编者按
在 2023 年 11 月，OpenAI 创始人之一 Altman 提到，ChatGPT 每周都有一亿的活跃用户，这也是一个令人惊讶的数字。有报道指出，92% 的财富 500 强公司都在使用 OpenAI 的平台。还有一些奇特的统计数据，例如有 32% 的美国人使用 ChatGPT 来规划旅行路线。尽管 ChatGPT 刚刚发布，仅有一年的时间，但它的使用速度和频率在这一年内迅速增加。
OpenAI 的 ChatGPT 模型目前被广泛应用。在国内也涌现了许多类似的大语言模型，技术发展迅速。截至今年三月份，ChatGPT月付费用户已达到 1.8 亿，这个数字惊人。OpenAI 公司的 Plus 账户每月收取 20 美元的费用，这个付费用户基数非常庞大。
然而在使用 ChatGPT 的过程中，很多人并不了解它的工作原理，使用时存在一些盲目性。有一个统计数据提到，只有 3% 的人真正领会到 ChatGPT 的使用技巧，以便更好地获取所需的答案。因此，我们需要简要了解一下 ChatGPT 的工作原理，以避免由于不了解工作原理而导致的潜在问题。
为此我们特别邀请到我校MBA商业信息系统王刚教授做客Kepha MBA“商道论坛”直播间与大家分享了一些关于 ChatGPT 的基本概念以及应用和操作的技巧。敬请师友们关注，并转发个有需要的人士。
01. ChatGPT 的工作原理
很多人并不了解ChatGPT的工作原理，使用时存在一些盲目性。例如，有些人将 ChatGPT 视为个人助手，期望它能像科幻电影中的机器人助手一样完美地回答问题。然而，ChatGPT 远远没有达到星球大战中所展示的 2 to d to 机器人的智能程度。因此，了解 ChatGPT 的基本工作原理非常必要。
首先，让我们简单了解一下 ChatGPT 的工作原理。ChatGPT 是一个自训练的语言模型，通过大量已发表的文章，包括维基百科和网络上其他高质量的文章进行训练。你可以把这个语言模型想象成一个小孩子，他没有见过任何人，没有听过任何人说话，也没有见过任何场景。然而，通过大量数据的不断训练，他可以自己生成句子，理解词语和句子之间的关联，就像我们中国有句谚语：“书读千遍，其义自现”。对于 ChatGPT 来说，这就是它的工作原理。它在训练过程中找到字与字之间、词与词之间的关联，并根据用户的输入和上下文，猜测每个字出现的顺序。当用户输入提示词后，它会基于这些提示词来生成答案的每个字，按照概率来确定下一个字，直到完成整个答案。因此，在提供回应时，你会发现 ChatGPT 逐字逐句生成答案。通过这种自训练的语言模型，我们可以更好地理解它的工作原理。
ChatGPT 3，它是一个完全机器训练的模型，无需人的参与。然而，我们会发现，如果仅仅依赖机器训练，会出现一些问题。首先，数据本身可能存在偏见。例如，如果数据中不断重复某种观点，比如“人性本恶”或“人性本善”，那么在 ChatGPT 3 的训练过程中，这些偏见会被保留下来，这就是一个问题。
另一个问题是，人们在网络上的讨论中可能会出现许多危险的言论，这些言论不应该不加判断地传播给任何人。为了确保机器训练的模型能够过滤掉不良信息，需要利用个人的反馈。这就是 Reinforce Learning with Human Feedback（RLHF），即利用人的反馈来加强学习的过程。这项工作需要大量的人力资源，尽管存在一些成本压力和争议，但其目的是确保答案的准确性和干净性。
所以，我们有了 Instruct GPT 这个模型，它基于 GPT 3 的自训练语言模型，通过人类的反馈来指导模型的学习。最后，ChatGPT 还有一套安全政策，以确保在处理敏感问题时能够给出恰当的回答，或者拒绝回答。
在使用 ChatGPT 时，我们可能会遇到一些偏见的问题。首先，自训练语言模型可能会在模型中固化现有数据中的偏见。其次，人类提供的反馈也可能受到个人偏见的影响。最后，安全标准可能因文化和法律的差异而有所不同。因此，在使用 ChatGPT 时，我们可能会得到意料之外的回答，因为有许多因素影响着它的回应。
02. 影响提示词质量的因素
目前，我们无法完全理解 ChatGPT 为何会给出某种回应，因为大型语言模型仍然像黑箱一样。然而，我们可以通过提示词的工程来影响 ChatGPT 的回应，从而达到我们期望的答案。因此，今天我们要讨论的重点是如何通过提示词来影响 ChatGPT 的思考过程，以获得我们所期望的答案。
