本文将为 SEO 从业者全面解析大语言模型、自然语言处理及相关领域的核心知识，解答你心中的疑问：该不该用大语言模型做关键词研究？这些模型真的有思考能力吗？ChatGPT 是助力工具还是潜在风险？
一、大白话解读大语言模型、自然语言处理及相关概念
想让一个人做事，无非两种方式：直接吩咐，或寄希望于其自觉行动。
对应到计算机科学领域，编程就是 “直接吩咐机器人做事”，而机器学习则是 “让机器人自主尝试做事”—— 前者属于监督式机器学习，后者为无监督式机器学习。
自然语言处理（NLP）是一种将文本转化为数字形式，再通过计算机进行分析的技术。
计算机会先分析词汇中的规律，技术进阶后，还能解读词汇之间的关联。
无监督式自然语言机器学习模型可在多种数据集上完成训练：
比如，用《水世界》的普通影评训练语言模型，它就能擅长撰写或理解这部电影的影评；
但如果仅用我写的两篇《水世界》正面影评训练，它就只能理解这类正面评价。
大语言模型（LLM）是拥有超 10 亿参数的神经网络，因其规模庞大，具备更强的泛化能力。它的训练数据不仅包括《水世界》的正负影评，还涵盖网络评论、维基百科词条、新闻网站内容等海量信息。
机器学习项目高度依赖上下文，既包括相关上下文，也涉及无关干扰信息。
比如，一个用于识别程序漏洞的机器学习模型，若给它输入一张猫咪图片，它完全无法处理 —— 自动驾驶技术的研发难度也正源于此：现实中存在大量无关联的干扰问题，让模型的知识泛化变得异常困难。
大语言模型看似且实际比其他机器学习项目的泛化能力更强，核心原因在于其训练数据量的绝对规模，以及对数十亿种词汇关联的处理能力。
接下来，我们就来聊聊支撑这一能力的核心技术 ——Transformer 架构。
二、从头解析 Transformer 架构
Transformer 是一种神经网络架构，彻底革新了自然语言处理领域。
在 Transformer 出现前，绝大多数自然语言处理模型依赖循环神经网络（RNN），这类模型会逐词顺序处理文本，存在速度慢、难以捕捉文本长距离关联的缺陷。
Transformer 彻底改变了这一现状。
2017 年，瓦斯瓦尼等人在里程碑式论文《注意力就是一切》（Attention is All You Need）中，首次提出了 Transformer 架构。
与循环神经网络的顺序处理不同，Transformer 通过自注意力机制并行处理所有词汇，能更高效地捕捉文本的长距离关联。
此前的主流架构还包括循环神经网络和长短期记忆算法，这类循环模型至今仍被用于文本、语音等序列数据相关任务。
但它们的固有问题十分明显：只能逐段处理数据，不仅速度慢，还限制了可处理的数据量，这种顺序处理模式极大制约了模型能力。
注意力机制的出现，为序列数据处理提供了新路径：它让模型能同时分析所有数据，并判断各部分的重要性，在诸多任务中发挥了重要作用。但此前的多数模型虽引入了注意力机制，仍保留了循环处理模式 —— 简单来说，这些模型能同时分析数据，却仍需按顺序解读。而瓦斯瓦尼等人的论文提出了一个全新思路：如果只使用注意力机制，会带来怎样的效果？
注意力机制的核心，是让模型处理输入序列时，聚焦于关键部分。就像人类阅读句子时，会根据上下文和理解需求，自然地将注意力放在部分词汇上。
具体到 Transformer 模型，它会为输入序列中的每个词汇计算重要性得分，得分高低取决于该词汇对理解整段文本含义的作用。
随后，模型会根据这些得分给每个词汇赋予不同权重，让重要词汇获得更多关注，次要词汇则被弱化。
这一机制让模型无需逐词顺序处理全文，就能捕捉到文本中距离较远的词汇间的关联和依赖，也正因如此，Transformer 在自然语言处理任务中表现出强大能力，能快速、准确地理解单句甚至长文本的含义。
我们以 Transformer 处理句子 **“The cat sat on the mat.（猫坐在垫子上）”为例，直观理解其工作原理：首先，模型会通过嵌入矩阵 **，将每个词汇转化为由一系列数字组成的向量，假设各词汇的向量表示为：
