上一篇 我们尝试用GPT-4读了一些金融数据，并且尝试让它给出结论。数据本身虽然读的不怎么样，但结论和语言组织都做得很不错。 当然了，那只是一个很简单的任务，今天我们试试提高一点难度。

我们首先让ChatGPT读一下圣路易斯联储网站（FRED）的数据，FRED网站的结构化做得很好，这次ChatGPT读起来一点问题都没有，

左图为ChatGPT的回答，右图为相应的图表内容，即2023年6到10月的有效联邦基金利率（EFFR）。

虽然数据读得很好，但ChatGPT似乎有点偷懒了，只读了今年下半年的数据。我们让它多读点，

左图为ChatGPT的回答，右图为相应的图表内容，即2021年到2023年的有效联邦基金利率（EFFR）。

2021年以来的数据展现了非常明显和急剧的利率抬升趋势。当然我们的目标不在于此，毕竟一个曲线图谁都能读。 现在我们给ChatGPT看另一组数据：非金融企业的净利息和杂项支出。

左图为ChatGPT的回答，右图为相应的图表内容，即2021年到2023年非金融企业的净利息和杂项支出。

利率持续抬升，但是企业的利息支出却在持续下降。ChatGPT能不能捕捉到这一反常现象，并给出可能的解释呢？

ChatGPT显然能够看到这里面的反常现象，但是在尝试解释原因的时候就显得有点业余了，或是诉诸于类似”broader economic trends“这样的空话。 我们看看能不能进一步push它给出更多可能的原因，

应该说，ChatGPT这一轮解释还是命中了一些点子。特别是第一条提到了企业之前锁定的低利率，后续提到了种种因素导致企业借贷需求的降低。 这两项叠加极有可能是造成利率和利息支出背离的原因。那么ChatGPT能够给出相关的数据支持吗？

ChatGPT表示它不能直接获取这些信息（情有可原），但确实给出了一些有价值的线索。

应该说，GPT-4的这一轮表现还是不错的。它能够准确读取数据，找到其中的矛盾，并在有限的提示下给出合理的推断。 这几点形成了一个自动化工具所需的基本元素。 不过这个场景还是太简单了，现实中我们每天面对的数据要多得多，GPT能不能帮助我们从海量数据中挖掘出关键信息呢？ 我希望后面的实验能够进一步回答这个问题。