AI 领域正以前所未有的速度发展，大模型的发布变得愈发频繁，模型的规模也在持续扩大。如今，大模型的起点已经攀升至数十亿参数（数十 B，B 是 Billion 的简写，10 亿），其功能之广泛，令人惊叹。它们不仅能画画、撰写文章和制作PPT，还能编写代码，几乎无所不能。更令人欣喜的是，使用这些 AI 工具已经变得前所未有的简便，只需通过浏览器即可轻松访问，无需繁琐的部署过程。
随着模型的迭代升级，新的版本不断涌现，而旧的模型则慷慨地免费开放给大众使用。例如，ChatGPT 在推出 4.0 版本的同时，其 3.5 版本也大方地供大家免费使用，甚至无需注册。国内 AI 公司同样积极进取，如文心一言、通义千问、豆包等，都在竞相抢占市场，提供免费服务。
尽管我与AI的亲密接触只有短短的大半年时间，但我已经在工作中对 AI 产生了深深的依赖。如今，每当我遇到问题时，ChatGPT 3.5 成了我的首选助手。在很多时候，我甚至觉得 Google 这样的传统搜索引擎已经渐渐淡出我的视线。
然而， AI 并非万能。尽管它强大，但偶尔也会给出错误的答案，甚至有时会胡编乱造来搪塞。在这种情况下，我意识到搜索引擎仍然占据着不可替代的地位。有些问题，还是得靠 Google 这样的搜索引擎来解决。
最近准备在产品中加入划词翻译的功能，习惯性的问了一下 AI。
Q：Linux下 如何做到Windows下的那种划词翻译功能？
A: 要在 Linux 下实现类似 Windows 下的划词翻译功能，需要结合多个技术来实现，主要涉及到文本捕捉、翻译 API 的调用和界面显示等方面。下面是一种可能的实现方式：
文本捕捉：在 Linux 下，可以使用一些图形界面自动化工具来捕捉屏幕上的文本。例如，使用 SikuliX 或者 xautomation 工具来模拟用户在屏幕上划词选择文本的操作，并将选择的文本内容获取到。
翻译 API 的调用：选择一个适合的翻译服务提供商，例如百度翻译、谷歌翻译等，并获取其翻译 API 的接入凭证。然后，在你的应用程序中调用翻译 API，将捕捉到的文本发送给翻译 API，并获取翻译结果。
界面显示：将翻译结果显示在界面上，可以使用图形界面工具包如 GTK、Qt 等来设计和实现用户界面。在界面上显示原文和翻译结果，并提供相关的操作按钮或菜单来控制翻译功能。
实现方式：
使用 Python 或其他编程语言编写程序，利用 Python 的图像处理库如 Pillow、pyautogui 等来捕捉屏幕上的文本。
调用翻译 API 的 Python SDK 或者直接使用 HTTP 请求发送文本并获取翻译结果。
使用 PyGTK、PyQt、Tkinter 等工具包来设计和实现用户界面，并将翻译结果显示在界面上。需要注意的是，在 Linux 下实现划词翻译功能可能比较复杂，需要涉及到图形界面自动化、API 调用、界面设计等多个方面。确保你对这些方面都有一定的了解和熟悉，并且有能力进行相应的开发和调试工作。
接下来问 SikuliX 和 xautomation 等的使用，发现越带越偏，给人的感觉在 Linux 下都没法做划词翻译。但想想也不科学啊，那么多词典都支持划词翻译，这肯定是一条行得通的路。
绝望之下，决定还是请教一下 Google。
一下子豁然开朗，第三个结果就是 GitHub 上的开源项目，还是用 QT 写的。
看项目介绍，特别满足我现在的需求。接着往下找，还有更加简便的实现文章介绍：
每当新技术的浪潮涌来，人们总是热衷于夸大其词，仿佛一夜之间就能颠覆整个世界。对于 ChatGPT 这样的 AI 技术，虽然它有可能最终取代或深度融合搜索引擎，但技术的演进终究需要时间。新旧技术之间会经历长时间的共存与融合，而非一蹴而就的颠覆。
在使用 ChatGPT 的过程中，我有一个困惑：为什么它在不知道答案的情况下，会编造一个看似真实但实则不存在的答案呢？这种真假难辨的回应，有时会让我误入歧途，走向错误的方向。
此外，我还发现 ChatGPT 在解决现有问题上也存在不足。当程序出现异常时，向 ChatGPT 求助往往会得到一些看似正确但实则无用的答案。相比之下，搜索引擎在此时显得更为靠谱。毕竟，你所遇到的问题，很可能已经有前人遇到过并留下了解决方案。这些经过人们验证和记录的答案，相对来说更加可靠。
由此可见，GPT 等 AI 技术仍有很大的进步空间。期待着科技巨头们能够继续投入研发，推动 AI 技术的不断突破，为我们带来更加强大和实用的产品。