从去年年初，gpt横空出世，我就在持续关注且不断尝试在工作中使用，一直致力于把gpt从一个普通的问答自然语言模型转变为底层数据支持的生产力。

经过一年的折腾，这期间也接触和使用了很多国内的AI自然语言模型。有了一些心得和经验，但也发现了一些共性弱点。 其实，说实话，这些模型大差不差，价格也好，准确度也好，性能上，没有达到质的差距。所以我猜测他们的实现逻辑起码也都类似。弱点也自然都一样。

弱点介绍：

你给gpt一段原始功能需求描述，让其进行解析，最好在生成一些成果物，比如测试用例或者实现逻辑。gpt的确会给你生成一些最终结果，看起来似乎也还不错。

但如果你让gpt不要直接生成最终结果，而是生成中间过程的某一步的产出。你就会发现，gpt回答的一塌糊涂，不但不专业，甚至可能很糟糕。这个结果，我经过了很多测试，都确实有这个现象。

影响：

如果想把gpt的答案作为一些下游算法的入参，那是要相当难得，这意味着，要么你就单独使用gpt到底，要么就尽量别用。让gpt和固定算法函数结合在目前来讲不算个简单的好方案。

原因：

gpt的数据来源是综合学习，而这些学习材料的来源并不完整，大多是已经出现的互联网的最终答案，而非中间过程，这就导致gpt在中间实现过程这一块很弱。

举个例子：你问gpt，200X200 等于多少。她会直接秒答40000，但这个计算过程并非我们人类的去列竖式子，而是因为之前有无数人回答过这个问题，答案就是40000，所以gpt知道结果，并不知道如何得来。如果你问这个中间过程，那估计就得不到你想要的答案了。

再举个例子：考试的时候，一个差生抄了尖子生的选择题答案，虽然考试都得了满分，但是老师让差生上讲台黑板讲一下为什么选对，结果发现差生两手一摊...这就是gpt，所以如果作为你的程序中的中间部分，让其产生中间的某个过程成果物，那一定要留神，

解决方案：

把gpt按渐进式的办法引入到程序中，一开始，手工+算法占比很大，gpt做打下手的工作，比如对某个自然语言进行判断，返回结果就是1 or 0。这个过程中，本地再训练一个传统AI模型，让其学习和记录原始需求和中间结果的关系，把这个中间结果最终训练到和最终结果一样的准确度，最终和gpt相结合的方式，让gpt占比逐渐增大，稳一点。

当然，这个过程中会增加很多额外成本，比如要收集和标注结果等，AI的成长也可能不是很顺利。 但我相信，技术是不可能有止境的！没准过几个月，这个难题就解决掉了！

本文完...