Original Jay Dang FlowGPT

(資料圖片僅供參考)

Prompt 到底是什么?

1. 指令

如果把ChatGPT具象成一個(gè)執(zhí)行力&知識廣度拉滿的 員工 ，那Prompt則是你給的 指令 ，指令越詳細(xì)，上下文越豐富，輸出定義越明確，得到的結(jié)果也就越好。

2. 內(nèi)容

正因?yàn)镻rompt和輸出結(jié)果的 強(qiáng)相關(guān)性 ，市場對Prompt的價(jià)值非常認(rèn)可。有投機(jī)客會(huì)發(fā)廣告直接賣Prompt的bundle，也有Promptbase這樣的marketplace交易Prompts。最受歡迎的模式還是把高質(zhì)量的prompt套一層UI，封裝成SaaS產(chǎn)品 (Jasper, CopyAI)。除了那些 有自己的獨(dú)特?cái)?shù)據(jù)或大模型的公司，這些公司本質(zhì)上都是在出租 Prompt 來獲取價(jià)值。

我們認(rèn)為 P rompt并不是用來出租和出售的商品，而是像短視頻和代碼一樣會(huì)被分享和討論的內(nèi)容。

ChatGPT爆火后，市場對Prompt的認(rèn)知快速提升，各個(gè)細(xì)分領(lǐng)域的的Influencers分享了大量免費(fèi)好用的Prompt，由于創(chuàng)作門檻本身就低，越來越多的人開始參與Prompt創(chuàng)作，Prompt的體量供應(yīng)爆炸式增長。Japser的用戶發(fā)現(xiàn)網(wǎng)上隨便找的Prompt可以在ChatGPT免費(fèi)用，即使效果不如Jasper，也都跑去用ChatGPT了。未來市場并不愿意為Prompt付費(fèi)，因?yàn)橛脩粲刑嗝赓M(fèi)的選擇，低門檻高多樣性的Prompt會(huì)成為一種新內(nèi)容，被分享，consume，和迭代。

3. 下一代的（自然）編程語言

代碼	Prompt
用強(qiáng)邏輯性結(jié)構(gòu)的抽象語句讓計(jì)算機(jī)操縱服務(wù)器/本地的數(shù)據(jù)	用自然語言讓大模型操縱服務(wù)器/本地以及訓(xùn)練數(shù)據(jù)集的數(shù)據(jù)
用于IT&Software	用于內(nèi)容創(chuàng)作

Prompt最讓我們興奮的點(diǎn)是它極大降低了用戶批量操縱數(shù)據(jù)的門檻，讓任何人都變成了軟件工程師, 能給自己搭建信息時(shí)代的解決方案。

拿軟件舉例子，代碼的創(chuàng)作者是程序員，使用者是終端用戶，程序員不知道用戶想要什么，所以需要產(chǎn)品經(jīng)理去了解用戶，把他們的需求翻譯成產(chǎn)品功再能給程序員實(shí)現(xiàn)。這個(gè)流程有大量的交流導(dǎo)致的信息損耗，非常低效。而這個(gè)流程存在的原因則是終端用戶沒有時(shí)間和技能去寫代碼做軟件。

Prompt的出現(xiàn)徹底改變了這一流程，從此以后，只需要用自然語言描述問題和相應(yīng)的步驟，就可以搭建個(gè)性化的解決方案，省去了讓一個(gè)專門的團(tuán)隊(duì)來找問題迭代產(chǎn)品PMF的步驟，因?yàn)橛脩糇约菏亲詈玫漠a(chǎn)品經(jīng)理。

Prompt相比代碼有著極低的創(chuàng)作門檻，更強(qiáng)大的能力，更多的使用場景，因此更大的體量。

4. 產(chǎn)品想象力的載體

過去人們想要?jiǎng)?chuàng)作需要想象力，專業(yè)技能和時(shí)間。 比如想寫一個(gè)故事，得先構(gòu)思想象一下故事內(nèi)容，再用寫作技能實(shí)現(xiàn)。或者做一個(gè) App ，要先設(shè)想功能、界面，然后用設(shè)計(jì)和編程技能將其實(shí)現(xiàn)。這可能需要一個(gè)人或一個(gè)團(tuán)隊(duì)。問題在于培養(yǎng)這些技能的周期很長，花費(fèi)也很大，因此才會(huì)有分工。

然而，生成式模型的出現(xiàn)使任何人都具備了行業(yè)專家級別的技能。實(shí)現(xiàn)任何想法，只需用 prompt 描述，就能迅速實(shí)現(xiàn)和迭代。Prompt 成為了想象力的載體。