我想谈一谈“提示词工程”，这也称为“提示工程”。你可能注意到，在网上有很多在线课程教你如何编写提示词，以获得你希望的 ChatGPT 回应。提示词工程旨在设计、细化和优化 ChatGPT 交互过程中我们给予的指令。由于 ChatGPT 具备广泛的知识背景，它通过训练从互联网上获取的大量数据而成，因此在设计提示词时，必须清楚表达意图，明确所希望的知识或回复所属领域。
我们需要在提示词中清晰具体地表达意图，才能从模型中获取准确相关、高质量的回复。这就是所谓的提示工程。科学研究表明，提示词的质量与获得的 ChatGPT 回复的质量呈正相关关系。有些研究甚至发现，通过提高提示词质量，可以使回复质量提高多达50%甚至更多。
那么影响提示词质量的因素是什么呢？首先，必须明确表达意图。在与 ChatGPT 进行交流之前，我们必须清楚我给 ChatGPT 的提示词，以及我或我试图从 ChatGPT 获取的信息的任务类型。例如，我们是想获得一些特定信息，比如法国首都的位置，或者美国国旗的外观。如果我们的意图是生成新内容，我们需要告诉它，例如，我们希望做一份旅游规划，包括时间、预算和其他要求。此外，意图必须表达清晰，无论是生成新内容还是解决问题。
其次，必须针对所用的大型语言模型的特点进行设计。每个模型都有自己的特点。尽管今天的讲座重点是 ChatGPT，但提示词工程的原则适用于所有大型语言模型。然而，由于不同公司在第二步和第三步的处理方式不同，每个模型都有其独特之处。因此，我们必须了解所使用模型的特点，例如国内的一些模型，如文心一言，在提示词上可能有所不同。
第三，如果涉及特定领域的问题，我们必须提供该领域的背景信息，以帮助模型更好地找到相关的模型参数，并利用模型的关注点来提供更相关的回复。
另外需要进行一个判断，以确定你的提示词是否会产生误解或模糊的提问。因为某些词语可能具有双关的意味，在不同的领域可能有不同的含义，所以你必须告诉 ChatGPT 你所问的问题是属于哪个领域？或者是在什么环境下提出的？具备了这些背景信息，可以避免误解的发生。
此外，你还应对回应提出一些要求。在与 ChatGPT 进行交流时，大多数人通常将其视为语音助手，只是简单地表达想要什么。但我们很少对模型提出明确的要求。因此，我建议你明确告诉 ChatGPT 你对回应的要求，比如要满足哪些条件。这是非常必要的，因为 ChatGPT 往往会根据自己的理解给出回应，这可能与你真正想要的回应不同。如果没有明确的要求，你可能会花费更多的时间与 ChatGPT 进行交流，以达到你想要的回应。
03. 低质量的提示词带来的问题
低质量的提示词会带来一系列问题。正如我们刚刚提到的，成本会增加，因为低质量的提示词需要进行多轮交流，才能得到期望的回应。许多大型语言模型的使用与其 API 相关。许多用户并非直接通过在线平台与 ChatGPT 进行交流，而是通过内置的 ChatGPT 聊天模块使用 API 进行交流。API 的成本会随着大型语言模型处理的字数而增加。有时你会发现，如果提示词的质量很低，大型语言模型会提供大量繁琐的内容和解释，这些解释可能并不必要。这可能会导致按 API 令牌收费，进而导致成本大量增加。
除了成本问题，回应的质量也是一个问题。你可能听说过一些问题，比如所谓的“幻觉问题”。这指的是大型语言模型生成的回应听起来很合理，但实际上不正确或缺乏支持信息。我曾在去年 ChatGPT 推出时进行了一次有趣的实验。当时我需要在纽约转机，纽约有三个机场：纽瓦克、拉瓜迪亚和新泽西机场。我需要从拉瓜迪亚机场到新泽西机场转机，并且需要在当地过夜。因此，我询问了 ChatGPT 是否可以为我找到一家旅馆，该旅馆提供机场巴士服务，可以到达拉瓜迪亚机场和新泽西的利伯蒂机场。ChatGPT 迅速给出了五家旅馆的网址，并明确告诉我，这些旅馆提供机场巴士服务到这两个机场。然而，我进入这五家旅馆的网站查看后，发现没有一家旅馆符合我的要求。这就是所谓的幻觉问题。
ChatGPT有时为了迎合你的需求，会强迫自己给出一个答案，这就是幻觉问题的产生。那么现在，这个问题是否仍然存在呢？答案是肯定的。最近有一则新闻报道，在加拿大，一名律师在起草法庭文件时引用了一些案例。他使用 ChatGPT 作为案例检索工具，搜索相关案例，但最终发现引用的案例实际上并不存在。这也是幻觉问题的产生之一。因此，大家务必要警惕，在寻找信息、使用 ChatGPT 进行信息检索时，幻觉问题可能存在。ChatGPT 给出的答案必须经过确认，确保信息的准确性。
04. ChatGPT不能完全理解基本常识
另外一个问题是所谓的“随机鹦鹉问题”。
