Hi，我是茶桁。

在过去的两讲中，我们已经使用 OpenAI 提供的 Embedding 接口完成了文本分类的功能。现在，我们回到 Completion 接口，这一讲将带你更深入地了解该接口的使用。除此之外，我们还将快速搭建一个有界面的聊天机器人，这将让你更好地理解 Completion 接口的应用场景。在这个过程中，你将第一次使用 HuggingFace 这个平台，它是目前最流行的深度学习模型社区。通过 HuggingFace，你可以下载到最新的开源模型，查看其他人提供的示例代码，并参与到社区的交流中。

Hi， 我是茶桁。

在前一讲中，我们观察到大型模型的确表现出良好效果。在情感分析任务中，通过使用 OpenAI API 提供的 Embedding，我们得到的结果要比能在单个机器上运行的较小模型（如 T5-base）要好得多。然而，我们之前所选择的问题确实有些过于简单。我们将 5 个不同的评分分成了正面、负面和中性，同时还排除了相对难以判断的"中性"评价，因此我们判断准确率的提高相对较容易实现。但是，如果我们想要准确预测具体的分数呢？这将是我们接下来需要探索的问题。

大家好，我是茶桁。

在前两节课中，我们一起体验了 OpenAI 提供的 GPT-3.5 系列模型的两个核心接口。一个是获取文本的 Embedding 向量，另一个是根据提示语生成补全的文本内容。通过这两种方法，我们可以在零样本或少样本的情况下进行情感分析任务。然而，你可能会有两个疑问。首先，Embedding 不就是将文本转换为向量吗？为什么不直接使用开源模型（如 Word2Vec、Bert）而要调用 OpenAI 的 API 呢？在我们的情感分析任务中，我们进行了一些简化处理。一方面，我们排除了相对中性的评分（3 分）；另一方面，我们将 1 分、2 分和 4 分、5 分合并，将原本需要判断 5 个分类的问题简化了。那么，如果我们想要准确预测多个分类，是否也能如此简单呢？

大家好，我是茶桁。

在本次讲座中，我们将研究 OpenAI 提供的 Completion API 接口。你可能已经体验过与 ChatGPT 进行聊天的乐趣，或是利用它帮我们编写各种文本材料的便利。现在，我们可以从这个需求出发，进一步探索 Completion API 的具体用法，以及如何利用它来生成更加优质的文本。

想要轻松访问 ChatGPT 吗？其中一个最佳方式是通过其一系列 Chrome 扩展程序。这些扩展程序还为您提供更好的使用 ChatGPT 的方法，包括帮助您编写更好的提示以获得更好的响应，或为 ChatGPT 授予搜索互联网的能力，从而提供对更多最新信息的访问。

这是您现在可以使用的最佳 ChatGPT Chrome 扩展程序。

上一节中，我们介绍了大型语言模型的接口非常简单，仅提供了 Complete 和 Embedding 两个接口。但这样看似简单的接口，实际上可以解决很多自然语言处理问题。例如，情感分析、文本分类、文章聚类、摘要生成、搜索等问题，都可以使用大型语言模型解决。接下来的几节课中，我们将介绍如何使用这两个简单的 API 来解决传统的自然语言处理问题。本节我们将从最常见的自然语言处理问题“情感分析”开始介绍，看看如何使用大型语言模型。

不用问我都知道，你们一定是被 ChatGPT 的火热出圈导致的开始关注人工智能，也是由于此才看到我这篇文章。

放心，大家想要的我一定会给予，既然大家都想先认识 ChatGPT，那么我们就从这个主题开始。

如果你想开始学习 AI 应用开发，那么在学习之前，有一些学前提醒需要注意。在当今 AI 爆发的时代，学习 AI 应用开发需要的学习方法和策略也发生了变化。本课程的目标是通过多尝试、多体验、多做头脑风暴的学习方法，帮助学生在短时间内掌握 AI 应用开发的基本技能。我们并不会传授过于深奥的数学和理论知识，而是会通过简单易学的 API，让学生能够快速上手开发实用价值的 AI 应用。因此，在学习本课程的过程中，我们鼓励学生多尝试、多体验、多做头脑风暴，以更加轻松、快速地掌握 AI 应用开发的技能。如果你不知道如何开始，你可以使用 Jupyter 或者 Golab 这样的工具来帮助自己入门。

整个系列课程内容虽然为自己所写，但是参考了 bothub 创始人徐文浩的课程《AI 大模型之美》

人工智能是计算机科学领域中最具前瞻性和影响力的技术之一。它是一种智慧型算法，能够模拟人类的思维过程，处理大量的数据和信息，从而发现隐藏在其中的规律和趋势。人工智能的应用范围非常广泛，包括语音识别、图像识别、自然语言处理、机器翻译、智能推荐、智能问答、自动驾驶等等。

随着机器学习和深度学习的飞速发展，人工智能（AI）正取得飞跃性进展。然而，越来越多的研究者一致认为，AI 演进的下一个阶段在于开发混合机器学习系统。这篇博客文章将探讨这个新兴领域，讨论它的潜力、挑战以及对 AI 未来的影响。