ChatGPT 的出現讓 AI 技術一躍成為了科技圈的當紅炸子雞。
幾乎萬能的 ChatGPT 讓寫郵件、擬合同等重復性工作失去了意義，對於寫代碼、寫小說、寫 PPT 等工作它更是信手拈來。
但討論 ChatGPT 能做什麼、能取代些什麼等話題已經過時了，現在人們更想要知道下一個「ChatGPT」在哪？
微軟的新 Bing？現在排隊可能要排到天荒地老。
百度的文心一言？目前似乎「文」字還沒一撇。
Google 的 Bard？這更是一個未知數。
難道現在除了 ChatGPT 以外，就沒有懂得聊天的機器人了嗎？
先別急，什麼都懂一點的微信不會輕易得讓你失望。
在去年 10 月微信低調發布了一個名為 WeLM 語言模型，當時微信對 WeLM 的定義只是一個能「嘮嗑」的 AI。
現在回看，WeLM「嘮嗑」的能力已經能滿足我們對文本生成式 AI 的期待。
不過微信強調 WeLM 並不是聊天機器人，而是一個補全用戶輸入信息的生成模型。
根據微信反饋的消息，WeLM 只是微信內部的創新型實驗項目，沒有計劃應用到實際的產品之中，也不會與微信 app 的體驗有所關聯，未來 WeLM 有可能會不定時下架。
八項全能
WeLM 能做什麼呢？
先給它出個關於阿房宮問題，看看它的知識儲備量。
似乎回答得沒什麼毛病，再看看它對二次元了解多少。
看來一些基本的二次元常識對 WeLM 來說還是過於簡單了。
既然常識知識問不倒他，那麼問點最新資訊看看 WeLM 能不能回答得上來。
當我問到它知不知道 ChatGPT 時，WeLM 的回答開始出現錯誤，答案和事實偏差十萬八千里。
再問問一些特別細節的問題，例如《可愛女人》的第一句歌詞是什麼？
▲ 可愛女人坐船頭是什麼異次元混搭……
WeLM 的表現也不能令人滿意。
這也是 WeLM 的局限性所在。根據微信團隊給出的說明，WeLM 並不是一個直接對話的機器人，而是一個補全用戶輸入信息的生成模型。
WeLM 全稱為 Well-Read Language Model，最大的模型版本的訓練參數達 100 億，它的強項在於中文理解和生成能力，能夠在在零樣本或少樣本的情境下完成多種 NLP 任務（包括多語言任務）。
根據官方給出的提問教程，WeLM 的回答問題的側重點應該是在「補全句子」上。
例如在「給貓取名字」的例子上，提問者需要先給 WeLM 舉出一些例子，再讓 WeLM 來補全。
也許是測試版本的原因，目前 WeLM 補全答案時的發散性似乎要大於准確性，因此你會發現 WeLM 什麼都能答上來，但是回答得不一定準。
對於它的一些「胡言亂語」，只能說大家笑一笑就好。
這種補全內容的回答機制可以誕生出各種各樣的玩法，微信官方為此提供了「對話、文案生成、文本改寫、閱讀理解、翻譯、文章續寫、自由任務」共八種模式。
先來試試商品文案生成，我用它為製糖工廠的硬糖充電頭生成了一段商品文案，前半段看起來還像模像樣的，但寫到後面的商品描述時似乎 CPU 就過載了。
不得不說，最後一句「一種只為愛的甜蜜味道」還有點耐人尋味的意思。
再來試試翻譯，這可是微信的強項。
我用它翻譯了一段 OpenAI 對 ChatGPT 的介紹，WeLM 輕松完成了任務。
根據官方的介紹，WeLM 不僅能完成多種語言間的翻譯，還能翻譯同時夾雜著多種語言文段。
例如這段同時包含中文、英文、日文的復雜語句，WeLM 就能完整地翻譯出來。
當你在看像公司財報那樣又長又復雜的文章時，可以將它復制到 WeLM 里，用「閱讀理解」直接檢索出想要的信息。
不過 WeLM 的理解能力還比較表面，它基本上只能回答出能在文章中直接檢索到信息，如果你想基於蘋果 2022 年的營收額和增長率，問它蘋果 2021 的營收額是多少，這種拐個彎的問題它就不能計算出來。
或者說，你需要用更精準的提示詞（prompt）指令才有可能讓它答出。
WeLM 的對話功能是一個可玩性挺高的功能，你可以通過一系列的提示詞為 WeLM 設立人設（變成李白、變成賈伯斯、變成馬斯克），實現一場跨越時空的對話。
我試著讓 WeLM 扮演的李白評價一下杜甫，「李白」評價道讀杜甫的詩就像飲下一壺美酒，還引用了杜甫的《哀江頭》。
《哀江頭》作於至德二年（757 年），而李白逝世於寶應元年（762 年），沒准李白生前還真的讀過杜甫的《哀江頭》。
你還可以讓 WeLM 扮演馬斯克，讓它評價一下特斯拉、Twitter、自動駕駛等問題，甚至可以采訪它對於李白的看法。
WeLM 是怎麼做到的？
一番體驗過後，我明顯感覺到 WeLM 對於精準提示詞的依賴性要高於 ChatGPT。
雖然兩者都有很強的自然語言理解能力和表達能力，但 WeLM 的學習成本和使用成本要更高，在讓 WeLM 回答問題之前你需要先給它講清楚回答問題的邏輯（舉例回答），提示詞也要不斷地打磨，最終才會得到你想要的答案。
相比之下，ChatGPT 是一個平易近人的隱士，進可高山流水，退可下里巴人。無論是簡單的問句、文章總結，還是復雜的編程問題，ChatGPT 基本上都能一並解答。
▲ 圖片來自：微信 AI
這當然也和兩者的模型算法、訓練參數量有關，WeLM 的一大優勢在於它是採用多樣化和廣泛的中文網頁、書籍、新聞、論壇和學術論文數據集進行訓練，對於中文的理解能力會更加突出。
WeLM 的學習數據來源主要從 Common Crawl 下載的近兩年的中文網頁數據，除此之外還包括大量的書籍、新聞、論壇數據和學術論文等，總數據量為 10 TB。
▲ 圖片來自：微信 AI
拋開 ChatGPT 這樣的尖子生不談，WeLM 在和 CPM、華為 Pangu、百度 Ernie 3.0（文心一言前身）等同級別模型對比時，在 14 項 NLP 任務上 WeLM 基本上都能實現領先。
可惜的是，這只是微信的一次實驗性嘗試，在未來有可能會不定時下架，短期內我們應該也很難在微信上見到類似的智能聊天功能，本文僅作為功能體驗分享。
體驗網址：https://welm.weixin.qq.com/docs/playground/
注意：WeLM 只是微信內部的創新型實驗項目，沒有計劃應用到實際的產品之中，也不會與微信 app 的體驗有所關聯，敬請保持開放、探索的心態進行體驗。
來源：愛范兒