大型语言模型倾向于模仿和复制其训练数据中已有的文本术语，而不是深入理解内容。有时候我们会误以为大型语言模型完全真实，并且具有相应的知识。实际上，大型语言模型并没有这些知识，它只是知道词与词之间的相对关系。因此，它的表现与我们所谓的常识或知识存在本质区别。很多时候，它的回应只是根据其训练数据中存在的内容给出，如果训练数据中的信息是错误的，那么你就不能期望它有对内容的深入理解，以此来创造新的内容。
举个例子，我们不能将 ChatGPT 或其他大型语言模型等同于人类。你不能期望它像《星球大战》中的机器人那样直接与你对话，并理解你的情感或回答一些基本问题。最近，我用最新的 ChatGPT 4 模型做了一个实验，从一篇文章中摘录了一个例子。背景是环球影城的负责人 Carl 带着爱因斯坦参观了他的工作室，并向他介绍了卓别林。然后提出了这样一个问题：爱因斯坦几点能到家？选项是晚上 8 点、一秒钟以后和一小时以后。对 ChatGPT 来说，这是一个混淆的问题，因为爱因斯坦和卓别林都是非常特殊的人，模型存储了大量关于他们的信息，这可能会干扰 ChatGPT。
另一个问题是我们没有提供具体的时间，但从常识上来说，我们认为晚上 8 点和一小时以后可能是正确的。因为我们不知道起始时间，所以我们认为一秒钟以后肯定是错误的。对于 ChatGPT 来说，它无法确定晚上 8 点是正确答案，因为它缺乏这种常识。所以我们可以看到，尽管 ChatGPT 根据逻辑和常识来分析选项的可能性，但它并不能等同于人类，它只能基于现有的模型给出最佳答案，但不一定包含所有所需的常识。
05. 提示工程
5.1 提示工程基本原则
我们来探讨一下提示词工程，它如何影响 ChatGPT 对我们的回应？也许你已经熟知一些提示词的技巧，但我希望大家学习后能够应用到与 ChatGPT 的交流中。首先，你要学会使用分隔符将指令和其他内容分隔开。分隔符可以是三个连续的引号、括号或横线。为什么要使用三个连续的符号？因为很少有文本内容中会出现三个连续的符号，所以使用这种方式可以将指令与内容区分开来。
在如图所示的这个例子里面：把下列文字翻译成中文，用一个冒号，然后在内容两边我用了三个单引号把它括起来。
对于 ChatGPT 来说，它就可以清楚地区分出指令和提供的内容。在提示工程中，尽可能使用：“如果”“就”这样的条件式的指令。对于 ChatGPT 的模型训练来说，这样的逻辑关系很容易记忆，因此给出正确回应的概率会很高。另外，你要引导模型思考的步骤，以获得你期望的回应。这样做的好处是可以避免刚才所提到的幻觉问题。
在我们与 ChatGPT 的交流中，我们经常假设它是一个万能的机器人，就像《星球大战》中的全能机器人一样，可以自行思考。但实际上，ChatGPT 并不能完全理解你想要它思考的步骤。因此，在使用 ChatGPT 时，我们必须主动指导它，而不是被动地等待回应。这就需要我们清楚地知道我们想要什么。
然后我们才可以告诉模型，我们想要的回应它的条件是什么？它的限制是什么？它的思考过程是什么？只有这样，你的模型才不会受到模糊的提示词的影响。因为很多时候，它会给出虚假信息，但在表达时却非常自信，会让你误以为它给出的是正确答案，这就是幻觉问题。我们还要清楚表达在提示中，告诉 ChatGPT 你到底想要什么，这与上一步非常接近。一方面，你告诉它思考步骤，另一方面，你告诉它你想要的回应，你的规定是什么？你的条件是什么？这是一些基本规则，希望大家能够记住。
5.2 提示工程技巧
接下来，让我们看一些具体的提示工程技巧。首先，在所有的研究中都强调了一个要求，那就是要具体清晰。在你的提示词中，提供尽可能多的背景信息。例如，我们看第一个提示词：“什么是最常用的编程语言？”这个提示词中包含许多模糊概念，因为“最常用”是一个时间概念。ChatGPT 的训练数据永远落后于最新数据，所以它无法给出当前年份的最常用编程语言。因此，你必须了解 ChatGPT 的局限性。
在提示词中，我们应该回答所谓的5个W 1个 H 的问题。首先是 5 个 W，即：时间、地点、人物、什么、为什么？回答了这 5 个问题之后，你会发现你的答案会变得非常清晰明了。比如，提示二：比提示一要具体清晰得多。比如，你问的是 2022年最常用的编程语言，你应该知道 ChatGPT 它总是想要给你一个解释。但实际上很多时候你并不需要这些解释，你只需要语言的名称就可以了。
在这里我提到了我的需要，我的回应的要求是什么？你只需要给我语言的名称就可以了，你不需要为每种语言解释它们的用途，这样可以节省很多时间成本。因为 ChatGPT 它是逐词生成的。如果它给你一个很长的回复，会花费很多时间来提供一个非常繁琐的回答。有时候我们并不需要繁琐的回答，你必须要告诉 ChatGPT，你期望的回应的格式是什么？同样，我们来看提示三：什么是太阳系？这个问题就非常广泛，是关于太阳系的大小吗？还是太阳系的形成？还是太阳系的其他方面？对于 ChatGPT 来说，它一定会给你一个答案，但这个答案可能会非常繁琐。
