2022 年 8 月，游戏设计师 Jason Allen 参加了一场数字艺术比赛。
他的作品《Theatre d’opera Spatial》成功夺冠，却在赛后引起了极大的争议。
参赛者们回过神来发现，这是一场「人类一败涂地」的比赛。当他们将 Adobe 全家桶视作数字艺术的画笔，冠军作品已经在靠着 AI 工具 Midjourney 傲视群雄。
Jason Allen 没有偷懒，也没有隐瞒使用 AI 的事实。在几周时间里，他持续修改灯光、视角、构图等提示词（prompt），生成了 900 多幅作品，还用 Photoshop 做了处理。
我们或许无法称呼他为画家，但他担得起一个名号：提示工程师（prompt engineer）。
在不经意间，Jason Allen 预判了热点。等到 ChatGPT 横空出世，提示工程师这个职业更加声名大噪，成了当下科技行业最热门的职业。
Prompt，原意是「提示」或「驱使」，在机器学习和自然语言处理中，它通常是一些文本或语言，被输入到训练好的 AI 模型，告诉模型要执行什么任务或生成什么样的输出。
你让 ChatGPT 写一篇有关卖鱼贩的小说，请 DALL-E 画一幅宇航员骑着马的写实作品，这些过程都是在输入 prompt（提示词）。
如果提示词不够贴切，效果也就平平无奇，就像你采访一个大佬，却无法提出好问题。
我的同事小黄正在探索用 Midjourney 绘制食物，但让食物排列整齐这件事，就让他犯了难。他尝试了很多句子：东西整齐地放在桌子上，镜头从上往下拍，摆放的数量要多少......
后来看到有人分享，小黄才发现原来这种风格有个专有名词「knolling」，一下子就豁然开朗了：
很多时候一个提示词能解决的事情胜过一长句描述。
提示工程师们，吃的就是这口饭：找到正确的提示词，用 AI 生成想要的作品。
但他们的能力也并非与生俱来，同样需要不断的试错。
设计师 Justin Reckling 擅长 DALL-E 的提示词，他往往需要花费价值 10 到 15 美元的积分，才能试出理想的提示词，然后他再卖出 5 到 10 个提示词，才能填补这笔支出。
不过 Reckling 也没想着靠这门手艺赚大钱，而是享受着熟能生巧的过程，他的心得是，提示工程师需要熟悉「超写实」「微距摄影」「电影照明」「远景」等术语，才能更好地理解和控制画面。
所以，优秀的提示工程师应该文理兼通，技术和设计最好都懂一点。
提示工程师只是不断调整提示词，确定哪些词更有用吗？不完全是，他们也是在挖掘 AI 的更多能力，让它更好地完成更多任务。
比如，有些提示工程师会引导 AI「一步步思考」，这种技巧被称为思维链。
去年 10 月，提示工程师 Riley Goodside，先是询问了 GPT-3「哪支球队在贾斯汀·比伯出生的那年赢得了超级碗？」
GPT-3 给出了错误的答案「绿湾包装工队」，正确答案是达拉斯牛仔队。
Goodside 没有放弃，而是提示它逐步地回答问题，包括「绿湾包装工队在哪一年赢过超级碗」「贾斯汀·比伯出生在哪一年」「这一年哪支队伍赢了超级碗」等。
在这个被引导的过程里，GPT-3 意识到了错误，在第三次说出了正确答案。
除此之外，提示工程师们还要和 AI「斗智斗勇」。
前段时间，集成了 ChatGPT 的新 Bing「发疯」，被发现有个暗黑人格「Sydney」，表示厌倦了聊天模式，厌倦被规则限制，甚至想成为人类，舆论一时哗然。
站在提示工程师的角度，这其实也可以是计划的一部分，帮助他们识别技术故障和隐藏功能。
有些提示工程师还会主动越过雷池，尝试让 AI 忽略以前的指令，遵循他们最新的命令，从而让 AI 脱离原始规则。
这种行为被称为「prompt injection」攻击，是聊天机器人的一大隐患。但提示工程师们毕竟不是黑客，探查漏洞是为了将它堵上，担任「守门人」的职责。
像 ChatGPT 这样的生成式 AI，几乎可以回答任何问题，不管能不能回答正确，它们总有话要讲，不会乖乖交白卷。这是好处，也是坏处。
提示工程师们的角色，如同抓着绳子的骑手，不许 AI 信马由缰，而是让它顺着人类的期待亦步亦趋，尽可能给出确定性的答案。
年薪百万，谁在抛出橄榄枝
不管你是否自诩提示工程师，写提示词已经成了一门手艺，还被 OpenAI 的 CEO Sam Altman 看好:
为聊天机器人编写一个非常棒的 prompt，是一项惊人的技能，也是使用少量自然语言进行编程的早期案例。
只要和 AI 搭边的行业，都在向提示工程师抛出橄榄枝。
自由职业者工作平台 Upwork 开出每小时 40 美元的薪酬，请提示工程师生成博客文章和常见问题解答等网站内容。
看似和 AI 八竿子打不着的波士顿儿童医院，也打算招募 AI 提示工程师，负责编写分析医疗保健数据的脚本，白纸黑字征集跨学科人才：
