一个简单的（可能算劣质的）中文的模仿OpenAI的测试站：gpt.deepdialog.ai
OpenAI也是一定程度支持中文的，但是别太期待
后续正文还是先简单科普了OpenAI现在的功能
最后解析了OpenAI的一些Example的例子
给出了样例列表
大概一个星期之前，OpenAI“全面”开放了，因为之前的用户要先加入他们的等待列表，然后等待被选中。 不过现在，只要符合“一定条件”的用户，都可以直接登录并使用功能，每个人默认账号有一定的金额，可以对OpenAI的功能进行测试。
OpenAI提供的例子还是很多的，数了一下在这个提供了49个例子，通过这些例子可以学习到到底OpenAI现在可以做什么。
如果访问OpenAI有困难，或者只是想简单的感觉一下此类模型，作者模仿OpenAI，利用开源模型，仿造了一个中文版的OpenAI，地址是 gpt.deepdialog.ai
简单科普：
OpenAI提供了4个模型，代表不同的成本与费用/复杂度/完成不同难度大任务。已经不能简单的认为还是最开始的论文中的那个GPT-3了，肯定经过了更多优化、调试、测试或者后续训练。
不过本质上还是GPT类的生成模型。
此类生成模型解决问题依然可以认为主要依赖于“续写”。
我们可以认为自己在写试卷就是一种“续写”。
首先考试题目会通过一个简介（或者提示，Prompt）告诉我们你要做什么，例如：“请参考例句，把句子从第三人称改为第一人称”。
然后给你一个或多个（当然也可能没有）的例子，例如：“改写前：小明今天去买了一个冰淇淋；改写后：我今天去买了一个冰淇淋。”
在例句之后，你要给出的是你要通过这个功能提出的问题，例如你要把“小红今天出去骑车了”这句话改为第一人称，应该就如同例子一样，写作：“改写前：小红今天出去骑车了；”。
然后也要给算法一定的提示，写一个：“改写后：”，最终期待算法能帮助你继续“续写”，也就是完成这个功能。
整理来说，也就是说你要给算法提供的完整上下文类似：
请参考例句，把句子从第三人称改为第一人称 改写前：小明今天去买了一个冰淇淋；改写后：我今天去买了一个冰淇淋。 改写前：小红今天出去骑车了；改写后：
你希望算法通过阅读上面这段话（这段上下文），就能继续通过“续写”来输出正确的答案。
从另一个角度来说，研究深度学习的工程师们，“意外地”发现了类似GPT这样的生成模型可以达到这样的能力。
至少在部分应用上，可以达到某个准确率。
虽然GPT-3也发布了相当长的时间，但是显然OpenAI的很多功能依然可以说在测试中，也请不要期待它能多么的智能，人工智能，要能解决所有问题的人工智能，毕竟还有很长的路要走。
另外，OpenAI提到的能完成的任务（样例），它并不一定能完成的很好，尤其你要求很高的话。
OpenAI没列出的任务，它并不一定不能做，生成模式的这类算法的一个好处是，它带给了我们很多想象力，也许当你给了它足够的上下文和提出了合理的问题的时候，它刚好就能完成你的问题了呢。
我们通过连个OpenAI提供的样例来看它能完成的任务：
第一个，聊天：
OpenAI的介绍是，这是一个开放的AI助理，需要输入到算法的提示（Prompt）是这样的：
The following is a conversation with an AI assistant. The assistant is helpful, creative, clever, and very friendly. Human: Hello, who are you? AI: I am an AI created by OpenAI. How can I help you today? Human: I'd like to cancel my subscription. AI:
其中第一行“The following……”可以认为是我上面提到的，对于问题的提示。同时这里也相当于给了算法一个关于这个机器人能力的提示。理论上如果我们修改这个提示的内容，比如把对这个AI助理的介绍从“helpful, creative, clever, and very friendly.”，改为类似“useless and rude”，这样算法的输出结果就可能不同，因为输入的上下文不同，理论上算法就会根据内容得到类似的结果（如同人一样）。注意是“可能”不同，实际上，你可能并不觉得有什么区别。
第二行和第三行，可以认为是给算法的一个例子，或者提示，也就是告诉算法，你应该按照这样的格式给我输出结果。
第四行才是你的真正问题，也就是希望这个“AI助理”能回答的问题。
第五行的“AI:”是一个最后的提示，再次重申我要这样的输出格式。
第二个例子：
I am a highly intelligent question answering bot. If you ask me a question that is rooted in truth, I will give you the answer. If you ask me a question that is nonsense, trickery, or has no clear answer, I will respond with "Unknown".
Q: What is human life expectancy in the United States? A: Human life expectancy in the United States is 78 years.
Q: Who was president of the United States in 1955? A: Dwight D. Eisenhower was president of the United States in 1955.
Q: Which party did he belong to? A: He belonged to the Republican Party.
Q: What is the square root of banana? A: Unknown
Q: How does a telescope work? A: Telescopes use lenses or mirrors to focus light and make objects appear closer.
