任何新技术的普及都需要经历一段漫长的过程，人工智能大模型也不例外。
尽管某些行业的从业者已经开始将大模型融入日常工作，但其普及程度仍远未达到“人手必备”的地步。
那么，究竟是什么限制了它的广泛应用？普通人如何才能用好大模型？它又能为我们带来哪些实际的好处？
谷歌DeepMind的研究科学家Nicholas Carlini分享了他对大模型的实用见解，并列举了50个应用场景。
这些场景包括：
- 用不熟悉的技术开发完整的Web应用程序。
- 快速掌握各种编程框架的使用技巧。
- 将代码转换为C或Rust语言，提升运行效率10至100倍。
- 精简庞大的代码库，优化项目架构。
- 为学术研究编写实验代码。
- 自动化重复性任务或编写一次性脚本。
- 替代部分网络搜索，快速配置新软件或项目。
- 辅助调试，分析错误信息。
这些应用大致可分为两类：“学习辅助”和“任务自动化”。
以下精选17个常见应用案例，希望能为您提供灵感：
01 快速开发Web应用
我曾设计了一个测试，用于评估人们预测GPT-4解决问题能力的效果。这个测试的浏览量突破千万。
令人惊讶的是，其初始版本几乎完全由GPT-4编写完成。
我通过与模型对话，逐步实现了应用的各项功能。
这场对话长达3万字，充分展现了初代GPT-4的强大能力。
02 用大模型解决多样化问题
回顾与GPT-4的交互，信息类型丰富多样。
有时，我仅描述需求，模型便能提供完整解决方案；有时，我提出修改建议，例如：“不要用平均值，改用核密度估计来计算百分位。”
还有时，我直接粘贴错误信息，提出模糊问题，比如：“绘图报错：numpy.linalg.LinAlgError: singular matrix。”
偶尔，我只是需要简单的答案，例如：“如何用JavaScript为页面添加iframe？”
顺畅沟通的关键在于，大模型擅长处理已知问题。
我的测试主要基于基础的HTML和Python后端代码，技术门槛较低。
测试的吸引力在于内容本身，而非复杂的技术实现。
大模型自动化了繁琐部分，让我轻松完成任务。
没有大模型，我可能根本不会尝试开发这个测试，因为编写Web应用耗时费力。
即便对编程老手而言，大模型也能通过简单的提问实现以往难以完成的任务。
未来，我会在类似项目发布时注明大模型的贡献。
03 快速学习新技术
过去，我会密切关注新框架的动态。
但研究工作占用了大部分时间，我无法紧跟JavaScript框架的最新进展。
启动新项目时，我通常面临两种选择：使用熟悉的技术，或花时间学习新工具。
大模型为我提供了第三条路。
Docker、Flexbox或React对我而言是新技术，但对许多人来说已是常规工具。
大模型熟知这些技术，我可以通过交互式对话快速掌握任务所需知识，而无需阅读假设读者具备特定背景的教程。
例如，今年早些时候，我开发了一个大模型评估框架，需要在受限环境中运行生成代码，防止意外删除电脑文件。
Docker是理想选择，但我此前从未用过。
我的目标不是精通Docker，而是掌握10%的核心知识以安全使用它。
过去，我需要购买Docker手册或搜索在线教程。
现在，我直接让大模型指导我使用Docker。
04 快速启动新项目
我的第一门编程语言是Java。
我热爱编程，但面对新项目的空白屏幕总感头疼。
尤其是在Java中，哪怕只是编译一个“Hello, World”，我也常被括号和大小写弄得晕头转向。
小时候，我会向父亲求助。
二十年后，面对陌生框架开启新项目，我依然感到抗拒。
处理样板代码既耗时又令人困惑。
例如，我想编写CUDA代码，比较GPU和CPU的性能。
我了解GPU原理，但不清楚如何编写代码将任务分配到GPU。
于是，我让大模型为我生成CUDA程序的初稿。
代码并非完美，但它是一个起点。
我需要的不是完美方案，而是一个切入点。
未来若模型表现更优，自然更好，但当前模型已帮我节省大量时间。
在个人项目中，我使用树莓派Pico W，第一次接触它。
我想实现一些网络相关的功能。
虽然可以找到教程，但搜索结果往往质量低下，代码过时或有bug。
我直接让大模型指导我实现需求。
我理解微控制器原理，但不熟悉Pico W。
大模型帮我处理依赖问题，之后我便能自行摸索。
每次使用新微控制器，我的第一步是编写一个让LED闪烁的程序。
我让大模型提供闪烁代码。
一旦代码运行，我便知道下一步该做什么。
我熟悉Python，解决MicroPython的特殊问题后，我可以直接编辑代码。
遇到特定问题时，我再让大模型协助，例如编写连接Wi-Fi的脚本。
05 简化代码
作为安全研究员，我常需分析他人数千行研究代码的工作原理，才能进行攻击。
若代码规范，任务不难，但现实往往相反。
研究人员缺乏动力发布整洁代码，常将能运行的代码随意发布。
