不会写提示词会被淘汰？

百度CEO李彦宏预测，十年以后，全世界有 50% 工作会是提示词工程（prompt engineering），不会写提示词(prompt)的人会被淘汰。

那么什么是提示词呢？

按照常规来理解：

提示词指的是在对话或文章中用来引导读者或听众理解主旨、观点、结论等的词语。

以下是一些常见的提示词：

首先、第一：表示先前提到的事情或事件是第一个要点。

其次、第二：表示先前提到的事情或事件是第二个要点。

最后、最终：表示先前提到的事情或事件是最后一个要点。

例如、比如：引出例子或事实来支持观点。

因此、所以、因而、故而：表示前面所说的事情或事件导致或引起的结果或结论。

另外、此外、还有、再者：表示除了前面所提到的事情或事件之外，还有其他相关的内容。

然而、但是、不过：表示对前面所说的内容进行转折或者提出不同的观点。

总之、总结：表示对前面所说的内容进行总结。

这些提示词能够帮助读者或听众更好地理解文章或对话的结构和主旨。

这个提示词和李大师所说的提示词有什么关联？

人工智能的自然语言处理模型，不同于人类写作或口语中使用的提示词。提示词隐含在输入文本的上下文中，人工智能会自动从输入的文本中学习和理解文本的结构和含义，并根据上下文产生下一个词或短语，从而实现自然流畅的语言输出。在文本生成过程中，人工智能会根据前文内容自动选择最合适的下一个单词或短语，从而实现连贯的语言表达。也就是说输入文本诱导着人工智能的输出，李大师所说的提示词工程应该就是要学会怎样构造输入文本，令到人工智能输出和预期最接近的内容。

对提示词工程，再深入一点的认识：

提示词工程是指在自然语言处理领域中，利用机器学习和自然语言处理技术，对输入的文本进行分析和处理，从中提取出相关的提示词或关键词，以辅助人们更好地理解和理解文本的内容和结构。

提示词工程通常包括以下步骤：

文本分析：利用自然语言处理技术，对输入的文本进行分析和处理，包括分词、词性标注、命名实体识别等。

关键词提取：利用文本分析的结果，从文本中提取出与主题或重点相关的关键词。

提示词生成：利用关键词和文本的结构，生成能够引导读者理解文本结构和主题的提示词。

提示词应用：将生成的提示词应用于文本中，以帮助读者更好地理解和理解文本的内容和结构。

提示词工程在信息检索、自然语言生成、文本分类等领域具有广泛的应用，能够帮助人们更高效地处理大量的文本信息，并提高文本理解和应用的质量。

如果您想学习提示词工程，可以按照以下步骤进行：

学习自然语言处理基础知识：提示词工程是建立在自然语言处理技术之上的，因此您需要学习自然语言处理的基础知识，例如词性标注、句法分析和语义分析等。

了解机器学习和深度学习：提示词工程通常使用机器学习和深度学习技术来生成文本。因此，您需要学习这些技术，包括监督学习、无监督学习、神经网络和深度学习模型等。

学习文本生成模型：提示词工程使用的文本生成模型通常是循环神经网络（RNN）或变换器（Transformer）等模型。学习这些模型的基础知识和原理，了解它们是如何工作的。

学习提示词工程的具体实现方法：了解提示词工程的具体实现方法，例如生成式对抗网络（GAN）和条件生成式对抗网络（cGAN）等技术。

学习提示词工程的应用：了解提示词工程在不同领域的应用，例如自动生成新闻报道、电子邮件、推文、小说等。了解如何评估提示词工程生成的文本质量和准确性。

练习编程和实践：提示词工程是一种实践性较强的技术，需要不断地实践和尝试。您可以使用Python等编程语言，使用深度学习框架如TensorFlow或PyTorch来实现提示词工程。

总之，学习提示词工程需要一定的自然语言处理和机器学习基础，同时需要实践和不断尝试。

学习提示词工程似乎成为当下的趋势，其实，我们不至于心生忧虑，李大师所说的只是片面，针对的行业很窄，即使人工智能进化到什么都可以做，但它要必须要有一个主人；再者如果人工智能进化得很智能，那提示词工程就是多余的了。

人工智能越智能， 手工操作的行业越吃香——这是我的预测。