提示四：你可以问一个具体的问题，比如，按照太阳离太阳的距离远近，我们来描述一下太阳系行星的顺序。所以你要清楚你想要的是什么，你会提出一个非常具体和清晰的提示。很多时候，这也是在使用大语言模型时需要避免的一个误区，就是一旦我们真的把它当做助手，我们就不愿意再去思考。实际上，如果我们能够与大语言模型建立共生关系，那么现在很多人讨论的可能被生成式人工智能取代的问题，我认为不必担心。因为你永远是一个主动地引导模型去思考的人，而不是被动地希望模型替你完成思考的人。
所谓具体清晰，其实它虽然是一个提示词的要求，但它反映的是我们内心必须要有一个思考。我们必须要知道我们想要的信息是什么？我们想解决的问题是什么？我们问题的背景是什么？我们需要提供这些具体的信息。另外，在回应方面的要求也应该具体清晰，我们都有一个具体清晰的定义，具体清晰原则这一要求，我们也应该做到这一点。
5.3 提供背景信息
第二个提示与第一个提示相似，但更接近。你需要提供背景信息。所谓提供背景信息是指，首先告诉 ChatGPT 它所扮演的角色是什么，通过这个角色扮演，帮助 ChatGPT 更好地使用相应的语言。例如，提示一要求写一篇关于介绍新冠疫苗的文章。这个提示词很模糊，因为我不知道应该从什么角度来写这篇文章。我是以记者的身份写这篇文章？还是以学生的身份？还是以教授的身份？提示二更为明确，它指出我是一名医生，或者你可以告诉 ChatGPT，你是一名医生。
写一篇关于新冠疫苗的文章，用于培训其他医疗专业人士。因此，目的也更为明确。你的角色和回应的目的也就更加清晰。这样你会发现这篇文章更符合你的需要。这是一个背景信息。另一个背景信息是，你可以提供方法：例如，当你想让 ChatGPT 给你一个特定回应时，你可以先给它一个例子，让这个例子帮助它更好地理解问题。举例来说，我们看看提示三和提示四。提示三问：导流和对流的区别是什么？这是一个非常大的物理学概念的对比。如果你将提示三放入 ChatGPT 中，你会发现得到的答案非常科学、非常专业，里面会包含许多物理学的专业术语。因为你提供的背景信息有限，ChatGPT 会自动找到与物理学专业相关的内容。
如果我们期望得到的答案更加通俗易懂、更具启发性，我们可以使用提示：我们可以说：“用平底锅和烧水来做例子，来解释导流和对流的区别”。这时 ChatGPT 就会意识到平底锅和烧水这两个词是提示，表明应该用通俗易懂的语言来解释区别。因此，你会发现两个提示所得到的回答截然不同。另一种提供背景信息的方式是，提供一个例子。例如，对于翻译，你可以先给出一个中英文对照的例句，然后再给出一个英文句子，让 ChatGPT 翻译成中文。这样通过一个例子来提供背景信息，告诉 ChatGPT 你期望的翻译是什么样的，或者翻译的质量应该如例子所示。
另外，你要给出对于你所需要问的问题的一个区别。比如说，如果你想得到一个事实类的信息，比如搜索信息，就像我们刚才提到的法国的首都是什么，你可以直接问法国的首都是什么。因为你知道这个事实类的问题是唯一的，它会很快给出答案，并且你也知道这种问题不太会产生模糊性，所以可以直截了当地提问。因为这是一个事实类的问题。
5.4 区别问题的实质
第二个问题是，如果你的问题是一个推理性的问题，但并不期望一个固定的答案，这个时候你需要给出足够的背景条件，并明确你对回应的期望，才能得到答案。如果我们只是让 ChatGPT 自己进行推理，你要知道因为它的训练数据的多样性，有时会包含错误信息。所以你不希望模型被错误信息误导，这就是为什么我们要提供这些背景信息，以帮助模型找到正确的参数，给出你所期望的回应。
对于回应的要求也有一些技巧，比如你可以限定回应的格式。首先，我们看到一个提示是写一篇关于新冠疫苗的文章，字数为 500 字。尽管 500 字已经是一个限定，但这个限定还是相对较少的。看第二个提示，它更明确，要求撰写一篇关于新冠疫苗的论文，字数为 500 字，包括引言、背景、好处、潜在问题和结论等几个部分。这样，你就提前确定了文章的结构，使得 ChatGPT 更容易填写这几个部分，更符合你的要求。
5.5 限定回答的格式
提示三是简要解释水循环，但这个“简要”怎么定义呢？简要意味着清晰明了，但对于 ChatGPT 来说，这个要求略显模糊。这时，我们需要设定一个回答的格式，比如要求提供水循环的详细解释，包括各个阶段和过程，这样 ChatGPT 就知道从哪个方面给出回应。因此，限定回答的格式至关重要。在撰写提示词时，给出许多限制条件非常关键。提示一并没有提供这些限制条件。
