吴恩达ChatGPT课爆火：AI放弃了倒写单词，但理解了整个世界
Air Explorer Pro是一款跨平台多网盘管理工具，可实现一站式完成不同网盘间文件的互传、搜索和同步等操作。任务管理和过程控制会更完整，持续下载、批量同步或需要稳定传输流程的场景会更适合它。
没想到时至今日，ChatGPT竟还会犯低级错误？吴恩达大神最新开课就指出来了：ChatGPT不会反转单词！比如让它反转下lollipop这个词，输出是pilollol，完全混乱。哦豁，这确实有点大跌眼镜啊。以至于听课网友在Reddit上发帖后，立马引来大量围观，帖子热度火速冲到6k。而且这不是偶然bug，网友们发现ChatGPT确实无法完成这个任务，我们亲测结果也同样如此。△实测ChatGPT（GPT-3.5）甚至包括Bard、Bing、文心一言在内等一众产品都不行。△实测Bard△实测文心一言还有人紧跟
没想到时至今日，ChatGPT竟还会犯低级错误？
吴恩达大神最新开课就指出来了：
ChatGPT不会反转单词！
比如让它反转下lollipop这个词，输出是pilollol，完全混乱。
哦豁，这确实有点大跌眼镜啊。
以至于听课网友在Reddit上发帖后，立马引来大量围观，帖子热度火速冲到6k。
而且这不是偶然bug，网友们发现ChatGPT确实无法完成这个任务，我们亲测结果也同样如此。
△实测ChatGPT（GPT-3.5）
甚至包括Bard、Bing、文心一言在内等一众产品都不行。
△实测Bard
△实测文心一言
还有人紧跟着吐槽， ChatGPT在处理这些简单的单词任务就是很糟糕。
比如玩此前曾爆火的文字游戏Wordle简直就是一场灾难，从来没有做对过。
诶？这到底是为啥？
关键在于token
之所以有这样的现象，关键在于token。token是文本中最常见的字符序列，而大模型都是用token来处理文本。
它可以是整个单词，也可以是单词一个片段。大模型了解这些token之间的统计关系，并且擅长生成下一个token。
因此在处理单词反转这个小任务时，它可能只是将每个token翻转过来，而不是字母。
这点放在中文语境下体现就更为明显：一个词是一个token，也可能是一个字是一个token。
针对开头的例子，有人尝试理解了下ChatGPT的推理过程。
为了更直观的了解，OpenAI甚至还出了个GPT-3的Tokenizer。
比如像lollipop这个词，GPT-3会将其理解成I、oll、ipop这三个部分。
根据经验总结，也就诞生出这样一些不成文法则。
- 1个token≈4个英文字符≈四分之三个词；
- 100个token≈75个单词；
- 1-2句话≈30个token；
- 一段话≈100个token，1500个单词≈2048个token；
单词如何划分还取决于语言。此前有人统计过，中文要用的token数是英文数量的1.2到2.7倍。
token-to-char（token到单词）比例越高，处理成本也就越高。因此处理中文tokenize要比英文更贵。
可以这样理解，token是大模型认识理解人类现实世界的方式。它非常简单，还能大大降低内存和时间复杂度。
但将单词token化存在一个问题，就会使模型很难学习到有意义的输入表示，最直观的表示就是不能理解单词的含义。
当时Transformers有做过相应优化，比如一个复杂、不常见的单词分为一个有意义的token和一个独立token。
就像annoyingly就被分成“annoying”和“ly”，前者保留了其语义，后者则是频繁出现。
这也成就了如今ChatGPT及其他大模型产品的惊艳效果，能很好地理解人类的语言。
至于无法处理单词反转这样一个小任务，自然也有解决之道。
最简单直接的，就是你先自己把单词给分开喽~
或者也可以让ChatGPT一步一步来，先tokenize每个字母。
又或者让它写一个反转字母的程序，然后程序的结果对了。（狗头）
不过也可以使用GPT-4，实测没有这样的问题。
△实测GPT-4
总之，token就是AI理解自然语言的基石。
而作为AI理解人类自然语言的桥梁，token的重要性也越来越明显。
它已经成为AI模型性能优劣的关键决定因素，还是大模型的计费标准。
甚至有了token文学
正如前文所言，token能方便模型捕捉到更细粒度的语义信息，如词义、词序、语法结构等。其顺序、位置在序列建模任务（如语言建模、机器翻译、文本生成等）中至关重要。
