导读
时至今日，网上关于和GPT-4应用案例的总结已经非常多了，本文中我们将简洁直白地探讨它们的核心技术特征，并根据实际例子讨论它们在我们老本行——民航领域的潜在应用。不想看技术原理的小伙伴也可以直接跳到应用部分。
由于并没有完全公开和GPT-4的具体实现技术和细节（只能感叹如今的不再open），所以有些内容是主观猜想，肯定会有不对的地方，欢迎一起探讨！
01 到底什么是Chat GPT ？
2022年11月发布后，仅仅两个月时间用户数量就超过一亿。继高开“疯”走后，在一周前又推出了升级版模型：GPT-4。越来越多的人都开始探索GPT-4的能力上限，大多数用过的用户都给出了好评。
微软旗下的新版必应也使用了GPT-4，在搜索引擎的加持下，这个模型似乎能用于更多真实任务场景，比如：
其实就是一个对话机器人，用过Siri、小度、小冰的人想必都知道，这并不是个新鲜玩意儿，为什么就能在一众对话机器人中爆火出圈呢？简单说就是依靠它的三板斧：
1.强大的自然语言理解能力；
2.能生成流畅自然的回答；
3.可以根据上下文进行多轮问答。
换句话说，不仅”听得懂“，还会”说人话“，上至学术大家、下到黄口小儿，都能和它侃上几段。
02三分钟读懂技术
其实，并非这个人工智能模型的初代目，它是在GPT3.5的基础上训练而来的，而GPT3.5是GPT系列模型的3.5代。追根溯源，最早的GPT-1是在2018年6月提出的，来看看GPT家族的族谱：
GPT是什么意思呢？其实我们看名字就能简单理解。
特征一：生成式
是一种”生成式”人工智能。什么叫生成式呢？说人话就是“无中生有”。这意味着它可以接受一组输入，并根据这些输入生成充满惊喜的（也可能是惊吓）的内容。
说句题外话，其实还开发了一款能生成图片的人工智能模型：DALL·E 2，它可以根据用户输入的文字描述生成图片，下面这个图片就是它根据用户要求生成的（捏造的）：
此外，还有谷歌推出的音乐生成模型：。输入一段话，给你一首歌。如果你输入下面这段话，模型会给你生成这样一段曲子。来听两段练习时长一年半的AI写的曲子：
特征二：预训练
采用了一种经典的人工智能模型训练策略：”预训练+微调”。预训练就是使用海量数据预先训练一个生成式语言模型，微调就是将预训练过的模型作用到你自己的数据集，使模型性能更好地匹配你自己的任务。
这个过程怎么理解呢？打个比方，这就好比一位拥有1000小时飞行经验的B737机长，如果要转A320，那么这个机长只需要进行“机型改装“，而不必像“大改驾”学员一样从头学起。
因此，预训练的好处就是速度快。预训练模型是从大量数据中训练得来，比起在你自己的数据集上从头开始训练的方式肯定要快一些。
特征三：
是模型的基本结构，也可以说是它能够理解和处理人类语言的关键。抛开诸多技术细节，用人话来说，本质上一种概率统计模型，依靠概率分布来预测输出序列中的下一个单词是什么。
很多常见的知识或事实，比如“C919是国产大飞机”，因为在训练数据中出现频率高，上下文之间的模式比较固定，预测的词语概率分布就比较尖锐，容易记住，从而可以输出正确的事实或知识。
巧妇难为无米之炊，如果单有模型，没有足够的训练数据也不能实现，这就引出了它的下一个特征：大模型。
特征四：大模型
是一个大规模语言模型（Large Model），什么叫大模型？简单说他的特点就是超级大。
咳咳，简单说，大模型的特点就是“三超”：超大的训练语料、超多的模型参数和超强的算力资源。
先说说超大的训练语料和超多的模型参数。
使用了来自互联网的大量文本数据进行训练，最终得到一个包含大量参数的语言模型，因此才能够生成令人满意的文本内容。到底有多大呢，我们拿GPT家族的几个模型对比下：
可以看到每一代GPT所用的数据量都在变大，这么多数据从哪儿来？说数据来源是维基百科、书籍、期刊以及其他网络数据集。从这个角度来看，我们普通网民是不是也算是技术入股了呢？
再说说超强的算力资源。
刚刚说到GTP-3参数量1750亿，预训练数据量45TB。据估计，支撑模型训练的基础设施至少需要上万颗英伟达芯片，一次模型训练费用460万美元，总训练成本达1200万美元。此外，也有人估算，现在运行的算力费用为每天10万美元。
正是靠着这“三超”，展现出了大模型的特有优势。其背后的训练语料量级和覆盖领域完全超过了个人能够掌握的极限，它可以轻而易举地输出横跨多个领域和学科的观点并融会贯通。
总之，以及最新的GPT-4并没有那么神秘，它本质上就是将海量的数据结合表达能力很强的模型结合，从而对自然语言进行了一个非常深度的建模。对于一个输入的句子，能在这个模型参数的作用下生成一个回复。
理解这些技术特征，对我们讨论在民航圈儿的应用十分有帮助，接下来我们就来看几个例子。
03 “+ 民航”能干什么
3月11日，在集成了的新版必应推出一个月后，微软正式宣布必应日活用户首次突破1亿人，大有挑战老大哥谷歌之势。
“ + 搜索引擎”只是开始，未来，笔者认为很多软件的底层都会嵌套类似的模型，比如文案创作工具、作图工具、聊天工具、购物工具等等。那么，在民航领域会有哪些潜在应用场景呢？
应用一：智能客服
首先我们最容易想到的是面对旅客的智能客服，不同于目前航司使用的智能客服，似乎可以提供更加精准的旅行建议，以及行程规划、自动值机等等的服务。
比如，问它哪些东西可以带上飞机？可以看到，面对这个故意挖了个坑的问题，给出了大家想要的回答。
应用二：技能提升和训练
我们回到圈子内来看，的一个应用是与专业人员（飞行员、管制员、机务等等）面试和培训相关的工作。比如为待测试人员进行一场模拟面试：
又比如，为飞行员进行一场PEPEC模拟考试，可以看到作为一名模拟考官，与学员的互动交流很自然，而且还帮考生找出了需要完善的地方：
再比如，让解释一下ICAO文件中“shall”和“”的区别，这个回答还是很符合真实情况的：
你还可以让它给你的孩子讲解民航知识，下一代的民航业务提升也不能落下：
应用三：文案写作
文案写作是我们每个人都绕不开的工作，在不久的将来，借助这类工具，文案写作可能会变得越来越高效（打工人的头发保住了！）。
前几天，微软已经公布了由AI驱动的 365 ，从介绍视频中可以看出，它打破了传统办公软件的方式，能自动生成文档、电子邮件、PPT。
想象这样一个场景，你要写一个B737的SOP的文档，于是你先让帮你列一个大纲，之后只需稍加完善便能交差，写作效率蹭蹭上涨！
篇幅所限这个回答没有提供完整图片
应用四：辅助运行
民航领域有眼花缭乱的各式报文，比如AFTN报、SITA报、ACARS报等等，以至于你我虽然同属于一个民航圈子，但是对于各自专业领域的报文却可能看不懂。
如果应用得当，这类技术可以提高不同部门之间的协同运行效率，例如，从网上找来一份气象报文让解读，测试一下它能不能看懂：
好像没什么大问题，再让生成一份航行通告报文，看看它写的标准不标准。可以看到，它听懂了我想表达的信息，基本上完成了任务：
04 不足之处
发表回复