虽然无法分享研究相关案例，但可举一个个人项目中的例子。
我对康威生命游戏（Conway’s Game of Life）情有独钟。
最近，我想在Python中快速评估生命游戏模式。
C++工具Golly能实现此功能，但我不想将Python代码重写为C++。
Golly的命令行工具可满足需求，只需正确调用。
第一步是从支持约50种命令行选项的500行C++代码中，提取所需功能。
我将代码交给大模型，要求精简并保留功能。
大模型完美完成了任务。
随后，我请求一个Python封装器，同样成功。
这是个令人头疼的任务，若由我自己完成，可能永远不会开始。
现在，我得到的结果比原Python代码快100倍。
06 应对枯燥任务
这类任务单调乏味，我可能永远不会亲自动手。
但现在，我只需提出需求，大模型便能提供解决方案。
例如，上述方案的运行速度比原Python代码快100倍。
我常这样做。
再举例，我在Python中也进行了类似操作。
这些任务不难，但每次都能节省大量时间。
大模型的魅力在于，它让生活更轻松。
“我用大模型完成无聊任务”或许不会引发热议，但确实提供了实实在在的帮助。
我有许多必须完成的琐碎任务，既无聊又无需动脑。
拖延的主要原因之一是这些任务令人烦躁。
大模型极大减轻了这种负担，让我专注于有趣的问题，从而更轻松地开始工作。
例如，最近我要反汇编一个Python 3.9程序。
大多数反汇编器仅支持Python 3.7及更早版本，无法处理3.9二进制文件。
反汇编本身不难，主要是避免在重构控制流时出错。
我没有手动转换数千个操作码，而是让大模型代劳。
结果远超预期。
07 赋能非专家用户
当某人使用工具的熟练度远低于你时，可能会花数小时完成本可自动化的任务。
学习自动化需要时间和精力。
例如，我想将C语言中类似“#define KEYNAME key_code”的语句转换为Python字典，将整数代码映射到字符串。
作为Emacs用户，我知道如何解决，但这得益于多年的经验。
现在，有了集成大模型的编辑器，我只需输入：
“将这些#define重写为{keycode: string, ...}形式的字典。”
文本便在我眼前完成转换。
对非专家用户，大模型的价值甚至高于专家。
它提升了所有人的能力底线，让原本无从下手的人突然能完成许多任务。
08 作为API查询工具
程序员常通过参考手册理解工具原理。
但我更希望直接得到答案。
现在，我直接向大模型提问。
有人质疑：“大模型没做任何现有工具做不到的事！”
他们说得没错。
但搜索引擎能做的事，实体书也能做到；实体书能做的事，阅读源代码也能实现。
每种方式都比前一种更简单。
更简单的方法会让你更频繁地使用，并改变使用方式。
例如，我问：“哪个$命令可以传递所有剩余参数？”
随后又问：“如何使用它？”
这是我最常用的方式之一。
我在Emacs和shell中集成了查询工具，90%的操作无需离开编辑器。
09 搜索难以表述的内容
过去，网络搜索是一项技能。
如今，搜索引擎能处理大多数自然语言查询，但仍不完美。
对于某些任务，大模型表现更优。
例如，我输入：“我知道+对应__add__，但是什么对应__inv__？”
模型直接告诉我答案。
这用传统搜索引擎很难找到。
10 处理一次性任务
程序分两类：一类需长期维护，代码质量至关重要；另一类仅运行25秒，完成后即可丢弃。
对于后者，我几乎全靠大模型编写。
这些任务看似简单，例如生成研究实验数据的可视化图表，或将一种数据格式转换为另一种。
我只需做一次，完成后脚本即可丢弃。
11 通俗解释复杂概念
我最近对电子学产生兴趣。
我可以阅读专业书籍，但不想把时间花在“学习感”上。
电子学是我从阅读和写作中放松的方式。
大模型在这方面表现出色。
它可能不如顶级专家，但能回答大多数常见问题。
我可以轻松获取答案，专注于兴趣而非细节。
12 从完整方案到修改建议
我常先向大模型请求完整解决方案，再询问改进建议。
例如，我让它编写解析HTML的程序，随后询问API参考或优化方法。
13 处理已有解决方案的任务
几乎所有任务都有人做过。
大模型擅长为常见问题提供解决方案。
例如，我让它将代码重写为C语言，并构建Python调用C代码的接口。
14 为新项目做准备
为一个即将启动的项目，我需了解常见的简易无线电发射器。
大模型能提供大众认知的答案，非常适合这类需求。
15 修复常见错误
现在，我只需复制错误信息，询问：“如何修复这个错误？”
大模型会提供分步解决方案。
16 更多潜在用途
我预计未来对大模型的使用将持续增加。
17 关注模型的实际价值
关键在于，你能否找到大模型能发挥作用的场景？
程序员深知，工具因用途不同而价值各异。
💡 想要在职场中脱颖而出？立即尝试 让 AI 成为你职业成功的加速器！🚀
