4类GPT产品模式、4个GPT小项目、4个商业化风险——AI产品经理视角

本文作者从AI产品经理的视角，对最近2个月学习使用ChatGPT的经验进行了总结，包括4类GPT产品模式、4个自己做的小项目、4个商业化风险。感兴趣的小伙伴们一起来看一下吧！

以下是从AI产品经理的视角，对最近2个月学习使用ChatGPT的总结，包含4类GPT产品模式、4个我做的小项目、4个商业化风险。

• 4类GPT产品模式是：Prompt类、Embedding类、Fine-Tune类、LLM类
• 4个GPT小项目是：内容生成、做个小程序、Embedding类项目、尝试Fine-Tune自己的GPT
• 4个商业化风险是：GPT迭代速度太快了、数据安全问题、内容审核、OpenAI政策问题

一、4类GPT产品模式

结合这段时间的项目经验，我把目前chatGPT类的产品化模式分为四类，由简单到复杂介绍一下。

1. Prompt类

仅使用chatGPT，这一类是最常见，也是商业化做得最多的。

核心是利用Prompt引导去生成内容，比如日报生成器、小红书标题生成器、英语学习等，上面这个图片是我发现整理比较好的，另外也推荐下【外语易学堂】小程序，可以学习52种外语

2. Embedding类

向量数据库 + 搜索 + chatGPT。强烈推荐大家重点看这个方向！无论是私人助理，还是智能客服，只要是结合自有知识生成回答的项目，都绕不开这个方案，产品化空间很大，我自己也是花了最多时间在这个方向。

截图是鼎鼎大名的chatPDF项目，技术方案大致如下：

• 文本切割: 将自有的文档或知识，切割成一小块一小块的，每一块都向量化（可以用OpenAI的Embedding接口），返回这段文本的 embedding 的向量数据。存储这些数据，并且保存好对应关系。
• 用户提问: 将用户提的问题也向量化，拿到问题的向量数据。
• 搜索向量: 计算相似度。用问题的向量，在之前切割的所有向量数据里，计算和问题向量相似度最高的几个文本，可以直接使用余弦定理。
• 调用 ChatGPT: 将搜索到的知识和用户提问拼在一起，加上一段准备特殊的 prompt（例如：使用以上内容回答以下问题 ），去调用ChatGPT接口，生成回复。

1. 技术方案看起来简单明了，但在实现过程中也有非常非常多的细节，后面会结合我自己实际操作讲一下注意事项。

3. Fine-Tune类

不断微调，去训练一个专属自己的GPT模型。比如你想做一个销售机器人，和客户聊天的语气尽可能模拟金牌销售的样子，这个机器又能掌握公司所有产品的知识，那你就最好自己Fine-Tune一个自己的专属模型，因为现有的chatGPT不能做到如此的拟合你的语气。

但这里有很大的成本问题，GPT-3的Davinci训练100M数据大概需要5万块人民币（记不太清楚了），部署也要另外收费，成本很高，此外GPT3.5是不支持Fine-Tune的。不过Fine-Tune时候也不一定非要用Davinci，根据和Azure的沟通，他们在某些项目上使用Ada做分类模型的效果也很好。我们也尝试过Fine-Tune，过程感人，后面再说。

4. LLM类

自己从头做一个GPT类的完全属于自己的预训练大模型。这个是大公司专属，参考百度文心一言、王慧文大佬的创业项目。不过其实考虑到Meta已经将LLaMA开源了，小团队做一些非商业化的项目还是可以的（参考斯坦福发布的Alpaca），但是难度依然很大，不建议大家直接冲，另外就是要注意版权问题，因为我也没做过，不详细展开了。

二、4个我做的小项目

1. 内容生成

最简单最容易上手的，当然是直接生产内容啦。为了验证GPT的生成能力，设计了一个小实验：利用GPT生成文案，再用剪映一键成片，从而实现批量生成视频内容。经过2天的熟悉后，很快可以15分钟内稳定输出40s视频。一周时间我制作了40条视频，收获xx点赞，x个粉丝，后面就懒得搞了，囧。

2. 自己做了一个学外语的小程序

疯狂使用GPT尝试不同的应用场景后，我发现教育是非常适合GPT特性的，也特别适合个人开发者。因为开发比较简单，我就自己顺手做了一个学习52种外语的小程序——外语易学堂，能纠正语法错误，可以模拟一个私人教练一样和你展开沟通，特别适合社恐星人，再也不用去英语角了。

