关于chatgpt:ChatGPT会对我们日常生活带来什么影响这些技术会改变我们学习阅读工作方式吗

ChatGPT 会对咱们日常生活带来什么影响？这些技术会扭转咱们学习浏览工作形式吗？

AI 这个话题很火，我也始终在关注着，很多人甚至感觉 AI 会扭转世界，兴许你会好奇：ChatGPT 会在三年内终结编程吗？AI 有可能扭转人的学习形式吗？AI 是否取代打工人？本文会对相干问题从咱们可见日常问题进行解答。

1.AI 有可能扭转人的浏览形式吗？

心愿从：AI 辅助进步了人的浏览效率吗、AI 能帮忙人更好地理解和记忆书中的内容吗、AI 技术有可能扭转人的浏览形式吗三个方面进行解答。并用 AI 工具进行辅助浏览，甚至只用 AI 工具浏览，同时我会分享我用到的工具和办法。

1.1ChatDoc 小试牛刀

• ChatDoc：准确性比拟高这个工具应用起来比较简单。你能够将 PDF 书籍上传到 ChatPDF，而后它会建设书籍索引，接着你就能够像聊天那样，问书籍的细节内容，或者让 AI 帮忙总结书中的内容。

• Bing：Bing 不反对拜访本地的 PDF，如果你的书籍或者论文是在线版本的，能够间接用 Edge（Dev 版本）的侧边栏调出 Bing Chat，让其总结 PDF 内容：

• ChatPDF

• Readwise

相干材料链接：

• GPT-4 论文（英文内容）
• Generating Phishing Attacks using ChatGPT
• 《Mental Models》（英文内容）
• 《长命 - 当人类不再苍老》（中文内容）

通过屡次应用，我就遇到了两个十分重大的问题：内容谬误和对话式学习。

先说下内容谬误，拿 Mental Models 这本书为例，我让它列举 30 种模型，它回复了一个 SWOT 剖析，但我看了下书籍的目录，我发现并没有提到这个模型，于是我就问它哪里提到了这个内容，而后它的答复是「我混同了这本书和其余一些治理类书籍中的内容」：

这个能够说是十分十分大的谬误，如果内容无奈保障精确，那后续的效率和扭转都是空谈。

我钻研和测试了下，造成这个问题的起因还是 ChatGPT 的字数限度，咱们没法将书里的所有字都给 ChatGPT，咱们须要做一些绝对 Hack 的事件，最终导致这个后果有点问题。而且我在测试的时候，ChatPDF 还在用 ChatGPT-3 模型，还不反对图片，ChatPDF 应该是先用 OCR 技术，将 PDF 转为文字，再将内容传给 ChatGPT，所以也有局部起因是 PDF 转文字时，导致了内容缺失和谬误。

再说下对话式学习的问题，目前尝试下来有好有坏：

1. 对于指标明确的内容来说，这种浏览形式十分高效（前提是内容精确），你能够有针对性地问 AI 论文或书籍里的内容，而且它比视频 Summary 要好，对于一些感兴趣的问题，你能够有针对性地询问。而不仅仅只是总结。
2. 对于指标不太明确的内容来说，这种形式就很低效，你会迷茫，不晓得应该问它啥，《长命》这本书有 400 多页，但我只能问出它讲了什么，有什么办法能缩短寿命。其余的问题，只能通过 AI 的答复，再进行摸索。这个效率可能还不如一页一页地读，起码我读到不感兴趣的中央能够跳过，感兴趣的中央停留，保障效率的同时，还能尽可能地取得常识。但对话式的被动摸索就不太行。

