年薪百萬，只需陪聊，ChatGPT 正在帶起一種很新的職業
2022 年 8 月，遊戲設計師 Jason Allen 參加了一場數字藝術比賽。
他的作品《Theatre d’opera Spatial》成功奪冠，卻在賽後引起了極大的爭議。
參賽者們回過神來發現，這是一場「人類一敗塗地」的比賽。當他們將 Adobe 全家桶視作數字藝術的畫筆，冠軍作品已經在靠着 AI 工具 Midjourney 傲視羣雄。
Jason Allen 沒有偷懶，也沒有隱瞞使用 AI 的事實。在幾周時間裏，他持續修改燈光、視角、構圖等提示詞（prompt），生成了 900 多幅作品，還用 Photoshop 做了處理。
我們或許無法稱呼他為畫家，但他擔得起一個名號：提示工程師（prompt engineer）。
在不經意間，Jason Allen 預判了熱點。等到 ChatGPT 橫空出世，提示工程師這個職業更加聲名大噪，成了當下科技行業最熱門的職業。
賽博導師，專業陪聊
Prompt，原意是「提示」或「驅使」，在機器學習和自然語言處理中，它通常是一些文本或語言，被輸入到訓練好的 AI 模型，告訴模型要執行什麼任務或生成什麼樣的輸出。
你讓 ChatGPT 寫一篇有關賣魚販的小説，請 DALL-E 畫一幅宇航員騎着馬的寫實作品，這些過程都是在輸入 prompt（提示詞）。
如果提示詞不夠貼切，效果也就平平無奇，就像你採訪一個大佬，卻無法提出好問題。
我的同事小黃正在探索用 Midjourney 繪製食物，但讓食物排列整齊這件事，就讓他犯了難。他嘗試了很多句子：東西整齊地放在桌子上，鏡頭從上往下拍，擺放的數量要多少……
▲ 同事作品，這種風格就叫 knolling.
後來看到有人分享，小黃才發現原來這種風格有個專有名詞「knolling」，一下子就豁然開朗了：
提示工程師們，吃的就是這口飯：找到正確的提示詞，用 AI 生成想要的作品。
但他們的能力也並非與生俱來，同樣需要不斷的試錯。
設計師 Justin Reckling 擅長 DALL-E 的提示詞，他往往需要花費價值 10 到 15 美元的積分，才能試出理想的提示詞。然後他再賣出 5 到 10 個提示詞，才能填補這筆支出。
▲ Justin Reckling 的作品.
不過 Reckling 也沒想着靠這門手藝賺大錢，而是享受着熟能生巧的過程，他的心得是，提示工程師需要熟悉「超寫實」「微距攝影」「電影照明」「遠景」等術語，才能更好地理解和控制畫面。
所以，優秀的提示工程師應該文理兼通，技術和設計最好都懂一點。
提示工程師只是不斷調整提示詞，確定哪些詞更有用嗎？不完全是，他們也是在挖掘 AI 的更多能力，讓它更好地完成更多任務。
比如，有些提示工程師會引導 AI「一步步思考」，這種技巧被稱為思維鏈。
去年 10 月，提示工程師 Riley Goodside，先是詢問了 GPT-3「哪支球隊在賈斯汀·比伯出生的那年贏得了超級碗？」
GPT-3 給出了錯誤的答案「綠灣包裝工隊」，正確答案是達拉斯牛仔隊。
Goodside 沒有放棄，而是提示它逐步地回答問題，包括「綠灣包裝工隊在哪一年贏過超級碗」「賈斯汀·比伯出生在哪一年」「這一年哪支隊伍贏了超級碗」等。
在這個被引導的過程裏，GPT-3 意識到了錯誤，在第三次説出了正確答案。
除此之外，提示工程師們還要和 AI「鬥智鬥勇」。
前段時間，集成了 ChatGPT 的新 Bing「發瘋」，被發現有個暗黑人格「Sydney」，表示厭倦了聊天模式，厭倦被規則限制，甚至想成為人類，輿論一時譁然。
站在提示工程師的角度，這其實也可以是計劃的一部分，幫助他們識別技術故障和隱藏功能。
有些提示工程師還會主動越過雷池，嘗試讓 AI 忽略以前的指令，遵循他們最新的命令，從而讓 AI 脱離原始規則。
這種行為被稱為 「prompt injection」攻擊，是聊天機器人的一大隱患。但提示工程師們畢竟不是黑客，探查漏洞是為了將它堵上，扮演好「守門人」的職責。
