上一篇我们说了，目前的大规模预训练模型技术还避免不了回答问题时出现低级错误。
但是其实，人类犯的逻辑错误也是层出不穷。
比如，有人就认为要想学好chatgpt，就要先学好Python。
其隐含的推理过程可能是这样的：
TensorFlow需要使用Python
PyTorch需要使用Python
Scikit-Learn需要使用Python
Hugging Face需要使用Python
...它们都是机器学习相关的库，它们都使用Python
=>
- chatgpt也是机器学习相关的库，所以也需要使用Python
甚至如果你单机用的是相对小众的设备比如3090，4090之类的卡，通用的框架库还不见得支持你的高端设备，还得自己从源码重新编译一个。
如果你还要搞跟CV相关的算法的话，那么你要装的库更多，很多本地库还冲突。还要安装适合CPU的并行计算库和数学库。Intel的相对成熟，如果你还买的是AMD的CPU，那继续适配吧。
诸如此类。
但是，现在所有的计算都是跑在openai的服务器上，你不管懂多少TensorFlow, PyTorch, JAX, Torch Dynamo, Torch Inductor, Trition, OpenMP, CUDA, Vulkan, TVM, LLVM MLIR等等通天本领都用不上。
现在能做的事情，基本上就是按照openai API的格式拼几个字符串和json串，发给openai的服务器，然后解析从openai服务器返回的状态码和结果的json串。
openai将它们的API封装在了一个Python库里面，我们可以像调用Python库一样去调用。这样也是有意义的，可以用来跟本地的其他框架进行协作。
安装老一套，pip：
不需要conda，没有版本的强需求。不需要CUDA，不需要MKL，Windows下不需要MinGW，... ：）
然后去openai注册一个API key。
然后运行就可以了，只要你的网络连接没问题，就可以像网页一样看到chatgpt一样的结果了。
运行结果如下：
截至本文写作的2023年4月4日，gpt-3.5-turbo是最强大而且最划算的模型。其它的API，模型和方法，效果和费用都不如这一个。所以，要不要学习用text-davinci-003等其它模型全看兴趣了，它们不能提供更强的能力了。
有的同学表示，上面的语句看不懂，怎么办？
太好办了，把上面的代码发给openai的API，让chatgpt来给我们讲解：
这是openai api给我们返回的讲解：
生成代码如下：
翻译成Swift,大家自己改语句，我就不写了，结果如下:
让它帮我们翻译成Go语言：
我们发现，Go的翻译它用的是老模型davnici，我们教它一下新的python API用法，然后让它翻译成Go的：
[图片上传失败...(image-ac7361-1680684216530)]
还是老办法，prompt就写修复代码bug:
"""
completion = openai.ChatCompletion.create(
model="gpt-3.5-turbo",
messages=[
{"role": "user", "content": str1}
]
)
print(completion.choices[0].message.content)
修复的bug如下：
- 使用了，在多线程下是线程安全的；
- 在处理字节数组转换为16进制字符串时，采用了更简单的方式；
- 采用了Java 7中引入的替代原有的，使用Java标准库中的字符集；
- 捕捉NoSuchAlgorithmException异常，以免发生错误。
输出如下：
还可以找关键字：
输出如下：
比如我们给出皮亚诺公理的5条公理，让gpt 3.5帮我们定义加法和乘法两种操作：
输出如下：
补全API的能力本质上跟Chat API没有太大的区别。因为不用指令角色了，比起Chat API能够更简洁一点。
我们来看一个例子：
输出如下：
text-davinci-003是基于最新的gpt 3.5的，能力较强而速度较慢的一个模型，如果想用更快但是质量差一点的可以采用更弱一些的基于gpt 3的text-curie-001，text-babbage-001和text-ada-001。他们的能力依次递减。
在目前这个时刻，text-davinci-003是比gpt-3.5-turbo要贵一点的，请注意关注下预算。
另外，gpt4目前只有在Chat API上才有。所以就是让大家知道有Completion这个API就好。目前不管是能力上(gpt4)还是预算上(gpt-3.5-turbo)都是Chat API占优。