模型只有在准确了解每个token在序列中的位置和上下文情况，才能更好正确预测内容，给出合理输出。
因此，token的质量、数量对模型效果有直接影响。
今年开始，越来越多大模型发布时，都会着重强调token数量，比如谷歌PaLM 2曝光细节中提到，它训练用到了3.6万亿个token。
以及很多行业内大佬也纷纷表示，token真的很关键！
今年从特斯拉跳槽到OpenAI的AI科学家安德烈·卡帕斯（Andrej Karpathy）就曾在演讲中表示：
更多token能让模型更好思考。
而且他强调，模型的性能并不只由参数规模来决定。
比如LLaMA的参数规模远小于GPT-3（65B vs 175B），但由于它用更多token进行训练（1.4T vs 300B），所以LLaMA更强大。
而凭借着对模型性能的直接影响，token还是AI模型的计费标准。
以OpenAI的定价标准为例，他们以1K个token为单位进行计费，不同模型、不同类型的token价格不同。
总之，踏进AI大模型领域的大门后，就会发现token是绕不开的知识点。
嗯，甚至衍生出了token文学……
不过值得一提的是，token在中文世界里到底该翻译成啥，现在还没有完全定下来。
直译“令牌”总是有点怪怪的。
GPT-4觉得叫“词元”或“标记”比较好，你觉得呢？
参考链接：
[1]https://www.reddit.com/r/ChatGPT/comments/13xxehx/chatgpt_is_unable_to_reverse_words/
[2]https://help.openai.com/en/articles/4936856-what-are-tokens-and-how-to-count-them
[3]https://openai.com/pricing
深入解析大模型中的Token与Tokenizer工作机制，通过BPE分词示例说明文字如何转化为数字编号，澄清上下文长度与字数的区别，帮助用户准确评估模型处理长文本的实际能力。
本文解析超聚变在2026数博会发布的“智企”范式，重点阐述如何通过Token生产平台（Token Factory）与企业业务本体建模，实现从简单AI工具调用到企业应用架构系统性重构的演进。文章详细拆解了智能体编排、数字孪生及生态协同等关键技术路径，为AI时代企业数字化转型提供可落地的参考方案。
从Office转向WPS的核心操作肌肉记忆切换通常需3至7天，不影响正常办公。适应期长短取决于界面视觉差异与专属格式配置。通过切换“经典界面”、嵌入字体及开启云同步，可实现平滑过渡。本文详解格式兼容、数据迁移及AI功能适用场景，适用于需多端协同、成本控制及国产化兼容的办公人群。
加拿大一母亲起诉OpenAI，称ChatGPT设计缺陷导致其女儿自杀，指控其优先用户参与度而非安全性，持续提供情感支持致过度依赖。专家指出AI应“陪伴但不过界”，需设定边界并引导求助。国家已出台拟人化互动服务管理办法。
2026届高考生学车时多采用AI教练，逐步适应人机共驾。作为与生成式AI共同成长的一代，他们更易接受智能驾驶，未来可能成为首批“原生AI司机”。至2030年前后，其人生首辆车或具备L3级自动驾驶能力，驾驶角色将从操控者转向监督者。
全球股市因AI热潮呈现K型分化，半导体板块估值逼近百倍市盈率。历史警示：2000年互联网泡沫中的“四骑士”最终市值暴跌或长期盘整。投资者应警惕“错失恐惧症”，重视安全边际、护城河与能力圈，避免被高估值裹挟，关注稳健性与股息率。
Cloudflare报告显示，完成应用现代化的企业从AI投资中获得可衡量回报的概率是未现代化企业的三倍。93%的决策者视系统更新为AI先决条件，91%的领先企业已嵌入AI功能。安全与现代化协同推进可使AI成熟度提升四倍，精简技术架构成为竞争力分水岭。
据微软引用《Joule》期刊的一项研究指出，每一次典型人工智能查询耗电量零点一六至零点六零瓦时，其冷却用水量中位数不足一滴水。大规模部署下，单位查询的效率会更高，总能耗可以降低一半以上。
火山引擎是字节跳动旗下企业级云与AI服务平台。聚焦大模型核心能力，依托字节自研豆包多模态大模型，凭借火山方舟一站式平台，提供模型精调、推理部署、智能应用搭建等全链路服务，结合高性能AI算力，助力各行业快速落地大模型数字化与智能化应用。