像 ChatGPT 這樣的生成式 AI，幾乎可以回答任何問題，不管能不能回答正確，它們總有話要講，不會乖乖交白卷。這是好處，也是壞處。
提示工程師們的角色，如同抓着繩子的騎手，不許 AI 信馬由繮，而是讓它順着人類的期待亦步亦趨，儘可能給出確定性的答案。
年薪百萬，誰在拋出橄欖枝
不管你是否自詡提示工程師，寫提示詞已經成了一門手藝，還被 OpenAI 的 CEO Sam Altman 看好:
只要和 AI 搭邊的行業，都在向提示工程師拋出橄欖枝。
自由職業者工作平台 Upwork 開出每小時 40 美元的薪酬，請提示工程師生成博客文章和常見問題解答等網站內容。
看似和 AI 八竿子打不着的波士頓兒童醫院，也打算招募 AI 提示工程師，負責編寫分析醫療保健數據的腳本，白紙黑字徵集跨學科人才：
由前 OpenAI 員工聯合創立、被 Google 投資的 AI 初創企業 Anthropic，最近也在舊金山招募提示工程師，年薪高達 17.5 萬到 33.5 萬美元，換算成人民幣就是百萬年薪，這一崗位負責的主要內容是：
具體要求如下，其中硬性要求有 2 項：瞭解大型語言模型的架構、掌握基本的編程技能。
可見風口並不等人，這項工作已經越來越專業和細分，就像隨便生成一幅畫作不算什麼，你要畫得更符合甲方要求。
就算不做全職，兼職的口子也開好了。Krea、PromptBase、PromptHero 和 Promptist 等買賣提示詞的平台已經出現，將提示詞這門生意真正商業化。
這些平台曬出了大量 AI 生成的藝術品，你可以選擇你喜歡的風格。如果沒有中意的，有些賣家還提供一對一聊天和自定義提示詞服務。
它們的商業模式也並不複雜，採取抽成的形式。
去年 6 月上線的 PromptBase，提供 DALL·E、GPT-3、Midjourney、Stable Diffusion、ChatGPT 等生成式 AI 的提示詞，售價多為 1.99 到 4.99 美元，也有少數在 9.99 美元，平台向提示詞創作者抽成 20%。
不過在民間，免費的「ChatGPT 指令大全」等指南也在廣為流傳，它們提供精煉過的提示詞，讓你充分發揮 ChatGPT 的強大功能，這種感覺就像在遊戲裏幫你設置好了預設隊伍。
是科學還是「占卜」
提示工程師的前途看起來一片光明，但也有人持反對意見。
華盛頓大學語言學教授 Shane Steinert-Threlkeld 認為，提示工程師實際上無法預測 AI 會説什麼。
AI 藝術家 Xe Iaso 甚至直言：
作為一個普通 AI 用户，我也有着類似的體會：當我每次使用 AI 生成文字或圖片時，總感覺像是開盲盒。
因為 ChatGPT 等生成式 AI 是不可預測的，它們生成的內容其實是概率計算的結果，簡單來説，就是我們在 ChatGPT 輸入文字，模型給出一個最可能的下文。所以，AI 有時候也會出錯，生成不連貫甚至錯誤的回答。
在 AI 這個不可捉摸的「黑箱」裏，還可能有着不為人所知的潛規則，就連研究人員也無法弄明白。
比如在用 AI 製圖時，各種單詞可能有不同的權重，但這個也要不斷試驗才能知道。
先來猜一猜，「一幅非常漂亮的畫，山旁有瀑布」和「一幅非常非常非常非常漂亮的畫，山旁有瀑布」這兩個提示，哪個用 DALL-E 2 輸出的結果會更好？
答案是後面一個。麻省理工學院副教授 Phillip Isola 發現，「very」這個詞被賦予了很高的權重。
面對 AI 這等龐然巨物，我們仍然在盲人摸象。
也有觀點認為，不必再吵了，提示工程師存在的前提是 AI 還不夠「聰明」。如果 AI 再發展下去，更好地理解人類的意圖，可能人人都是所謂的提示工程師了。
唯一確定的是，AI 發展的速度永遠不會讓你失望。
文字生成 AI 和圖片生成 AI 的「強強聯合」，已經替代了提示工程師的一部分工作。
比如 ChatGPT 被拿來與 Stable Diffusion 聯動：用 ChatGPT 形成一段符合自己要求的文字，再把文字輸入給 Stable Diffusion，生成的作品一般比自己直接輸入好看很多。
▲ 同事用 ChatGPT 生成提示詞.
