红杉资本创始人唐·瓦伦丁（Don Valentine）曾说：会提问比知道答案更重要。在对话式 AI 时代，会提问就是会设计和编写 prompt 。
ChatGPT 的横空出世，让人们见识到对话式 AI 的强大；而 GPT-4 的发布，更是让我们看到 AGI（通用人工智能）的曙光。「人工智能教父」Geoffrey Hinton 也在近期 CBS NEWS 的采访中表示：人工智能正处于一个「关键时刻」，AGI的出现比我们想象的更加迫近。
当人工智能范式的转变真的到来，21世纪的一项重要技能就很可能是「如何有效地与机器对话协作」，或者说——如何更好地进行「prompt」。OpenAI 创始人 Sam Oltman 也在今年2月21号发了一条 Twitter 表示：「为聊天机器人写一个非常棒的提示（prompt）是一项拥有极高杠杆的技能，这也是使用自然语言编程的早期示例」。在硅谷，Prompt Engineer 已经成为了一份高薪职业，年薪超过百万人民币。
本期播客是上期内容的延续，我们将继续围绕 ChatGPT 话题展开。不同的是，我们这期会聚焦一些，围绕 prompt（提示词）话题深入地聊聊如何使用 ChatGPT 及 AGI 时代的工具，如何在接下来的时代与 AI 更好地交流协作？本期我们非常有幸邀请到全球最大的基于 ChatGPT 的 prompt 社区—— FlowGPT 的创始人& CEO —— J 党嘉成，请他和我们一起聊聊 prompt 相关话题。
*本文是「出海相对论」第四期文字版，略有删改，搭配音频食用效果更佳。文章较长，超15000字，内容专业而具体，可以在微信读书模式，结合大纲阅读。
1. FlowGPT 的「 Flow 」代表了什么？
2. 从 prompt 切入进行大语言模型方向创业的原因
3. FlowGPT 的主流人群画像和用得最多的 prompt
5. 如何才能编写和设计一个好的 prompt ？
6. 一个花了600小时写出来的 prompt 什么样？
7. ChatGPT 及 AGI 工具对教育的影响
9. 怎么看「五年后我们可能不再需要 prompt engineering 」？
10. 怎么看 Foundation Model、fine-tune 和 prompt ？
11. 在 AGI 大航海时代，什么是创业团队成功的关键优势？
12. 在 ChatGPT 和 AGI 方向，国内和海外分别有怎样的创业机会
13. 怎么看「千人联名叫停比 GPT-4 更强大的 AI 系统训练」事件
14. 为什么说「当 AI 无限放大我们的创造力，限制我们的，只剩下想象力」？
Jay：欢迎来到全新对话类出海中文播客——出海相对论。大家好，我是Jay。
Jay：我们这期会接着上期的话题 —— ChatGPT 继续聊。上期播客我们和微软中国 CTO 韦青老师，微软 RD 卓桓老师从 ChatGPT 的各个维度深入展开，听众的反响也非常好。本期我们会希望和上期内容有所区分，当然哪怕是同样的话题不同人也有不同的观点，但我们这期会稍微聚焦一点，围绕 prompt （提示词）这个话题深入地聊聊：如何使用 ChatGPT 及 AGI 时代的工具，如何在接下来的时代与 AI 更好地交流协作？
本期我们也非常有幸邀请到 FlowGPT 的创始人和 CEO —— J（因与主播同名，为了区分我们统一叫他大写字母的 J ），请他和我们一起聊聊 prompt 话题。我们先请 J 和大家打个招呼，也简单介绍下自己的经历和 FlowGPT 这家公司。
J 党嘉成：大家好，我是 J 党嘉成，我之前是在加州伯格利大学读计算机，现在辍学全职创业。我是从2017年就开始关注 AIGC 相关的包括对抗生成模型（编者注：生成对抗网络（GAN）是一种深度学习模型，由 Ian Goodfellow 在2014年提出，可以帮助神经网络用更少的数据进行学习，然后用来识别和创建更好的神经网络）的项目，当时也读了非常多的论文。
FlowGPT 是一个能让大家去分享、探索和使用各种各样 ChatGPT prompt 的一个 UGC 内容平台。
Jay：我先问一个可能有点跑题，但我个人比较好奇的问题：你们为什么要叫 FlowGPT ？因为 flow 其实有很多含义，一个是我之前和佳芮也聊到的经济学的概念：stock and flow，库存和流量。库存是静态价值，是持久的；而流量是变化率，是有时效的。我当时说希望我们的播客是库存。
另一个 flow 的概念是「心流」，正好前几天在即刻上看了个帖子说：现在微软卖的不是效率，而是心流。我觉得有点道理。因为包括我们上期播客也聊到「iPhone moment」到来，很重要的原因就是当年（2007年）iPhone 出来时的早期用户爱不释手，一整天都在玩；而现在以 ChatGPT 为代表的 AI 对话和生成工具也吸引了很多全球各地的用户天天泡在上面不能自拔。
作为 FlowGPT 的 founder ，想问问你：
Q1：为什么叫 FlowGPT ？Flow 代表了什么？
J 党嘉成：我其实非常喜欢这个问题。我们对 flow 的定义是 AI 原生的工作流，它是一种全新的内容。我们认为 AIGC 有两种融入产业的形态：一种是+ AI ，指的是把之前以软件主导的工作流加上 AIGC 的模块来大幅度降本增效，比如 Notion AI，微软的 Copilot，还有 Adobe 的 Firefly。另一种则是 AI +，指的是通过多个大模型和 prompt 的协作组成的 AI 原生的工作流。一个比较有意思的例子是，前段时间 Twitter 有一个人用 ChatGPT 加 Midjourney 在一天内创作了一本绘本故事，然后放到亚马逊上去卖。我们觉得这就是一个最简形态的 flow 。
未来人们去做这件事，只需要给一个标题， ChatGPT 的某个 prompt 就会根据这个标题生成故事的大纲，而另一个 prompt 会根据这个大纲来生成一个给 Midjourney 用的这个图片的 prompt ， Midjourney 会以此生成一些插画，后面可能会有一个图生文的大模型，用这些插画写出非常多的环境描写。最下面是一个多模态的大模型，给所有生成的内容排版润色，最后输出一个完整的绘本故事的PDF。
这里面的每一个模块都是一个独特的「prompt +大模型」的一个组合，多个模块之间的协作形成了一个 AI 原生的一个完整的工作流，也就是一个 flow。要知道这个 Twitter 上的小哥本身是一个软件工程师，他没有任何的插画和写作经验。过去做这件事至少要3个人，他们可能分别会用 word、PS 和 Adobe ，现在你只需要会写 prompt ，会设计 flow 。