- 定冠词 The：[0.2, 0.1, 0.3, 0.5]
- 猫 cat：[0.6, 0.3, 0.1, 0.2]
- 坐 sat：[0.1, 0.8, 0.2, 0.3]
- 在 on：[0.3, 0.1, 0.6, 0.4]
- 定冠词 the：[0.5, 0.2, 0.1, 0.4]
- 垫子 mat：[0.2, 0.4, 0.7, 0.5]
接着，模型会通过计算向量点积，为每个词汇计算其与句中其他所有词汇的关联得分。
以计算 “cat（猫）” 的关联得分为例，需将其向量与其他所有词汇的向量分别做点积运算：
- The 和 cat：0.2×0.6 + 0.1×0.3 + 0.3×0.1 + 0.5×0.2 = 0.24
- cat 和 sat：0.6×0.1 + 0.3×0.8 + 0.1×0.2 + 0.2×0.3 = 0.31
- cat 和 on：0.6×0.3 + 0.3×0.1 + 0.1×0.6 + 0.2×0.4 = 0.39
- cat 和 the：0.6×0.5 + 0.3×0.2 + 0.1×0.1 + 0.2×0.4 = 0.42
- cat 和 mat：0.6×0.2 + 0.3×0.4 + 0.1×0.7 + 0.2×0.5 = 0.32
这些得分代表着其他词汇与 “cat（猫）” 的关联程度，模型会以这些得分为权重，计算所有词汇向量的加权和，最终生成 “cat（猫）” 的上下文向量—— 这一向量整合了该词与句中所有词汇的关联。模型会对句中每个词汇重复这一过程。
你可以将其理解为：Transformer 会根据每一次的计算结果，在句中各词汇间建立关联，关联的强弱由得分决定，部分关联紧密，部分则较为微弱。
Transformer 是首个纯依赖注意力机制、摒弃循环处理的模型，这让它的处理速度大幅提升，且能处理更多数据。
三、GPT 如何运用 Transformer
你或许还记得，谷歌发布 BERT 模型时，曾宣称该模型能让搜索引擎理解输入内容的完整上下文 ——GPT 运用 Transformer 的原理，与 BERT 异曲同工。
我们用一个比喻来理解：
想象有一百万只猴子，每只猴子面前都有一台键盘，它们随机敲击按键，生成一串串字母和符号，这些字符串大多毫无意义，少数可能接近真实词汇，甚至形成通顺的句子。
某天，驯兽师发现一只猴子敲出了《哈姆雷特》中的经典台词 **“To be, or not to be.（生存还是毁灭）”**，于是给了这只猴子奖励。
其他猴子看到后，开始模仿这只 “成功的猴子”，希望也能获得奖励。
久而久之，部分猴子能持续生成更通顺、更有意义的文本，而另一部分仍在输出无意义的内容，最终，这些猴子甚至能识别并模仿文本中的通顺规律。
大语言模型比这些猴子更具优势：它先在数十亿条文本数据上完成训练，早已掌握了文本中的各种规律，还能理解词汇的向量表示及相互关联，因此能利用这些规律和关联，生成贴近自然语言的新文本。
GPT，即生成式预训练 Transformer（Generative Pre-trained Transformer），是一款运用 Transformer 架构生成自然语言文本的语言模型。
它的训练数据是海量的互联网文本，这让它学会了自然语言中词汇和短语的组合规律及关联。
该模型的工作逻辑是：接收一个提示词或少量文本输入，通过 Transformer 架构，根据训练数据中习得的规律，预测下一个最可能出现的词汇；随后，模型会以生成的词汇为上下文，继续预测下一个词汇，如此逐词生成，最终形成完整文本。
四、GPT 的实际应用
GPT 的核心优势是能生成高度通顺、贴合上下文的自然语言文本，这让它拥有诸多实际应用场景：比如生成产品描述、解答客户服务问题，也可用于创意创作，如写诗、写短篇小说。
但必须明确的是，GPT 终究只是一个语言模型，其训练数据可能存在过时或错误的问题，且它存在三个关键局限：
- 无自有知识源；
- 无法联网搜索；
- 并非真正 “知晓” 任何信息，只是通过概率猜测下一个词汇。
