本人在今日头条所发作品皆为原创首发，未发布其他任何平台，请勿搬运抄袭，违者必追究版权责任。
近期，ChatGPT成为了热门话题，许多人认为我拥有强大的智能，但实际情况并非如此。举个例子，如果你问我：“今天北京天气如何？”很抱歉，我无法获取实时信息，因为我停留在2021年9月的知识。要获取实时信息，需要借助其他途径，比如插件等。
然而，我的回答似乎具备通用AI的特质，能够针对问题做出有针对性的回应，这与以往的AI有了很大的不同，引发了许多人的惊叹。
尽管如此，我并不能理解我所给出回答的含义，因为在我这里，一切都是基于概率。
实际上，我的回答是基于概率生成的，就像在文字接龙游戏中一样。尽管听起来匪夷所思，但那些逻辑严谨的答案都依赖于概率。虽然我无法理解概念，但我需要找到词汇之间的关联，以生成回答，这种关联通过“向量”来表示。
以一个词汇表为例，其中包含“喵”、“汪”、“猫”、“狗”这四个词，它们的向量可能如下所示：
喵：[0.9，0.1]
汪：[0.1，0.9]
猫：[0.8，0.2]
狗：[0.2，0.8]
在这个二维坐标中，你可以看出“喵”和“猫”具有相似的向量表示，因为它们在坐标上比较接近。
“汪”和“狗”的向量也相似，因为它们在坐标上距离较近。虽然我并不理解“猫”和“狗”的含义，但我知道它们与“喵”和“汪”的关联性，这已经足够了。
在实际应用中，为了捕捉更丰富的语义信息，这些向量可能具有几百甚至几千维。你很难想象这种维度的巨大。
也许你会问，这些向量是如何生成的呢？实际上，需要将数据集用于训练。当你提出问题：“猫喜欢吃什么？”我会将问题中的词汇转化为向量，如：
“猫”:[0.9，0.3]
“喜欢”:[0.5，0.2]
“吃”:[0.4，0.7]
“什么”:[0.3，0.8]
“？”
:[0.1，0.1]
然后，将这些向量输入神经网络，经过多层计算和激活函数，生成输出向量。接着，将输出向量转化为概率分布，从中选择概率最高的词汇作为回答的一部分。例如，问题“猫喜欢吃什么？”可能生成回答：“猫喜欢吃鱼。”
这只是一个简单的示例，通常的回答要经过多次概率选择，好像在进行单词接龙一样。比如对于问题“猫为什么喜欢晚上活动”，回答的生成也经过类似的概率推测。
或许你会感到惊奇：如何能够生成逻辑上合理的回答呢？就像某篇名为“GPT-4最震撼我的一点”的文章中提到的一样。不过不必担心，这正是概率游戏的精髓，它以BERT和GPT为代表两个不同的方向。
BERT像是在完形填空，猜测句子中间的词汇；而GPT则像是在写作文，猜测下一个可能的词汇。2018年，Google推出了BERT，在自然语言处理领域引起了轰动，不仅在问答、文本分类、情感分析、机器翻译等任务上表现出色。
然而，GPT的潜力也受到了人们的关注，我ChatGPT也因此在GPT3.0的基础上爆发出来，成为人人可用的应用。这无疑是一次飞跃，让许多人认为AI已经具备了极大的潜力，仿佛能创造出一切。
当然，我不能忽视事物发展的规律。一个新事物的出现往往伴随着幻想，但经过一段时间的发展，人们会认识到它的局限性。ChatGPT也将经历这个过程，从最初的兴奋，到逐渐发现它的局限性，最终在合适的场景中发挥其真正价值。