揭秘人工智能中的“骗局”：当模仿成为创新

大型语言模型中的“剥壳”幻影：理解并超越标签

大型语言模型 (LLM) 领域充斥着流行语，其中之一就是“shelling”。这个术语通常带有贬义，指的是直接使用 OpenAI 的 API 或模仿现有模型而没有进行大量原创开发的做法。虽然人们对于道德影响和潜在滥用的担忧是可以理解的，但细致入微的理解至关重要。

这篇文章旨在剖析“shelling”的概念，探讨其不同的表现形式，并最终倡导围绕 LLM 开发和部署进行更具建设性的对话。

“炮轰”：一系列做法

“炮轰”的指控通常源于以下做法：

• 直接使用 API：使用 ChatGPT 等成熟模型的 API，无需进行大量的原创开发。
• 提示工程：利用预先存在的提示来指导模型响应，可能会导致表面上的变化而不是真正的创新。
• 数据抓取和重用：利用公开可用的数据集，甚至在没有适当归属的情况下模仿现有模型的训练数据。

然而，我们必须认识到，这些做法是多种多样的。有些做法可能只是小公司在构建自身能力的同时利用现有技术的垫脚石。其他做法可能代表了合法的研究工作，旨在探索快速工程技术或数据集增强策略。

超越“炮轰”：迈向建设性发展

我们不应该将做法标记为本质上的好或坏，而应该关注：

• 透明度和披露：开发人员应该清楚地传达他们的模型基于现有工作的程度以及他们带来的具体贡献。
• 数据伦理与归属：正确引用来源并确保负责任地使用公开的数据集。
• 增值：努力创建具有独特功能、满足特定需求或提供超越简单模仿的新见解的应用程序。

真正的竞争优势：建立坚实的基础

归根结底，法学硕士 (LLM) 领域真正的竞争优势不在于“炮制”之类的捷径，而在于建立坚实的道德基础。这包括：

• 投资研发：突破模型架构、训练技术和评估指标的界限。
• 策划高质量数据集：收集与特定应用领域相符的多样化和有代表性的数据。
• 培养道德实践：在模型开发和部署中坚持公平、问责、透明和负责任的原则。

通过将重点从“炮轰”之类的标签转移到对 LLM 开发实践的更细致入微的理解，我们可以培育一个让每个人受益的更具协作性和创新性的生态系统。