Q：ChatGPT、Claude、Google Gemini、Microsoft Copilot、Midjourney各式AI有甚麼不一樣?

A 以下是ChatGPT、Claude、Google Gemini、Microsoft Copilot和Midjourney各自的特點和主要應用領域：

ChatGPT
開發者: OpenAI
主要功能: 生成自然語言文字，提供對話式AI服務，能回答問題、撰寫文章、生成程式碼等。
應用領域: 客戶支持、自動化聊天機器人、教育、創意寫作、程式碼輔助等。
特色: 能夠理解和生成各種語言文字，適應不同主題和情境。

Claude
開發者: Anthropic
主要功能: 強調安全性和倫理性的AI助手，提供對話和信息檢索服務。
應用領域: 與ChatGPT類似，用於對話、客服、文本生成等。
特色: 重視AI的安全和倫理問題，提供更加負責任和穩定的對話體驗。

Google Gemini
開發者: Google
主要功能: 綜合性的AI平台，結合多種Google AI技術和工具，提供語音識別、圖像識別、自然語言處理等多功能服務。
應用領域: 搜尋引擎優化、圖像和語音識別、智能助理等。
特色: 整合Google強大的數據和算法資源，提供全面且高效的AI服務。

Microsoft Copilot
開發者: Microsoft
主要功能: 內嵌於Microsoft Office套件中的AI助手，幫助用戶提升工作效率。
應用領域: 辦公軟體（如Word、Excel、PowerPoint）的自動化處理和增強功能。
特色: 深度整合於Microsoft產品中，提供智能建議、文檔生成、自動化數據處理等功能。

Midjourney
開發者: Midjourney, Inc.
主要功能: 生成高品質的數位藝術圖像，主要用於藝術創作和視覺設計。
應用領域: 藝術設計、廣告創意、視覺媒體等。
特色: 擁有強大的圖像生成能力，能根據文字描述創建高度逼真的圖像和藝術作品。

這些AI工具各自擁有不同的專長和應用場景，選擇哪一種工具取決於具體的需求和使用情境。

Q：企業可以使用哪些OpenAI生成式模型？

A OpenAI目前可以提供最新多模態的GPT-4（限定測試版）以及ChatGPT所用的GPT-3.5版模型，以及GPT-3模型，另外還提供了圖片生成式模型DALL·E （測試版）、語音轉文字的Whisper模型（測試版）、程式碼生成模型Codex（限定測試版）、過濾敏感資料的微調模型Moderation，還有一個適合用於企業內部運用的Embeddings模型API。不過，這些模型都是公版的基礎模型（base-model），企業若希望模型能更佳客製化，需要進行模型微調（Finetune）或是輸入提示（Prompt）來引導。

Q：提示和微調有什麼不同？

A ChatGPT可以輸入提示文字（prompt）來引導ChatGPT產生的內容，越來越符合使用者預期的需求，同樣也可以用於OpenAI的API，甚至出現了「AI提示工程師」（Prompt Engineer）或者更詩意的「AI詠唱者」說法，只要提問的問題問得好，就越能得到更貼切的答案。

但是，輸入提示給基礎模型，不會改變基礎模型本身的權重。因此，每一次都要重新輸入提示文字才能得到想要的答案。若要建立客製化的模型，企業得改用微調（Finetune）的方式，輸入一批自己的資料，來調教OpenAI提供的基礎模型，產生自己的客製化模型。不過，目前OpenAI還沒有開放GPT-3.5和GPT-4的微調，只能透過提示工程來進行客製化。另外，微調也不是重新訓練整套GPT模型，而是針對使用者提供的少量數據來改變部分參數的權重（或者可以說是加上一個屬性模型），讓模型輸出的結果更符合使用者的期待，因此，微調模型不需要龐大訓練資料，也不需要像重新訓練那樣費時及龐大成本。

Q：為何要計算Token? 一次最多上傳多少字？

A 當輸入一段文字到API後，OpenAI會抽取這段文字中的詞或概念（類似斷詞），將文字轉換成一個個Token。以中文字來說，平均一千個中文字約有600～700個Token不等，但還要看文字內容而定。OpneAI的API上傳限制就是按照Token數量來計算，例如 GPT-3.5模型的上限是4K個Token，而GPT-4則增加了四倍，最大到32K個（不過，目前只開放特定用戶）。Token也是OpenAI API的計價單位，以對話用的gpt-3.5-turbo的API來說，每千個Token要價0.002美元，而最新的GPT-4的32K引擎版本則每千個Token要價0.12美元，後者貴了60倍。

Q：什麼是Embeddings模型？有什麼用途？

A 不同於GPT-4或GPT-3.5是生成媲美人話的文字來回覆使用者，Embeddings模型是將輸入的文字轉換成一個浮點數值的嵌入向量（Embeddings Vector），當兩段文字的向量距離越近（可透過向量計算得到），就代表了這兩段文字的關聯性越高。可以用於搜尋（比對一段話在一篇文章中的位置，或從一批文章找出最相關者）、分類用途（將相關性高的文章分成同一群）、尋找關鍵字（找出中一篇文章最相關的幾個關鍵詞）等。摩根士丹利財管公司就是利用Embeddings功能來搜尋和整理龐大知識資產。