GPT 的原意是生成式预训练的 transformer ，在 ChatGPT 出来之后，它被大家泛化成一个生成器的意思。那么 FlowGPT 代表的就是 flow 这一内容的主要载体，用户会在上面去创建、探索并使用各种各样的 flow 。
Jay：我理解这个 flow 如果要带一个所谓「流」的概念的话，就是你说的「工作流」的概念。虽然跟我之前的想法有点不同，但我觉得是重新定义了 flow 。
其实 prompt 刚刚出现的时候，还没有被叫做 prompt，是那些 researcher ，研究者们为了下游任务设计出来的一种输入形式或模板，它能够帮助 PLM （预训练语言模型）「回忆」起自己在预训练时「学习」到的东西，后来慢慢地被泛化叫做 prompt 了。
有一篇21年7月的论文《Pre-trAIn, Prompt, and Predict: A Systematic Survey of Prompting Methods in Natural Language Processing》（论文地址：https://arxiv.org/abs/2107.13586）就很专业形象地把 prompt 的角色和价值写出来了。
现在进入了对话式 AI 时代， prompt 的价值更加明显，每个人在与机器对话的过程某种程度上都可以叫 prompt 。想问 J ：
Q2：为什么选择从 prompt 切入进行大语言模型方向的创业？背后的思考逻辑是什么？
J 党嘉成：我们一开始做了非常多的观察，看了很多 GPT-3 时代的应用 ，比如说 Jasper 、Copy.AI ，在 ChatGPT 出来之后，又出来了一堆这样的垂直应用，包括最近有非常多 AIGC 相关的这种 hackathon 出来了很多项目，在一个网站叫 futurepedia（编者注：futurepedia.IO） 上有非常多这样的例子。
它们其实本质上都是一个个 prompt 或者 flow 的套壳。我自己之前也做过一个 prompt 的小套壳应用，我发现本质上我是给几个精心设计的 prompt 做了一个 UI ，做了一个交互界面，然后封装成一个产品。对于那些没有自己的行业独特数据或者大模型的公司来说，他们其实都是在出租 prompt 来获取价值。那么问题就在于 prompt 到底是一个商品还是一个内容，我们觉得它更是一个内容。
佳芮：基于这个内容是否可以展开多聊一聊，包括之前我听你跟我讲过还有人在 Instagram 上打包去卖 prompt 。
J 党嘉成：对，这就是为什么我们觉得首先 prompt 是需要被随时迭代的，它需要随着大模型本身的版本提升进行迭代。其次 prompt 它其实有另外一个概念叫做「解决方案」，有无穷无尽的使用场景，需要靠 prompt 去配对和解决。
所以我们觉得 prompt 一定需要有一个开源社群、一个 UGC 平台不停地去维护、去迭代，然后去探索各种各样的 prompt ，而不应该是被一个专业平台自己去创建，自己去运营，然后把它打包起来卖给别人或者出租给别人。
Jay：因为 prompt 在这个新的对话式 AI 的时代，或者说 AGI 的时代是一个入口级的东西，人人都需要会用，也会成为一个基本的技能，这就需要群策群力，发挥大家的创造力，让 prompt 这件事情变得更加容易，更加方便。同时像你们这样的，不管是叫 prompt 社区也好，还是说是一个 prompt 工具也好，可以发挥它更大的价值。
我也进了你们 FlowGPT 的官网，看到有很多的分类和场景，比如说提创业想法、写论文、简历编辑，包括写博客、写求职信等等，我感觉社区还蛮活跃的。也比较好奇：
Q3：FlowGPT 上的主流人群画像，以及用得最多的 prompt 场景分别是什么？
J 党嘉成：主流的人群画像其实是一些年轻人，就是25岁以下的一些人群，用得最多的 prompt 也是他们常用的场景，比如说求职和学术这样一类的 prompt 。
佳芮：但是我们看到点赞最多的可能反而不是这些，但是可能大家用的主要是这些对吗？
我前一阵刚刚出品了我的 ChatGPT 公开课，其中很重要的一部分就是专门讲的 prompt 的，而其中大部分的案例都是来自 FlowGPT ，比如说有一篇叫「如何不被 Elon Musk 炒掉」？还有一篇是「生成一个 B2B SaaS 的创业想法并做一个融资 BP 」，它直接生成了一个10页的 PPT ，包括行业问题、解决方案、市场规模、客户增长、竞争格局等等。甚至当我说「如果我去 YC （编者注：全球最大创业孵化器，孵化了 Dropbox、AIrbnb 等，OpenAI 的 CEO Sam 曾是 YC 总裁）面试，能不能给我相关的问答 」等等，还有一篇是「 ChatGPT 情人节约会指南」…… 这些我在做公开课和行业分享的时候，大家都特别感兴趣，所以也想请 J 来更详细地给我们
Q4：分享一些比较有趣的具体的 prompt 案例
J 党嘉成：我之前举的那个 flow 的例子，就是一个我觉得非常有意思的案例。其实 Twitter 上有非常多这样有趣的例子，比如说我觉得最好玩的是有一个 prompt ，它的名字叫 Hustle GPT ，是让 ChatGPT 变成你的老板，然后你给它 100 块钱的本金，然后让它命令你去做各种各样的事，命令你怎么样从零到一创业开公司。
当时那个老哥就是一边去用这个 prompt 一边分享。ChatGPT 让他做了一个环保主题的网站，去卖各种各样的周边产品，然后 ChatGPT 教他怎么样用 DALL·E 2 设计这个网站的 logo，甚至给了 DALL·E 2 的 prompt 让他直接放入这个模型里面。然后它还教他怎么样去写一个网站，给了他一部分的源代码，让他很快就把这个网站搭好了。甚至还告诉了他应该怎么样去融资，帮他做了一个融资商业计划书的 PPT 。一周后他真的融资了，获得了一个天使投资人的投资，他现在公司的估值是 25000 美金。
其实我自己在平时做项目的时候也会写一些 prompt 问 GPT-4 一些创业相关的问题，它的回答也让我觉得非常有水准。
佳芮：可以分享几个你问的创业相关的问题，也让我们的听众和读者朋友们感受一下。
J 党嘉成：比如说就是我觉得常见会遇到的一个问题就是你下一步该做什么，你现在应该专注于什么事？然后当时我把我们现在公司的一些数据，我们有的一些资源，我们现在几个主要的任务作为一个 prompt 里面的 context 塞给 GPT-4，然后说：你现在要假装你是一个非常专业的创业者，你之前做了三四个上市公司，你非常懂怎么样去创业融资，然后你要想办法去尽可能地利用这些资源，在最快时间内去做你的用户增长。然后我接下来该怎么做？给我一些详细的 plan 。
