你是否认为，构建一个基于自然语言处理（NLP）的AI应用程序（例如聊天机器人或翻译软件）需要大量的数据、计算机技术、并且会花费大量时间？但其实并非总是如此——使用GPT-3，我们能够以最少的开发工作量构建一些基于NLP的惊人AI应用程序。
GPT-3全称Generative Pre-trained Transformer 3，是一种通过训练大量来自互联网的数据集得到的语言模型，由OpenAI公司开发。本质上它是一个巨大的神经网络，作为深度学习的一部分，它是人工智能的典型代表。GPT-3模型包含1750亿个参数，而以前的版本，GPT-2模型只有15亿个参数。参数是神经网络模型中的权重，该神经网络模型将输入转换为输出。
GPT-3是一个生成模型，这意味着它具有生成较长单词序列的能力，可以作为连贯输出。这种最先进的语言模型几乎可以回答所有传递给它的问题，而且更加人性化。在模型训练中使用了数十亿个单词、文本和代码段，从而使其能够在多种编程语言中进行自动编码。除了英语，它的多语言文本处理功能还可以处理其它语言。
最优越的地方在于，GPT-3模型可以执行特定任务，比如充当翻译器、聊天机器人甚至作为代码构建器，而无需任何自定义设置或任何特殊调整，它只需要经过一些训练数据的训练。在本文中，我们将向大家展示如何使用这个惊人的API来解决不同的基于NLP的AI用例。首先，要构建本文中涵盖的用例，需要获得GPT-3 beta API的访问权限。可以通过以下链接申请访问：https://beta.openai.com。
此外，为了与GPT-3 API交互，我将使用“gpt3-sandbox”存储库中的脚本。使用API文件夹中的gpt.py就可以访问GPT-3 API。gpt3-sandbox存储库链接：https://github.com/shreyashankar/gpt3-sandbox。脚本链接：https://github.com/rsharankumar/Use-Cases-using-GPT-3。
在下面的示例中，导入所需的软件包以及从“gpt3-sandbox”存储库中下载的脚本。我们将向模型传递三个参数:engine：有四个选项可供选择，分别是Davinci、ADA、Babbage、Curie。此处使用Davinci，因为它是使用1750亿个参数训练的最强大引擎；temperature：其范围通常在0-1，用于控制生成输出的随机性。
值为0时模型具有确定性，即每次执行后的输出都是相同的；值为1时，生成的输出将具有较高的随机性；max_tokens：最大完成长度。在下面的脚本中，需要询问的问题被传递给变量“prompt1”，然后使用submit_request函数传递给模型。其结果存储在“output1”变量中，如下图：在下面的示例中，可以基于非常少的训练即可将文本转换为公式，这一点其他预训练模型则无法实现。
如图所示，temperature值已经增加，以使响应输出具有一定的随机性，我们还将一些预定义的示例作为训练数据集传递给模型。仅用5个示例，就可以训练该模型将文本转换为公式。用已知示例训练模型后，如图所示，将“x squared plus 2 times x”作为输入，模型成功将其转换为公式“x^2+2x”。此外，还可以训练模型使其充当翻译器。
如下所示，仅通过三个示例来训练模型，就能将英语文本翻译为法语。附上以上用例的视频教程，其中提供了用例实现的逐步介绍。原文链接：https://towardsdatascience.com/how-to-build-amazing-ai-use-cases-under-10-mins-using-gpt-3-ebc51b2b2b97。
除了以上3个案例之外，我们还在网站GPT3 Examples上找到了各类GPT-3实例应用。