深度研究：OpenAI的實用AI文獻回顧測試

1. OpenAI 的深度研究是什麼？你可以用它做什麼？

如果你有 OpenAI Plus 帳戶（每月 20 美元的計畫），你就可以使用深度研究。這讓你每個月可以進行 10 次查詢。如果你訂閱專業版（每月 200 美元），你可以更頻繁地使用深度研究，並且可以使用 GPT-4.5 的研究預覽，每月有 120 次查詢。

OpenAI 保證我們可以使用公共網路上的數據進行多步驟的研究。

所需時間：5 到 30 分鐘，視複雜程度而定。

以前，這類研究通常需要幾個小時。

這個功能適用於需要深入搜尋和徹底研究的複雜任務。

具體的使用案例是什麼樣的呢？

• 文獻回顧：進行有關機器學習和能源消耗的文獻回顧。
• 市場分析：根據當前市場趨勢和評估，創建 2025 年最佳行銷自動化平台的比較報告。
• 技術與軟體開發：調查 AI 應用開發的程式語言和框架，並進行性能和使用案例分析。
• 投資與金融分析：根據最近的報告和學術研究，研究 AI 驅動的交易對金融市場的影響。
• 法律研究：對比歐洲和美國的數據保護法，包括相關裁決和最近的變更。

2. 深度研究是如何運作的？

深度研究使用各種深度學習方法進行系統和詳細的信息分析。整個過程可以分為四個主要階段：

1. 分解和結構化研究問題

在第一步，工具使用自然語言處理（NLP）方法處理研究問題。它識別出最重要的關鍵詞、概念和子問題。

這一步確保 AI 不僅字面上理解問題，還能理解其內容。

2. 獲取相關信息

一旦工具結構化了研究問題，它就會專門搜尋信息。深度研究使用內部數據庫、科學出版物、API 和網頁抓取的混合。這些可以是開放存取的數據庫，例如 arXiv、PubMed 或 Semantic Scholar，也可以是公共網站或新聞網站，如《衛報》（The Guardian）、《紐約時報》（New York Times）或 BBC。最終，任何可以在線訪問且公開的內容都會被納入。

3. 數據分析與解釋

接下來，AI 模型會將大量文本總結成簡潔易懂的答案。變壓器和注意力機制確保最重要的信息被優先處理。這意味著它不會僅僅創建所有找到內容的摘要。此外，還會評估來源的質量和可信度，通常會使用交叉驗證方法來識別不正確或矛盾的信息。在這裡，AI 工具會將幾個來源進行比較。然而，具體的深度研究是如何做到這一點的，或有哪些標準，並不公開。

4. 生成最終報告

最後，生成最終報告並顯示給我們。這是通過自然語言生成（NLG）來完成的，以便我們看到易於閱讀的文本。

如果在提示中要求，AI 系統會生成圖表或表格，並根據用戶的風格調整回應。報告的最後也會列出主要使用的來源。

3. 如何使用深度研究：實際範例

在第一步，最好使用標準模型詢問如何優化提示，以便進行深度研究。我用以下提示在 ChatGPT 4o 中進行了這個操作：

“優化這個提示以進行深度研究：進行文獻搜索：進行有關機器學習和能源消耗的文獻搜索。”

4o 模型建議了以下提示用於深度研究功能：

然後工具問我是否可以澄清文獻回顧的範圍和重點。因此，我提供了一些額外的規範：

ChatGPT 然後返回澄清並開始研究。

在此期間，我可以看到進度，並且逐漸添加了更多來源。

6 分鐘後，最先進的文獻回顧完成了，報告以及所有來源都可以提供給我。

深度研究範例.mp4

4. 深度研究功能的挑戰和風險

讓我們來看看兩個研究的定義：

“對一個主題的詳細研究，特別是為了發現新信息或達到新的理解。”

參考：劍橋詞典

“研究是創造性和系統性的工作，旨在增加知識的儲備。它涉及收集、組織和分析證據，以增進對主題的理解，特徵是特別注意控制偏見和錯誤的來源。”

參考：維基百科研究

這兩個定義表明，研究是一個詳細的、系統的主題調查——目的是發現新信息或實現更深入的理解。

基本上，深度研究功能在某種程度上滿足了這些定義：它收集現有的信息，進行分析，並以結構化的方式呈現。

然而，我認為我們也需要意識到一些挑戰和風險：

• 表面化的危險：深度研究主要設計用來高效搜尋、總結並以結構化的形式提供現有信息（至少在當前階段）。這對於概覽研究非常好。但深入挖掘呢？真正的科學研究超越了單純的重複，並對來源進行批判性的檢視。科學也依賴於生成新知識。
• 強化研究與出版中的既有偏見：如果論文有顯著結果，則更有可能被發表。而“非顯著”或矛盾的結果則不太可能被發表。這就是我們所知道的出版偏見。如果 AI 工具主要評估經常被引用的論文，則會強化這一趨勢。稀有或不太廣泛但可能重要的發現會被忽略。一個可能的解決方案是實施一種加權來源評估機制，考慮到引用較少但相關的論文。如果 AI 方法主要引用經常被引用的來源，則可能會錯過不太廣泛但重要的發現。這種影響可能也適用於我們人類。
• 研究論文的質量：雖然顯然學士、碩士或博士論文不能僅基於 AI 生成的研究，但我想知道大學或科學機構如何應對這一發展。學生可以僅用一個提示就獲得一份扎實的研究報告。顯然，解決方案必須是調整評估標準，以更重視深入的反思和方法論。

最後的想法

除了 OpenAI，其他公司和平台也整合了類似的功能（甚至在 OpenAI 之前）：例如，Perplexity AI 引入了一個深度研究功能，可以獨立進行和分析搜索。此外，谷歌的 Gemini 也整合了這樣的深度研究功能。

這個功能讓你對初步研究問題有了驚人的快速概覽。結果的可靠性仍有待觀察。目前（2025 年 3 月初），OpenAI 自身寫道，這個功能仍處於早期階段，有時會將事實幻覺化到答案中或得出錯誤的結論，並且難以區分權威信息和謠言。此外，它目前無法準確傳達不確定性。

但可以假設這個功能會進一步擴展，成為研究的強大工具。如果你有更簡單的問題，最好使用標準的 GPT-4o 模型（無論是否搜索），這樣你可以立即獲得答案。

你可以在哪裡繼續學習？

想要獲得更多有關科技、Python、數據科學、數據工程、機器學習和 AI 的技巧和建議嗎？那麼定期接收我在 Substack 上最受歡迎文章的摘要——精心策劃且免費。

點擊這裡訂閱我的 Substack！