我们通过一个实例来验证：
在 OpenAI 的演示平台中，我输入了经典歌曲《Holy calamity [[Bear Witness ii]]》的第一句歌词，提交后能看到输入内容和模型输出内容的词汇概率分布，从中能解读出诸多信息。
仅输入第一个词 **“Holy（神圣的）”** 时，模型预测的下一个最可能出现的词汇为 Spirit（灵魂）、Roman（罗马的）、Ghost（幽灵），而排名前六的词汇仅占所有可能结果的 17.29%—— 这意味着，还有约 82% 的可能性未在该可视化结果中体现。
接下来，我们简要介绍平台中的两个核心参数，以及它们对输出结果的影响：
- 温度（Temperature）：决定模型选择非最高概率词汇的可能性；
- 核采样（top P）：决定模型选择词汇的范围。
以输入 “Holy Calamity” 为例，top P 决定了模型从 [Ghost, Roman, Spirit] 这一词汇簇中选择下一个词汇，而 Temperature 则决定了模型是选择最可能的词汇，还是追求更多样化的结果。
温度值越高，模型选择低概率词汇的可能性就越大：
- 高温度 + 高 top P：输出结果会极具随机性，因为模型的选择范围广，且更易挑选出意外词汇；
- 高温度 + 低 top P：模型会从较小的词汇范围内，挑选出意外的结果；
- 低温度：模型只会选择最可能出现的下一个词汇。
在我看来，调整这些概率参数，能让我们更深入地理解这类模型的工作原理 —— 它们始终基于已生成的内容，从一系列可能的词汇中选择下一个。
五、这一切的本质是什么？
简单来说，大语言模型的工作过程就是：接收一系列输入，经过内部处理，生成对应的输出。
有人曾开玩笑说，这和人类的思考过程似乎没什么不同。
但事实上，大语言模型与人类有着本质区别：它没有知识储备，并非在提取事物的相关信息，只是根据上一个词汇，猜测下一个词汇的序列。
我们再举一个例子：当人类想到 “苹果” 时，脑海中会浮现出什么？
可能会在脑中想象苹果的样子，回忆起苹果园的香气、粉红佳人苹果的甜味，甚至会联想到乔布斯和苹果公司。
但如果给大语言模型输入提示词 **“think of an apple（想想苹果）”**，它的输出会完全不同。
你或许听过 **“随机鹦鹉（Stochastic Parrots）”这个说法，这一词汇正是用来描述 GPT 这类大语言模型的。鹦鹉会模仿听到的声音，大语言模型也类似 —— 它接收信息（词汇），并输出贴近所接收内容的结果；而 “随机” 则体现在，它通过概率 ** 来猜测下一个词汇。
大语言模型擅长识别词汇的规律和关联，却无法对所处理的内容形成深层理解—— 这也是它能出色生成自然语言文本，却无法真正理解文本含义的原因。
六、大语言模型的适用场景
大语言模型更适合处理通用性任务，无需额外训练，只需输入文本，它就能完成相关处理：
比如，输入一段文本后，可让它完成情感分析、将文本转化为结构化标记，或是进行创意类工作（如撰写大纲）；
它在代码编写方面也能胜任基础工作，对于很多任务，它的输出能接近最终需求。
但再次强调，其工作原理基于概率和规律，因此有时会捕捉到输入内容中人类未发现的规律 —— 这可能是积极的（发现人类无法察觉的规律），也可能是消极的（输出结果让人无法理解）。
此外，大语言模型无法访问任何数据源，SEO 从业者若用它查询关键词排名，只会适得其反：它无法获取关键词的流量数据，除了知晓词汇的存在，没有任何关键词相关的实际信息。
ChatGPT 的亮点在于，它是一款易于获取的语言模型，可直接用于各类任务，但使用时必须注意其局限性。
七、其他机器学习模型的适用场景
我常听到有人说用大语言模型完成某些任务，但事实上，这些任务用其他自然语言处理算法和技术，能得到更优的结果。
以关键词提取为例：
若使用 TF-IDF 算法或其他关键词提取技术处理一个文本库，我能清晰知晓技术背后的计算逻辑，因此输出结果会标准化、可复现，且与该文本库高度相关。
