ChatGPT及GPT-3 API本地調用

相信這兩天大家的社交媒體上或多或少都會出現(xiàn)ChatGPT、GPT、OpenAI等英文字眼，簡單來說它就是一個人工智能，只不過相對如今的很多AI要更加智能，從OpenAI官網(wǎng)我們可以看到它的功能包括但不限于聊天；翻譯；文章復寫或潤色；編寫文案、代碼、郵件等等文字內容。這一代模型的獨特之處在于它會根據(jù)上文的聊天內容來完善下文的回答，流暢程度已經(jīng)可以堪比人類的交流，不過隨著聊天時間的延長，回答效果還是有所影響。

本人是研究區(qū)塊鏈的研究生，因此我從去年年底開始便使用ChatGPT來解決一些科研上的疑惑，用下來的感覺還是蠻不錯的，很多涉及區(qū)塊鏈底層架構的問題它都能給出見解。然而隨著ChatGPT影響力的擴大以及請求量的增加，廣大網(wǎng)友們也開始發(fā)現(xiàn)這個AI存在的一些問題，比如虛構科研文獻、生成用字詞簡單拼接的詩詞、無法回答高時效性的問題等等。

其實任何一個新鮮事物的誕生總會伴隨著好與壞，而如何正確看待這個事物并將其為我所用才是我們作為使用者應該做的。ChatGPT本身是一個基于海量數(shù)據(jù)訓練的大語言模型，其回答中能給出的答案都是基于訓練的數(shù)據(jù)，因此只要沒有在其訓練數(shù)據(jù)中的問題，它都不可能給出準確的答案?；谶@個結論，我們在使用ChatGPT時還是要注意辨別答案的正確性，不能因為人工智能喪失了我們寶貴的辨別力。

講完ChatGPT的缺點，我們再回過頭聊聊它強大的文字編寫能力。最近漂亮國很多大學生利用ChatGPT撰寫學術論文，嚴重蔑視了科研工作的嚴謹性，所以紐約的教育系統(tǒng)開始全面封殺ChatGPT，斯坦福大學也提出了DetectGPT算法來判斷文本是否由機器生成。針對上述這個例子，首先我必須表明我的態(tài)度：我覺得使用ChatGPT輔助科研或論文書寫是可以的，這樣不僅發(fā)揮了人工智能本身的作用，同時加快了我們獲取研究相關信息的速度，但是直接用它的回答作為論文內容是堅決反對的；其次，雖然ChatGPT的文字編寫能力很強，但對一些文字邏輯或學術性要求較高的工作來說它是不太適合的，至少目前的智能程度還完成不了，比如學術論文、詩歌、哲學思考等等。

ChatGPT API目前沒有公開，因此當前國內所有相似的小程序或網(wǎng)頁端的底層模型都是GPT-3，即text-davinci-003，這里我就拿GPT-3作為模型演示一下本地部署與調用的過程（不需要科學上網(wǎng)）。

注冊OpenAI賬號，拿到OpenAI API key。賬號的話可以查詢網(wǎng)上教程，或者直接上某寶購買，也挺便宜的。接著登錄賬號進入個人API Keys界面，點擊 Create new secret key即可生成OpenAI API key（記得復制保存）。

本地安裝python、pip環(huán)境，這一步直接CSDN查教程，很簡單。下載openai包：pip install openai編寫如下python文件運行即可。每次詢問問題修改prompt變量即可，運行后答案顯示在terminal終端。

這里簡單講解一下關鍵函數(shù)openai.Completion.create中幾個常用參數(shù)的含義。

engine：使用的模型，這里指的是text-davinci-003，GPT-3在官網(wǎng)中還有以下幾個模型。

prompt：傳入的問題或補全內容

max_tokens：輸出生成的最大token數(shù)，即回復內容的單詞數(shù)量

n：默認值為1，表示生成多少個回復

stop：終止序列，API將停止生成進一步的token，返回的內容不包含該序列

temperature：模型將承擔風險的高低，也可理解為答案的隨機性，0.0—0.9表示隨機性從小到大

完整的參數(shù)列表如下，大家可以嘗試修改其他參數(shù)的取值，看看回復會有啥變化，玩AI也是學習AI的過程嘛。

其實我們在使用ChatGPT的時候，針對不同的場景需求OpenAI需要調用不同的API函數(shù)，GPT-3也是同理，由于函數(shù)以及每個函數(shù)的相關參數(shù)數(shù)量較多，因此下次有時間再跟大家盤盤。

推薦閱讀：

賣賬號、付費提問，搶注商標…各路人馬“掘金”ChatGPT，有人“零成本”月入數(shù)十萬

爆紅的ChatGPT有多“危險”？可能一不小心飯碗就沒了……

“好用到嚇人”的ChatGPT到底是什么？又會帶來什么？

景觀設計國外研究現(xiàn)狀（景觀設計國外研究現(xiàn)狀論文）

酒店大廳前景觀設計（酒店大廳前景觀設計圖）