Q: Where were the 1992 Olympics held? A: The 1992 Olympics were held in Barcelona, Spain.
Q: How many squigs are in a bonk? A: Unknown
Q: Where is the Valley of Kings? A:
上面的例子和聊天类似，首先第一行“I am a……”给出了问题的描述。然后下面的“Q：……/A：……”的部分，主要是告诉算法应该如何回答问题，回答的格式是什么样。
最后的“Q: Where is the Valley of Kings?”才是真正的问题。
上面两个例子可以大体上看出OpenAI的一种回答问题的模式和感觉，其他的所有例子都是相似的。
这种解决问题的方法在GPT-3的原文中，被称为In-context learning。也就是算法通过上下文进行一部分“学习”，或者我们也可以认为是一种“模仿”。
附：
OpenAI的中文模仿现在提供的样例功能：
gpt.deepdialog.ai
聊天： 完成聊天对话
场景对话： 根据设定场景，完成对话，类似剧本续写
对联： 根据给出的对联上联，完成下联
关键词抽取： 实现针对文章的关键词抽取
文本摘要： 实现针对文章的摘要
文本分类： 根据给出的选项，对文章进行抽取
问答： 回答事实问题
汉译英： 实现英文到中文的翻译
英译汉： 实现中文到英文的翻译
推理关系： 判断前提和假设的矛盾、蕴含、中立关系
菜谱生成： 生成菜谱
虚假名言： 生成虚假的名人名言
作文续写： 给出作文题目，继续书写
小说续写： 给出小说章节的一部分，继续写作后面部分
OpenAI官网现在提供的样例功能：
Chat: Open ended conversation with an AI assistant.
Q&A: Answer questions based on existing knowledge.
Grammar correction: Corrects sentences into standard English.
Summarize for a 2nd grader: Translates difficult text into simpler concepts.
Natural language to OpenAI API: Create code to call to the OpenAI API using a natural language instruction.
Text to command: Translate text into programmatic commands.
English to French: Translates English text into French.
Natural language to Stripe API: Create code to call the Stripe API using natural language.
SQL translate: Translate natural language to SQL queries.
Parse unstructured data: Create tables from long form text
Classification: Classify items into categories via example.
Python to natural language: Explain a piece of Python code in human understandable language.
Movie to Emoji: Convert movie titles into emoji.
Calculate Time Complexity: Find the time complexity of a function.
Translate programming languages: Translate from one programming language to another
Advanced tweet classifier: Advanced sentiment detection for a piece of text.
Explain code: Explain a complicated piece of code.
Keywords: Extract keywords from a block of text.
Factual answering: Guide the model towards factual answering by showing it how to respond to questions that fall outside its knowledge base. Using a '?' to indicate a response to words and phrases that it doesn't know provides a natural response that seems to work better than more abstract replies.
Ad from product description: Turn a product description into ad copy.
Product name generator: Create product names from examples words. Influenced by a community prompt.
TL;DR summarization: Summarize text by adding a 'tl;dr:' to the end of a text passage. It shows that the API understands how to perform a number of tasks with no instructions.
Python bug fixer: Find and fix bugs in source code.
Spreadsheet generator: Create spreadsheets of various kinds of data. It's a long prompt but very versatile. Output can be copy+pasted into a text file and saved as a .csv with pipe separators.
JavaScript helper chatbot: Message-style bot that answers JavaScript questions
ML/AI language model tutor: Bot that answers questions about language models
Science fiction book list maker: Create a list of items for a given topic.
Tweet classifier: Basic sentiment detection for a piece of text.
Airport code extractor: Extract airport codes from text.
SQL request: Create simple SQL queries.
Extract contact information: Extract contact information from a block of text.
JavaScript to Python: Convert simple JavaScript expressions into Python.
Friend chat: Emulate a text message conversation.
Mood to color: Turn a text description into a color.
Write a Python docstring: An example of how to create a docstring for a given Python function. We specify the Python version, paste in the code, and then ask within a comment for a docstring, and give a characteristic beginning of a docstring (""").
Analogy maker: Create analogies. Modified from a community prompt to require fewer examples.
JavaScript one line function: Turn a JavaScript function into a one liner.
Micro horror story creator: Creates two to three sentence short horror stories from a topic input.
Third-person converter: Converts first-person POV to the third-person. This is modified from a community prompt to use fewer examples.
Notes to summary: Turn meeting notes into a summary.
VR fitness idea generator: Create ideas for fitness and virtual reality games.
ESRB rating: Categorize text based upon ESRB ratings.
Essay outline: Generate an outline for a research topic.
Recipe generator: Create a recipe from a list of ingredients.
Marv the sarcastic chat bot: Marv is a factual chatbot that is also sarcastic.
Turn by turn directions: Convert natural language to turn-by-turn directions.
Restaurant review creator: Turn a few words into a restaurant review.
Create study notes: Provide a topic and get study notes.
