OpenAI是一家以追求通用人工智能為目標(biāo)的研究機構(gòu)，為AI研究和社區(qū)提供了一系列高性能的研究成果和開源模型。其使命在于構(gòu)建出高度自主并在大多數(shù)工作崗位上達到或者超過人類的表現(xiàn)，為人類提供安全、共贏的人工智能系統(tǒng)。

但純粹的研究理想也需要負擔(dān)龐大的科研開銷，為了平衡使命和現(xiàn)實，OpenAI開始嘗試將研發(fā)出的高性能算法GPT－3構(gòu)建成API以實現(xiàn)商業(yè)化，以反哺消耗巨大的研究，同時促進算法和研究的進一步迭代改進。

基于這一強大的自然語言模型，OpenAI發(fā)布了一款通用的文本處理接口，與先前為特定目標(biāo)設(shè)計的AI系統(tǒng)不同的是，此API可以允許用戶任務(wù)嘗試任意英文語言任務(wù)。研究人員和開發(fā)者可以利用它構(gòu)建更為優(yōu)秀的產(chǎn)品或者更具智能化水平的應(yīng)用，同時還能為探索這一技術(shù)的優(yōu)點和局限做出貢獻。目前已經(jīng)有十多個公司利用這一API在語義搜索、聊天機器人、客戶服務(wù)、文本生成、生產(chǎn)力工具和內(nèi)容補全等方面開發(fā)了一系列有效的產(chǎn)品。

在強大的語言模型下，API可以實現(xiàn)對于輸入文本信息模式的有效學(xué)習(xí)和處理。用戶可以用少數(shù)幾個樣本對模型進行“編程”，使它按照你的方式來回答問題。下圖中顯示了調(diào)用API的一個樣例，可以看到在提供了一個問答樣本后（紅框中），模型可以根據(jù)問答樣例的語言模式回答新的問題（藍色）。模型不僅可以實現(xiàn)問答任務(wù)，還顯示出了其中已經(jīng)涵蓋了非常豐富的語料和知識信息。

用戶可以按照這種方式對模型進行定制化的打磨，一方面通過數(shù)據(jù)集（大數(shù)據(jù)或者是少量數(shù)據(jù)）對模型進行調(diào)優(yōu)訓(xùn)練，另一方面也可以通過人機交互的反饋來對模型的輸出進行改進。

此API同時兼顧了易用性和靈活性，一方面可以讓任何人都有接入最前沿人工智能技術(shù)的簡單方式，同時也為研究人員提供了增加生產(chǎn)力的靈活方式，使得團隊可以集中精力處理機器學(xué)習(xí)的核心問題。目前支持該API的是最新的GPT－3模型，GPT－3是OpenAI最近發(fā)布的非常強大的自然語言處理模型，完整模型包含了175 billion的參數(shù)。下表顯示了GPT－3相關(guān)模型的架構(gòu)和參數(shù)量。

機器學(xué)習(xí)領(lǐng)域的發(fā)展一日千里，所以背后所支撐的處理流程和模型也在不斷迭代和更新。下面幾個小視頻展示了如何應(yīng)用這一API到用戶的日常工作生活中，以此來解決問題并提高生產(chǎn)力。

針對電子表格的制作，Tabulate插件提供了結(jié)構(gòu)化的表格生成方案。用戶僅僅需要輸入想要制表的主體，模型就能生成比較理想的表頭。在少量的修改后，選擇填充表格模型就能從已有知識中填充出內(nèi)容。這一例子中顯示了公司名稱、代碼和上市的年份。為了聚焦互聯(lián)網(wǎng)公司，只需要輸入兩個互聯(lián)網(wǎng)公司的名字，模型就能找到相關(guān)內(nèi)內(nèi)容進行填充，還能按照創(chuàng)立年份排序。此外還能夠從非結(jié)構(gòu)文本中對文本信息進行結(jié)構(gòu)化填充！突然感覺以后不用做excel了

第二個例子是利用模型對網(wǎng)頁內(nèi)容進行語義搜索。比如你打開了一個wiki百科頁面來尋找答案，現(xiàn)在再也不需要一字一句讀完整篇文章了，只需要利用網(wǎng)頁插件輸出你想要問的問題，模型就能根據(jù)語義搜索到頁面中對應(yīng)的段落，不僅解答了你的疑問還能對文本位置進行定位，大幅度地提高了資料檢索的效率。

下面的例子完整地展示了如何構(gòu)建個性化的應(yīng)用，通過簡單的linux指令和對應(yīng)含義的描述，就能構(gòu)建出一條語義操作模型。直接輸出各種口語化表達模型，就能生成對應(yīng)的命令和命令組合來實現(xiàn)你想要的結(jié)果。這個例子中，我們看到了API將人機交互簡化到了何種程度，極大地減少了初學(xué)者的學(xué)習(xí)成本、提高了使用者的利用效率，看來用自然語言和計算機交互的時代已經(jīng)非常近了。

但技術(shù)的進步是一把雙刃劍，在大規(guī)模應(yīng)用的同時也需要避免惡意使用。API在源頭已經(jīng)切斷了一系列明顯的惡意應(yīng)用，包括騷擾、垃圾郵件、激進言論和病毒營銷等，但想要窮盡所有可能的惡意應(yīng)用是不可能的，除了產(chǎn)品開發(fā)者的把控，更需要社區(qū)的努力。開發(fā)者可以探索控制API返回惡意內(nèi)容的工具，研究人員需要在語言模型的安全方面進行更加深入的研究（包括對于有害偏見的分析檢測、緩和與阻斷等等）。