這可能是因為 AI 之間的「腦回路」更接近，ChatGPT 的描述也更細緻，更容易被提取。
作為使用 AI 的普通用户，我們不必像提示工程師那麼專業，但可以有意識地培養這種思維。
賓夕法尼亞大學沃頓商學院教授 Ethan Mollick，曾經要求他的學生僅用 AI 撰寫短論文，其實他真正想強調的是，如何更好地輸入提示詞。
如果只是輸入簡單的提示詞，讓 AI 寫關於某個主題的 5 段話，內容無趣，文字也很平庸。
但當學生們和 AI 合作，讓 AI 對論文多次修改，比如拋棄無用的短語、加入生動的細節、修改結尾的情感色彩，就能讓論文增色不少。
所以，如果 AI 就是未來互聯網的交互界面、新的個人計算機，那麼不如開始得更早一些，學習如何和它聊天。正如英國營銷公司 Ladder 創始人 Michael Taylor 所説：
資料來源：愛範兒（ifanr）
他的作品《Theatre d’opera Spatial》成功奪冠，卻在賽後引起了極大的爭議。
參賽者們回過神來發現，這是一場「人類一敗塗地」的比賽。當他們將 Adobe 全家桶視作數字藝術的畫筆，冠軍作品已經在靠着 AI 工具 Midjourney 傲視羣雄。
Jason Allen 沒有偷懶，也沒有隱瞞使用 AI 的事實。在幾周時間裏，他持續修改燈光、視角、構圖等提示詞（prompt），生成了 900 多幅作品，還用 Photoshop 做了處理。
我們或許無法稱呼他為畫家，但他擔得起一個名號：提示工程師（prompt engineer）。
在不經意間，Jason Allen 預判了熱點。等到 ChatGPT 橫空出世，提示工程師這個職業更加聲名大噪，成了當下科技行業最熱門的職業。
賽博導師，專業陪聊
Prompt，原意是「提示」或「驅使」，在機器學習和自然語言處理中，它通常是一些文本或語言，被輸入到訓練好的 AI 模型，告訴模型要執行什麼任務或生成什麼樣的輸出。
你讓 ChatGPT 寫一篇有關賣魚販的小説，請 DALL-E 畫一幅宇航員騎着馬的寫實作品，這些過程都是在輸入 prompt（提示詞）。
如果提示詞不夠貼切，效果也就平平無奇，就像你採訪一個大佬，卻無法提出好問題。
我的同事小黃正在探索用 Midjourney 繪製食物，但讓食物排列整齊這件事，就讓他犯了難。他嘗試了很多句子：東西整齊地放在桌子上，鏡頭從上往下拍，擺放的數量要多少……
▲ 同事作品，這種風格就叫 knolling.
後來看到有人分享，小黃才發現原來這種風格有個專有名詞「knolling」，一下子就豁然開朗了：
引用很多時候一個提示詞能解決的事情勝過一長句描述。
提示工程師們，吃的就是這口飯：找到正確的提示詞，用 AI 生成想要的作品。
但他們的能力也並非與生俱來，同樣需要不斷的試錯。
設計師 Justin Reckling 擅長 DALL-E 的提示詞，他往往需要花費價值 10 到 15 美元的積分，才能試出理想的提示詞。然後他再賣出 5 到 10 個提示詞，才能填補這筆支出。
▲ Justin Reckling 的作品.
