在看这本漫画前，对伊藤润二并没有什么了解，也没有意识到这是一本恐怖漫画，单纯看到豆瓣评分挺高的，就下载下来看了。

故事的开篇很吸引人，讲的是男主的父亲忽然开始迷上了漩涡，开始收集所有跟漩涡相关的事物，如弹簧、蜗牛壳、印有漩涡图案的和服等等，味增汤里必须要有鸣门卷🍥，还找女主的父亲去定制印有漩涡的陶器，甚至泡澡之前都要先在浴缸造一个漩涡才舒服。男主的母亲为了避免他陷得太深，趁他不在，把所有跟漩涡有关的收藏都扔了。但漩涡已经与男主的父亲融为一体：两只眼睛可以独立地快速转动，舌头也可以卷成漩涡的形状。最后敲碎了身上所有的骨头，把自己蜷成漩涡状装进木桶中。

惊悚感出来了，作者的漫画功底非常扎实，这份精雕细琢的惊悚倒不会引起生理上的不适。以男主父亲对漩涡的迷恋开篇，男主的母亲也因此对漩涡产生了深深的恐惧感，为此去掉了身上跟漩涡有关的部位，如头发、指纹，但男主父亲的声音还是会在耳边响起，最终她刺穿了自己的耳朵，去掉了漩涡状的耳蜗，也因此失去了生命。

男主在邻镇上学，每次回到这个镇时都会感觉到强烈的眩晕，而女主因为一直生活在镇子里，所以感觉不到。之后又不断发生离奇事件，比如班里的一位学生只在雨天才来上学，最后变成了一个大蜗牛；一个从邻镇转学过来的女生，额头的月牙印记变成了漩涡，心智也被这个漩涡控制，最后被漩涡吞噬；灯塔会发出让人眩晕的光；台风会追人，在台风爆发的季节，大声说话都会引起台风；食物短缺时，蜗牛人成了绝佳的食物。

而这一系列奇怪的漩涡事件，都是因为这个镇子被漩涡诅咒，这个诅咒有巨大的吸引力，让人无法逃离，只能等诅咒消失。

这样的一部漫画它的魅力到底在哪里？是结合了惊悚和想象力的故事，还是「这些漩涡到底是怎么回事」的悬疑？可能都有，但故事的内核也很值得回味。整部漫画讲的其实就是在一个畸形的地方，人们做出了一些畸形的事情，发生了畸形的变化，又无法逃离，而一直身处这种「畸形」环境中的人们，又不太感觉得到这种畸形。有想吸引别人注意力，而被不断强化的漩涡状头发吞噬的女孩；有因为变成蜗牛人而被吃掉的弱肉强食的故事；有被漩涡蛊惑，而不顾一切，甘心成为漩涡的男主的父亲。伊藤润二好像从社会中看到了什么，漩涡的故事，看着离奇，又有一种熟悉感。

这几天走在路上，也会时不时地留意漩涡状的事物，其实并不多。

OpenAI 的 API 有提供 embeddings 的操作，前一阵子比较火的 chatpdf 也用到了 embeddings 技术，那 embeddings 到底是什么呢？

结合 这 三篇 文章 可以对 embeddings 有大概的了解。

简单来说，embeddings 就是将一些离散数据映射到用数字表示的向量数据。有了向量，就可以对它进行数学计算，比如通过计算两个向量的角度来度量它们之间的相似度。有了相似度，就可以对文本按相似度聚合（比如商品的正面、负面评价）、搜索、推荐（将人也用向量表示，然后与推荐目标计算相似度）等等。ChatPDF 能够突破 ChatGPT 的 token 限制，是先将 pdf 文本转为向量，然后计算与 query 相似度最高的文本片段，将它作为 context 传给 ChatGPT。

向量只有在特定的空间里才有意义，不然就是一堆无意义的数字。上学时接触到的向量空间通常是二维或三维的，在机器学习领域，这个维度可以达到几百甚至上千，维度越高，对语言的理解就会越精确。不同的模型有不同的维度，比如OpenAI 的 text-embedding-ada-002 有 1536 维，SentenceTransformers 的 all-MiniLM-L6-v2模型有 384 维。

因为会用到大量的向量数据，也催生了向量数据库的发展，比如 Pinecone B 轮就融了 1 亿美元，这篇文章描述了什么是向量数据库，它跟传统的数据库有什么不同。