这样它肯定会列出来，虽然有些 plan 不太通顺，但是有些 plan 我觉得是非常好的 insights 。
佳芮：我们知道你最近也刚刚 close 了一轮融资，那你这一轮融资也是用了很多 GPT-4 告诉你的答案回答投资人的问题了吗？
李佳芮：确实，自己先用起来之后，会越来越加深对 prompt 的理解。
红杉资本创始人唐•瓦伦丁曾说，会提问比知道答案更重要。而和 AI 对话，会提问就是会编写 prompt 。
3月底也就是最近，Lex Fridman 发布了他与 Sam Altman 的对话播客和视频（编者注：Lex Fridman 是一名麻省理工学院的研究科学家、人工智能研究员，同时也主持同名播客）。他在播客里问 Sam Altman 是否能谈谈如何编写和设计一个好的 prompt ，而 Sam Altman 表示自己不擅长这个。但他见过一些擅长这项技术的人，他们几乎把这种创意当作是调试软件。有些人甚至每天花12个小时、持续一个月不间断地研究这个。
Lex Fridman 认为我们在与人交流时也是这样做的，在与人互动时，我们会试图找出哪些词能从你的朋友或者伴侣身上挖掘更多智慧。面对 AI ，你也可以反复尝试，进行实验。
Sam Altman 对此表示：无限的对话回合可能是（编写设计好 prompt ）的一个很重要的方法。
虽然 Sam 本人自己说不太擅长prompt，但他认为不停地对话、不断迭代优化是重要的，这也和他的创业理念一致，这个话题我们待会再详细聊。
Sam Altman 也在今年2月发布过一则 Twitter 说：「为聊天机器人写一个非常棒的提示词是一个非常高的技能，这也是使用自然语言编程的早期例子」。
Q5：作为一个「Prompt Playground」的创始人，分享一下如何写出一个好的 prompt ？
J 党嘉成：我觉得我来分享不够有代表性。我们其实和100多个每天都会写 prompt 人做过访谈，我们甚至跟一个花了600小时就去不断优化一个 prompt 的人聊过很多，发现大家对好 prompt 的定义其实是各不相同的。
有人说 prompt 应该更像代码一样变得结构化，有人说 prompt 应该保持自然语言的形态越简单越好，我们自己觉得要写好 prompt 必须得理解要解决的问题，知道好的答案长什么样。需要不断实验，不断在 prompt 内提供更多的规则和限制信息，不断迭代优化，最终才能获得一个比较好的效果。
这也是为什么我们觉得 prompt 更应该是一个内容，因为你有过的问题，大概率另一个人也遇到过一模一样的问题，并且通过设置一个 prompt 解决了，非常像知乎和 Stack Overflow 上的问题。和回答的逻辑不同的是， prompt 这个内容是可以被后来的人不断优化和迭代改进的。
佳芮：刚才你讲到和写过600小时 prompt 的人交流，是否有一些比较好的 insights 可以跟我们分享的？
J 党嘉成：他不是写了 600 小时的 prompt ，他是写一个 prompt 写了600小时，他花了600小时的时间就为了去把一个 prompt 写得更好。
J 党嘉成：这个 prompt 非常神奇，他把它称作是世界上第一个给 prompt 用的一个框架。我们在编程的时候会有各种各样的编程框架，然后编程框架会让我们写代码的时候更有规模效应，可以让写的代码更容易去被读。他就是做了一模一样的事，但是在 prompt 上。他用自然语言去设计了一个专门用来写 prompt 的框架，然后这个框架有非常多的规则，他自己设计了非常多的像编程里面的函数，然后你可以用这种 prompt 的形式自己去调用。
他还给这个框架写了一个文档，可以把文档的 link 也给到大家。
文档链接：https://docs.google.com/document/d/1oufQ_tSN5S23cqUqq0Lre2R-Hoe1TEZELXAvazBXD_8
他这个东西可以让任何一个人在用完这个框架之后，可以非常快速地写一个非常结构化的 prompt ，这个 prompt 可以非常轻易地被之后的人去迭代，去协作。
当时这个东西出来之后，也在社群里面引起了非常多的讨论。大家就觉得非常神奇，有的人觉得他非常蠢，但是有人觉得这是一个跨时代的产物，也引起了非常多的讨论。我觉得最令我惊讶的是这个人他只有16岁，包括整个社群里面各种各样的去研究 prompt ，每天写 prompt ，每天去讨论的人，他们都非常年轻，很多人甚至都开不起 ChatGPT Plus。我觉得能够跟他们一起去研究这个东西，给他们提供一些东西，我是非常开心的。
佳芮：很震撼，我觉得这个就相当于做了一个 prompt 框架，可以把它类比成像做了一个Node 的 Express（编者注：一个属于编程语言 Node 平台的 Web 应用开发框架，通过提供一系列强大特性，帮助开发者创建各种 Web 应用），类似在代码世界里边做一个框架，即开即用，并且能够让其他人直接开始使用，帮其他人快速开启。我可以这样理解吗？
佳芮：太棒了，我觉得 ChatGPT 真的是开启了基于自然语言的编程。
有一些学校我们看到同意学生用 ChatGPT，甚至鼓励学生去用 ChatGPT 辅助学习；但有一些学校明令禁止使用 ChatGPT 来写作业。刚才你也聊到了使用 FlowGPT 的人，很多的人都用来写作业，我觉得这个还蛮有意思的。
在上一期播客我们也聊到了教育的话题，有一个特别火热的垂类是少儿编程。少儿编程的本质是什么呢？其实我觉得教的是数理结构和逻辑。如果一定要让孩子去编译通过一个 C++ 的程序，其实这个意义并不是很大，因为其实还有很多稀碎的东西要去做，而这些事情对于一个小朋友来讲没有特别大的意义。如果能够在教育上教会孩子怎么提问，教会他获取答案的方法，我觉得这个是非常有意义的一件事情。也想请 J 来聊一聊：
Q6：以 GPT 为代表的 AGI 工具对教育行业的影响是什么？
J 党嘉成：说到少儿编程课，我其实还蛮同情各位家长的，很多小朋友他们编程课还没上完，软件工程和编程思维就不再被需要了，因为可以直接用 ChatGPT 来写代码了。
以我自己的经历来说，我觉得 ChatGPT 对学校里的通识教育影响其实没有那么大。我其实从小学到大学学到的内容，包括我周围的同学，他们都觉得真正实用的东西其实非常少，教给我们更多的其实是各种各样的能力。思维方面我不太确定，我不觉得学校里之前教给我什么独特的思维。