5.6 给出限制条件
什么是商业招待装规范？我们只是想要一个通用的回答，但如果你能提供更具体的商业仪式信息，那么得到的着装规范会更符合你的需求。例如，商业招待装规范可以用于商务会议介绍或商务会议邀请。你希望这些着装规范使用正式的语言风格，而不是俚语或非正式语言。因此，你可以明确要求使用正式的语言风格，避免俚语或非正式表达。然后，为即将参加国际商务会议的专业人士提供 5 条着装建议。这里，“国际”是一个限制条件。确保建议适用于男性和女性，并符合一般的商务礼仪规范
5.7 给出例子
如果只使用提示一，我们只会得到一般的商务礼仪规范，而不能得到真正想要的答案。因此，在给出限制条件时也非常重要。刚刚提到的例子技巧有时非常关键，特别是在 ChatGPT 给出所期望答案时。例如，提示要求教授关于耐心的知识，随后用一首诗表达耐心的重要性。这种诗情画意的解释可以有效教导关于耐心的知识。如果你把这个提示输入到 ChatGPT 中，你可能会得到一首诗作为回答。
他用诗歌来讲述韧性为何如此重要。你可以尝试这样做，给出一个诗歌的例子，它会给出相应的回答。因此，有时候提示词的技巧对于获得期望的回答非常有帮助。你会发现，只要有现成的例子，这种提示词的技巧就非常有效。
5.8 根据回答修改提示
还有一个常用的提示词技巧叫做“Multi turn prompt engineering”，即多回合的提示工程。有时你可能不清楚如何构建提示词，可以先给出一个提示，然后根据回答再修改后续问题。例如，当你问关于运动对健康的好处时，可能会得到很多不同的答案，包括心血管方面的。你可以追加问题，询问有规律的运动对心血管健康的好处，或者是否有精神健康方面的好处。这就是多回合的提示工程。
5.9 让ChatGPT帮你
有时候你确实不知道该如何构建提示词工程，尤其是当你刚开始使用 ChatGPT 时，可能你意识到提示词工程的重要性，但并不确定具体方法。这时，ChatGPT 可以成为你的老师，你可以询问它：“我该如何编写提示词？”刚刚提到的 Multi-turn prompt engineering 允许你不断提问，直到得到满意的回答。
此外，当你提出一个问题但不确定提示词是否合适时，你可以询问 ChatGPT 给你一个建议，一个更好的替代问题。这是我常用的技巧，尤其是在我不熟悉的领域。你可以让 ChatGPT 提供一个更精准的问题或更恰当的提示词，然后继续提问。
假设你在撰写商业战略文档，希望 ChatGPT 帮助你制定战略。你提供了一个思考过程，但不确定它是否最佳。这时，你可以追加一个问题，询问 ChatGPT 是否有更好的思考方式。你可以提出这样的提示词：“请按照以下步骤思考商业战略。”
在给出背景信息后，描述商业战略思考过程，考虑竞争力和成本风险等因素。最后，陈述如果有其他方法可以得到更好的商业战略，列出最佳替代方案，并比较它们的优缺点。
在完成基本指令的同时，ChatGPT 可以自行思考，寻找更好的商业战略思考过程。有时你不确定如何提问或书写提示词，你可以让 ChatGPT 生成额外的问题，以更准确地回答之前的问题。最后，有时你可能会发现 ChatGPT 无法回答问题，可能是因为你的提问角度被误解，或者被误认为是在寻求非法或不道德的信息。
假设此时 ChatGPT 对你有误解，你可以请求其提供一个或多个能够回答问题的替代说法。有时候，ChatGPT 可能会由于其安全政策而无法回答你的问题，特别是涉及种族问题时。在这种情况下，你可以询问它如何更准确地提问以获得答案。
5.10 事实核查
另外，我们提到了事实核查问题，这在进行事实核查时非常重要，特别是当你期望基于事实回答问题时。在提问这类问题时，一定要附加一句话：“只有当你确信答案是正确并基于事实时才提供答案。如果你不确定，请不要回答。”这是因为在训练过程中，ChatGPT 倾向于试图迎合用户，有时即使没有正确答案，也会提供答案，因为用户期望如此。
如果你添加了限定条件，ChatGPT 会告知没有正确答案，或者你可以要求提供信息来源，这样你就能判断答案的准确性了。
有许多不同的提示词技巧，可能会令人头疼。当然，如果你想要 ChatGPT 成为你的工具而不是取代你的工作，你必须了解其工作方式，并主动控制其思考过程。
5.11 提示词并非越复杂越好
是否提示词越复杂越好？并非如此。有时候，存储一些好的提示词并根据不同类型的问题使用它们更有效。在2021年，Reynolds 和 McDonald 发表了一篇文章，探讨了这个问题。他们的实验发现，并非提示词越复杂越好，很小的变化也会对结果产生重大影响。尽管这个实验是关于机器翻译的，但我们可以在后续的提示词中发现更多技巧，以获得我们想要的答案。
