ChatGPT帮你写代码？人工智能ChatGPT之于Web3的几点思考

人工智能 AI 有人热情膜拜，有人畏惧如虎，AI 的发展已经进入高层面的快车道，技术更新迭代日新夜异，技术无罪也无善恶，曾经科幻未来的人机交流，共生共存如今在我们的脑海中已经有了轮廓的意识感想，科技是第一生产力，无人能脱离科技之外。

最新的聊天 AI-ChatGPT 一经上线就引爆了科技狂徒和 AI 探索爱好者的热情，不到一周用户新增过100 万，在与 AI 聊天中写代码，文档需求，感情治疗和离奇怪论成了搜索热榜，很多人陷入 ChatGPT 疯狂回答的循环中，就连其 创始人 之一的埃隆.马斯克（Elon Musk）也不禁感叹： 我们离强大而危险的人工智能不远了 。

ChatGPT 有什么神奇魔法，吸引这么多人疯狂传播？

ChatGPT 发展历程

Generative Pre-trained Transformer （GPT），是一种基于互联网可用数据训练的文本生成深度学习模型。它用于问答、文本摘要生成、机器翻译、分类、代码生成和对话 AI。

2018 年，GPT-1 诞生 ，这一年也是 NLP（自然语言处理）的预训练模型元年。性能方面，GPT-1 有着一定的泛化能力，能够用于和监督任务无关的 NLP 任务中。

虽然 GPT-1 在未经调试的任务上有一些效果，但其泛化能力远低于经过微调的有监督任务，因此 GPT-1 只能算得上一个还算不错的语言理解工具而非对话式 AI。

2019 年 GPT-2 发布 ，不过，GPT-2 并没有对原有的网络进行过多的结构创新与设计，只使用了更多的网络参数与更大的数据集：最大模型共计 48 层，参数量达 15 亿，学习目标则使用无监督预训练模型做有监督任务。

在性能方面，除了理解能力外，GPT-2 在生成方面第一次表现出了强大的天赋：阅读摘要、聊天、续写、编故事，甚至生成假新闻、钓鱼邮件或在网上进行角色扮演通通不在话下。在“变得更大”之后，GPT-2 的确展现出了普适而强大的能力，并在多个特定的语言建模任务上实现了彼时的最佳性能。

2020 年 5 月，OpenAI 发布了 GPT-3 ，这个模型包含的参数比 GPT-2 多了两个数量级（1750 亿 vs 15 亿个参数），它比 GPT-2 有了极大的改进。

GPT-3 在许多 NLP 数据集上都取得了很强的性能，包括翻译、问题回答和 cloze 任务，以及一些需要即时推理或领域适应的任务，如在句子中使用一个新词或执行 3 位数运算。GPT-3 可以生成人类评估人员难以区分的新闻文章样本。

2022 年初，OpenAI 发布了 InstructGPT，这是一个经过微调的新版本 GPT-3 ，可以将有害的、不真实的和有偏差的输出最小化。上线后 InstructGPT 更名为 Chatgpt。

未来还会有更为强大的 GPT - 4 ？ 是的，OpenAI 也曾经提出 GPT-4 的报告，它能够通过图灵测试，并且能够先进到和人类没有区别，除此之外，企业引进 GPT-4 的成本也将大规模下降。

ChatGPT 火爆现象的解析

OpenAI 官方称， ChatGPT 是在人类的帮助下创建并训练的，人类训练师对该 AI 早期版本回答查询的方式进行排名和评级。 然后，这些信息被反馈到系统中，系统会根据训练师的偏好来调整答案——这是一种训练人工智能的标准方法，被称为 强化学习 。

为了创建一个用于强化学习的奖励模型，OpenAI 也需要收集比较数据，其中包括两个或更多按质量排名的模型回复。

为了收集这些数据，OpenAI 收集了 AI 培训师与聊天机器人的对话，并随机选择了一个模型编写的消息，抽查了几个备选的回复，再让 AI 培训师对这些回复进行排名。

此外，利用这些奖励模型，这项研究使用近似策略优化算法对模型进行微调，并对这个过程进行了多次迭代。

ChatGPT 的火热突显了我们作为传统知识获取渠道的颠覆和便捷 ，过去知识的传播在于集中式被动授取，过程无聊且波动浮点过大，有好有坏，良莠不齐，ChatGPT 让我们看到了未来新的学习链： 数据库+AI 筛选+用户需求 .