对于从小就学习怎么写 prompt 这一点，我持一个保留态度，因为我觉得 prompt 不像编程一样有既定的规则， prompt 更像一门自然科学，它有一定的逻辑，但是大多数的知识和方法论需要通过不断地实验、不断地尝试去归纳总结才能得出。包括其实我之前大学里面有非常多的博士生也会去经常研究 prompt ，甚至发了很多的研究报告和论文，现在大部分的这种 prompt 的技巧都是以这种方式找到的。我觉得教育最重要的还是培养个人能力。
佳芮：那我们再进一步聊一聊 prompt 的更高阶的内容。最近有几个高阶的说法，比如说一种就是思维链，就是 ChAIn of Thought ，这个词第一次提出是在2022年的1月，由前任的 Google 大脑研究院的 Jason Wei（现已加入 OpenAI ）提出的，聊到用思维链生成更详细的中间步骤，并且提高最终结果的准确率。它也可以描述一个人的思维过程或者逻辑。
比如说一个问题，你要分几步，第一步把这两个放在一起，第二步把那两个放在一起，第三步把它们两个加起来，所以最后一步你得到了什么结果。
还有一个 prompt 高阶是我们在 GitHub 上看到一个特别棒的开源项目叫 LangChAIn（编者注：一个用于开发由大语言模型驱动的应用程序框架，通过可组合性使用大型语言模型构建应用程序）。
LangChAIn 地址：https://github.com/hwchase17/langchAIn
有很多人都在讨论，我也觉得很有意思。就是相当于你告诉它一些工具，然后再提问。比如说你现在有 Python ，然后我需要做哪些事情，然后你告诉我怎么去输入，我怎么去拿到我的输出，紧接着 ChatGPT 会给到一个输入。
这也有点类似于刚才你聊的 ChatGPT + Midjourney，就是我要生成一个图，我先让 ChatGPT 告诉我给 Midjourney 的这个输入是什么，然后它告诉我结果以后我再去做下一步的事情。相当于用一些工程手段做成了一个 pipeline，去解决一些实际的问题。所以：
Q7：作为 prompt 资深玩家能否聊一聊 prompt 的高阶玩法？
J 党嘉成：其实思维链和 LangChian 的 prompt 链、 prompt pipeline 还是有非常大的区别。思维链更多是在单个 prompt 内，通过把逻辑链聊清楚的方式去引导大模型去跟随这个逻辑链条，目的是让大模型更好地理解，更好地回忆起之前被预训练的数据；LangChian 上的这些 prompt 链更多的是我们刚刚讲到的 flow，目的是构建更大规模、更复杂的工作流，解决更细分、更困难的问题。
佳芮：所以其实包括你刚才分享的案例，就是我们怎么去创业的 hustle GPT，更像你说的 flow，更多其实是这个 prompt 链，然后去解决这个问题是吗？
J 党嘉成：对，其实像 hustle GPT 就是上一个 prompt 的输出，就是下一个 prompt 的输入。比如说这个人在用这个 prompt 的时候，会不断地给到 ChatGPT 上一个命令之后的反馈，然后下一个 prompt 就会让 ChatGPT 根据这个反馈 ，还有之前给到的这些背景去决定下一步该做什么事。
这其实只是一个这种 prompt 链的一种比较单一的方式，我们觉得未来的 prompt 链，或者说我们把它叫做 flow ，它更应该是不同大模型加上不同 prompt 之间的一个协作。比如说我刚刚说的那个 ChatGPT + Midjourney，再加上多模态模型这样的一个协作或者说工作流模式。
最近 ChatGPT 刚出的插件市场，插件市场其实也可以成为这种 prompt 链条中的一环。比如说我刚刚说的 hustle GPT，它就可以连上各种各样的插件，去用各种各样现在已有的软件，直接和现实世界接触。就不需要有一个人去帮它作为一个相当于和现实世界的接口，去帮它做各种各样的事。
所以就是理论上随着 prompt 或者说这个 prompt 链，也就是flow，大家对它的探索越来越多，研究越来越多，我觉得会出现越来越多的这种自动的 hustle GPT，意思就是它会自动帮你赚钱，自动拿本金去搭网站，然后自动拿网站去融资，自动帮你赚钱的这种机器人都会存在。
佳芮：顺着刚刚你聊到的内容，也想让你来分享一下另一个问题，就是虽然 GPT-4 能够输入的 token 量大了很多，但其实还是有很大的限制。刚才我们讲到 prompt 链，受限于它的输入限制，最终它可能还是会丢掉很多内容，因为如果当它的内容很多的时候，我们可能最终会被迫丢掉一些上下文。这个问题你之前是怎么解的？
J 党嘉成：这个之前有一种方法叫 Vector Embedding，意思就是比如说我之前想要去 summarize 、概括一本书，但是这本书的内容很长，没有办法被内存放得下，大家的做法就是用多个 prompt 把这个书的每一页先概括一下，概括成一句，相当于把原来这个比较长的内容分段压缩成一句话的内容。然后一直压缩一直压缩，直到这个加起来的内容是在这个限制之内的，就可以去 summarize ，有点像一个递归算法。
佳芮：其实我们自己做的一款产品也在用类似这样的方式，然后包括 ChatPDF 前一阵也特别火，好像都是用类似这样的方式。但如果说持续特别多的情况下，就还是不停地压缩对吗？
J 党嘉成：对，但是我觉得当下这只是一个中间状态。随着 GPT 慢慢迭代，慢慢更新，再随着这种框架的出现，我觉得这个问题之后不会存在。
我们可以拿代码做一个类比，代码刚出来的时候没有什么高阶的编程语言，它更多是这种机器语言，包括它的载体电脑本身的内存也比较小。所以一开始的软件都是比较简单的这种「大砖块」，比如《贪吃蛇》这种软件。但是随着越来越高级的编程语言、编程框架的出现，比如说像刚刚说的 Express ，再随着电脑本身的硬件提升，它的内存越来越高，软件的复杂度、能解决的问题其实是越来越多的，然后才有我们现在这样的一个互联网软件时代。
所以我觉得如果以一种长远角度来看的话，这个问题在未来是不会存在的。
佳芮：我觉得这是一个很棒的比喻，把今天 ChatGPT prompt 的输入限制比喻成电脑刚出来时候的内存，电脑的内存未来会变得越来越大，大到我们后面就会忽略内存限制的存在，所以未来就不会存在这样的问题。
J 党嘉成：对，包括本身你去写的代码也可以越来越精简。因为随着 GPT 对 prompt 理解能力不断提高，这种理解力提高更多的是依赖这种研究上的努力；工程上的努力就是包括刚刚说的那种 prompt 的框架，就可以让大家写更简洁的 prompt ，可以把一些经常用到的 prompt 定义、压缩成一个个小的函数，可以在写 prompt 的过程中调用。
佳芮：刚才我也想到了，最后会有很多预置好的函数，相当于出厂就有一堆函数。