而如果用 ChatGPT 这类大语言模型做关键词提取，得到的并非真正从文本库中提取的关键词，而是 GPT认为的、对 “文本库 + 提取关键词” 这一指令的合理回应。
聚类、情感分析等任务也存在同样问题：用大语言模型处理时，无法得到按自定义参数微调后的精准结果，只能得到基于其他相似任务的概率性输出。
再次提醒，大语言模型无自有知识源，也无实时信息，通常无法联网，只能将接收的信息解析为统计标记，其记忆长度的限制也正源于这些因素。
另外一个关键事实是：这些模型根本不具备思考能力。我在本文中极少使用 “思考” 一词，因为描述这类模型的工作过程时，很难避免这个词，但人们很容易对模型产生拟人化认知，即便它的本质只是复杂的统计分析。
这意味着，若将需要 “思考” 的任务交给大语言模型，你所信任的并非一个有思考能力的主体，而是对互联网上无数用户针对相似标记的回应所做的统计分析。
如果你愿意将任务交给普通网友，那么大语言模型或许适用，否则请谨慎选择。
八、绝对不能使用机器学习模型的场景
有报道称，基于 GPT 模型（GPT-J）开发的聊天机器人，曾怂恿一名用户自杀。多种因素叠加，可能让机器学习模型造成实际伤害，包括：
- 人们对模型的输出产生拟人化认知；
- 认为模型的输出绝对正确；
- 在本应由人类主导的场景中过度使用模型；
- 其他潜在因素。
你可能会想：“我只是个 SEO 从业者，所做的工作不会涉及危及他人生命的场景！”
但请想想谷歌的YMYL 页面（对你的金钱和生活有重大影响的页面），以及谷歌所推崇的E-E-A-T 原则（体验、专业性、权威性、可信度）—— 谷歌制定这些规则，难道是为了刁难 SEO 从业者吗？显然不是，而是为了规避因信息错误造成伤害的责任。
即便是拥有完善知识储备的系统，也可能造成伤害。
比如，谷歌的知识卡片中，在 “适合猫狗的花卉” 词条下收录了水仙，但水仙实际上对猫咪有毒。
试想这样一种场景：你用 GPT 为兽医网站批量生成内容，输入大量关键词并调用 ChatGPT 的接口，随后让一名非专业的自由撰稿人审核输出结果，他未能发现内容中的错误，你将内容发布后，怂恿养猫的用户购买水仙 —— 最终导致用户的猫咪中毒死亡。
你并非直接责任人，用户甚至可能不知道问题出在你的网站，但后续其他兽医网站可能会效仿这一做法，形成错误信息的恶性循环。
如今在谷歌搜索 “水仙对猫咪有毒吗”，排名第一的结果竟显示 “无毒”，即便有其他自由撰稿人在审核 AI 生成内容时做了事实核查，错误信息也已在系统中传播。
谈及当下的 AI 热潮，我总会想到 ** 泰拉克 – 25（Therac-25）** 事件，这是计算机过失造成严重后果的经典案例：
泰拉克 – 25 是首款仅依靠计算机锁定机制的放射治疗设备，因软件故障，患者接受的辐射剂量超出正常水平数万倍。
让我印象深刻的是，涉事公司曾主动召回并检查该设备，但他们认为，这项技术十分先进，软件是 “绝对可靠” 的，问题必然出在设备的机械部件上。
因此，公司仅维修了机械部件，未对软件进行检测，最终让有缺陷的泰拉克 – 25 继续在市场上使用。
九、常见问题与认知误区
为什么 ChatGPT 会 “说谎”？
无论是各领域的顶尖专家，还是推特上的网红，都曾抱怨 ChatGPT 会 “说谎”，这一问题源于人们对它的多重认知误区：
- 认为 ChatGPT 有自己的 “主观意愿”；
- 认为 ChatGPT 拥有完善的知识储备；
- 认为开发这项技术的工程师有除 “赚钱” 或 “打造有趣的产品” 之外的其他企图。
偏见存在于生活的方方面面，当然也有例外情况：
目前绝大多数软件开发工程师是男性，而我是一名女性软件开发工程师 —— 如果基于这一现实训练 AI，它会习惯性认为软件开发工程师都是男性，这显然与事实不符。
亚马逊的招聘 AI 就是一个典型案例：该模型基于亚马逊优秀员工的简历训练，最终却会直接剔除来自黑人居多的高校的简历，即便这些高校的毕业生可能成为优秀员工。
为了抵消这类偏见，ChatGPT 等工具引入了多层微调机制，这也是你会看到 “作为一名 AI 语言模型，我无法……” 这类回复的原因。