对于目前这种对话式的 AI 浏览辅助工具，我更偏向于用于浏览比拟明确的场景，比方：

1. Q&A 文档，或者说客服类内容。
2. 教程类文档，比方某个前端框架的阐明文档，如果你只是想理解外面的某些细节，应用这种浏览形式效率就很高。
3. 主题精准垂直的论文或报告。这个可能对于学生、钻研人员来说会比拟有用。

对于其余类型的书籍，我感觉还有很大很大的优化空间，而且这跟模型的技术限度无关，即便 OpenAI 放开了字数限度，不解决对话式交互问题，实用的范畴还是比拟窄。

对于这个问题，我倒是有个不成熟的想法，AI 能总结，应该也能重新组合，如果咱们能设置肯定的框架脚本，是不是能将书的内容，做成交互式的游戏？

或者相似我在 Summary 一文中提到的那样，给一些示例给 AI，而后 AI 能返回一些你可能 Highlight 的内容，亦或者将书籍内容做一些模版性的总结？

1.2 ChatPDF 与 ChatDoc 比照

首先说说 ChatPDF 和 ChatDoc。我这次，用它俩尝试浏览了下《The Great Mental Models》（这本书其实就是《思考的框架》的英文版）。从后果来看，ChatDoc 确实要比 ChatPDF 靠谱很多。这个是 ChatPDF 的总结：

这个是 ChatDoc：

从内容的准确性来说，我感觉 ChatDoc 比 ChatPDF 要好很多。

首先，我感觉 ChatDoc 的左 PDF，左边 AI 助手的设计，比 ChatPDF 的对话式设计要好十分多。当我遇到不懂的中央，我能够框选左侧的内容，ChatDoc 会主动将内容带到右侧的输入框，我只须要做一些补充发问即可，比方下图里，我问 AI 某章节次要讲了什么内容，在浏览一些英文书籍或论文，这个模式对我的帮忙也很大，我能够问 AI 这句话是什么意思，甚至能够让 AI 以更易于了解的话术解释那句话。

另外，在上图，你还能看到我针对书中的某个细节进行了发问，答得十分好。有两个令我 Aha 的时刻：

• 第一次发问的时候，我打错字，将「无奈通过」，打成了「无奈同构」，但 AI 的答复还是正确的。
• 第二是 AI 将这个答案相干的页码都标出来，并且帮我找到了我之前疏忽的节点。这个问题，在书中的第一章，所以你能看到很多 20 页左右的援用，但 AI 还找到了 92 页 的内容，这个是我没想到的。如果它能画思维脑图，那预计会更有用。

你在好好学习里看到的总结，就是我用这个工具辅助实现的。

1.3Readwise

再来说说，Readwise 阅读文章的感触，Readwise 的 AI 次要有以下几个性能，你能够问问题，让 AI 做总结。不过这个产品最大的问题是响应速度，让它总结文章，要 loading 很久。

并且，对于 AI 辅助阅读文章来说：

1. 这种 Summary 意义不算很大，因为个别看题目就晓得文章说啥了。
2. AI 辅助成果取决于文章内容的解构，以及信息颗粒度。我试验了大略有几十篇文章，次要波及 newsletter 和与工夫治理、生产力效率无关的文章，我发现相似 Morning Brew 这种次要以信息列举为主的 newsletter，AI 辅助意义不算特地大，成果也很不好，因为内容都很琐碎，AI 不晓得什么是重点，只能什么都总结一下，或者因为内容太多，导致超出字数，只总结了一部分。对于主题比拟聚焦的文章，总结成果倒是好很多。
3. 通过问问题的形式浏览，其效率远比扫描浏览低。比方拿下面那张图里的文章为例，我想晓得文章里提到的发明运气的办法有哪些，文章很短，我鼠标只有滑几下，就能定位到办法。但如果我用 AI，我还要打一串字，如果 API 或网络不稳固，答案返回的工夫会长，总耗时反而更久。

1.4 小结

回顾结尾四个问题：

1. AI 辅助进步了人的浏览效率吗？
2. 它能帮忙人更好地理解和记忆书中的内容吗？
3. AI 技术有可能扭转人的浏览形式吗？

坦白说来，以目前用到的工具来看，AI 工具还有很多毛病， 但整体来说，我认为它很可能会扭转我的浏览形式，并且在某些场景晋升我的浏览效率。

以下是我总结的 AI 劣势，以及我认为可能扭转的点。

• 长处一：晋升检索速度

我的「浏览」个别分成两种，一种是「学习型」的浏览，另一种是「检索型」的浏览。

前者须要的是「网」，后者须要的是「点」。比方学习前端库 React，你须要看它的官网文档，甚至须要在本人的电脑上，跑一下官网 Demo，你须要建设残缺的框架，并实际，能力算学会应用。

