对于不做技术的人，想了解chatgpt，可能有点麻烦。对于做技术的人，很容易一头扎进技术细节中，同样有点麻烦。为了更好了解Chatgpt，必须从最高层次来思维，建立知识体系。假如从最高层的思维方式作为入口点，还是比较简单的。

         Chatgpt与过去的人工智能算法类似，存在类似的思维方式。

         总得来说，Chatgpt要解决一个大问题，就是搞出“智能”。对于“智能”，我们更多只是想象，甚至定义都很困难，自然不存在明确的算法公式，不存在明确的数学公式。

         研究人员想了很多的办法，其中之一就是模仿大脑的神经元，搞出了神经网络模型。因为人脑有大量神经元，研究人员自然认为模拟神经元的行为就可产生智能。研究人员先假设神经网络模型可行，能够解决问题，能够生成智能。

        预先规定了神经网络模型，下一步为每个神经元规定参数。由于神经元数量庞大，参数数量同样庞大。

        如何确定神经网络模型的参数？研究人员称之为“训练”。非常形象，类似训练狗狗，对了就给奖励；错了就小小惩罚。

       原理就一个，平时也这么用。比如我们去爬山，看不到山顶道路，那就找一条向上的路先走着。我们去某地游玩，先找一条方向正确的路，等到靠近了游玩地方后再细细处理。在chatgpt上同样的方法。就是先设定一个值，用数值计算的办法，逐步靠近。自控系统理论也同样类似，先设一个初始值 ，然后根据实际情况逐步靠近。

     神经网络模型的参数也是这样被确定。根据已存在的数据或者标准，计算出差距。根据差距调整神经网络模型的参数。对于任意一个参数a，如果参数增大一点，就可以使得模型更准，那就把a增大一些。如果变小一点，就可使得模型更准，那就减小一些。对所有的参数都进行类似调整。然后再做计算，根据计算结果进一步调整，直到满足要求。研究人员起了一个名字叫反向传播算法。

     这种做法是人类最朴素的做法，但需要强大的算力，在实施过程中也有很多的技巧，需要大量的数据收集、梳理、分类处理等工作。了解以上的过程后，普通人也就明白为什么英伟达这么发财，也就明白为什么搞AI这么烧钱，也就明白为什么搞AI需要这么多数据。   

      在网络上大量文章介绍chatgpt，绝大多数在介绍chatgpt能干什么，怎么干的（即上文提到的模型具体样子，以及实现过程中的技巧）。chatgpt能干什么？总得来说，只要大家觉得他能干的，都可以试一下。

      怎么干的？网上有很多的图片介绍Transformer模型。为什么要用Transformer模型？没有明确的理论和理由。只要不是专业人士，也就没必要深入了解。

      以上说明一个事情。以后任何人都可以拿来一些数据，提供给模型。模型学会后照猫画虎，给出结果。

      数理统计中回归同样如此。

      对于非专业人士，人工智能模型特别友好。只要有数据，有标准，就可以训练出来，就可以帮人们做事。所以人们说会取代大量白领工作。

      虽然非专业人士明白道理，但是具体工作还很多。未来也许有很多专做训练的公司，专做硬件模型的公司，还有专做外围设备的公司。