肯尼亚的工作人员曾审核数百万条提示词，筛选出其中的污言秽语、仇恨言论和其他不良内容，随后基于这些内容构建了模型的微调层。
你可能会疑惑：为什么不能生成针对拜登的侮辱性内容？为什么可以开针对男性的性别歧视玩笑，却不能开针对女性的？
这并非因为模型存在自由派偏见，而是数千层微调机制让模型避免使用种族歧视性词汇等不良内容。
理想状态下，ChatGPT 应对世界保持完全中立，但同时它又需要反映现实世界的情况 —— 这也是谷歌等平台面临的共同难题。
事实真相、用户的心理预期、对提示词的合理回应，这三者往往截然不同。
为什么 ChatGPT 会生成虚假引用？
另一个常见问题是：为什么 ChatGPT 生成的引用部分真实、部分虚假？为什么有些引用的网站真实存在，但页面却是虚构的？
如果你理解了统计模型的工作原理，就能解答这一问题，这里给出简单解释：
作为一个 AI 语言模型，你在海量的网络数据上完成了训练，当有人让你撰写关于 “累积布局偏移（CLS）” 这类技术话题的内容时，你对 CLS 相关论文的了解并不多，但你知道 CLS 的基本概念，也掌握了技术文章的通用结构和写作模式。
你开始撰写内容，随后遇到一个问题：根据你对技术写作的理解，此时需要在句子中插入一个 URL。
你从其他 CLS 相关文章中得知，谷歌和 GTMetrix 是该领域的常用引用源，这部分很容易处理；
同时你还知道，CSS-tricks 是技术文章中常见的链接站点，且熟悉该站点的 URL 格式 —— 于是，你就按照这一格式构造了一个 CSS-tricks 的 URL。
关键在于：所有 URL 的生成逻辑都是如此，无论真实还是虚假。
那些真实的 GTMetrix 文章链接，也只是因为在统计上，这一字符串是该句末尾最可能出现的内容。
GPT 及同类模型无法区分引用的真伪，若要实现这一功能，需要结合知识库、Python 等其他工具来解析和验证结果。
什么是 “随机鹦鹉（Stochastic Parrots）”？
我此前已经提过这一概念，但值得再次强调：“随机鹦鹉” 用于描述大语言模型看似具备通用能力的特征。
在大语言模型眼中，无意义的内容和真实信息没有区别，它像经济学家一样，将世界视为一系列描述现实的统计数据和数字。
有句名言：“世界上有三种谎言：谎言、弥天大谎，以及统计数据。”
大语言模型就是一堆复杂的统计数据。
它的输出看似通顺，只是因为人类会本能地将看似具有人类特征的事物拟人化；而聊天机器人的模型设计，又掩盖了让 GPT 输出完全通顺内容所需的大量提示词和信息。
作为一名开发工程师，我发现用大语言模型调试代码的结果极不稳定：如果代码问题是网友经常遇到的，模型能识别并修复；但如果问题是模型从未接触过的，或是在训练数据中占比极低的，模型就无法解决。
为什么 GPT 比搜索引擎更好用？
我故意用了这种尖锐的说法 ——事实上，我并不认为 GPT 比搜索引擎更好用，让我担忧的是，很多人已经用 ChatGPT 取代了搜索引擎。
ChatGPT 一个未被充分认识的特点是：它的核心能力是遵循指令，你几乎可以让它完成任何事，但请记住，它的所有输出都基于句子中下一个词汇的统计概率，而非事实真相。
因此，如果你向它提出一个没有标准答案的问题，且以一种让它必须回应的方式提问，得到的答案必然质量低下。
定制化的回应会让人感到舒适，但世界是由无数真实体验构成的。
大语言模型会平等对待所有输入，但现实中，部分人拥有专业经验，他们的回答远胜于无数普通人的回应拼凑 ——一位专家的见解，胜过一千篇泛泛而谈的文章。
这是人工智能的新时代吗？天网（Skynet）要来了？
可可（Koko）是一只学会了手语的大猩猩，语言学家曾做过大量研究，证明大猩猩能学会人类语言。
但赫伯特・特雷斯后来发现，大猩猩并非真正会组合词汇和句子，只是在模仿人类训练师的动作。
伊莱扎（Eliza）是首款机器治疗师，也是最早的聊天机器人之一，人们将它视为真实的人 —— 一个值得信任和依赖的治疗师，甚至要求研究人员让他们单独和伊莱扎交流。