3. Embedding类的项目

这个是我们参考chatPDF做的一个尝试，在在实际使用时候，效果也确实很好，怎么提问都能生成合适的回答。步骤简介在上面说过了，下面我结合业务实际使用情况，分享下当前存在的问题，包括且不限于：

• 富文本处理：这个是最大的问题，目前公开的GPT3.5是不支持富文本识别的，比如客户上传一个图片询问如何处理，这种答案就无法回答，15日公开的GPT4暂时也没开放图片输入的能力，等OpenAI发布新版本后我们会再次修改产品。
• 多轮对话：这个是第二大的问题，GPT3.5支持的最大token数是4096，实际应用中4轮左右的对话就会触及上限了，继续提问就会出现“遗漏记忆”的情况。这部分我们也和Azure的同学专题沟通过，他们也没有什么特别好的办法，不过好消息是GPT4的token长度增大了不少，但是价格也太贵了，用不起用不起。
• 其他：知识的时效性、知识权重、内容过滤、Embedding的工程化问题等，细节其实很多，大家想看下次单独起一个文章。

  4. 尝试训练自己的GPT

  因为GPT3没开源（我们也微调不起），就想着是不是可以利用GPT2 + RLHF试着做一个特定小领域的chatGPT，经过近20余人连续1周几千次的标记，结论是xxxx（回头再说吧，都是辛酸泪，单标注平台的设计就很麻烦了）

  三、4个商业化问题

  回头看这2个月以来的产品化路径，心情是跌宕起伏的。最开始激动不已，感觉AGI终于要到来了，但当从商业化、产品化角度去考验GPT时候，又发现一堆的问题，有些沮丧，再到后来OpenAI不断释放最新的接口，商业化似乎又可以期待了，类似情况循环往返，现在终于到了比较平静的状态，总而言之吧，前途是光明的。这里列举一下我碰到的商业化问题。

  1. GPT迭代速度太快了

  这看起来是一个好事，但其实也是一个头疼又幸福的烦恼。经常是你一个商业模式刚开始做，GPT就出了新版本了，以前的东西就要重新思考。比如一开始没有发布GPT-3.5-Turbo模型，做产品时候要用session的方案去模拟请求，后来发布了GPT3.5的API后，产品又要重新开发。

  又比如多模态问题，这个GPT4发布后看起来解决了一部分（要测试一下才知道），但注定又要重新设计产品。快速迭代的模型是好事，但至少现阶段来看，是不利于发展成熟的商业模式的，大家不太敢大规模投入，可以参考jasperAI和Grammarly的情况。

  2. 数据安全问题

  经过和微软Azure的反复确认，目前OpenAI是没有在国内部署服务器的，也就是说你所有的请求内容都要出国，送到美国的服务器处理。这个大公司尤其敏感，也就注定了百度文心一言会有市场，如果你在大公司，就要仔细考虑下了。

  3. 内容审核

  如果要做商业化，对输出内容的zz审核及敏感内容过滤是一定要注意的，建议GPT生成的内容再过一遍审核服务，避免别人爆破你的服务，输出一些不安全的内容。

  4. OpenAI政策问题

  3月初开始，OpenAI的API地址就被墙了，需要自己想办法。另外上周开始，OpenAI封禁了一批“非法请求”的账号，从国内/香港等OpenAI不支持地区的访问，将会被封禁账号，具体自己看OpenAI的政策。我当时收到的邮件如下：

  

  四、有趣产品分享

  下面是几个非常有趣的产品推荐，他山之石可以攻玉，朋友们看一下：

  

  五、参考资料

  1. 如何体验chatGPT

  最小白的问题其实也很重要，如果你已经会使用GPT了，直接跳过。

  • 国内直接用： 推荐【阿旺机器人】小程序，这个是BaixingAI公众号开发的，使用最简单，国内就能用。
  • OpenAI官方： 直接点这里，用起来比较麻烦。
  • API访问： 注册账号，拿到API key，使用https://chatx.me、OpenCat等访问，注册方法自己搜索吧。

  2. GPT原理学习

  有点基础的可以直接看以下内容，再次说明，这个是产品经理视角的，算法工程师们请直接看论文：

  3. 几个好的开源项目/论文

  • ChatGPT 中文调教指南：大量的中文调教prompt，很实用。
  • 微软的Visual ChatGPT：连接 ChatGPT 和一系列视觉模型，以实现在 ChatGPT 的聊天过程中发送和接收图像。
  • Meta推出的Toolformer：让LLM自己学会使用工具，在实际业务中，很多场景是需要机器人自己调用外部工具的，期待早日成熟。