J 党嘉成：当然这个框架可能也像我们今天这样，有各种各样不同的模式。有的是写网站的框架，有的是写后端的框架。我觉得可能之后有的框架是营销行业的框架，有的框架是帮你写游戏的。
我也看到一些游戏引擎的 prompts 在 GPT-4 里面，就相当于用文字的模式设计游戏引擎，然后你可以用这种预设好的各种各样的函数去搭一个游戏出来。
如果大家感兴趣的话可以去 Discord ，里面有各种各样这样的 prompt 被分享出来，FlowGPT 上也有很多。
Jay：现在有个说法是：会 prompt 的人就像打字机刚刚发明出来时候的打字员，在当时他们可以胜任新的工作。包括我看到有个招聘，海外 prompt engineer（编者注：提示词工程师，以自然语言编程的一种职业）的年薪已经到25万到33万美金了。
但是正像打字员当时的生命周期一样，也有说 prompt engineer 可能是某个阶段的产物，或许未来会成为每个人的基本技能，或者说 prompt 这件事情也会变得越来越容易。
因为去年9月，LinkedIn 创始人，他也是 OpenAI 的早期投资人， Reid Hoffman 有一场和 OpenAI CEO Sam Altman 的对话。我看到现场有观众提问：未来会不会出现垂类AI初创公司，专门为具体产业调整基础模型？提示词工程（编者注：Prompt Engineering，修改向 AI 输入的任务描述，使 AI 的输出结果更符合用户的需求）将来会不会成为企业的内部职能？
Sam Altman 说：五年后我们将不再需要提示词工程，或者只需在这方面做少量工作。将来的 AI 系统不会因为增补了某个特定词就会产生截然不同的输出，而是可以较好地理解自然语言，用户只需以文本和语音形式输入指令，即可让计算机完成图像生成、资料研究、心理咨询等复杂任务。在这方面想请问 J ：
Q8：怎么看「五年后我们不再需要 prompt engineering 」这个话题？
J 党嘉成：对，那个访谈我也看了。然后我记得当时 Sam 指的是用某个特定词，特定的 magical word （魔法词）写出更容易被大模型理解的提示词，来得到更好的效果。
比如说我想让它写一篇文章，那我就可以说我想要一篇非常非常好的文章，我把「非常」重复很多遍，然后就不知道为什么这个结果就突然变好了。Sam 指的更多是这个 prompt engineering 很快就会消失。
我们自己也发现随着大模型本身对 prompt 理解能力变强，确实本来你需要四句话才能写清楚的一个逻辑，现在只需要一句话就可以讲清楚了。尤其在 GPT-4 出来之后，确实这一块的 prompt engineering 已经消失得非常多了。
我们对 prompt engineering 其实有三层不同的定义，我们刚刚说的是第一层。
第二层定义我们觉得更多是如何构建一个 AI 原生的工作流，来完成一个越来越复杂和细分的问题。这一次更新 ChatGPT 到 GPT-4 之后，我们也和很多社群的成员沟通过，做了非常多的观察。我们发现 GPT-4 的 prompt 普遍是比 ChatGPT 的 prompt 要更复杂、更长。
我们刚也提到了，这一变革和代码早期是非常类似的。最初的代码非常底层，用 Python 这种我们现在有的高级编程语言能够一行写完的一个逻辑，那个时候需要十几行，同时代码的载体——电脑在内存、在显示上的能力也非常有限，所以早期的软件复杂度的上限是非常明显的，相比于今天的软件是非常简陋的。
我们发现同样的变革其实是发生在 prompt 上。GPT-4 有着更强的对自然语言的理解能力，意味着 ChatGPT 需要十几句话才能讲明白的逻辑，在 GPT-4 里面一句话就可以讲明白。这意味着 prompt 工程师可以写出更容易被读、更容易被修改、更容易被规模化的 prompt ，这个和代码的逻辑是一样的。
同时 GPT-4 的缓存也提升了8倍，意味着 prompt 的复杂度和长度的上限是大幅度提升的。所以我们觉得 prompt engineering 的第二层在于如何搭建一个 prompt 的工作流，去搭建一个更复杂的系统，去解决更困难的问题。
第三层我觉得对 prompt engineering 的定义更多是有点哲学的感觉，就是对大模型的使用场景的探索。我们觉得现在面临的一个问题是：大家不知道自己不知道什么，或者说不知道 AI 能用来干什么。拿我自己举个例子，我在真正看到 hustle GPT 那个用例之前，完全没有意识到 ChatGPT 还能这么用。包括我自己每天都会在 FlowGPT 上看大家上传的各种各样 prompts，我每次都会被大家的想象力给震惊，我就完全没有想到有这样的使用场景。
包括现在社交媒体上，关于 ChatGPT 最火的内容，都是各行各业的意见领袖在分享怎么用 ChatGPT 辅助自己行业的工作，分享各种各样的 prompt 。要知道现在大家分享的还只是 prompt 而不是更复杂的 flow 。所以我们认为 prompt engineering 的最终形式是对 AI 使用场景的探索和研究。
佳芮：这三层定义很棒。之前我们聊过一个话题，就是 fine-tune 和 prompt。国内很多投资人会觉得 fine-tune 更高大上， fine-tune 才能解决真正的问题，而 prompt 都是小儿科，都是在做非常上层的事情（编者注：GPT-3 的论文中定义：如果要对模型参数进行更新，就是 fine tune；如果不修改模型和参数，只给模型提示和样例，并要求完成一些任务就叫 in-context learning，后面大家开始叫 prompt）。
我一直觉得其实 prompt 释放出来的价值也可以非常大。反观 fine-tune，如果不是高级玩家，可能辛辛苦调完参的结果一定不如人家 OpenAI 之后再更新迭代的版本好。用 fine-tune 做出来的知识库受限于更新难度以及成本，效果可能并不如预期，其实用 prompt + embedding 的方式完全可以做一个垂类的知识库，是没有必要一定要去做 fine-tune 的。
甚至 fine-tune 快成为投资人的 buzzword 了，大家都喜欢去说这个事，说我们要调参，我们的技术有多强。也想问问你：
Q9：从你的角度，来聊一聊 fine-tune 和 prompt
J 党嘉成：我觉得我可以简单讲一下我们对 foundation model（底层模型）， fine-tune（精调），和 prompt （提示词）之间关系和它们在现实世界映射的理解。
这种 foundation model，比如说 ChatGPT、GPT-4，它们更多提供给大模型的是一种能力。比如说逻辑推理能力，写语法的能力，之后可能会有情感的理解能力。对应在现实世界，如果拿一个人来举例的话，更多是这个人的智商、情商、努力程度、性格等类似这种的能力和底层特征。