但如果你只想查问某个问题，那就只须要搜寻一下文档，找到某个点就能够了。而 AI 十分善于这个。以前这类浏览场景，我都是依赖搜寻实现，但检索型的浏览，很多时候很难确定搜索词，须要屡次搜寻，能力找到答案，而当初依附 AI，搜寻具备了文本理解能力，除了能帮你定位到地位外，还能间接给你答案。

对于检索型浏览，我认为 AI 能进步很多效率。

• 长处二：突破语言壁垒
• 长处三：基于点进行解释

长处二和三，我感觉算是一类，这两点会极大地扭转我的浏览形式。以前不论是学习型浏览还是检索型浏览，都会遇到「看不懂」的问题。

第一种是语言上看不懂，这种就依赖翻译软件，但这些软件翻译的品质都比拟个别。当初用上 ChatGPT 的翻译，成果好很多，这将会极大地拓宽我的浏览面。甚至我当初可能会思考看日语、法语等非英语书籍。

第二种是字都看懂了，但看不懂表白的意思。有了 AI 辅助，很多简单的内容，都能让 AI 解释一遍。甚至还能让 AI 进行举例（不过这个准确度要比检索和翻译低很多）。

• 长处四：找到人疏忽的点

人的短期记忆容量，如果用 AI 产品罕用的单位 token 来计算，远远小于 GPT-4 的 32,768 token（约为 23,000 个英文单词），所以人类在进行「学习型」浏览时，最罕用的办法就是做笔记，将重点标注进去，加重记忆负担。

但不论如何记录，人总有疏忽的中央。比方我在后面提到的 ChatDoc 的例子，我读到 90 多页的时候，齐全没想起它讲的内容跟第 20 多页内容有关系，但 AI 帮我找到了。

• 长处五：开掘网状结构（临时未看到哪个产品能做到）

这个跟长处四有点关系。

因为物理输出形式限度，导致咱们的浏览很多时候都是线性的，但人的思维是网状的，书本有的时候传递的也是网状的信息，所以才有了所谓的思维导图等工具，帮忙人更好地了解书本的信息。

所以我就想到，既然 AI 曾经能找到人疏忽的点，那是否也能帮忙咱们建设网状图？

再发散地看，是不是笔记类的产品，也会被扭转？像 RoamResearch 这类依赖用户手动打 tag 的文档工具是不是也会被颠覆？人只须要记录就好了，剩下的交给 AI。须要一个记录健身数据 Database？你只须要先记录健身数据，不须要思考表如何设计，让 AI 生成一个即可。并且记录形式也会产生扭转。以前是先有表，再有数据，当初只须要先有数据就行。

回到后面提到的问题：

1. AI 辅助进步了人的浏览效率吗： 能够，特地是「检索型」浏览。
2. 它能帮忙人更好地理解和记忆书中的内容吗： 能够，但要用对办法和工具。AI 不是代替浏览，而是辅助浏览。当初很多产品还是会说胡话，但我置信将来会变得更好。
3. AI 技术有可能扭转人的浏览形式吗 ：这个我持保留意见。当初 AI 工具依然只是辅助，并没有间接扭转人的浏览形式。对我来说，倒是拓宽了我的浏览边界（留神，我这里说的浏览形式，是像 ChatPDF 这种对话式浏览形式的扭转）。

