2023.17 6个问题让chatgpt帮你搞懂新行业

1、介绍一下麦肯锡通过搞懂一个行业100个关键词来快速了解这个行业的方法。

2、根据各项调查、行业报告、新闻、研究论文帮忙整理某个行业的100个关键词，并根据关联性强弱分类。

3、用一句话来定义或概述上述100个关键词。

4、行业中领先的前10位公司是哪些？

5、哪些因素会阻碍行业的进一步发展，是否有好的解决方法？

6、与行业专业人士聊哪些问题，他们会比较关心和感兴趣，更愿意分享。

https://zhuanlan.zhihu.com/p/622078285 

由于许多 AI 模型使用的大部分是非结构化文本，因此需要用某一种特定单位作为文本标记，这些文本在模型中，常用 "Token" 表示。以 GPT 模型为例，1000 个 Token 约等于 750 个英文单词。

目前最强的 GPT-4-32k，其 Token 上限 3.2 万，也就是说，它一次性最多能处理 2.4 万个单词，无法处理长文内容。像书籍、代码这种大块内容，已经超过了 GPT-4 模型能处理的上限，所以用户往往需要先对内容进行切割，分多次喂给 GPT。但是，由于 GPT 能理解的上下文内容有限，便容易导致结果偏离预期。如果未来 Token 的上限能够不断突破，也就意味着 ChatGPT 能够一次性接收更多消息，更好的理解你的上下文，进而给你提供更多精准的结果。

ChatGPT，有很大的局限性在于需要人工提供大量的原始信息和引导词（Prompt），才能让它生成理想的内容。而Auto-GPT就是为了解决这个痛点而诞生的。它可以通过LLM自主产生Prompt，并且通过Google搜索和Python脚本来实现自己的目的。

Auto-GPT 是由 GPT-4 驱动，与 ChatGPT 使用的是同一个底层语言模型。相较于 ChatGPT ，Auto-GPT 最突出的一个优势是具有分解 AI 步骤的能力。由人类给Auto-GPT分配一个角色（例如一名写手），接着给他分配最多五个任务让他执行。Auto-GPT就会自己将任务列表拆解成某些具体的任务，并生成后续的任务执行列表。每一步可以是执行Google搜索、生成Python脚本、存储生成文本、执行脚本文件等等。

AGI，即通用人工智能，最重要的一个特点就是脱离人工监督可自行完成任务，Auto-GPT正是在当前条件比较有限的前提下对AGI做出的一个有益尝试。通过主任务生成子任务（也有人叫子智能体）的方法而让AI通过LLM脱离人类监督自行完成任务可能是未来的发展方向之一。当前的问题是LLM的能力还是比较弱，对当前的状态把握的还不够好，从而经常让自己陷入死循环需要人类的介入。而且虽然向量数据库成功赋予了AI中长期记忆的可能性，但是对于后续的任务缺无法继续沿用此前的记忆了。在可预见的未来，这种自动生成子智能体的AI会进一步发展，为复杂问题的解决给出一种新式的答案。

https://new.qq.com/rain/a/20230418A03WE300

ChatGLM-6B 是一个开源的、支持中英双语的对话语言模型，基于 General Language Model (GLM) 架构，具有 62 亿参数。结合模型量化技术，用户可以在消费级的显卡上进行本地部署（INT4 量化级别下最低只需 6GB 显存）。ChatGLM-6B 使用了和 ChatGPT 相似的技术，针对中文问答和对话进行了优化。

简单来说，ChatGLM-6B 允许你自己做一个自己的 ChatGPT 智能助手。

GitHub 地址→https://github.com/THUDM/ChatGLM-6B

MiniGPT-4 利用先进的大型语言模型 LLM 来强化视觉理解能力。简单来说，你给一张图，可以让 AI 帮你描述这张图，或者基于这张图生成一篇广告文案、诗歌等等体裁。

GitHub 地址→https://github.com/Vision-CAIR/MiniGPT-4