Fine-tune model 更多是一个领域， domAIn specific 领域内专精的知识，给大模型做一个调参，让它能够更专精于去调用这个领域里面的相关数据。对应到现实世界的话，可能就像是一个大学生，他前两年上完了各种各样的通识课，他开始选择一个专业去专精。或者他去法学院、医学院学了这样的一个专业，一个独特领域内的很多知识，或者说我们叫 best practice 。
那 prompt 对于大模型来说更多是一个工作流、一个 SOP ，它在 instruct 这个大模型该怎样去用自己的能力去调用自己的通识，或者说去调用被 fine-tune 过的专精的知识，去解决一个问题。它更多是在阐述一个方法和流程，阐述如何解决问题。
映射到现实世界就是比如说这个大学生他从法学院、医学院毕业之后，或者他从计算机专业毕业之后，去了一家公司里面。这个公司里面有各种各样的流程，比如说我应该怎么样去把这个代码写好？怎么样做一个软件？我的产品开发流程是什么样的？拿法学院来举例的话就是我怎么样处理一个顾客的法律案件，怎么样去修改一份合同？这种工作流、 SOP 是和 prompt 一模一样的，就是你应该怎么样去用你的能力，去调用你的通识，或者是去调用你在法学院里面专精学到的知识？
这是我们对这三方面的认知。你说哪个更重要？其实我觉得都非常重要，并不能说 prompt 就比 fine-tune 差多少，也不能说 fine-tune 比 prompt 高多少，它们其实是完全不同的模块。
Jay：非常形象的比喻，把这几件事情讲得蛮清楚的。我觉得投资人可能更多是因为觉得 fine-tune 的技术难度比较高，所以会有一些壁垒，所以可能会觉得 fine-tune 价值更大。
佳芮：前面我们提到 Sam 本人说自己不太擅长 prompt，但是他认为不停地对话，不断的迭代是最重要的，这个也和他的创业理念一致。我去 OpenAI 官网上看了一下他们的价值观，因为创业最终很多事情都会落到组织、落到人上，也就经常创业者都会聊到价值观。
第一个是「冒险精神」：要做出大胆的抉择，毫不畏惧地去挑战既定的规范；
第二是「深思熟虑」：认真考虑工作后果，并欢迎思想上的多样性；
第三是「不虚荣浮躁」：不因为所做的工作枯燥无味而退缩，也不因为想证明自己有更好的想法而受到激励；
第四是「务实且注重实际影响力」；由建设者组成，非常关心真实世界中的影响和应用；
第五是「合作精神」；取得的许多重大进展都源于多个团队合作完成的工作；
第六是「以成长为导向」相信反馈的力量，并鼓励一种持续学习和成长的心态。
前几天我在香港大学组织的一个 GPT 的分享会上，主持人问了我一个问题，我觉得特别好，也想反向抛给 J ，就是
Q10：ChatGPT 出现之后人的优势是什么？以及在 AGI 大航海时代，什么是创业团队成功最关键的优势？
J 党嘉成：我可以先回答一下第二个问题。我觉得无论在什么时代，创业成功的优势都是一样的，就是你要有非常强的执行力，你需要有去试错的勇气和适应力。这个适应力可能指的是你面对各种各样的挫折，你有一个坚韧的、坚持做下去的决心。
因为我们看到现在比较成功的几家公司，他们一开始做的决策都是反常识的，包括我读过非常多的投资人写的博客，还有很多成功创业者写的博客，他们都会说：如果你做的东西是大家都觉得对的，那么你很大概率不会成功，因为你会有非常多的竞争者。只有那种大家都觉得你做的不对，但是你自己非常清楚你做的是对的时候，才有比较大的可能成功。
Jay：因为创业和投资某种程度上都是在赚非共识的钱。因为共识之后大家竞争就会比较激烈，然后就是内卷。
佳芮：我之所以补了一句「在 AGI 的大航海时代」，是因为我认为之后创业公司有的各种问题，你都可以去问 ChatGPT ，包括编写代码也会变得越来越没有门槛，写市场宣传文案也会变得越来越简单。所以我会觉得创业变得简单也变得更难了。
变得简单的点是在于我们不需要雇这么多的人了，或者我们不需要有这么强的组织能力了。因为我觉得越年轻的创业者，包括我自己走的很多坑，就是组织越到后面就越麻烦，管理会变得很麻烦。
变得更难的点是在于越来越重要的是：你是不是一个足够有创意的人？你是不是一个足够有创新性的人？包括你建立非共识的能力。更多看创始人希望解决的问题背后的愿力和心力，这个愿是不是足够大？这是我为什么加了一个「在 AGI 的大航海时代」的背景。
那回到第一个问题，你觉得 GPT-4 出现以后人的优势是什么？
Jay：想象力这个话题我们待会再讲，我们顺着聊创业投资的相关话题。前段时间国内的知名投资人——朱啸虎表示：中国的 toB 软件企业的寒冬漫漫无期，但有两个机会。
第一个机会，细分赛道里的传统企业可能反应比较慢，对于创业公司来说，可能有颠覆的机会。因为 ChatGPT 能够快速地提高生产力，提高到十倍以上。可能降低软件领域，现有玩家软件本身的价值。比如协同管理软件，可以稳定且可靠地支持几百人同时并发地在软件上面做修改，这个难度系数是比较高的。但因为生产力指数式提高，一件事情从原来几百人协同变成现在几十人协同，这也无形中降低了协同管理软件的进入门槛和难度。一个新进入的玩家，可以利用这个契机，推出一个协同管理软件，颠覆掉原有的玩家。
第二个机会，从卖软件到交付最终服务。创业者把客户紧紧抓在自己手上，随着技术的进步不断进步，同时为客户提供更好的服务。举电话中心的例子，一个进入的玩家利用 ChatGPT 做出一个电话通信软件，但他不卖这个软件，卖的是最终通信服务。他雇用10%-20%的员工，配合使用80%-90%的机器人。这样的话这家公司即便以传统电话中心50%的价格收费，仍然可以获得60%-70%的毛利，价格杀伤力是无比巨大的。
所以，对中国的企业软件来说，可能 software enable service 是唯一的出路。
近期 Fusion Fund 的创始合伙人、硅谷著名投资人张璐（投资过 SpaceX 等企业）在一场直播中表示：人工智能方向的创业前景如何与技术本身的发展阶段，以及应用这项技术的行业相关。
对于已经拥有大量高质量数据的行业，应用人工智能的机会和效率更高。她投资的好几家医疗公司已经开始与 OpenAI 合作，也看到了一些实际落地并可以变现的商业场景，比如制药行业和医疗影像行业第一个生成式人工智能平台，保险、金融、物流和供应链等行业也具有类似的高质量的数据量，非常适合人工智能技术的应用。
她的判断是：人工智能技术是一方面，但更具有突破性的是拥有独特的数据。在公司做人工智能应用的过程中，独特的数据可以很快让公司脱颖而出，建立起自己的强大护城河，同时让自己的应用和商业模式有区别于竞争对手的特点。