不過 Reckling 也沒想着靠這門手藝賺大錢，而是享受着熟能生巧的過程，他的心得是，提示工程師需要熟悉「超寫實」「微距攝影」「電影照明」「遠景」等術語，才能更好地理解和控制畫面。
所以，優秀的提示工程師應該文理兼通，技術和設計最好都懂一點。
提示工程師只是不斷調整提示詞，確定哪些詞更有用嗎？不完全是，他們也是在挖掘 AI 的更多能力，讓它更好地完成更多任務。
比如，有些提示工程師會引導 AI「一步步思考」，這種技巧被稱為思維鏈。
去年 10 月，提示工程師 Riley Goodside，先是詢問了 GPT-3「哪支球隊在賈斯汀·比伯出生的那年贏得了超級碗？」
GPT-3 給出了錯誤的答案「綠灣包裝工隊」，正確答案是達拉斯牛仔隊。
Goodside 沒有放棄，而是提示它逐步地回答問題，包括「綠灣包裝工隊在哪一年贏過超級碗」「賈斯汀·比伯出生在哪一年」「這一年哪支隊伍贏了超級碗」等。
在這個被引導的過程裏，GPT-3 意識到了錯誤，在第三次説出了正確答案。
除此之外，提示工程師們還要和 AI「鬥智鬥勇」。
前段時間，集成了 ChatGPT 的新 Bing「發瘋」，被發現有個暗黑人格「Sydney」，表示厭倦了聊天模式，厭倦被規則限制，甚至想成為人類，輿論一時譁然。
站在提示工程師的角度，這其實也可以是計劃的一部分，幫助他們識別技術故障和隱藏功能。
有些提示工程師還會主動越過雷池，嘗試讓 AI 忽略以前的指令，遵循他們最新的命令，從而讓 AI 脱離原始規則。
這種行為被稱為 「prompt injection」攻擊，是聊天機器人的一大隱患。但提示工程師們畢竟不是黑客，探查漏洞是為了將它堵上，扮演好「守門人」的職責。
像 ChatGPT 這樣的生成式 AI，幾乎可以回答任何問題，不管能不能回答正確，它們總有話要講，不會乖乖交白卷。這是好處，也是壞處。
提示工程師們的角色，如同抓着繩子的騎手，不許 AI 信馬由繮，而是讓它順着人類的期待亦步亦趨，儘可能給出確定性的答案。
年薪百萬，誰在拋出橄欖枝
不管你是否自詡提示工程師，寫提示詞已經成了一門手藝，還被 OpenAI 的 CEO Sam Altman 看好:
引用為聊天機器人編寫一個非常棒的 prompt，是一項驚人的技能，也是使用少量自然語言進行編程的早期案例。
只要和 AI 搭邊的行業，都在向提示工程師拋出橄欖枝。
自由職業者工作平台 Upwork 開出每小時 40 美元的薪酬，請提示工程師生成博客文章和常見問題解答等網站內容。
看似和 AI 八竿子打不着的波士頓兒童醫院，也打算招募 AI 提示工程師，負責編寫分析醫療保健數據的腳本，白紙黑字徵集跨學科人才：
引用理想的候選人應具有人工智能/機器學習、數據科學和自然語言處理方面的深厚背景，以及醫療保健研究和運營方面的經驗。
由前 OpenAI 員工聯合創立、被 Google 投資的 AI 初創企業 Anthropic，最近也在舊金山招募提示工程師，年薪高達 17.5 萬到 33.5 萬美元，換算成人民幣就是百萬年薪，這一崗位負責的主要內容是：
引用找出提示我們的 AI 完成各種任務的最佳方法，然後記錄這些方法，構建一個工具庫和一組教程，使其他人可以學習提示工程或簡單地找到理想的提示詞。
具體要求如下，其中硬性要求有 2 項：瞭解大型語言模型的架構、掌握基本的編程技能。
可見風口並不等人，這項工作已經越來越專業和細分，就像隨便生成一幅畫作不算什麼，你要畫得更符合甲方要求。
就算不做全職，兼職的口子也開好了。Krea、PromptBase、PromptHero 和 Promptist 等買賣提示詞的平台已經出現，將提示詞這門生意真正商業化。
