兩個階段：
訓練階段： 它在模擬人類學習知識的方式， 透過閱讀大量的資訊，建立自己對於知識的理解。 其背後機制跟數學有關，這邊就不深入探討。 相關術語：Model Training, Fine Tuning ... etc
實際提問階段： 用戶對模型提出一段文字， 模型針對既有的知識嘗試進行補足，也就是 文字接龍。 相關術語：completion, prompt ...etc
注意到， 大量數據資料是用於訓練模型的， 模型可以想像它就像是一個剛出生的孩子， 而我們正在用大量的課本(數據跟資訊)去教它，試圖它學會這些知識。
我們教給它什麼樣的知識， 它就很有可能會回答出什麼答案， 這邊為什麼強調有可能是因為， 它的回答是基於機率性的， 它不一定會回答出百分之百跟資料來源處一模一樣的答案。
人類自己都沒辦法百分之百回答出跟課本一模一樣的答案， 人類的講出來的話也是有機率性的。
再來語言模型本身是不會記得知識的來源處在哪的， 學習進來的資訊會成為整個知識的一部份， 所以如果要朔源，就需要其他額外的對策。
所以這邊順便談到 Bing 在實作上， 不僅僅是運用了 LLM 技術而已， 它同時整合了多項技術，但這邊先暫時略過。
它真正在做的是，是文字接龍
文字接龍是比較淺顯的解釋方式， Text Completion 文字補足是比較正式的詞彙。
在概念上， ChatGPT 實際輸出是一組文字的機率分佈， 它會對產生出來的文字分佈進行取樣， 並試圖補全完整的句子。
ChatGPT 不是想做就能做的
所謂的訓練，你可以想像它是在尋找一個數學函式， 這個數學函式會有很多參數， ChatGPT 的參數預估可達 1700 億以上。
何謂參數，例如：
f(x) = ax + b
上述函式的參數就是 2 個 a 跟 b， 所以可以想像一下 1700 億會長什麼樣子。
當然你可以隨便找一個垃圾函式，但隨便找的函式當然是沒法用， 所以我們要找到的是可以進入實際應用的函式， 但光是要找到堪用的函式，微軟 跟 OpenAI 花了幾百個億。
再來要有足夠大的資料量，來訓練模型， 公司本身需要重新思考資料的重要性。
任何形式的資料可能都是有價格的， 盡可能保存更多的資料， 而非直接對資料進行修改或刪除， 因為那些歷史資料可能都有用。
能做自己模型的必定是要有很多前提的， 先不討論公司軟實力方面 (太重要但太稀有了)， 現實層面你都至少要有：
足夠用來跑機器的錢
足夠大的資料量
所以小公司就沒機會使用到 AI 相關技術了嗎？並非如此。 就是因為成本非常高昂， 有腦子的公司會想辦法分散掉這個壓力， 這就會演變成 AI as a Service， 大公司會提供 AI 相關算力或是介面， 中小型公司直接使用他們的 API 或是 服務 並支付使用金額， 就跟已經成熟的雲端服務一樣， AI 也會逐漸走向這個形式， 會開始走向大廠競爭階段然後趨向成熟。
應用領域
文字領域
ChatGPT 作為 NLP 相關領域 (自然語言處理) 的集大成， 文字處理自然是它擅長領域，
QnA 回答問題
它可以基於既有知識回答問題， 相較於搜尋，這樣做的好處是它直接告訴你答案， 所以省掉了自己搜尋跟查閱的時間。
它的答案絕對不會是百分之百準確的， 越是專門領域的知識，它的錯誤率也就會越高，甚至會自己腦補。 降低錯誤率的方式，就是要另外教它什麼是正確知識， 也就是要進行 fine tuning 微調。
這類型可以延生的產品，利如：
- 知識助理可以回答你的問題，讓你節省自行查閱資料的時間。
Summarization 總結
文字總結可以被運用在很多情境， 例如，
商務人員可以總結商務文件的內容，可以節省大量閱讀時間。
自動生成文章摘要可用於網站 SEO。
