Filters /過濾器
過濾器的作用是透過來源、型別或模式等限制條件，約束 AI 的輸入或輸出。這一功能與引數（用於指導 token 和 AI 的關注點）類似，但過濾器的邊界更為嚴格，具體表現為限制 AI 應參考的資料來源，或者限定輸出的特定格式和模式。
不同提示模式中的角色
使用 AI 的過程涉及調整輸入和控制輸出，使用者一般處於以下四種場景之一：
- 聚焦模式：使用者有明確的目標，清楚如何實現（例如：編輯現有內容，調整其語氣或格式）。
- 導航模式：使用者有目標但不確定如何實現（例如：尋找特定問題的答案，卻不清楚需要哪些輸入）。
- 綜合模式：使用者從已知資料集中尋找未知的結論或洞察（例如：分析資料集中的趨勢和見解）。
- 瀏覽模式 ：使用者處於探索狀態，透過嘗試不同輸入來發現可能性（例如：使用不同 token 創意地生成圖片）。
在所有這些場景中，過濾器都可以幫助使用者更好地引導 AI：
- 聚焦模式：透過限制輸入來源，提高結果的精準性。
- 導航模式：透過限定輸出格式，減少使用者選擇範圍。
- 綜合模式：提供嚴格的資料來源，保證分析的可信性。
- 瀏覽模式：透過靈活調整過濾器，增強探索的多樣性。
商業應用的潛力
過濾器在商業領域有巨大的潛力，目前公司對其探索尚處於初步階段。例如：
- 授權內容的後設資料:作者可以為作品新增後設資料，使其符合特定的商業條款，允許這些內容作為“高階過濾器”被 AI 使用。
- 資料來源追蹤:可透過水印或區塊鏈記錄資料來源，為 AI 提供精確的參考資料來源，解決當前模型資料使用的倫理問題。
- 模式與格式限制:輸出結果的特定模式（如長度）或特定資料來源（如標註原創作者的資料）可設為高階功能。
這種方法不僅有助於改進模型的倫理性，還能提高結果的質量和商業價值。
實踐與變體
- 初始設定：過濾器通常與引數一起設定，用於確定輸入來源、型別或其他限制。
- 結合引用:過濾器可與引用結合，控制 AI 納入哪些特定資料來源。
- 限制輸出：過濾器可用於限制輸出的模式（如視覺化結果）或目標受眾。
- 動態調整：過濾器可以在後續生成中逐步放寬，類似於手動調整資料集或搜尋條件。
優勢 (Positives)
- 使用者控制：
- 過濾器賦予使用者更多的控制權，能透過限制模型的參考範圍提高結果的質量和準確性。
- 在商業或學術領域尤其有用，增強以人為本的互動體驗。
- 商業價值：當前大模型的訓練資料存在倫理爭議，但過濾器可能提供一種解決方案：
- 透過後設資料、區塊鏈等手段控制資料來源。
- 遵守法律法規（如 GDPR），避免個人資料被錯誤使用。
- 學術價值：
- 過濾器在學術研究中可用來控制變數，確保結果的可預測性。
- 工具如 Perplexity.ai 和 Julius.ai 已證明，限制資料來源為學術論文可以提高 AI 綜合結果的嚴謹性。
風險 (Potential Risks)
- 資料集過於狹窄：過濾器可能導致 AI 參考的資料集過於有限，進而影響結果的質量。例如：Google 的 AI 在使用者查詢非常稀缺的資料時（如“每天吃多少石頭”），由於參考資料不足，產生了荒謬的結果。
- 過濾器的誤用：如果設計不當，過濾器可能會限制 AI 的創造力或排除有用的資料來源，導致偏差或低質量結果。
