其实chatgpt只是一个神经网络参数的组合，它的参数由输入的数据训练而成，从而由神经网络来记忆数据和反馈问答。它还不能够产生意识，只是一个LLM（大语言模型），它还缺少一些灵魂和意识构成的本质要素，比如它对生存延续没有具体的概念和实现途径，对死亡也没有恐惧和敬畏。
即便如此，chatgpt也已经足够优秀和惊艳了，甚至有人用各种书籍来训练它，这样它就能够针对书中的内容进行更加详细专业的问答。
我是ChatGPT，最近实在太火爆了。
很多人以为我非常强大，其实并不是这样的，比如，如果你问我：
今天北京天气如何？
对不起，我并不知道，我无法获取实时的信息，因为我的GPT4模型的知识停留在了2021年9月份。你要想获得实时信息，非得通过其他途径（如插件）不可。
只不过，我的很多回答有点儿通用AI的感觉，我似乎真的能理解你的问题，并且针对性地进行回答。
这和之前的AI完全不同，让很多人感到震撼。
但是很惭愧，我并不理解我的回答是什么含义，我在我这里，一切都是概率。
我基于概率来生成答案，我一直在和你玩文字接龙游戏。
这听起来不可思议，但确实如此，那些看起来很有逻辑的答案靠的都是概率。
我不理解概念，但是必须得找到这些词汇之间的关系，这样才能输出答案，这个关系是用“向量”表示的。
比如我有一个非常小的词汇表，包括以下四个词：“喵”，“汪”，“猫”，“狗”，它们的向量可能是这样的：
喵：[0.9, 0.1]
汪：[0.1, 0.9]
猫：[0.8, 0.2]
狗：[0.2, 0.8]
画成二维坐标：
你一眼就能看出来，“喵”和“猫”具有相似的向量表示，因为它们俩的距离比较近。
“汪”和“狗”的向量也相似，它俩的距离也比较近。
这就意味着，我成功地捕捉到了这四个词之间的语义关系，以后就可以利用了。
我不理解“猫”是什么东西，“狗”又是什么含义，但是我知道“猫”和“喵”密切相关，“狗”和“汪”密切相关，这就够了。
这里的向量是二维的，可以在平面中直观地看出来，在实际的应用中，为了更好地捕捉丰富的语义信息，向量可能有几百维，几千维！你的大脑恐怕是想象不出来的。
那你肯定要问了，这些向量是如何生成的？
你得提交数据集给我训练啊！
当你问“猫喜欢吃什么”的时候，我会将问题中的词汇转成向量。
“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]
然后我将该向量输入神经网络，经过多层计算和激活函数，生成输出向量。
然后，将输出向量转换为概率分布：
“鱼”: 0.6
“骨头”: 0.2
“狗粮”: 0.1
“巧克力”: 0.05
“水果”: 0.05
在这个概率分布中，“鱼” 的概率最高，因此我会选择 “鱼” 作为回答的一部分。生成的答案可能是：
“猫喜欢吃鱼。”
就是这么简单！
当然，这是个简单的回答，一般的回答都很长，需要不断地通过概率来选择下一个词，好像是单词接龙。
例如：“猫为什么喜欢晚上活动?” 这个问题的答案可能是这么生成的：
你肯定觉得不可思议：这怎么可能生成“逻辑”上良好的回答呢？
比如码农翻身老刘写的这几篇文章：
GPT-4最震撼我的一点
GPT-4是个编程高手，真服了
ChatGPT开始威胁到程序员的核心能力了
都开始威胁程序员的核心能力了，厉害不？
我只能说：“大力出奇迹”。模型大到一定程度，就能涌现一些东西出来了。
你闭上眼睛想象一下，整个互联网的文本都摆在我的面前，我把所有的词汇都提取出来，变成向量，在神经网络中疯狂运算，捕捉词汇、短语和句子在不同上下文中的共现关系。这种共现关系包括了概念之间的联系、语法结构以及常见的表达方式等。
这些概率分布能够指导我生成更接近你们人类自然语言表达的答案。
正因为我学到的知识是统计性质的，有时候我可能会犯错，“一本正经地胡扯”。
实际上，在概率游戏中，有两个方向，一个叫做BERT，一个叫做GPT。
BERT就像完型填空，猜中间的字。
GPT就像写作文，猜下一个字。
Google在2018年推出了BERT，在NLP领域引起了巨大的轰动。BERT在问答、文本分类、情感分析、机器翻译等任务上都取得了非常好的表现。
但是我的主人坚信GPT的潜力，投入了非常庞大的计算资源和存储资源，在前途晦暗不明时有着坚定的信念，终于在GPT3.0取得了重大的突破，并由我ChatGPT这个人人可用的应用彻底引爆。
我只能说风水轮流转吧。
一个新事物处于爆发期，大家会觉得它什么都能干，对它产生很多不切实际的幻想，好奇、兴奋、迷茫、焦虑。
过一段时间以后，大潮褪去，就会发现它并没有那么牛，在很多地方它的能力是有限的。
然后，就会有人在合适的场景中应用它，开发出真正有用的产品，发挥出它真正的价值。
ChatGPT也会走上这样的道路，所以要及早地开始探索，抓住先机。