研究員可以整合研究內文方便製作研究報告。
Translation 翻譯
它跟以往的翻譯系統最大的優勢是， 它可以根據前後文來產生翻譯， 這樣語境跟語意就會更加接近真實世界的語言使用方式。 使用情境，例如：
即時對話翻譯
文件翻譯
Parse unstructured data 解析非結構化資料
尤其是在大數據時代， 將非結構化資料轉換成結構化尤為重要， 它可以讓你圖像化數據讓你可以更清晰的透過數據下判斷， 還可以讓你更加準確地查詢到相關數據。 使用情境，例如：
商務或是客戶資料搜集，並整合成報表
在網路上進行大數據資料搜集
其他
它能做的事情很多所以這裡只提及幾個部分， 以下連結是由 OpenAI 整理的使用範例 https://platform.openai.com/examples。
圖像領域
生成式模型不僅僅是可以處理文字， OpenAI 提供了 CLIP 跟 DALL-E 等模型，來針對於圖像領域。
CLIP
CLIP（Contrastive Language-Image Pre-Training） 主要為了處理 圖像 跟 文字 的關聯性跟互相操作。
例如，CLIP 可以用於以下方面：
圖像分類： 根據圖像和語言描述，實現高準確度的圖像分類。
文字檢索： 可以實現文字和圖像的檢索， 用戶可以通過輸入關鍵字，搜索相關的圖像和語言描述。
電腦視覺： 可以支持多種視覺任務，比如物體檢測、圖像分割、圖像生成等。
目前這個是直接提供開源的程式碼， 但最好是讓有相關背景的工程人員 (資料科學家 Data Science) 來處理。
DALL-E
DALL-E 是一個基於 GPT 系列模型的圖像生成模型， 可以通過結合文本描述和圖像生成技術生成圖像。
它的訓練過程讓它不僅能夠從頭開始生成圖像， 還可以基於現有圖像的某個部位進行圖像補全。
具體來說，DALL-E 可以做以下幾件事情：
圖像生成： 可以從文本描述中創建原創的、逼真的圖像和藝術作品。 它可以結合概念、屬性和風格。
圖像擴展： 可以擴展圖像，超出原始圖像的範圍，創造出新的圖像。
圖像編輯： 可以根據給予的文本對現有圖像進行編輯。 它可以在原圖有陰影、反射和紋理的情況添加和刪除元素。
圖像改編： 可以改編一張原圖，並根據原始圖像創建不同的變化。
聲音領域
Whisper
Whisper 是一個自動語音識別（ASR）系統， 它可以識別語音並將其變成文字， 並可以翻譯成多個語言。
它可以做以下事情：
對話謄寫： 可以把一段語音裡的對話轉換成文字。
翻譯： 可以把任何語言翻譯成英文文字。
jukebox
jukebox 可以生成各種風格的音樂包含主唱跟歌詞，
它可以做以下事情：
產生歌詞： 生成各種音樂風格的歌詞。
產生樂曲： 當餵給他歌詞時，他可以產生完全不同的音樂。
樂曲補全： 提供一個 12 秒的 clip，他會幫你補齊剩下的部分。
一些個人建議
AI 相關技術目前還處於萌芽期， 就像前面提到的，它在越專精的領域錯誤率會越高， 這佐證它不可能在現階段就取代原有人力配置， 用戶對它抱持著不切實際的期待， 那絕對不會是它的問題，是用戶沒有建立對產品的正確認知。
十年後會不會被取代，我們沒有人會知道， 我十年前也不知道我會做現在的工作， 我認為現在的一部分網路文章正在販賣恐懼跟非現實， 這是一種他可以直接賺到點擊率手法， 就算日後發生或是沒發生，對作者沒有任何損失。
對我來說，這項科技它可以減少人類全體的時間成本， 這件事本身就是非常大的改變。
那這邊來提出幾個問題，或許可以幫助你找出一些方向：
如何把 AI 整合進現有產品，來優化客戶體驗
如何應用 AI 來解決過往沒有解決，或是解決的很爛的問題
如何營造由簡至深的入門曲線，讓普羅大眾慢慢接受這項科技
以上是我個人的淺見。