语用学和 AI

第一次发帖就是关于语用学和搜索引擎 query 的。随着 ChatGPT 等 AI 的发展，这样的人机对话更加接近于人际交流了，于是再次从语用学的角度来看一下这些大语言模型的输出。

理论复习：会话含义理论是语用学中一大重要理论，格莱斯给出了他的“合作原则〞：数量准则，质量准则，关系准则，方式准则。

输出评价：从数量准则来说，AI 大致上能很好地做到按需给出所求的信息。像是“写出十条关于XX的广告语”“给出三个可以查询同义词的网站”，都能按要求给出。相较于搜索引擎好几页的结果，更好地遵循了这一准则。当然，这只是针对条目来说的；从信息量的角度看，这或许和用户的期待有关。如果期待更高，或许会觉得信息数量较少；反之则觉得多。相较于人际语伴 AI 可能并不足够了解我们，无法给出相应量的回答；但我们仍可以通过提供更多 prompt 来尽量满足这一条件（具体在后文展开）。

从质量准则来说，AI 的编造不时被拿来诟病。一本正经的虚假之言让人难以辨别。好在 New Bing 这样的工具能够提供相关结果的链接，一定程度上满足了该准则下的第二次则，即不要说缺少足够证据的话。

再谈关系准则和方式准则。也基本能遵循。但有时会出现车轱辘话或者几个答案想冲突的地方。
例如上次比较英译汉的帖子中，最后给出的两个答案：

• 商业法学硕士的创造者可以利用幻觉作为借口，将AI模型的错误输出归咎于模型自身，而不是承担责任。
• 商业法学硕士的开发者也可能会利用幻觉来为自己的错误输出寻找借口，而不是承认输出错误的责任。

  （原文本：The creators of commercial LLMs may also use hallucinations as an excuse to blame the AI model for faulty outputs instead of taking responsibility for the outputs themselves.）
原文应该是怪罪 AI 模型的输出错误，后一个翻译便与前一个有语义上的冲突。因此违背了次则中的模糊不清和歧义。

除此之外，New Bing 也展现出了会话的可推导性，像是给出几个相关问题的按钮，帮助用户重新优化提示词或者拓展理解相关话题。从输入的角度来说，它还能提示拼写正确的单词，避免用户表达出现偏差。大部分产品在生成的答案不能令人满意时，可以 regenerate，体现了可取消性。

那么对于用户输入有什么启示呢？
首先，相较于搜索引擎，GPT 等 AI 有更多的输入空间。能够用更多的词来描述场景以保证得到更准确的结果。正如数量准则所言，尽量给出所需信息，但不能更多。例如假定身份，便可限定主题讨论的领域；对于一个特殊的表达，在说明时给出它的意思；要求生成小红书风格的文案，可以给出一段事例，便于 AI 参考归纳。

其次，不要给出你没有足够证据的信息，这个找电影的帖子便是很好的证明。虚假的输入会招致有叛质量的结果。

此外，由于位置相近的语句语义上自然更有关联，指代也会更清晰，所以 prompt 的先后顺序有一定的权重差异，后发送的也会减弱和之前发送信息的关系。因此需要有效组织语言。当然，有时也许会有多个问题，按照数量准则要求似乎应尽量提出；但从有序次则和清晰次则来说，如果一次性全盘托出，AI 或许难以抓住重点，因此建议按需求先后，多次发送指令。这样可以同时保证给予及时的评价，减少中途出错。而为避免歧义，可以使用分隔符（三个引号、破折号、括号等）将指令和需要操作的文本分离。

最后分享一段最近请 AI 写的屏蔽含有关键词帖子的规则，可用于油猴脚本。

1. var elements = document.getElementsByTagName("table");
   
2. for (var i = 0; i < elements.length; i++) {
   
3.   if (elements[i].innerHTML.match(/码住|插眼|码住/)) {
   
4.     elements[i].innerHTML = "";
   
5.   }
   
6. }

复制代码