接下来三五年的人机交互方向将如何变化？

先说结论：基本就是钢铁侠里面的贾维斯（Jarvis）

老一辈的人不懂很好的使用电脑，学不会怎么使用一些app，其实原因只有一个，现在的机器，包括各种系统、软件、界面，人要先学习如何操控，想要得到结果，对于不同使用者，只有同一种正确的操控方式，你没学会，就得不到那个结果。但如果帮你出活儿的是贾维斯，那就算对方是老人家，他也照样把事情办好。因为他的界面是开放的，是灵活的，是人性化的，是只关心语义和语意的。

由此可以得出，最近所谓的高薪工作“提示工程师”（prompt engineer），也只会是昙花一现的工作，因为现在的贾维斯还在牙牙学语。当一个小孩刚开始跟世界沟通，有一段时间，只有她的父母明白，需要父母这种提示工程师，才可以让其他人跟她有效的沟通。但随着孩子长大，这个时间段通常不会延续很久。

另一个角度来继续聊人机交互。人要跟机器沟通，不能说人话，一直以来，机器听不懂人话。这里所谓听不懂，有两层意思。第一层很浅显，就是要用晦涩的编程语言来“对话”，一边人类给出定义好的指令，另一边机器执行，完成指令或者给出定义好的出错信息。第二层需要好好玩味一下，就是机器“听到”人类的话之后，不会给出自己的“理解”。也就是说机器的反应是确定的（deterministic），当然如果简单的加上随机，结果只能是变成不确定，但跟相关（relevant）是不同的。就算你跟婴儿交互，使用简单的语言，也不需要预先定义，她听到之后的反应，更不可能总是唯一确定的。这就是人跟机器一直都没法像跟人那样无缝交互的原因。

但现在大语言模型不同了，既可以跟它说人话，它还听得懂人话。

那对于软件工程师们，就出现了一种范式转移。并不是说改成用copilot或者ChatGPT帮你写代码那种转移，那是必须的。我指的是，你要把面前的机器当作人，至少当作钢铁侠的贾维斯。

举例说，你要编写一个军棋的电脑裁判，以前的你，首先要把军棋的棋子吃子规则转化成一堆if…else和switch…case代码，然后用大量标注好的棋子图库，去训练一个识别军棋棋子的模型，用它连起摄像头和你之前的评判代码。但现在，你只需要让GPT4去看一下双方的棋子，问它谁吃了谁，搞定。（我现在还在OpenAI图像的API的waitlist里面，等拿到了试一下是不是可行）

以上的是程序员和机器的沟通范式转移，下面来聊一下机器和机器之间的沟通范式转移。机器跟机器指的是代码调用其他API。

一直以来，API接口各种参数需要定义得滴水不漏。那是不得已的，因为对接的是机器；如果对接的是人，这些不单止不需要，而且是多余的，有时甚至是不可行的。

我这个星期做了一个Bing Chat翻版，当然了，Bing Chat比我的这app多许多功能。在写到其中一段逻辑，我需要把对话的内容输入给GPT4，让它根据之前对话内容，自己给出五个可能追问的问题，然后我可以把这五个问题做成五个按钮给用户一键提问。

我当时开始的提示是这样的：

Based on our discussion above, can you suggest five follow-up questions for me to ask in order to dive deeper into this topic? Answer with a JSON array of strings.

一试，就成功了。感叹GPT4的厉害之余再试，结果出错了。

它说sure thing, …. 这不是画蛇添足吗？！于是我加上一句：

nothing else. no explaination needed just the array.

然后再试，果然没有废话了。于是试一下问中文问题，结果有时返回的是五个英文问题。虽然我的system message有包含下面这句话，但是显然还是不够明确。（也不全怪它，因为是我用坚持用英语出的提示）

Keep using the same language as my first question. Do not switch to a different language.

于是再加上一句：

respond in the same language as your last answer.

就这样，无端变回英语的bug解决了。但偶尔还是会报错，因为它返回的不是正确的JSON格式，例如["asdf" "qwer" "tuio"]，正确的应该是["asdf","qwer","tuio"].

于是加上强调要正确的JSON，还给了例子，算是one-shot了。最后我的提示是长这样的：

Based on our discussion above, can you suggest five follow-up questions for me to ask in order to dive deeper into this topic? Answer with a JSON array of strings, nothing else. no explaination needed just the array. make sure it is a well formed JSON array. Example: [“What is your favorite color?”, “What is your favorite food?”]. respond in the same language as your last answer.

一番操作下来，我的感悟是，在大语言模型的机器和机器交互，如果还是要回归以前的思路，就是简单如一个JSON的payload，也折腾得这么辛苦，明显这是无用功。真正的机器之间交互，如果两边都是大语言模型，那应该直接用语言而不是JSON等规范来沟通。例如GPT4生成提示直接调用MidJourney画图；又如AutoGPT自己给自己分派子任务。

每个API提供者，现在有的RESTFul，有的GraphQL，但以后估计最重要的是要提供一个自然语言接口，因为上游很有可能是一个大语言模型。由此估计，现在的OpenAI的plugin策略只是过渡期的产物，毕竟市面上现在绝大多数的API都不是大语言模型API。

这个新时代，每个后端都有必要重新写一次，每个应用都有必要重新发明一次。很多人担心程序员失业，但是灭霸被击败前，钢铁侠们还是要好好活着，哈哈。