2. 进一步探讨 AI 摘要总结会取代人工摘要总结吗？

最近 AI 相干的话题十分火爆，也有局部敌人留言说 AI 呈现，咱们这种人工 Summary 迟早要被淘汰。也有人说有了 AI，总结起来会不会更快。

2.1 目前 AI Summary 工具是如何实现的？又有哪些限度？

聊比照前，我想先科普一些 ChatGPT 相干的常识，各位理解这些常识后，能力更好地比照 AI Summary 和人工 Summary。

• Token：这个指的是 OpenAI 解决文本的根本单位，能够是单词或者字符的片段。例如，“hamburger”被分成“ham”、“bur”和“ger”三个 Token，而“pear”是一个 Token。1 个 Token 大概相当于 4 个字符或者 0.75 个英文单词。

• 一些限度：

  • OpenAI 的模型有一个固定的 Token 限度，例如 GPT-3 的 Davinci 模型最多能够解决 2049 个 Token，大概 1500 个英文单词。最新 Turbo 模型大概是 4,096 个 Token，大概是 3000 个英文单词。
  • 另外这个限度还有一个细节，Token 限度的计数蕴含输出和输入的文本。换句话说，不是说我输出 3000 个英文单词，而后 OpenAI 能返回 3000 个英文单词的后果，而是输出 + 输入总共不能超过 3000 个英文单词。
  • 文字限度。目前 OpenAI 的 GPT-3 模型只能解决文字。

懂了这几个限度后，我再解说下，市面上的视频 /Podcast Summary 是怎么做的。实际上你能间接用 ChatGPT 模仿这些插件。

首先，因为限度 #3，须要将视频 /Podcast 的音频转为文字。这一步因为 Youtube 有 Transcript，所以很多产品会间接拿 Transcript 来用。

第二步将 Transcript 和 Prompt（个别是「请总结以下内容」）一起传给 OpenAI。传给 Open AI 的货色相似这样，你也能够在 ChatGPT 上试试，只须要将下方 Transcript 的内容替换成 Youtube 上的实在 Transcript 即可：

Please summarize the following sentences.
Text: """Transcript"""

最初 OpenAI 就会返回 Summary 后果。

但某些视频和 Podcast 会十分长，一集可能有几万字，因为 #2 的限度，基本没法将一集残缺的 Transcript 都传给 OpenAI，所以不同的产品，会有不同的解决形式。目前常见的解决形式是「裁切总结」，将 Transcript 切成多个时长为 5 分钟的 Transcript，再传给 OpenAI，让 OpenAI 先总结一遍，而后再将这些段落总结，传给 OpenAI，再让它总结一遍，生成最终的总结内容。

2.2 目前 AI Summary 的毛病

理解完这些 Summary 利用的原理后，目前这类产品的毛病也就绝对好了解了：

• 毛病一：内容依赖 Transcript。

某些没有 Transcript 的内容根本没法 Summary。比方短视频，或者 vlog，很多都是只有画面，没有谈话内容。这些都没法 Summary。

当然应该没有人须要短视频 Summary 吧，内容曾经够快餐了 😂

• 毛病二：内容品质依赖 Transcript 品质。

如果 Transcript 品质不好，AI 总结进去的内容会十分奇怪，举个例子，如果 Transcript 蕴含了背景音乐里的歌词，AI 就会总结这段歌词。人看到就会很奇怪，忽然两头来了一段「爱拼才会赢」的总结。

• 毛病三：Token 限度导致内容缺失。

人一分钟大概能讲 125 – 150 个英文单词，180 – 200 个中文。依照当初人们看视频的习惯，视频内容个别不会超过 15 分钟，换算下来大概是 2200 个英文单词左右，或者 3000 个中文字，不过很多视频都不会始终谈话，所以字数会少于这个数。

所以很多做视频 AI Summary 就会简略解决 Token 限度的问题，比方只传 2500 个英文单词，而后让 AI 返回 500 个英文单词的内容。这种解决形式就比拟粗犷（但并不是不能用，哈哈哈），对于长视频来说，就会缺失后半段的总结，如果后半段有反转，那总结就会是齐全谬误的。

