本來準備一篇文章搞定的，發現能講的還挺多的。所以，先寫這一篇，后面再續！都是很重要的概念！

請放心，這篇文章不是ChatGPT 生成的。是我一個字一個字敲進去的。

ChatGPT 一下子火起來。不過，對于還沒有認真研究這個領域的做數字營銷的朋友而言，很多術語撲面而來，理解起來太費勁。

畢竟，我們做數字營銷，是ChatGPT 等AIGC技術的應用者，但不是開發者。可是，如果不了解重要概念，在應用時候就會難以真正理解背后的原理，就會被具體的功能牽著鼻子走，而難以有創新。

所以，下面這些“黑話”，以及背后的邏輯，我們有必要知道。

GPT

GPT是“Generative Pre-trained Transformer”

（生成型預訓練變換模型）的縮寫，目的是為了使用深度學習生成人類可以理解的自然語言。

理解人類自然語言的模型有多種，GPT只是其中的一種。另一種很著名的模型是BERT 模型（后面會講）。

GPT也不只是用在跟你“聊天”上的ChatGPT ，它還有更底層作為基座的InstructGPT 。

目前我們討論的GPT一般指的是GPT-3以及它的升級版GPT-3.5，但GPT目前已經到了第四版，也就是GPT-4 。

GPT-3 是由人工智能公司OpenAl 訓練與開發，該模型設計基于谷歌開發的變換語言模型（Transformer 模型，后面會提到）。OpenAI 于 2020 年 5 月發表了GPT-3 的論文，微軟在 2020 年 9 月 22 日宣布取得了GPT-3 的獨家授權。

所以，現在大家都說，微軟贏麻了，谷歌慌得了，就是因為ChatGPT 微軟的“勢力范圍”。

畢竟，如果所有人都找ChatGPT 問問題，而不在搜索引擎上搜索，谷歌的廣告業務不就芭比Q了嗎？

但，遲早人們可以用自然語言跟機器對話得到問題的答案。搜索引擎作為信息入口的功能，肯定會被既能直接提供答案，又能作為信息入口的GPT等新方式所取代。

生成式AI 和判別式AI

生成式AI ，就是幫你做東西的AI。判別式AI ，就是機器能夠幫助辨別東西的AI，也叫決策式AI 。

比如，ChatGPT，在你提問之后說話給你巴拉巴拉一大堆，這就是生成式AI。你讓一個作圖AI，按照你提的要求做個畫，這也是生成式AI。

生成式AI 為啥火，因為它能夠直接響應人，直接跟人交流，這是人們最期待的AI 方式。就跟《星際穿越》里面的TARS 機器人一樣。

判別式AI ，也挺重要的，典型的就是讓機器具有像人一樣的認識能力。比如，人工視覺、聽音識曲、自動感知后自動判別然后再自動決策等。我們數字營銷行業的營銷自動化（MA ），就很可以利用上判別式AI 。比如，自主判別某個用戶是否屬于高機會型潛在客戶，然后自動為他提供相應的商業信息或營銷誘餌。

生成式AI 和判別式AI 沒有孰優孰劣之分，它們是機器智能的兩個必備能力。就如同人，既要有判斷力，也要有創造力。既能有決定做不做一件事情的能力，也要有能夠把事情做出來的能力。兩種AI 就是對應的人的這兩種能力。

語言的材料。這個詞并不是在ChatGPT 等自然語言AI產生之后才產生的。例如，我們學習一門外語，也需要語料。畢竟，沒有人天生就懂一門自己從來沒有見過的語言。

我時常在想，當中國人第一次接觸英語的時候，是誰這么聰明，能第一個學會英語呢？肯定是一個“中外混血兒”，他的媽媽是老外，爸爸是中國人吧！

但事實上，并不需要這樣，據說最早學會外語的中國人是學者，或者應該說，最早學會中文的外國人是學者（南懷仁、湯若望這些），然后他們又教會中國人學會外語。他們怎么學會的？就是基于生活在中國（或者外國），而擁有了豐富的語料資源。

語料的英語是Corpus，字典上的解釋是：一套書面文本，特別是某一特定作者的全部作品或某一特定主題的寫作。

在ChatGPT 等模型中，語料被分解為Token 和各種向量關系，通過預訓練的方式，人們基于這些Token 和向量關系，建立起各種參數和模型，成為可被機器“消化、吸收”的原始學習素材。

所以，語料是ChatGPT的原材料，沒有語料，就沒有ChatGPT。

我這篇文章，未來就有很大可能成為某些自然語言人工智能模型的語料。

Token 是語言模型用于處理和生成文本的文本單位。我們通常認為，一個單詞就是一個Token，但實際上并不如此，比如OpenAI 算兩個token，分別是open和ai，再比如ChatGPT是chat 、g、p 和t 這四個token。

Token對ChatGPT至關重要，是ChatGPT理解和生成語言的最基本元素。

在用戶輸入一段話后，它使用一個分詞算法將每個輸入的單詞拆分成token 。例如，“Hello world！”將被拆分為3個 token ：[“Hello”，“world”，“！”]。“I’m hAppy