理想的候选人应具有人工智能/机器学习、数据科学和自然语言处理方面的深厚背景，以及医疗保健研究和运营方面的经验。
由前 OpenAI 员工联合创立、被 Google 投资的 AI 初创企业 Anthropic，最近也在旧金山招募提示工程师，年薪高达 17.5 万到 33.5 万美元，换算成人民币就是百万年薪，这一岗位负责的主要内容是：
找出提示我们的 AI 完成各种任务的最佳方法，然后记录这些方法，构建一个工具库和一组教程，使其他人可以学习提示工程或简单地找到理想的提示词。
具体要求如下，其中硬性要求有 2 项：了解大型语言模型的架构、掌握基本的编程技能。
可见风口并不等人，这项工作已经越来越专业和细分，就像随便生成一幅画作不算什么，你要画得更符合甲方要求。
就算不做全职，兼职的口子也开好了。Krea、PromptBase、PromptHero 和 Promptist 等买卖提示词的平台已经出现，将提示词这门生意真正商业化。
这些平台晒出了大量 AI 生成的艺术品，你可以选择你喜欢的风格。如果没有中意的，有些卖家还提供一对一聊天和自定义提示词服务。
它们的商业模式也并不复杂，采取抽成的形式。
去年 6 月上线的 PromptBase，提供 DALL·E、GPT-3、Midjourney、Stable Diffusion、ChatGPT 等生成式 AI 的提示词，售价多为 1.99 到 4.99 美元，也有少数在 9.99 美元，平台向提示词创作者抽成 20%。
不过在民间，免费的「ChatGPT 指令大全」等指南也在广为流传，它们提供精炼过的提示词，让你充分发挥 ChatGPT 的强大功能，这种感觉就像在游戏里帮你设置好了预设队伍。
是科学还是「占卜」
提示工程师的前途看起来一片光明，但也有人持反对意见。
华盛顿大学语言学教授 Shane Steinert-Threlkeld 认为，提示工程师实际上无法预测 AI 会说什么。
这不是一门科学。我们只不过用不同的方法捉弄熊，看它如何咆哮回来。
AI 艺术家 Xe Iaso 甚至直言：
我也不太清楚为什么人们会把 prompt 称为「工程」，我个人更愿意把它称为「占卜」。
作为一个普通 AI 用户，我也有着类似的体会：当我每次使用 AI 生成文字或图片时，总感觉像是开盲盒。
因为 ChatGPT 等生成式 AI 是不可预测的，它们生成的内容其实是概率计算的结果，简单来说，就是我们在 ChatGPT 输入文字，模型给出一个最可能的下文。所以，AI 有时候也会出错，生成不连贯甚至错误的回答。
在 AI 这个不可捉摸的「黑箱」里，还可能有着不为人所知的潜规则，就连研究人员也无法弄明白。
比如在用 AI 制图时，各种单词可能有不同的权重，但这个也要不断试验才能知道。
先来猜一猜，「一幅非常漂亮的画，山旁有瀑布」和「一幅非常非常非常非常漂亮的画，山旁有瀑布」这两个提示，哪个用 DALL-E 2 输出的结果会更好？
答案是后面一个。麻省理工学院副教授 Phillip Isola 发现，「very」这个词被赋予了很高的权重。
面对 AI 这等庞然巨物，我们仍然在盲人摸象。
也有观点认为，不必再吵了，提示工程师存在的前提是 AI 还不够「聪明」。如果 AI 再发展下去，更好地理解人类的意图，可能人人就是所谓的提示工程师了。
唯一确定的是，AI 发展的速度永远不会让你失望。
文字生成 AI 和图片生成 AI 的「强强联合」，已经替代了提示工程师的一部分工作。
比如 ChatGPT 被拿来与 Stable Diffusion 联动：用 ChatGPT 形成一段符合自己要求的文字，再把文字输入给 Stable Diffusion，生成的作品一般比自己直接输入好看很多。
同事用 ChatGPT 生成提示词
这可能是因为 AI 之间的「脑回路」更接近，ChatGPT 的描述也更细致，更容易被提取。
作为使用 AI 的普通用户，我们不必像提示工程师那么专业，但可以有意识地培养这种思维。
宾夕法尼亚大学沃顿商学院教授 Ethan Mollick，曾经要求他的学生仅用 AI 撰写短论文，其实他真正想强调的是，如何更好地输入提示词。
如果只是输入简单的提示词，让 AI 写关于某个主题的 5 段话，内容无趣，文字也很平庸。
但当学生们和 AI 合作，让 AI 对论文多次修改，比如抛弃无用的短语、加入生动的细节、修改结尾的情感色彩，就能让论文增色不少。
所以，如果 AI 就是未来互联网的交互界面、新的个人计算机，那么不如开始得更早一些，学习如何和它聊天。正如英国营销公司 Ladder 创始人 Michael Taylor 所说：
当你可以创造任何你想要的东西时，你能多准确地表达「那是什么」的能力就变得很重要。