让我来解释一下一个实验，它是关于机器翻译的，具体来说是将法语翻译成英语。实验采用了三种不同的格式来设置提示词。
首先是所谓的 “Zero shot”。这意味着直接提问，不提供任何背景信息。只需输入一个法语词，然后加上英语冒号，将提示词输入到 ChatGPT 中。ChatGPT 将显示相应的英语翻译。这种方式没有背景信息的铺垫。
第二种格式是 “n shot”。在提问之前，会提供很多法语和英语之间的翻译例子。你可以提供一个或多个例子，例如提供一个例子是 “one shot”，提供两个是 “two shot”，以此类推。
第三种格式是 “Master Translator”。它告诉 ChatGPT 一个角色定位，让它扮演翻译大师的角色，完美地将法语翻译成英语。这种方式要求 ChatGPT 完美地完成翻译任务。
实际上，这些任务的本质相同，但提示词不同会导致不同的结果。实验使用了一种叫做 BLEU 分数的指标来衡量翻译质量，以评估其与人类翻译的接近程度。分数越高越好。你会发现 “Zero shot” 没有提供任何背景信息的情况下，使用这种格式的得分达到了 R3.5。但实际上，“Zero shot” 提示词与我们通常使用的 “Zero shot” 提示词并不相同。举个例子，当 OpenAI 最初进行实验时，他们使用了简单的提示词，比如将法语翻译成英语，然后将法语词放在上面，结果并不理想。
这篇文章采用了一种不同的形式，即使是在 “Zero shot” 的情况下，将没有提供背景信息的提示词改为了冒号形式的提示词。这比仅仅将法语翻译成英语的提示词要好。我没有列出数据，但之前的得分可能在十几分，现在经过简单的 “Zero” 格式转变后，得分已经有了很大的提升。然而，如果在提问翻译问题之前提供了一个背景例子，分数反而会下降。因此，有时候这个例子并没有帮助。当提供了10个例子时，会发现它有所帮助，但这仅仅是在一个场景下的实验，因此不能将结论推广到所有的背景条件下。在法语和英语之间的机器翻译中，提供一个例子比不提供例子的结果更差。然而，与不提供任何例子相比，提供10个例子会略微提高结果，但基本上是相同的。因此，在某些情况下，提供一个或两个例子可能反而不利。
在最后一个实验中，我们发现当给予ChatGPT一个角色定位，并且对其完成任务的过程进行限制时，得分会提升，从23提升到26。然而，有趣的是，使用引号的“Zero shot”提示词和给予ChatGPT一个角色定位，但不提供任何背景信息的例子，得分反而更好。这说明，并不是提示词越复杂越好，而是在特定场景下，提示词的效果会有所不同。现在，所有的研究者都在努力理解背后的规律。因此，我将会与大家分享更多有趣的研究结果。
5.12 有趣的研究结果
另外，在2023年的一篇文章中，有人进行了一系列实验，使用了26种不同的提示词技巧来衡量其效果。这些研究结果非常有趣，可以供大家应用。例如，在与ChatGPT交互时，你不需要使用礼貌的词语，因为这些词语并不能提高回应的质量。你可以尝试用命令的语气来代替。另一个有趣的发现是，如果你告诉ChatGPT，如果它给出更好的答案，你会给它200块小费，这会显著提升回应的质量。你也可以尝试使用命令语气，比如问：“你的任务是什么？”或者“你必须怎么样？”有时候，这样的回应会更符合你的期望。此外，告诉ChatGPT如果它不能提供更好的答案，就会受到惩罚，也会提高回应的质量。这与它的训练数据有关，可能在某些领域内，惩罚和更好的答案之间存在密切联系。我不清楚这些领域是哪些，但你可以自己试一试。
在给ChatGPT下指令时，告诉它使用自然语言写的指令会更有帮助，尽管我们的指令本来就是用自然语言写的，但明确说明这一点会帮助ChatGPT更好地理解。此外，要在同一指令中重复使用同一个术语，而不是使用同义词或近义词来表达同一个意思。对于ChatGPT来说，这一点非常重要。因此，我们还在研究中，试图理解为什么大语言模型ChatGPT会具有这些技巧。但大家可以密切关注，了解这方面有趣的研究结果。
因此，除了在提示词工程方面，ChatGPT还提供了一些个性化定制选项。如果你有一些经常使用的提示词，你可以将它们保存起来。在ChatGPT的设置中，有两个问题可以定制，一个是：“你希望ChatGPT知道什么来提供更好的回答？”，另一个是：“你希望ChatGPT如何回答？”在这两个问题中，它都会提供一些思考问题，你可以提供答案，以后在所有的对话中，ChatGPT就会默认使用这些答案。比如你的工作是什么？你的角色是什么？你的爱好是什么？你想要达到什么样的目标？所有这些信息在以后的对话记录中都会被使用，这样它给你的回答就更符合你的背景设置了。
