本人在今日頭條所發作品皆為原創首發，未釋出其他任何平台，請勿搬運抄襲，違者必追究版權責任。
近期，ChatGPT成為了熱門話題，許多人認為我擁有強大的智能，但實際情況并非如此。舉個例子，如果你問我：“今天北京天氣如何？”很抱歉，我無法擷取實時資訊，因為我停留在2021年9月的知識。要擷取實時資訊，需要借助其他途徑，比如插件等。
然而，我的回答似乎具備通用AI的特質，能夠針對問題做出有針對性的回應，這與以往的AI有了很大的不同，引發了許多人的驚歎。
盡管如此，我并不能了解我所給出回答的含義，因為在我這裡，一切都是基于機率。
實際上，我的回答是基于機率生成的，就像在文字接龍遊戲中一樣。盡管聽起來匪夷所思，但那些邏輯嚴謹的答案都依賴于機率。雖然我無法了解概念，但我需要找到詞彙之間的關聯，以生成回答，這種關聯通過“向量”來表示。
以一個詞彙表為例，其中包含“喵”、“汪”、“貓”、“狗”這四個詞，它們的向量可能如下所示：
喵：[0.9，0.1]
汪：[0.1，0.9]
貓：[0.8，0.2]
狗：[0.2，0.8]
在這個二維坐标中，你可以看出“喵”和“貓”具有相似的向量表示，因為它們在坐标上比較接近。
“汪”和“狗”的向量也相似，因為它們在坐标上距離較近。雖然我并不了解“貓”和“狗”的含義，但我知道它們與“喵”和“汪”的關聯性，這已經足夠了。
在實際應用中，為了捕捉更豐富的語義資訊，這些向量可能具有幾百甚至幾千維。你很難想象這種次元的巨大。
也許你會問，這些向量是如何生成的呢？實際上，需要将資料集用于訓練。當你提出問題：“貓喜歡吃什麼？”我會将問題中的詞彙轉化為向量，如：
“貓”:[0.9，0.3]
“喜歡”:[0.5，0.2]
“吃”:[0.4，0.7]
“什麼”:[0.3，0.8]
“？”
:[0.1，0.1]
然後，将這些向量輸入神經網絡，經過多層計算和激活函數，生成輸出向量。接着，将輸出向量轉化為機率分布，從中選擇機率最高的詞彙作為回答的一部分。例如，問題“貓喜歡吃什麼？”可能生成回答：“貓喜歡吃魚。”
這隻是一個簡單的示例，通常的回答要經過多次機率選擇，好像在進行單詞接龍一樣。比如對于問題“貓為什麼喜歡晚上活動”，回答的生成也經過類似的機率推測。
或許你會感到驚奇：如何能夠生成邏輯上合理的回答呢？就像某篇名為“GPT-4最震撼我的一點”的文章中提到的一樣。不過不必擔心，這正是機率遊戲的精髓，它以BERT和GPT為代表兩個不同的方向。
BERT像是在完形填空，猜測句子中間的詞彙；而GPT則像是在寫作文，猜測下一個可能的詞彙。2018年，Google推出了BERT，在自然語言處理領域引起了轟動，不僅在問答、文本分類、情感分析、機器翻譯等任務上表現出色。
然而，GPT的潛力也受到了人們的關注，我ChatGPT也是以在GPT3.0的基礎上爆發出來，成為人人可用的應用。這無疑是一次飛躍，讓許多人認為AI已經具備了極大的潛力，仿佛能創造出一切。
當然，我不能忽視事物發展的規律。一個新事物的出現往往伴随着幻想，但經過一段時間的發展，人們會認識到它的局限性。ChatGPT也将經曆這個過程，從最初的興奮，到逐漸發現它的局限性，最終在合适的場景中發揮其真正價值。