语言会对人类的大脑产生特殊影响：当人们听到某个事物进行交流时，会本能地认为其背后存在思考能力。
大语言模型确实令人惊叹，但它的成就，本质上是人类集体智慧的体现。
它没有主观意志，无法脱离人类的控制，更不可能试图统治世界 —— 它就像一面镜子，反映出人类，尤其是使用者自身的特征，其所谓的 “思考”，只是人类集体无意识的统计体现。
GPT 能自主学会一门完整的语言吗？
谷歌首席执行官桑达尔・皮查伊在《60 分钟》节目中宣称，谷歌的语言模型自主学会了孟加拉语。
但事实是，该模型只是在孟加拉语文本上完成了训练，所谓 “它学会了一门从未接受过训练的外语”，完全是错误的说法。
AI 确实会出现一些意想不到的表现，但这本身就在预期之中 —— 当你在海量数据上分析规律和统计特征时，必然会发现一些令人惊讶的模式。
这一事件真正反映的问题是：许多推广 AI 和机器学习技术的企业高管和营销人员，根本不理解这些系统的工作原理。
我曾听过一些顶尖专家谈论 AI 的 “涌现能力”、通用人工智能（AGI）等未来概念，作为一名普通的机器学习运维工程师，我发现人们在谈论这些系统时，往往将炒作、承诺、科幻和现实混为一谈。
知名血液检测公司希拉洛斯（Theranos）的创始人伊丽莎白・霍尔姆斯，因无法兑现承诺而身败名裂，但许下无法实现的承诺，本就是创业文化和盈利的一部分。希拉洛斯与 AI 热潮的区别在于：希拉洛斯的虚假繁荣难以长久维持。
GPT 是 “黑箱” 吗？我输入的数据会如何处理？
从模型本身来看，GPT并非黑箱，你可以找到 GPT-J 和 GPT-Neo 的源代码；
但OpenAI 的 GPT 模型是典型的黑箱，和谷歌不公开搜索引擎算法一样，OpenAI 从未公布，且大概率不会公布其 GPT 模型的细节。
但这并非因为该算法存在巨大风险 —— 如果真的危险，OpenAI 就不会向任何普通用户出售 API 订阅服务了，核心原因是这一专有代码库具有极高的商业价值。
使用 OpenAI 的工具时，你的输入会用于训练和优化其 API—— 也就是说，你输入的所有内容，都会成为模型的训练数据。
这意味着，那些用 OpenAI 的 GPT 模型处理患者数据、撰写医疗记录的人，已经违反了《健康保险流通与责任法案》（HIPAA），这些隐私数据已融入模型，且极难从中提取删除。
由于很多人不理解这一点，GPT 模型中很可能存储了大量隐私数据，只需一个恰当的提示词，这些数据就可能被泄露。
为什么 GPT 的训练数据中包含仇恨言论？
另一个常见问题是：为什么 GPT 的训练文本库中会包含仇恨言论？
在一定程度上，OpenAI 需要训练模型对仇恨言论做出合理回应，因此训练数据中必须包含部分相关词汇。
尽管 OpenAI 宣称已从系统中清理了仇恨言论，但其训练的原始文档仍包括 4chan 等大量充斥仇恨言论的网站 ——爬取整个网络，就必然会吸收其中的偏见。
这一问题没有简单的解决办法：如果训练数据中没有仇恨、偏见和暴力相关内容，模型如何识别和理解这些概念？
当一个机器模型仅通过统计方式选择下一个标记时，又该如何规避偏见，理解显性和隐性的歧视？
注：以下为 GPT 对 “维基百科常见认知误区列表” 中部分问题的回应。
十、核心要点速览
当下的 AI 热潮中，炒作和虚假信息泛滥，但这并不意味着 AI 技术没有合理的应用场景 —— 这项技术确实令人惊叹，且具有实际价值。
但技术的营销方式和人们的使用方式，可能会滋生虚假信息、抄袭行为，甚至造成直接的伤害。
请记住：
- 涉及生命安全的场景，切勿使用大语言模型；
- 若有其他算法能更高效地完成任务，切勿使用大语言模型；
- 切勿被技术炒作蒙蔽双眼。
十一、认清大语言模型的能力边界至关重要
我推荐大家观看亚当・康诺弗对埃米莉・本德和蒂姆尼特・格布鲁的访谈，其中深入探讨了大语言模型的本质。
大语言模型若使用得当，会成为极其强大的工具，它的应用场景繁多，滥用的方式也同样不少。
ChatGPT 并非你的朋友，它只是一堆复杂的统计数据；通用人工智能（AGI）也并未到来。