比方 Glarity 这个插件，给 Knowledge Project 141 的总结是这样的：

这段视频中，Kunal Shah 谈到了他从家族企业中学到的几个胜利做生意的因素。他们中的大多数人来自于商人的社群，这种社群的人更违心承担风险、具备更低的羞耻感、更能了解事物的价值、更能发现新的趋势、并且违心帮忙本人的社群胜利。这些特点让这些人更有可能在商业上获得成功。

比照看看我的总结，这段总结应该只输出了前 15 分钟的内容。（BTW，我这里并不是说这样设计不行，因为 Glarity 反对自定义 prompt，它是我目前罕用的 AI 插件之一，只是感觉它能更好 😁）

• 毛病四：层层总结导致内容缺失。

当然也不是所有人都那么做，切分总结能局部解决缺失的问题，但切分时长就很要害，如果太长，比方 15 分钟，3000 个英文单词，AI 就没法返回总结了。

另外，这种层层总结，也会导致信息缺失。第一次总结，相似将照片切成一块块，而后一一打码，最初再将这些打码后的块，组合成一张图，再打一次码，内容少了，也更不清晰了。

• 毛病五：AI 并不知道什么是重点。

如果后面 4 个毛病，在技术上将来应该能解决（比方 OpenAI 放开限度到 8K 个 Token），但最初的一个毛病，相对来说，我还没想到如何解决，举个理论的例子。

还是以 Knowledge Project 141 为例，Summarize.tech 的 Summary 形式是将视频切分成 5 分钟的一段，而后再对生成的内容进行二次总结。咱们一起看看这个后果：

00:15:00 The author discusses how he has learned that many concepts in western society are not applicable to Asian societies, such as the value of time. He also discusses how Hinduism is not as scalable as other religions because it is not standardized.

外面提到一个“such as the value of time”，我在听这一段的时候，我认为这段内容很精彩。因为这段 Kunal 聊的是「为何很多工具产品在亚洲赚不到钱」，他解释起因是对于许多亚洲国家来说都是如此，工夫作为一个价值概念从未被教诲过。

但如果你看下面的 AI 总结，其实省略了很多内容，并且吸引力不够，如果我读得快一点，很可能就会疏忽它。再看看另一个例子：

00:35:00 In India, less than six percent of urbanIndian women have financial income of their own, and 94 of them are currently taking care of kids or taking care of the family and not contributing to the labor force. Another interesting thing is 95 of all financial products in India are bought by men. Credit cards, car loans, and home loans are all by men, while investments are only by men. India has now nearly two thousand dollars per capita income yearly, but if you remove the top 30 million families or 30 million individuals, the per capita income would drop to maybe 600. This is why many western markets love to come to India, because its per capita income is never going to beat and grow like China’s because before China started becoming affluent, 96 of Chinese urban women were working because of the one child policy which forced it to become a general neutral society. However, in India, female participation of labor is going down. The per capita income is not going to grow and therefore a lot of foreign companies love to come to India because India is the “dau farm of the world.” All the big internet giants, like Facebook, Twitter, and YouTube, will say “I have 500 million billion users in India, but look at the arpu and peel the ar

首先这个总结应该是 Token 达到下限，最初没有输入完。让后拿这个总结和上一个总结做比照，你应该会和我一样有雷同的纳闷，为何这段总结更长？更具体？

我本人也尝试写了一些 prompt，这一块即便 ChatGPT 也做不到很好的一致性（换句话说，你重复发问一样的问题，它会给你返回不同的答案），临时不晓得它以什么规范进行总结。

但我也测试进去了一些有意思的货色，最初会跟大家分享。

2.3 AI Summary 会取代人工 Summary 吗？

我的想法是：

1. 值得总结的，它临时还做不好。
2. 它能做好的，总结的意义感觉也不是很大。

我目前尝试下来，AI 最善于总结的是那些科技产品评测，特地是像钟文泽做的那些开箱评测，总结精确还很全。但我想说这些评测你会只看文字版本吗？

我不太会。

所以我也很好奇，这些 AI Summary 工具的次留是怎么的。

我反而感觉可能将这些后果从新组装，做成新产品，可能还有意思一些。

比方将全网评测 iPhone 14 的视频都总结一遍，而后将这些总结后果再做一些统计，那我就能晓得各种 UP 主是怎么评估 iPhone 14 的，赞的人有哪些，赞的中央有哪些，踩的人又有哪些，又踩了什么。