在GPT出現(xiàn)之前，沉淀想象力沒有任何意義，因?yàn)橹挥凶罱K實(shí)現(xiàn)的成品才會(huì)有人使用或?yàn)g覽，所以我們看到的都是像App Store, YouTube, Spotify這樣沉淀成品的平臺?，F(xiàn)在，想象力就是成品。

Prompt Engineering的最終形態(tài)是對大模型使用場景的探索。目前我們面臨的一個(gè)非?，F(xiàn)實(shí)的問題是大家不知道 AI 能用來干什么。舉個(gè)例子，在聽到 HustleGPT（讓 ChatGPT 當(dāng)老板幫你賺錢）之前，我們完全沒有意識到 ChatGPT 還能這么用。包括每天在 FlowGPT 上看大家上傳的各種各樣 Prompts 時(shí)，都會(huì)被大家的想象力震驚，以前根本沒有想到這樣的使用場景。

5. AI原生應(yīng)用的最簡形態(tài)

Prompt會(huì)怎么發(fā)展?

1. 更復(fù)雜

Prompts會(huì)變得更復(fù)雜來完成越來越復(fù)雜和細(xì)分的任務(wù)。這一次更新 ChatGPT 到 GPT-4 之后，我們和很多社群的成員溝通過，做了非常多的觀察。 發(fā)現(xiàn) GPT-4 的 prompt 普遍是比 ChatGPT 的 Prompt 要更復(fù)雜、更長。

我們可以拿代碼做一個(gè)類比，代碼早期沒有什么高階的編程語言，用 Python 能一行寫完的邏輯，那個(gè)時(shí)候的代碼需要十幾行，同時(shí)電腦（代碼的載體）在內(nèi)存、在顯示上的能力也非常有限，所以早期的軟件相比今天非常簡陋。但 隨著越來越高級的編程語言和框架的出現(xiàn), 以及硬件性能的提升。軟件的復(fù)雜度、能解決的問題是越來越多的，才有現(xiàn)在的互聯(lián)網(wǎng)軟件時(shí)代。

同樣的變革正發(fā)生在 Prompt 上。GPT-4 有著 更強(qiáng)的對自然語言的理解能力 ，意味著 ChatGPT 需要十幾句話才能講明白的邏輯，在 GPT-4 里面一句話就可以講明白。prompt 工程師可以寫出更容易被理解、修改、和規(guī)?；?prompt。同時(shí) GPT-4 的緩存也提升了8倍，意味著 Prompt 的復(fù)雜度上限也大幅度提升，能解決的問題的復(fù)雜度和體量也將迅速擴(kuò)大。在社群里，ChatGPT的prompts普遍使用場景是改簡歷，寫文案，做策劃等簡單的模塊，GPT4的prompts則包含文字冒險(xiǎn)劇本殺游戲，甚至有游戲引擎，prompt編程框架等。

2. 更牛逼

Prompt能力提升來自于大模型本身的升級。比如GPT能聯(lián)網(wǎng)以后，所有的prompt都被賦予了實(shí)時(shí)獲取訊息和搜索的能力，復(fù)雜度又多了一個(gè)緯度。ChatGPT Plugin Store也是類似的，Prompt被賦予了能夠使用別的SaaS軟件來存取數(shù)據(jù)以及操作的能力。之后能進(jìn)一步鏈接思域數(shù)據(jù)甚至物理世界的能力。Prompt能做的事越變越多了。隨著模型本身能力變強(qiáng)，模型種類變多，prompt能夠解決的問題體量也迅速增長。

3. 更多元

Prompt是AI原生應(yīng)用的最簡形態(tài), 是一種全新的內(nèi)容。

我們認(rèn)為 AIGC 有兩種融入產(chǎn)業(yè)的形態(tài)：

+AI	AI+
把之前以軟件主導(dǎo)的工作流加上 AIGC 的模塊來大幅度降本增效，比如 Notion AI，微軟的 Copilot，還有 Adobe 的 Firefly.	通過多個(gè)大模型和 prompt 的協(xié)作組成的 AI 原生的工作流。前段時(shí)間 Twitter 有一個(gè)人用 ChatGPT 加 Midjourney 在一天內(nèi)創(chuàng)作了一本繪本故事，然后放到亞馬遜上賣。這就是一個(gè)最簡形態(tài)的 flow。

