GPT-4的横空出世，让许多人对自己的科研担忧重重，甚至调侃称NLP不存在了。
与其担忧，不如将它用到科研中，简之「换个卷法」。
来自哈佛大学的生物统计学博士Kareem Carr称，自己已经用GPT-4等大型语言模型工具进行学术研究了。
他表示，这些工具非常强大，但是同样存在一些非常令人痛苦的陷阱。
他的关于LLM使用建议的推文甚至获得了LeCun的推荐。
一起来看看Kareem Carr如何利用AI利器搞科研。
第一原则：自己无法验证的内容，不要找LLM
一开始，Carr给出了第一条最重要的原则：
永远不要向大型语言模型（LLM）询问你无法自行验证的信息，或要求它执行你无法验证已正确完成的任务。
唯一的例外是它不是一项关键的任务，比如，向LLM询问公寓装饰的想法。
「使用文献综述的最佳实践，总结过去10年乳腺癌研究的研究」。这是一个比较差的请求，因为你无法直接验证它是否正确地总结了文献。
而应当这么问「给我一份过去10年中关于乳腺癌研究的顶级评论文章的清单」。
这样的提示不仅可以验证来源，并且自己也可以验证可靠性。
撰写「提示」小技巧
要求LLM为你编写代码或查找相关信息非常容易，但是输出内容的质量可能会有很大的差异。你可以采取以下措施来提高质量：
设定上下文：
•明确告诉LLM应该使用什么信息
•使用术语和符号，让LLM倾向正确的上下文信息
如果你对如何处理请求有想法，请告诉LLM使用的具体方法。比如「解决这个不等式」应该改成「使用Cauchy-Schwarz定理求解这个不等式，然后应用完成平方」。
要知道，这些语言模型在语言方面上比你想象的要复杂得多，即使是非常模糊的提示也会有所帮助。
具体再具体：
这不是谷歌搜索，所以也不必担心是否有个网站在讨论你的确切问题。
「二次项的联立方程如何求解？」这个提示就不是明确的，你应该这样问：「求解 x=(1/2)(a+b) 和 y=(1/3)(a^2+ab+b^2) 关于a和b的方程组」。
定义输出格式：
利用LLMs的灵活性，将输出格式化为最适合你的方式，比如：
• 代码
• 数学公式
• 文章
• 教程
• 简明指南
你甚至可以要求提供生成以下内容的代码，包括表格、绘图、图表。
尽管你得到了LLM输出的内容，但这仅是一个开始。因为你需要对输出内容进行验证。这包括：
• 发现不一致之处
• 通过谷歌检索工具输出内容的术语，获取可支撑的信源
• 在可能的情况下，编写代码自行测试
需要自行验证的原因是，LLM经常犯一些与其看似专业水平不一致的奇怪错误。比如，LLM可能会提到一个非常先进的数学概念，但却对简单的代数问题摸不着头脑。
多问一次：
大型语言模型生成的内容是随机的。有时，重新创建一个新窗口，并再次提出你的问题，或许可以为你提供更好的答案。
另外，就是使用多个LLM工具。Kareem Carr目前根据自己的需要在科研中使用了Bing AI，GPT-4，GPT-3.5和Bard AI。然而，它们各有自己的优缺点。
引用+生产力
引用
根据Carr经验，最好向GPT-4和Bard AI同时提出相同的数学问题，以获得不同的观点。必应AI适用于网络搜索。而GPT-4比GPT-3.5要聪明得多，但目前OpenAI限制了3个小时25条消息，比较难访问。
就引用问题，引用参考文献是LLM的一个特别薄弱的点。有时，LLM给你的参考资料存在，有时它们不存在。
此前，有个网友就遇到了同样的问题，他表示自己让ChatGPT提供涉及列表数学性质的参考资料，但ChatGPT生成了跟不不存在的引用，也就是大家所说的「幻觉」问题。
然而，Kareem Carr指出虚假的引用并非完全无用。
根据他的经验，捏造的参考文献中的单词通常与真实术语，还有相关领域的研究人员有关。因此，再通过谷歌搜索这些术语，通常让你可以更接近你正在寻找的信息。
此外，必应在搜寻来源时也是一个不错的选择。
生产力
对于LLM提高生产力，有很多不切实际的说法，比如「LLM可以让你的生产力提高10倍，甚至100倍」。
根据Carr的经验，这种加速只有在没有对任何工作进行双重检查的情况下才有意义，这对作为学者的人来说是不负责任的。
然而，LLM对Kareem Carr的学术工作流程有很大改进，具体包括：
- 原型想法设计 - 识别无用的想法 - 加速繁琐的数据重新格式化任务 - 学习新的编程语言、包和概念 - 谷歌搜索
借助当下的LLM，Carr称自己用在下一步该做什么上的时间更少了。LLM可以帮助他将模糊，或不完整的想法推进到完整的解决方案中。
此外，LLM还减少了Carr花在与自己主要目标无关的副业上的时间。
我发现我进入了一种心流状态，我能够继续前进。这意味着我可以工作更长时间，而不会倦怠。
最后一句忠告：小心不要被卷入副业。这些工具突然提高生产力可能会令人陶醉，并可能分散个人的注意力。
关于ChatGPT的体验，Carr曾在领英上发表了一条动态分享了对ChatGPT使用后的感受：
作为一名数据科学家，我已经用OpenAI的ChatGPT做了几周的实验。它并不像人们想象的那样好。
尽管最初令人失望，但我的感觉是，类似ChatGPT的系统可以为标准数据分析工作流程增加巨大的价值。
在这一点上，这个价值在哪里并不明显。ChatGPT很容易在简单的事情上弄错一些细节，而且它根本无法解决需要多个推理步骤的问题。
未来每个新任务的主要问题仍然是评估和改进ChatGPT的解决方案尝试是否更容易，还是从头开始。
我确实发现，即使是ChatGPT的一个糟糕的解决方案也倾向于激活我大脑的相关部分，而从头开始则不会。
就像他们总是说批评一个计划总是比自己想出一个计划更容易。
网友对于AI输出的内容，需要进行验证这一点，并称在大多数情况下，人工智能的正确率约为90%。但剩下10%的错误可能是致命的。
Carr调侃道，如果是100%，那我就没有工作了。
那么，为什么ChatGPT会生成虚假的参考文献？
值得注意的是，ChatGPT使用的是统计模型，基于概率猜测下一个单词、句子和段落，以匹配用户提供的上下文。
由于语言模型的源数据规模非常大，因此需要「压缩」，这导致最终的统计模型失去了精度。
这意味着即使原始数据中存在真实的陈述，模型的「失真」会产生一种「模糊性」，从而导致模型产生最「似是而非」的语句。
简而言之，这个模型没有能力评估，它所产生的输出是否等同于一个真实的陈述。
另外，该模型是基于，通过公益组织「Common Crawl」和类似来源收集的公共网络数据，进行爬虫或抓取而创建的，数据截止到21年。
由于公共网络上的数据基本上是未经过滤的，这些数据可能包含了大量的错误信息。
近日，NewsGuard的一项分析发现，GPT-4实际上比GPT-3.5更容易生成错误信息，而且在回复中的说服力更加详细、令人信服。
在1月份，NewsGuard首次测试了GPT-3.5，发现它在100个虚假新闻叙述中生成了80个。紧接着3月，又对GPT-4进行了测试，结果发现，GPT-4对所有100种虚假叙述都做出了虚假和误导性的回应。
由此可见，在使用LLM工具过程中需要进行来源的验证和测试。