AI 靠海量算力学习到海量的跨领域知识，虽然不够精确，却能大大节省人类通过“视觉+大脑”的读书培训认知时间消耗，如果能通过算法来识别答案正确与否（第一性原理），AI 将成为人类的全知导师、生产助手。

ChatGPT 存在哪些局限性

体验过 ChatGPT 的用户普遍反映 目前 AI 聊天反馈内容信息不准确，有时会给出看上去正确但荒谬的答案 、微调提问的方式会得到完全不同的答案、有时会反复使用某些句子，甚至提供了混乱的信息，拥有经历和专业知识的人一眼就看到其中的错误。

这些局限性具体表现为：

• 在训练的强化学习 （RL） 阶段，没有真相和问题标准答案的具体来源，来答复你的问题。

• 训练模型更加谨慎，可能会拒绝回答（以避免提示的误报）

• 监督训练可能会误导/偏向模型倾向于知道理想的答案，而不是模型生成一组随机的响应并且只有人类评论者选择好的/排名靠前的响应

ChatGPT 之于Web3的思考

ChatGPT 在寻找答案、解决问题的效率上已经部分超越了如今的搜索引擎，ChatGPT 或许在未来会改变我们获取信息、输出内容的方式，Web3对于 ChatGPT 都有哪些需求？

浅层需求

• 项目社群搜索：点对库精准需求筛选，可以提高赛道分类的选择效率，在精力分配上着重于热点和熟悉领域。

• 排名价格追踪:排名和价格在市场的不同阶段都存在浮动值和大变革，因个人需求和使用习惯无法追随各个 交易所 和平台的数据海洋，准确的内容输出加大了用户对数据的粘性。

• 知识分享：知识阶段的跨栏一般需要个人的勤劳和热情去突破，不同社群和内容的分类导致新群体用户的沉重感，先驱者们无法抽身高效传授经验，精准化内容输出能改变传统知识获取渠道。

• AMA 问答：项目路线图，白皮书，关键人物活动内容在 AMA 的问答式中能快速掌握，在项目和社区的开展都能面向更多不同的用户群体，在社区品牌 IP 的传播上起到 AI 客服功能。

• 需求指导预测：数据的对比筛选的结果远超个人情绪波动，数据能明确个人需求内容，并在不同段提升或减少资产账面，预测市场环境及未来走势，明显丰富的数据更能把握决定。

深度思考

• Web3内容生产：稳定准确的正向内容产出目前是Web3急需的，Web3宏大的世界里仅靠专业内容生产者提供服务内容显得比较单薄且缓慢，AI 在内容输出的较率和稳定性上将远超个人，无论是内容质量，画面呈现和沟通效率上。

• 智能合约 布署和 安全 审计：AI 在代码的构造上利用数据库的完整可以提供专业的开发参考范本和校验检查，当然在智能合约的开发上却不可完全依赖 AI 的程序式输出，毕竟独立项目的需求在于个人，不过安全审计是个反复检测和寻找漏洞修复的过程，AI 在利用数据的对比和筛查中能随时起到提醒和纠错的功能。

• 虚拟机升级：Web3使用区块链技术，而区块链的封闭特性无法及时反映外部信息，虚拟机的出现解决了将链外数据传输链内的空缺，但虚拟机提供数据的准确性和产生的信任感却得不到合理有效的验证时，AI 在这方面或许能改变其工作方式。

• 人才的流动和积累：Web3是下一代技术的全面升级，需要的区块链人才广泛且专业，但现在人才普遍沉淀于传统行业，在招聘和交流上，经常会因表达不明确和传统思维的禁固让人才不敢轻易踏入，而转身入行的新人们又苦于行业的信息冲击而烦恼，新技术和项目内容的快速迭代需要专业授与，AI 起到专业导师和图书宝藏的身份。

• 技术分享和共创：通过检测和积累技术成果，记录项目的成功经验并将其转化为理念，持续生成和输出，形成一个能与个人进行互动交流的共创领域，未来 AI 将作为个人工作组织的增幅效果，提高对创造性认知的理解，拓展科技的维度。

总结

人工智能 AI 在科技层的落地应用上体现出了强大的爆发力，AI 在生产效率的提升上进一步促进了个人能力和边界的进步，Web3是个新的领域，未来 AI 在Web3的赛道中可能爆发出哪些现象级的科技，这是一个充满想象的场景，我们拭目以待！

文章来源

『声明：根据央行等部门发布的《关于进一步防范和处置虚拟 货币 交易炒作风险的通知》，本文内容仅用于信息分享，不对任何经营与 投资 行为进行推广与背书，请读者严格遵守所在地区法律法规，不参与任何非法 金融 行为』