但是同时，由于做了针对性的训练，它在其他方面的能力会有所损失，受到一定的影响。
如果让它再做别的任务，就不大行。
而Gpt的模式，则是【指示】。
也就是说，模型不会做二次学习、针对性学习，它不改变自己的参数。
你要做的，是给它一个示范和引导。
“你看一下，帮我找找类似这样的句子。”
然后它就直接开展工作了。
下一次需要做别的任务的时候，bERt就很不方便，只能重新再做针对性学习。
Gpt则看一下新的指示和样例，又能直接再次工作。
这在目前的阶段来看，是非常不可思议的。
至少在场的诸位都觉得这么做是得不偿失，为了某种形式上的先进而损失了大量的性能，毫无必要。
“你这说的是不是太离谱了，你只是做一个示范，给模型一个提示，根本就没有修改过任何的模型参数，为什么它会有效果的提升？”听完孟繁岐对两种办法的形容之后，阿里克斯眉头紧皱：“结果如果真的是这样，那不是彻底成玄学了？”
孟繁岐心说可不么，这东西听起来是不可思议，但确实有效。
直到他重生前，这件事也没有一个特别靠谱的严肃解释。
而且这还不是最神奇的地方。
上面所说的那种，给Gpt一个例子，然后让他做这样的工作，叫做oneShot学习。
因为至少，你还让它看了一个例子，做了一次示范。
而在后来的chatGpt和Gpt-4的时候，更多的用户使用情况，是根本不会给模型任何例子的。
一般冲上来就直接布置工作了，比如“帮我翻译一下这个句子”又或者是“帮我以xx为题写一个xx”。
这种模式叫做ZeroShot学习，连例子都不用给，直接开干。
不管是分类文本，学习情感，写作文案还是翻译句子，不多废话直接安排，它自己就能看懂要做什么。
这才真的符合孟繁岐在人机大战的时候展现的那个概念视频，多种功能合而为一。
同时，它也是Gpt与bERt最为不同的地方，这种独特的使用方式使得chatGpt效果一旦达标之后，直接就成为了现象级的产品。
毕竟谁能拒绝这种十几合一的多面手智能小助手呢？实在太酷了。
“你规划中的bERt和Gpt，其实就是自编码和自回归。Gpt会更擅长生成任务，翻译和问答。bERt则会更加擅长重建文本，做语言的分类。”
辛顿仍旧非常老辣地抓住了两种方式的重点，但即便是这位AI老教父，他的预测终究还是出现了偏差：“我个人觉得，bERt的模式会强大很多，双向编码虽然牺牲了直接生成文本的能力，但对语言中各个词汇的理解会更加到位。Gpt只能单向预测下一个文本，它对句子之间的内在联系理解是不够到位的。”
孟繁岐觉得辛顿虽然支持bERt，但他的预测和分析并不能算错。
毕竟chatGpt经历了1、2、3、3.5四代迭代，才孕育出了chatGpt。
在亿级别的时代，Gpt需要四五倍的参数量才能够维持bERt级别的性能。
谁都没有想到，模型参数量到达接近两千亿的规模之后，竟然涌现出了这般神奇的超能力。
如果只从目前几千万甚至只有几百万的参数量规模去考虑的话，Gpt的实力的确很难去和bERt相比拟。
“我推荐伱还是把主要的精力放在bERt这种模式上，t方法的效果已经非常优秀了，在你加入了双向形式，专注编码之后，在很多特定的任务上都会有巨大的突破。”
孟繁岐只是笑了笑，没有争辩，作为重生人士，他清楚哪些建议比较有价值，哪些建议是被时代所局限了。