也想问问 J ，因为我们的听众有些是国内的，有些是想出海的，所以通过你在湾区的观察和体验来看：
Q11：基于 ChatGPT 和 AGI 方向，国内和海外分别有什么样的创业趋势和机会？
J 党嘉成：这个其实我刚刚也稍微提到过。我们在这边看到非常多的项目都是自己设计一个 prompt ，然后套一个壳，把它封装成产品，就说我这是一个 SaaS 软件。
这种产品虽说可以收集数据，但它收集的数据并不能让模型本身变得更好。因为这个软件本身所有的主要功能都是由底层模型提供的，而它收集的数据更多是这个产品的数据，就算可以收集数据，它也没有办法把对模型进行更改。
包括 a16z 之前也发过一篇文章提到，类似这样的垂直应用如果只是基于大模型的 API ，加上自己的 prompt ，然后封装成一个产品，这种是很难形成壁垒的，我们也非常同意这一点。
刚刚那一点我非常同意关于「大量高质量数据」那个观点。今早刚出来一个新闻，金融行业的 Bloomberg 用之前积累的金融领域的独特数据，训练了一个专用于金融任务的大模型。在金融相关的任务上，它的能力远超过现有的模型。我们觉得这样的模型会非常快地搭上数据飞轮，通过用户的反馈能够不断去迭代模型的能力，再吸引更多用户，形成一个正循环。
所以我认为无论国内国外，创业机会就有两种：第一种是如果你有大量的高质量的行业独特数据，那就尽快训练并发布一个行业独特的大模型去接触终端用户，然后搭上数据飞轮；如果你没有数据，你就去帮助有数据的公司做到这些。
佳芮：这个分享还蛮棒的。然后我想顺着主播 Jay 说的吐槽一下朱啸虎的观点，因为我看到他那篇文章的时候，包括我也看到好多群里的交流，其实大家的反馈并不是特别好。然后说所谓的什么 software enable service，我觉得又是一个 buzzword，它和 software as a service 有啥区别？我没有看到有什么本质区别。
Jay：可能大家说法不一样。顺着刚才 J 说的 BloombergGPT ，这个我也关注了，我要说一下因为我们是录制，现在国内的时间是4月1号。然后 BloombergGPT 好像是500亿的参数，我昨天听到一个观点：我们讲的大模型其实包含两类大模型，一种是通用型的大模型，比如说像 OpenAI 、Google 他们要做一个 foundation model ，要实现 AGI 的这样一个超级大的模型。另外一种大模型可能是像这种几百亿的，可能没有到千亿级别，就像 BloombergGPT 是500亿参数的这种行业模型。
昨天有人估算了一下它的成本，可能也就是 million 级的美金，也就是千万人民币左右，就可以训练出一个这样的行业模型。然后你把自己的数据喂进去，训练成一个行业的所谓大模型。
我自己也是认为这是非常好的方向，也是真正把现在这种大模型，或者说 AGI 的技术应用到各个行业，从而提升效率的一种方式。
J 党嘉成：对，而且这个成本是会非常快就下降的，其实已经在下降了。我记得之前训练 GPT-3 是要200多万美金，现在只要150万美金，有一个云平台已经做了一个降本了，我觉得很快就会到任何一个中小型企业甚至是个人都有能力去训练一个大模型的情况。
我们其实可以参考之前神经网络，就是上一代 AI 的训练成本的下降来看。在刚出来的时候，你想要去训练一个能够分类图像的神经网络需要1000多块钱，但现在它的成本下降到几毛钱，这整个过程花了不到10年时间。我觉得同样的情况会在大模型上出现，是更快还是更慢我还不确定，但是它的成本一定会下降。未来训练大模型的成本一定不是主要问题，主要问题一定是你有什么别人没有的数据。
包括我们现在看 OpenAI 能够这么火，成为一个主要的玩家，我们觉得有两个原因：第一是有非常好的人才，这些人才有非常好的技术，做出了 GPT-3.5 ；第二就是他们有足够的资本，他们有能力去试验，去训练大模型训练很多次，然后去试验出最终的结果。但是他们用的数据大部分是网上公开的数据，加上一小部分他们自己雇人去标注的数据。
但是我们觉得随着开源的这种大模型的框架慢慢变多，再随着大模型的训练成本慢慢降低，其实很快每个人都可以有能力用开源数据训练一个自己的 GPT ，包括现在也已经有很多这样的开源框架能够复现 GPT 一部分的能力了。
那个时候拼的就是谁有别人没有的数据，谁有所谓的数据垄断。最先意识到这件事的人可以最先训练出这样的一个大模型，就像 BloombergGPT 一样，可以最先去面向用户。他在面向用户的过程中会收集非常多的反馈数据，能够去迭代他自己的大模型，然后搭上一个飞轮，形成非常强的壁垒。
佳芮：是的，独特的数据确实很重要，但是我觉得也不用因此有特别大的数据焦虑。在数据之外留给创业者的还有很多机会，因为最终看的还是企业交付的内容。到底你在解决什么样的问题，最终是在创造什么样的价值，以及是以什么样的销售方式在给用户交付什么样的内容？我觉得除了数据之外，这也是我们创业者需要长期需要思考的问题。
Jay：现在我们录制的时间是4月1号，在3月28日，也就是 GPT-4 发布两周后，一封由埃隆·马斯克以及上千名科技界人士签署的，由生命未来研究所（Future of Life）发起的「暂停巨型人工智能实验」公开信在网上发布。这封公开信呼吁所有人工智能实验室立即暂停比 GPT-4 更强大的人工智能系统的训练至少6个月。
响应名单包括苹果联合创始人斯蒂夫·沃兹尼亚克 (Stephen Wozniak) ，蒙特利尔学习算法研究所所长、图灵奖获得者约书亚·本吉奥 (Yoshua Bengio) 、 AI 领域教科书《人工智能：现代方法》的合著者斯图尔特·罗素（Stuart Russell）（他也是 OpenAI 博士委员会的成员之一）等众多著名科技人士。
而「人工智能教父」 Geoffrey Hinton 近日也在 CBS NEWS 的采访中表示：人工智能正处于一个「关键时刻」，通用人工智能 ( AGI ) 的出现比我们想象的更加迫近。当被具体问及人工智能消灭人类的可能性时， Hinton 说：「我认为这并非不可想象」。
在之前我们说的 Lex Fridman 与 Sam Altman 的对话中 Sam 也说：AI是少有的被严重炒作之后，还被严重低估的东西。他也承认：从 ChatGPT 开始， AI 出现了推理能力，但没人能解读这种能力出现的原因。（AI杀死人类）有一定的可能性。也想听听 J 的观点：
Q12：怎么看「千人联名叫停比 GPT-4 更强大的 AI 系统」事件？