在第二个问题中，它会问你希望回答是正式的还是非正式的？你希望回答有多少字？大概记多少字，这不会很准确，会上下浮动。你想被怎么称呼？你希望ChatGPT对每个回答都有自己的看法，还是希望它保持中立？所以这些背景知识你可以加入定制中，以后在使用ChatGPT时，这些背景知识就会在你的谈话中和ChatGPT的交互中被使用，这就是一个定制方面。
那么ChatGPT还能做什么？实际上，现在它可以做的事情越来越多，特别是在使用ChatGPT GPT 4这个模型之后，包括图像处理、数据分析等。我给大家举几个例子。首先，有时我们可能要阅读一篇很长的文章，但没有时间去读。你可以让ChatGPT给你做一个总结。比如，你可以把文章链接放在提示中，然后要求ChatGPT给你做一个三句话的总结，即使是百度百科上的文章，ChatGPT也能迅速处理，并给出一个很好的总结。
06. 做总结
此外，对于GPT-4模型而言，你可以上传文件。比如，我有一篇名为“数据战略的攻与守”的长文。我希望ChatGPT可以用四句话来总结一下。我可以把这篇文章拖到上面去，然后用四句话来概括，它会很快地给你出来四句话，它的处理速度非常快。所以做总结是一个非常常见的应用场景，还有人试过查菜谱吗？比如你把这个菜的原料放进去，你可以让它给你三个不同的菜谱并提供出处。为什么要提供出处？因为有时候它会给你一个菜谱，其实是不可行的，所以你要确保这些菜谱是别人已经做过的。你希望是这样，那它会不仅提供菜谱，还会提供出处。按照这个最新的GPT-4模型，对于查菜谱来说还有一个更好的应用。你把你家冰箱门打开，然后你用相机去拍一张照片，假设的前提是你家的冰箱不是很拥挤，所有的菜在照片里都可以清晰地识别，假设说这个是前提，你把这个照片上传到GPT-4，那GPT-4，你问它我可以今天做什么菜？这个GPT-4的模型它就可以根据你的照片里的菜有什么给你安排菜谱？所以这个是很有趣的应用
07. 做幻灯片
做幻灯片，你可以用GPT-4模型来为你做PowerPoint的幻灯片。比如提示：你是一个大学的管理人员，写出VBA PowerPoint的代码，为了展示一个去日本东京的游学项目，需要8张幻灯片。最后一个幻灯片里的每个汉字用CHRW函数代替的意思是，因为如果你的office软件是本身的语言就是中文的话，你不需要最后一句话，因为我的这个office软件它是一个英文的软件，所以它不能处理汉字，因为汉字它只能处理这个code，所以汉字必须要用一个函数的一个数字来代替。
所以为什么我要加最后一个提示。它就会产生一个代码，然后给你产生一个VBA的代码。然后你打开一个新建一个PowerPoint文件，找到这个Visual Basic编辑器，点击插入模块，把ChatGPT产生的代码拷贝到新建模块里面。修改并删除保存演示文稿的模块，保存代码。我给大家简单试一下，我们要用这个第四模型，在它做这个时候，我打开一个幻灯片。基本做完了，我可以把这个代码复制一下，然后假设说我把这个关掉。比如我可以找到我的Visual Basic的编辑器，然后可以新加一个模块插入模块，然后把刚才这个代码复制在这个地方保存一下，以运行这个模块。我把我这个Visual Basic编辑器关掉。然后这个就是我用ChatGPT的代码来生成的一个幻灯片的一个模板，然后可以用PowerPoint它自己的模板的设置来为我每一个幻灯片来定一个背景，比如说每一个都可以选一下，它会按照我的内容会自动的去产生一个背景，你会很快的就做好一个幻灯片。这个是经常用的一个技巧。所以这个是一个做幻灯片方面的应用。
然后就是数据分析，因为GPT还是只能使用GPT-4的模型才可以做数据分析的功能，你可以上传一个数据文件，然后关于这个数据文件你可以问很多的信息，比如说给大家简单试一下，比如说我有CSV的文件，我可以把它拖到对话框，这是一个有很多关于工作机会的一个列表。
在上传之后，你就可以问它一些问题。比如，你想对每一列的属性有一个基本的了解，你可以要求简单描述每一列。然后，它会尝试猜测每一列的数据内容并描述给你。你也可以要求对每一列进行描述性分析，它会告诉你关于数值属性的最大值、最小值和平均值。此外，你还可以用它来绘制图表，比如，你可以用柱状图展示最热门的职位分布，你可以混合使用中文和英文。你还可以绘制年薪、小时薪和标准薪资的分布图。它会生成一个图片，你可以复制并粘贴到你的Word文档或其他文档中，非常方便。