基于對prompt的進(jìn)階控制和能力拓展,會(huì)出現(xiàn)各種各樣形態(tài)的AI原生應(yīng)用比如把多個(gè)prompt連起來的prompt工作流(chain of prompts), 讓prompt根據(jù)目標(biāo)生成更多prompt來自動(dòng)完成任務(wù)的自治agents(AutoGPT), 給prompt提供私域數(shù)據(jù)(vector embeding)的context-aware聊天機(jī)器人. 這里舉一個(gè)prompt工作流的例子. 未來人們做AI+的繪本，只需給一個(gè)標(biāo)題， ChatGPT 的某個(gè) Prompt 就會(huì)以此生成故事大綱，而另一個(gè) Prompt 會(huì)根據(jù)大綱來生成給 Midjourney 用的圖片 Prompt ， Midjourney 會(huì)以此生成一些插畫，后面可能會(huì)有圖生文的大模型，用插畫生成了環(huán)境描寫。最下面是一個(gè)多模態(tài)大模型，給所有生成的內(nèi)容排版潤色，最后輸出一個(gè)完整的繪本故事的PDF。

這里面的每一個(gè)模塊都是一個(gè)獨(dú)特的 「Prompt +大模型」 的一個(gè)組合，多個(gè)模塊之間的協(xié)作形成了一個(gè) AI 原生的工作流，也就是一個(gè) flow。要知道這個(gè) Twitter 上的小哥本身是一個(gè)軟件工程師，他沒有任何的插畫和寫作經(jīng)驗(yàn)。過去做這件事至少要3個(gè)人，他們可能分別會(huì)用 word、PS 和 Adobe ，現(xiàn)在你只需要會(huì)寫 Prompt ，會(huì)設(shè)計(jì) flow 。這樣的Flow未來會(huì)越來越多，并且越來越復(fù)雜。

Future LLM = Data Monopoly

如前幾周金融行業(yè)的巨頭 Bloomberg 用之前積累的金融領(lǐng)域獨(dú)特?cái)?shù)據(jù)，訓(xùn)練了一個(gè)專用于金融任務(wù)的大模型。在金融相關(guān)的任務(wù)上，能力遠(yuǎn)超過現(xiàn)有的模型。我們覺得這樣的模型會(huì)非?？斓匚⒘糇∫徊糠钟脩簦ㄟ^用戶的反饋能夠不斷去迭代模型的能力，再吸引更多用戶，形成一個(gè)正循環(huán)。這就是Sam說的數(shù)據(jù)飛輪。

我們現(xiàn)在看 OpenAI 能夠這么火，成為一個(gè)主要的玩家，我覺得有兩個(gè)原因：

第一是有非常好的人才，這些人才有非常好的技術(shù)，做出了 GPT-3.5； 第二就是有足夠的資本，有能力去試驗(yàn)，去訓(xùn)練大模型很多次。但是他們用的數(shù)據(jù)大部分是網(wǎng)上公開的數(shù)據(jù)，加上一小部分他們自己雇人去標(biāo)注RLHF的數(shù)據(jù)。

但是隨著開源的這種大模型的框架慢慢變多，再隨著大模型的訓(xùn)練成本迅速降低，其實(shí)很快每個(gè)人都可以有能力用開源數(shù)據(jù)訓(xùn)練一個(gè)自己的 GPT ，包括現(xiàn)在也已經(jīng)有很多這樣的開源框架能夠復(fù)現(xiàn) GPT 一部分的能力了。

那個(gè)時(shí)候拼的就是誰有別人沒有的數(shù)據(jù)，誰有 數(shù)據(jù)壟斷 。 最先意識到這件事的機(jī)構(gòu)可以最先訓(xùn)練出一個(gè)特化大模型，就像 BloombergGPT 一樣，可以最先去面向用戶。此過程中會(huì)收集非常多的反饋數(shù)據(jù)，能夠去迭代他自己的大模型，然后搭上一個(gè)飛輪，形成非常強(qiáng)的壁壘。

我們其實(shí)可以參考神經(jīng)網(wǎng)絡(luò)的發(fā)展歷程。在剛出來的時(shí)候，去訓(xùn)練一個(gè)在ImageNet達(dá)到93%準(zhǔn)確率的分類模型需要1000多美元，但現(xiàn)在成本只有幾毛錢，這整個(gè)過程花了不到10年時(shí)間。現(xiàn)在隨便一個(gè)高中生都會(huì)訓(xùn)練神經(jīng)網(wǎng)絡(luò)，而缺的是數(shù)據(jù)。同樣的情況會(huì)在大模型上出現(xiàn)，它的成本一定會(huì)下降。 未來訓(xùn)練大模型的成本花費(fèi)一定不是問題，主要問題一定是有什么別人沒有的數(shù)據(jù), 有沒有數(shù)據(jù)上的壟斷。