J 党嘉成：我觉得大家包括我自己都没有准备好来自 AI 的这样一个快速的变革和更新。即使是在这个行业做项目或者做投资，那些每天都会关注的人都会感到 AI 科技的革新速度非常非常快。之前我记得有一周 AI 每天都有一个大更新，那一周好像出现了6个非常大的变革。
但是当我真正去和终端用户去聊，去观察他们之后，突然发现其实大部分人完全没有意识到发生了什么，完全没有感受到有这么大的变革。我记得之前听过一句话叫：大模型界一天，人间一年。我当时只觉得好笑，我现在觉得就非常应景。
Jay：因为其实人人都可以签署那个联名信，假设让你去签的话你会签署吗？还是说你会像杨立昆（Yann Le Cun）一样拒绝签署，你站哪一边？
J 党嘉成：我不会签的，我觉得我一直是一个 AI 的狂热爱好者，我就是想看到底 AI 能做到什么事。
J 党嘉成：当时 Sam 也被问过类似的问题，他当时回复的是：他们想做的事就是造出一个全能的人工智能，然后问它一个 prompt ，这个 prompt 的内容是——告诉我这个世界是怎么运作的，告诉我所有人类还不知道的物理规律，比如怎么超过光速？我觉得这是一个完全 mind blowing 的问题，我想看到这个问题的答案。
Jay：因为我是非技术出身，所以说实话我是不知道这件事情它可能带来的所谓的那个负面效应的。但我觉得这件事情蛮扯的，就是首先你无法阻挡，这件事情你如何去阻挡？你没有办法阻挡的，而且越去阻挡它可能发生的越快。
另外我想引用英国科幻作家道格拉斯·亚当斯说过的一段很有意思的话：任何在我出生时已经有的科技，都是稀松平常世界本来秩序的一部分；任何在我15-35岁之间诞生的科技，都是会改变世界的革命性产物；任何在我35岁之后诞生的科技，都是违反自然规律，要遭天谴的！
我个人还是认为我们不要过早地抹杀创新，人类远没有那么容易被毁灭。
最后一个问题是我看到你们 FlowGPT 每篇文章下面都有个固定的结尾——「当AI无限放大我们的创造力，限制我们的，只剩下想象力」。首先我对这句话很赞同，今天机会难得，也想听听 J 的想法：
Q13：如何理解「当 AI 无限放大我们的创造力，限制我们的，只剩下想象力」？
J 党嘉成：我对大模型的理解是它大幅度降低了人们去操纵数据的门槛，也大幅度提高了人们操纵数字的带宽。举个例子，过去人们想要创作大概需要两个东西：一个是想象力，一个是技能。
比如说我想写一个故事，我先想象一下构思，想象一下这个故事长什么样，再用写作相关的技能把它实现。比如说我想做一个 App ，我先想象它有什么样的功能，有什么样的界面，再用我的设计和写代码的能力把它实现。这可能不是我一个人，也可以是一个团队。问题在于培养这些技能的周期非常长，花费也非常大，所以我们才会有分工。
但是生成式模型出来之后，任何人都有了任何行业专家级别的能力，专家级别的技能。我想要去实现任何一个想法，只需要用 prompt 来描述好我这个想法就可以。我这里的 prompt 可能并不局限于自然语言或者文字，它可以是一个产品的草图，也可以是一段头脑风暴的录音，甚至可以是一个演示的视频，它是一个想象力的载体。
所以随着 AI 能够提供的专业技能越来越全面、越来越强大，实现我们想象力的成本会逐渐下降到非常非常低，那个时候我们能够做到的东西的上限其实取决于我们能够想到什么。
人类的优势在于想象力，我们能够想到的东西我觉得是没有穷尽的。当然你也可以让 GPT 帮你去想一些想法，我也试过非常多次，比如说我尝试了非常多次让 GPT 帮我想一个我们公司的名字，但是它没有做到，最后还是我自己想的。就算我试了非常多次，用了非常多的 prompt engineering 。所以我觉得想象力是我们一直会有的一个优势。
Jay：我还记得小时候看到一句话：世界在想象力面前，只是一块画布。我觉得还蛮呼应你这个说法的。包括像我们聊 Sam Altman 这个人，我觉得他有一个特别大的特质，就是 think big 的能力，我觉得尤其在中国非常欠缺这个。
也许之前我们受限于现有的条件、能力、过去的经历、学识等等这些因素，但是在 GPT-4 出来之后，我们可能即将迈入 AGI 时代，也许这些都将不会是限制。而唯一限制我们的，就是你说的想象力。
佳芮：我最近也经常会被人问到人和机器的关系，包括我之前一直在聊的话题：「 AI 与人，替代还是共生」。我觉得 J 的关于想象力的说法是我最近听到的一个最好的观点。
J 党嘉成：谢谢。顺便说一句，FlowGPT 正在办世界上第一个 prompt hackathon，我们提供5000美金的奖金，有10个不同的主题，用户可以在上面根据不同的主题发挥自己的想象力，去写各种各样的 prompt，也会有各种各样的使用场景。
我们还邀请了 prompt 界各种各样的我们觉得非常有影响力的一些嘉宾，来给我们搭各种各样的工作坊，去教大家一些关于 prompt engineering 的事。比如我们刚刚聊到的那个花600小时在一个 prompt framework 上的16岁高中生，他就是嘉宾之一。我们最后还会有一个 prompt 相关的一个 demo day，如果大家感兴趣，无论是想要去练习写 prompt，还是说想要去赢这个奖金，或者说只是想和写 prompt 的社群去聊聊天，都可以来 flowgpt.com 探索。
佳芮：我觉得国内有非常多各种各样的 AIGC 的 hackathon ，我也去看过一些，也在有一些地方做评委，但我确实觉得有一个专门做 prompt 的 hackathon 其实是非常有意义，非常有价值的。也特别期待 FlowGPT 举办的全球第一个 prompt hackathon 圆满成功。
Jay：对，我们这一次就是想聊一些具体的话题，因为太多人去聊一些宏大叙事，所以我们希望能够聊一些具体的。比如说：我们怎么用？也许现在国内很多人还不能用，但我们知道现在中国也有一些模型出来，也会长出很多的应用。那么接下来我们如何去跟机器对话？我们如何适应新的时代？我觉得这个话题其实还蛮具体的。
也许今天我们聊的很多东西会过时，但我觉得这件事情是有意义的。感谢 J ，我们下期再见。
句子互动致力于打造由大模型驱动的下一代对话式营销云，通过 AI+RPA 技术，句子互动可以打通企业微信、飞书、5G 消息、WhatsApp 等不同的 IM，是国内第一家将大模型落地于营销场景的公司。基于企业数据，句子互动可以为企业训练专属领域的知识库，并对接到不同 IM 里。聚焦解决营销场景上的问题，如售前转化、IP 塑造、销售转化、售后转化、提高客服效率等。句子互动也是全球最大的对话式 RPA 开源框架 Wechaty 的商业化公司。
如果你对大语言模型在对话场景的应用感兴趣
可以关注下方公众号体验
句子互动私域社群
邀请大家加入
让每个操盘手都成为行业百事通，成为最懂业务的“仔”
扫描下方图片二维码快速进群