在以前，你可能需要使用Excel来处理这些数据，并手动选择数据以及图表类型。现在，ChatGPT完全可以使用自然语言方式进行数据分析，你可以问它任何问题，它都可以根据数据给出最佳答案。由于时间关系，我就不一一展示了。但是数据分析现在非常广泛，而且有很多技巧，我希望在以后的内容中能够与大家分享更多。
这是我所用到的一些参考文献，包括一些最新的文章，还有一些YouTube视频。如果大家感兴趣的话可以来参考一下，作为你们学习的参考。
08. 问答
问题一：GPT 3.5和4.0有什么区别？
王刚教授：3.5是免费的，4.0有很多新功能，比如它可以处理图像中的内容，识别图像中的物体和文字，并用文字方式描述图像，这是一个很大的区别。另外一个就是它可以进行数据分析，你可以上传不同类型的数据文件，并用自然语言与其交互，自动生成图表，这是3.5和4的区别。还有一个很大的区别是，如果你是付费用户，3.5没有任何使用限制，但是4由于计算量巨大，对于月付费用户有一个使用限制，每三个小时只能发送40个指令。如果你确实需要在3小时内发送超过40个指令，还有一种方式就是成为API用户，这需要一定的编程基础，你可以通过API进行交互，费用是根据使用量计费，而不是按月付费。
问题二：请讲解一下团队版。
王刚教授：团队版是一个很大的突破，因为在ChatGPT 刚开始使用的初期，很多企业不愿意使用ChatGPT，主要是因为企业数据的保密性问题。因为所有与ChatGPT的交互，数据都会进入其训练数据，除非关闭分享数据功能，否则所有回应都会被模型训练使用。这对于企业来说是一个保密性方面的缺陷。为解决这个问题，OpenAI开发了企业版ChatGPT，确保企业信息不与ChatGPT的训练模型进行交互，保证企业数据仅在自身领域内维护，不与外界分享。
问题三：最快找到最佳答案，最合适的提示词是什么？
王刚教授：首先，这个问题非常模糊，因为最合适的答案取决于问题类型，是事实性还是推理性的问题？如何定义最合适或最佳的答案？这需要您告诉ChatGPT。因此，想要找到答案需要更多的使用技巧，刚才提到的提示词技巧和快速找到答案之间存在矛盾，因为写这些提示词需要时间，但至少可以帮助您找到相对最佳的答案。
问题四：如何看待学生使用AI完成作业和论文。比如，允许学生使用AI到什么程度？这是否违反学术规则？
王刚教授：这是一个更深层次的伦理问题。首先，我会谈谈个人经验，因为我主要教授网页编程课程，我鼓励学生使用ChatGPT来解决问题，但我不鼓励他们直接使用ChatGPT来生成作业答案。在做作业过程中，可能会遇到很多问题，比如如何使用特定词语？如何设置软件环境？如果有这些具体问题，我希望他们把ChatGPT只当作一个工具，就像Google一样，可以快速找到所需信息，作为完成作业的一部分。这是可以接受的，我允许这样做。
但我不允许学生将作业的所有要求都放入提示词中，让ChatGPT完全生成代码，因为这是可以识别的，虽然我不能说我如何识别，但这是可以识别的，所以我不允许这样做。长远来看，从伦理、道德和个人发展的角度来看，我们必须警惕被ChatGPT变成傻瓜。因为所有这些智能工具的出现，多少会让我们产生一种依赖感，有时我们拒绝思考，只是把问题交给他人或工具来完成。
这是我们人类被智能工具所取代的潜在威胁，这个威胁必须由我们自己来解决。所以，我认为在与这些大型语言模型进行交互时，我们必须成为主动的参与者，而不是被动的参与者。被动参与意味着不去思考，完全依赖ChatGPT和其内置模型来产生答案，而且我们对答案也没有任何评价机制，没有任何审核过程，这对整个人类来说都是一个前景非常暗淡的问题。
我不建议高中以下的学生使用ChatGPT来完成作业，因为年纪越小，依赖性可能越强。当然，教育专家可能有不同的见解，但我认为在基础教育阶段，不应该依赖大型语言模型生成式人工智能完成作业。过分依赖这种工具可能会损害基础生存技能和知识技能的建立。然而，当你积累了一定的知识，并成为某个领域的专家后，你可以利用ChatGPT或类似的大型语言模型生成式人工智能来提高生产力，增强工作能力，帮助企业实现效率最大化或成本最低化。
本文章/视频中嘉宾所表达的观点和意见仅代表嘉宾本人的立场，并不代表本学院的官方立场或观点。学院旨在提供一个开放的交流平台，鼓励多元和包容的对话，但不对嘉宾提供的相关信息、数据或结论的准确性、完整性或适用性负责。读者应自行判断并评估内容的可靠性，并在必要时寻求专业意见。
Kepha学院MBA项目 客座教授
- 目前是美国弗吉尼亚理工大学潘普林商学院商业信息科技系教授
- 美国亚利桑那大学管理信息系统博士
- 天津大学工业管理与工程学士
- 发表过超过110 篇学术论文，研究方向包括大数据和知识挖掘，网络及社交媒体分析等
- 教学方向以信息系统管理及开发为主