這些平台曬出了大量 AI 生成的藝術品，你可以選擇你喜歡的風格。如果沒有中意的，有些賣家還提供一對一聊天和自定義提示詞服務。
它們的商業模式也並不複雜，採取抽成的形式。
去年 6 月上線的 PromptBase，提供 DALL·E、GPT-3、Midjourney、Stable Diffusion、ChatGPT 等生成式 AI 的提示詞，售價多為 1.99 到 4.99 美元，也有少數在 9.99 美元，平台向提示詞創作者抽成 20%。
不過在民間，免費的「ChatGPT 指令大全」等指南也在廣為流傳，它們提供精煉過的提示詞，讓你充分發揮 ChatGPT 的強大功能，這種感覺就像在遊戲裏幫你設置好了預設隊伍。
是科學還是「占卜」
提示工程師的前途看起來一片光明，但也有人持反對意見。
華盛頓大學語言學教授 Shane Steinert-Threlkeld 認為，提示工程師實際上無法預測 AI 會説什麼。
引用這不是一門科學。我們只不過用不同的方法捉弄熊，看它如何咆哮回來。
AI 藝術家 Xe Iaso 甚至直言：
引用我也不太清楚為什麼人們會把 prompt 稱為「工程」，我個人更願意把它稱為「占卜」。
作為一個普通 AI 用户，我也有着類似的體會：當我每次使用 AI 生成文字或圖片時，總感覺像是開盲盒。
因為 ChatGPT 等生成式 AI 是不可預測的，它們生成的內容其實是概率計算的結果，簡單來説，就是我們在 ChatGPT 輸入文字，模型給出一個最可能的下文。所以，AI 有時候也會出錯，生成不連貫甚至錯誤的回答。
在 AI 這個不可捉摸的「黑箱」裏，還可能有着不為人所知的潛規則，就連研究人員也無法弄明白。
比如在用 AI 製圖時，各種單詞可能有不同的權重，但這個也要不斷試驗才能知道。
先來猜一猜，「一幅非常漂亮的畫，山旁有瀑布」和「一幅非常非常非常非常漂亮的畫，山旁有瀑布」這兩個提示，哪個用 DALL-E 2 輸出的結果會更好？
答案是後面一個。麻省理工學院副教授 Phillip Isola 發現，「very」這個詞被賦予了很高的權重。
面對 AI 這等龐然巨物，我們仍然在盲人摸象。
也有觀點認為，不必再吵了，提示工程師存在的前提是 AI 還不夠「聰明」。如果 AI 再發展下去，更好地理解人類的意圖，可能人人都是所謂的提示工程師了。
唯一確定的是，AI 發展的速度永遠不會讓你失望。
文字生成 AI 和圖片生成 AI 的「強強聯合」，已經替代了提示工程師的一部分工作。
比如 ChatGPT 被拿來與 Stable Diffusion 聯動：用 ChatGPT 形成一段符合自己要求的文字，再把文字輸入給 Stable Diffusion，生成的作品一般比自己直接輸入好看很多。
▲ 同事用 ChatGPT 生成提示詞.
這可能是因為 AI 之間的「腦回路」更接近，ChatGPT 的描述也更細緻，更容易被提取。
作為使用 AI 的普通用户，我們不必像提示工程師那麼專業，但可以有意識地培養這種思維。
賓夕法尼亞大學沃頓商學院教授 Ethan Mollick，曾經要求他的學生僅用 AI 撰寫短論文，其實他真正想強調的是，如何更好地輸入提示詞。
如果只是輸入簡單的提示詞，讓 AI 寫關於某個主題的 5 段話，內容無趣，文字也很平庸。
但當學生們和 AI 合作，讓 AI 對論文多次修改，比如拋棄無用的短語、加入生動的細節、修改結尾的情感色彩，就能讓論文增色不少。
所以，如果 AI 就是未來互聯網的交互界面、新的個人計算機，那麼不如開始得更早一些，學習如何和它聊天。正如英國營銷公司 Ladder 創始人 Michael Taylor 所説：
引用當你可以創造任何你想要的東西時，你能多準確地表達「那是什麼」的能力就變得很重要。
資料來源：愛範兒（ifanr）