Sal Khan(可汗学院创始人)在这个 TED 视频中分享了可汗学院使用 GPT-4 辅助学生学习的实践。

教育领域有一个著名的 2 sigma problem：接受一对一专业辅导的学生的表现比1（个老师）对多（30个学生）的学生会高出两个标准差（分别对应无专业辅导和有专业辅导）。简单来说，学生学不好，问题往往不在学生那里，如果每个学生都能获得专业的一对一辅导，他们的成绩就能得到显著提升。

借助 GPT-4， 可汗学院让每个学生都有了一个专业的辅导老师，知识渊博、极具耐心又懂得教学。编程卡住时，可以向它求助，它会分析代码，给出提示；数学答案错误，会通过引导式提问，找到你的症结所在；能够跟 AI 一起写小说（你写一半，它写一半，交叉进行）；「阅读理解」会向你提问，并引导你找到答案；甚至能代入到某个小说中的角色，然后你直接与这个角色交流。

经过调教的 GPT-4 也能帮助老师进步，减轻老师负担，比如会告诉老师某个知识点相关的信息，甚至可以给出建议让老师如何来教授某一课程 (比如将学生分组，扮演不同阵营)。

要让 GPT-4 做到这些，可汗团队花了近 6 个月的时间 tuning、prompt engineering、context completion。Sal Khan 认为 AI 可以给教育带来巨大的积极的影响，让地球上的每个人都能有一个专业的导师。

---

大语言模型催生的 AI 变革已经成为趋势，「如何用好 AI 的能力来增强产品的竞争力」是很多创业者都在思考的问题，可汗学院的例子或许提供了一个思路。

吴恩达与 OpenAI 官方联合出品的 ChatGPT Prompt。只是看视频的话，B站有搬运。虽然 title 是 for Developers，但代码相对简单，可读性很高，即使对编程不太了解，也可以基本看明白。

视频不长，一共一个半小时左右，描述了如何从不同维度，结合合适的 prompt 去充分发挥 chatgpt 的能力。比如通过清晰的表达，就可以让 chatgpt 执行以下任务：

• 将 context 通过特殊标记包起来，然后告诉 chatgpt 去 parse 该标记里的内容
• 按固定格式给出结果，方便在程序中使用
• 步骤拆解，比如把一段制作咖啡的文字拆解为清晰的执行步骤。
• 通过 One Shot（给一个例子），让它汲取这个例子的精髓，之后我们再提问，就可以按照这个例子的风格给出答案。

除此之外，还可以实现文本总结（比如将客户对产品的 review 压缩成精简的几段话）；模型推理（比如根据文本推测客户的情绪，并给出不同的回复内容）；文本翻译；文本扩写（可以在内容基本相同的前提下，针对不同人群，写出不同风格的文字）；聊天机器人。以前要借助专业领域的机器学习模型才能做的事情，现在通过大语言模型，结合到位的 prompt 就可以完成了，场景更多，还能做的更好。

---

PS: 如果觉得视频太长，不方便查找，也可以看下这个中文版的文字总结。

超级学习者 Scott Young结合读者的反馈，分享了 10 个利用 ChatGPT 来帮助学习的技巧。因为 ChatGPT/GPT-4 的幻觉问题（一本正经的胡说八道）还没有彻底解决，所以完全依赖它的生成结果是有风险的，但可以利用它在其他方面的优势来帮助自己学习。

用来学外语 这是一项非常适合 ChatGPT 的任务，既能够听懂你说的话，又能给出符合语境的回复，简单来说就是会聊天，那用来学外语不是很合适？可以试一下这个 Siri 脚本。

生成长文本摘要 ChatGPT 的总结能力也是很强的，用来 summarize 文章则再好不过，可以试下这个 chrome 插件。

制定学习计划 这个之前没有看到过，试了下，确实可以！如果输入的 context 详细些（比如自己当前的能力是怎样的，希望在多长时间达到怎样的结果），给出的 Schedule 也会更有参考价值。

笔记搜索 这个是比较高阶的使用，会用到 LLM 的 embeding 特性。通常的笔记搜索只能完全匹配，如果忘了这个关键字的话，就很难再找到对应的笔记，而通过将 word 转为 vector，然后结合 OpenAI 的 API，就能找到与关键字距离最近的文字，这样就大大增加了目标笔记被找到的可能性。具体的使用姿势可以参考这篇文章。

---

文中还提到了其他的使用姿势，可以去原文了解更多。