我读到 Hacker News 上的一条评论引发了这篇文章：GPT有点像2000年代初的DevOps。
最热门的观点是：我不认为GPT的主要价值在于它能够帮助我开发新的用例或功能——至少现在不是。
主要价值在于它极大地降低了初创公司使用机器学习功能的门槛。
我的推理思路是什么？ 好吧，关于我们如何使用它，有一些令人惊讶的事情：
在我们的产品中，我们主要将GPT用于这4种情况，按价值降序排列：
分类：给定一个文本块，从这个列表中它是什么类型？
数据提取：这是一个JSON模式和一段文本，请填写JSON模式。
长总结：写一封电子邮件来总结这一段文本。
简短的摘要：给我2-3个单词来描述这段文本，这样我就可以将其用作标题（想想右侧列出的每个convo的ChatGPT摘要）。
注意到一些有趣的事情了吗？ 前2个用例是传统机器学习可以做得很好的事情。
那么为什么我们使用GPT而不是传统的ML？
我之前的公司做了很多传统的机器学习，我的主要收获是生产有价值的东西非常昂贵。 这使得实验变得困难。 这使得维护这些功能变得困难。
但现在，我实际上可以花几分钟写提示。
那么为什么它是新的Heroku？
Heroku有什么特别之处？ 这是一个非常非常昂贵的基础设施平台（相对于自己推出），它承诺（并交付）了价值主张：不需要 DevOps。
您可以是一名普通工程师，拥有一个非常可扩展、非常稳定、非常强大的应用程序（包括日志记录、重新启动、警报、补丁、高可用性、零信任、秘密管理等），而无需了解任何 devops。
而且价格也还可以，因为它直接随着使用情况而扩展，即用即付。
这正是 OpenAI 为开发人员提供的GPT：一种非常非常昂贵的方法来实现ML功能，而不需要ML团队。 与价值相比，它实际上并没有那么昂贵，但与更便宜的本地运行的法学硕士和使用传统的机器学习模型相比，一旦经过训练，它就昂贵了。
最后还有一个被忽视的方面
即使雇佣机器学习工程师的人员成本对初创公司来说并不高，但最重要的是，如果没有大量的训练数据，传统的机器学习就不可能实现。 那是一条巨大的护城河。
初创公司在机器学习功能的训练数据方面存在引导问题。
但GPT是零起步的。那是巨大的。这意味着进入机器学习功能的门槛现在实际上为零。
结论
我喜欢以这种方式思考OpenAI，因为它也解释了为什么谷歌在占领这个领域时遇到了这样的问题。
Google根本上不存在GPT（API）主要解决的问题。它有大量的钱。它拥有大量的机器学习专业知识。它不想建造一些会削弱护城河的东西。
当然，GPT的作用远不止替代传统的机器学习操作。但这就是我现在在实践中看到的价值，天哪，它很有价值！看看这一切的走向将会很有趣。