当初的 AI 产品玩法，都还是脱离不了文字的交互方式，以及间接跟 AI 交互的形式。为何不试试用 AI 的后果做产品？以前要想搞一个什么值得买很难，须要很多人力，当初会不会简略一些呢？

再说说它临时做不好的内容，我可能会用它来做辅助，但用它做辅助也有两个担心：

1. 我不晓得它总结的全不全。
2. 被动学习变成被动学习：这个跟第一条有点关系，纯听，或者看文字稿，我大部分工夫是被动学习，我能很快判断这个是不是值得记录的，但当初它总结给我，我就要被动去想它总结的内容是什么，是不是值得细听。

所以就我目前测试下来，文字稿对我的辅助作用最大。其次才是 AI 总结，它帮到我的更多的是定位重点，作为

不过我置信将来应该会有更好的解决方案，比方将来应该会反对更多媒介，并且 Token 的限度也会放宽。

2.4 相干摘要 prompt 优化技巧

我在后面提到 AI Summary 不晓得什么是重点。但如果你传给 AI 的 Prompt 里蕴含一些案例，它就能依据你给的案例做一些优化。某种程度上是告知它什么是重点。

简略说，相似这样的：

In India, less than six percent of urbanIndian women have financial income of their own, and 94 of them are currently taking care of kids or taking care of the family and not contributing to the labor force. Another interesting thing is 95 of all financial products in India are bought by men. Credit cards, car loans, and home loans are all by men, while investments are only by men. India has now nearly two thousand dollars per capita income yearly, but if you remove the top 30 million families or 30 million individuals, the per capita income would drop to maybe 600. 

Highlight: less than six percent of urbanIndian women have financial income of their own.

而后下一段话，你就能够这样问，ChatGPT 会返回它了解的 Highlight 内容给你：

This is why many western markets love to come to India, because its per capita income is never going to beat and grow like China's because before China started becoming affluent, 96 of Chinese urban women were working because of the one child policy which forced it to become a general neutral society. However, in India, female participation of labor is going down. The per capita income is not going to grow and therefore a lot of foreign companies love to come to India because India is the"dau farm of the world." 

Highlight: 

将来基于 AI 做一个专属于集体的举荐或者 Summary 零碎是有可能的。只是你须要给不少初始化数据给模型。

比方人对某篇文章的结尾段落进行高亮，后续 AI 就能主动依据你的高亮后果，高亮文章后续可能被高亮的内容。当收集的数据足够多，新的文章都能主动高亮了。

3. 更多 AI 产品举荐演示

3.1 ChatMind.Tech

主动生成流程图

3.2 Effidit

智能创作助手 Effidit（Efficient and Intelligent Editing）是由腾讯 AI Lab 开发的一个研究性原型零碎，摸索用 AI 技术晋升写作者的写作效率和创作体验（在线体验举荐应用 Chrome 或 Microsoft Edge 浏览器）

4. 总结

1. ChatGPT 能够帮忙咱们更疾速、更精确地获取信息。在日常生活中，咱们常常须要查找各种信息，例如新闻、天气、交通等，而 ChatGPT 能够通过自然语言的形式，疾速地答复咱们的问题，节俭了咱们查找信息的工夫和精力。
2. ChatGPT 能够帮忙咱们更好地进行学习和浏览。在学习和浏览过程中，咱们常常会遇到各种问题和难点，而 ChatGPT 能够通过智能问答的形式，帮忙咱们解决这些问题和难点，进步咱们的学习效率和浏览理解能力。
3. ChatGPT 还能够帮忙咱们更好地进行工作。在工作中，咱们常常须要解决各种简单的问题和工作，而 ChatGPT 能够通过智能问答、自动化解决等形式，帮忙咱们更好地实现这些工作，进步咱们的工作效率和品质。