如何通过 AI 工具提升工作效率？_ai提升工作效率

01 语言模型的前世今生

1.1 语言模型的由来

语言模型概念的提出者是贾里尼克，1972年，他正式离开康奈尔大学，来到 IBM，为自己的研究部门挑选了语音识别这个课题。

早期，科学家们主要是从语音学和语言学入手研究自然语言处理。贾里尼克和之前那些研究人员所不同的是，他不是语音学家，也不是语言学家，而是一个数学基础非常好的通信专家。

因此，贾里尼克的想法不受之前的限制，他以一种独特的视角来看待自然语言处理问题，即把它们都看成是一种通信问题。

根据香农确立的现代通信原理，所谓的通信，也被称为信道的编码和解码，无非是信息源先产生一个原始信息，然后在接收方还原一个和原始信息最接近的信息。

比如，你传输一句话，“中国是一个古老的国家”。在传输前要对它进行编码，但是，传输中一定会有噪音和信号损失，接收方接收到的编码可能会发生变化，这样就翻译不回原来的句子了。

通信系统会计算哪一种可能性的概率最大，然后把它选出来。只要传输中的噪音不是太大，而且传输的信息有冗余，我们就都能复原原来的信息。

不是让计算机学着人的做法去理解语言，而是最好能够让计算机计算出来哪一种语句出现的概率最大。这种计算自然语言每个句子概率的数学模型，就是语言模型。

一句话总结：语言模型是对人类的语言建立数学模型。

1.2 如何消除语义的不确定性

那遇到小概率的事件应该怎么办呢？

首先，利用更多的上下文信息，消除所有的不确定性。（第一代语言模型用的上下文信息就很少，但是到了GPT-3，就用到了前后2000个词的信息，包括标点符号等，都算成是词）

由于自然语言中有信息冗余，在这么多的上下文里，几乎就不存在不确定性了。这也是为什么今天 ChatGPT 产生的语句，已经很像人说的话了。但从本质上讲，它的原理依然是在很多种候选中，选择一个概率最大的句子。

一句话总结：提供更多的上下文信息。

1.3 模型的概率该如何计算

早期的语言模型只是看上下文，事实上，在生活中很多常见的说法都是有语法错误的，但是语言模型不考虑这种情况，它只是认为人们说得多的就是好的句子。

具体来说，就是统计在相同的上下文的条件下，每个词具体出现了多少次。因此，语言模型也被称为是统计语言模型，因为它的模型参数，也就是用来计算各种概率的参数，都是靠统计得出的。

今天对于语言模型参数的统计并不是简单的数数，而是要用很复杂的机器学习方法反复计算，统计在相同的上下文的条件下，每个词具体出现了多少次。因此，语言模型也被称为是统计语言模型。为了避免小概率事件所带来的噪音，我们能做的就是增加数据量。

一句话总结：出现次数多的就是好句子。

02 如何更好地向 AI 提出问题

2.1 为什么需要 Prompt Engineering

从根本上说，人类的语言其实是不精确的，目前机器还没法很好地理解人类说的话，所以了出现PE (Prompt Engineering) 的技术。这项技术就让可以通过更好提示词让 AI 给出好的答案。后面的内容我将提供一个工具去完成上面的提示编写。

2.2 语言模型的能力边界在哪里

1、信息形式的转换