3月14日GPT震撼发布，GPT-4在识图能力、文字输入限制、回答准确率、创作等方面有了飞跃式的提升，GPT-4相比以往的AI都要更加具备实用性、和创意。

        GPT虽然不能代替我们学习，但是我们可以借助GPT帮助我们学习。在学习过程中，我们可以把GPT看成一个很好地引擎，关键在于，G老师有很好的理解能力以及归纳能力。比起单一的搜索引擎，比如百度，它的回答非常的多元。举个例子：

1. 检索相关文献

        向GPT提问“ERP检测相关深度学习方法，及其达到的性能，论文出处”

        首先，值得夸奖的是，GPT面对有歧意的问题，回答很完整，逻辑也非常有条理性，内容似乎没有遗漏问题的要点，理解了本意“ERP检测常见的方法分类+类别的介绍+相关文献”。

        为了证实GPT没有“胡言乱语”，接着我们对里面的文献进行内容核实。针对CNN方法中Bashivan 等人提出的Learning Representations from EEG with Deep Recurrent-Convolutional Neural Networks [1]。同时，这篇文献也出现在了RNN方法的相关文献中。接下来，我们在arXiv上找到了它，来源确认无误。但不对劲的是，标题和RNN方法相关。在下载后，仔细看文章，除了最主要研究的RNN方法，以及其它对比实验，里面也并没有介绍CNN方法。

        虽然GPT出现了小小的错误，但是我们还是“原谅”它，继续求证其它文章。但是遗憾的是RNN方法中Zhang等人提出的A deep learning approach to event-related potential detection in brain–computer interface systems在很多网页中没搜索到相关信息，当再次询问GPT的时候，其给出了原始答案相悖的信息，比如发行时间等。

        2. 写论文英文摘要

      （1）给出关键词，写英文摘要

        这句话没有理解睡眠阶段、情绪识别和ERP检测之间的联系，于是继续提问。

        为了演示方便，我们采用deepl给大家翻译一下。

        显然GPT还是没太理解。

     （2）给出英文原文，GPT润色

        这里我们选用DeepSleepNet[2]的摘要作为即将要被润色的素材。

        这样看来，GPT的润色效果还不错。

        3. 解释代码

        给出一段代码，让GPT解释代码的意思。下面结果来看，回答挺好理解。

除了以上演示的作用，GPT还可以帮忙调试代码的bug。虽然缺陷难免，但是性能已经超越了某些浏览器（而且没有广告）。总体使用体验是正确地使用GPT在科研方面是利大于弊的。本次使用有以下一些小建议：

首先，提出问题要有逻辑性，避免出现二义性的句子以及长难句等。

其次，GPT有一定的逻辑，在提问过程中，可以层层递进、循循善诱地提问，会发现它有别于浏览器的重大优点，可以得到除了问题本身更连贯的解答。

然后，不要赋予对GPT过多期待，它还是有一定的局限性。

最后，作为使用者，在享用GPT-4便利的同时，也应该持有谨慎的态度，核实GPT回答的出处，对找不到来源出处的东西存疑。

[1] Bashivan, P., Rish, I., Yeasin, M., & Codella, N.C. (2015). Learning Representations from EEG with Deep Recurrent-Convolutional Neural Networks. CoRR, abs/1511.06448.

[2] Supratak, Akara , et al. "DeepSleepNet: a Model for Automatic Sleep Stage Scoring based on Raw Single-Channel EEG." IEEE Transactions on Neural Systems & Rehabilitation Engineering PP.99(2017).

撰写人：杨叶泽盛

指导老师：李景聪