人工智能以势不可挡的方式席卷全球。

所有公司，都在削尖脑袋想，如何在在产品、营销、运营、服务和管理上加持大人工智能的能力。

公司在卷生卷死的时候，有一批人已经偷偷在用大模型提（摸）效（鱼）了，如果你还停留在一句一句问问题的时候，就严重的凹凸了。

今天，特地开个文章，跟大家聊一聊，怎么样PUA AI 大模型，让 AI 又乖又漂亮的帮你出活儿。

为啥用 PUA 这个词？根据我的观察发现，大模型特别像人。本篇文章会从大模型的类型，大模型的使用缺陷以及 PUA 它的方法，三个方面聊一聊。

一、为什么说大模型像人

本号的一篇文章，详细介绍了大模型的底层原理 Transformer 。可以通过这篇文章快速回顾。

ChatGPT 会演化出自我意识吗？一文看懂LLM 大模型原理-Transformer

因为这样的学习机制，导致了大模型没有自己的意识，它不会有任何自己的想法。

只能从人类已经产生所有文字、图像等内容，学习文字规律，而且，按照你的提问，从原来的海量学习内容里判断，下一个字回答什么概率最高。

所以，用起来的时候，大模型会有很多像人的缺陷。

主要的缺陷有哪些呢？

• 幻觉（Hallucinations）：

  缺陷：LLM可能会生成与现实不符或完全捏造的信息。因为输出的是一个概率，所以，你问的任何一个问题都能被回答，但是都不一定保真。

  我捏造了广州市佛山一路 33 号这个地址。kimi 一本正经的帮我输出了粤菜餐厅推荐。

• 不可解释性（Interpretability）：

  LLM的决策过程往往是黑盒，难以理解其为何生成特定输出。大模型的背后，是各种 embedding attention 机制，由 N 张巨大的神经网络学习。输出的结果，完全不可解释。

• 不一致性（Inconsistency）：

LLM在不同时间或不同输入下可能产生不一致的输出。你问它的同一个问题，得到的答案肯定不会完全一样。

问第一遍，推荐 NO.1 的利苑酒家，推荐理由是 2024 年黑珍珠一钻。

再问一遍，加了个推荐菜品，片皮鸭、冰烧三层肉、麻香脆皮烧鸡。

• 适应性（Adaptability）：

  缺陷：LLM可能在特定领域或任务上表现不佳，特别是那些需要特定知识或专业术语的任务。

• 质量控制（Quality Control）：

  缺陷：自动生成的内容可能包含语法错误、逻辑错误或不恰当的表述。

  你说它错了，它会迅速滑跪认错。

• 

如果，你再安慰它没错，它又把原来的答案再翻给你看。是不是像极了唯领导马首是瞻的可怜弱小又无助的职场打工人。

二、大模型有哪些？

按照应用范围和专业程度，大模型可以分为通用大模型、行业大模型和企业大模型。下面将按照这三种类型，结合人的特性分别说明。

通用大模型

通用大模型就像一个记忆力超群的高中生，具备广泛的知识，能够参加各种学科的考试，但可能缺乏特定领域的深入理解和专业技能。

行业大模型

行业大模型就像经过大学/研究生训练的医学生，它们在通用知识的基础上，通过专业课程和实践，获得了对特定疾病的深入理解和治疗方法。

企业大模型

企业大模型就像在医院里经过专业职业训练的专科医生，它们不仅具备深厚的医学知识，还有针对特定病症的丰富经验和治疗方案，能够提供精准的医疗服务。 

• • 特点：通用大模型具备广泛的知识基础和处理多种任务的能力，它们通常在大规模数据上进行训练，能够理解和生成自然语言、执行基本的推理任务等。

  • 典型模型有哪些：如OpenAI的GPT系列、国内的 Kimi 、文心一言、通义千问

    等，都属于这个类型

  • 特点：行业大模型是针对特定行业或领域定制的模型，它们在特定类型的数据上进行训练，以满足特定行业的需求，如医疗、法律、金融等。

  • 典型模型有哪些：在医疗领域，IBM的Watson可以分析医疗记录和辅助诊断；在金融领域，有专门用于风险评估和市场分析的模型。

  • 特点：企业大模型是为特定企业或组织定制的模型，它们结合了企业的业务流程、数据和需求，以优化企业的运营和决策。

  • 典型模型有哪些：如Amazon的个性化推荐模型、Facebook的内容推荐和社交网络分析模型等。

至于大模型该怎么用好，规避天然存在的缺陷，留个坑，后面再开文章聊。