|
GPT：Generative Pre-Training Transformer
Generative 生成式雖然我們已經(jīng)習(xí)慣了話嘮的機(jī)器人絮絮叨叨的說個不停，但這只是眾多的人工智能模型的一種方式。比如還有識別類的（Congnition）：人臉識別，車牌識別這些，還有語音識別，文字識別各種識別任務(wù)。（在提到模型的時候，也常常被叫做判別模型，discriminative）。Generative 這個大的種類里面有幾個小分支，DALLE 的畫圖的用的是對抗網(wǎng)絡(luò)方式 GAN （這個晚些可以分析），現(xiàn)在最火的Stable Diffusion， MidJourney 走向了另外一個分支，叫做 Difusion，而 ChatGPT 又是一個分支，就是轉(zhuǎn)換器 Transformer。
而 Transformer Generative 的語言模型的核心，通俗的說就是「順口溜」。
當(dāng)看了足夠多的文本以后，發(fā)現(xiàn)有一些語言模式是反復(fù)出現(xiàn)的。它之所以可以準(zhǔn)確的填補(bǔ)「鋤禾日當(dāng)__ 」的空格，不是因?yàn)樗谧约旱拇竽X子里面重構(gòu)了一副農(nóng)民勞動的場景，僅僅是不過腦子，順口溜出來的。
你問它： 3457 * 43216 = ，它回答 149575912 （這是錯的。正確結(jié)果是 149397712）。之所以結(jié)果的 2 是對的，僅僅因?yàn)樗x了太多的文字資料以后，隱約感覺到
7 結(jié)尾的文字， 乘號， 6 結(jié)尾的文字，和 2 結(jié)尾的文字比較「 押韻」
從語感上比較像一首詩，所以它就學(xué)會了這樣的文字，而不是學(xué)會了計(jì)算。
生成式模型努力解決的問題，就是給定一些字，預(yù)測如果是人類會寫什么字。
在 BERT 那個年代，為了訓(xùn)練，大家常常把一句話中隨機(jī)幾個單詞遮起來，讓計(jì)算機(jī)用現(xiàn)有的模型預(yù)測那幾個單詞，如果預(yù)測準(zhǔn)了，就繼續(xù)加強(qiáng)，如果預(yù)測錯了，就調(diào)整模型，直到上百萬上億次訓(xùn)練之后越來越準(zhǔn)。只不過 ChatGPT 的 Generative 的部分，不僅僅把文字，還把上下文、intention（意圖）也放進(jìn)去做訓(xùn)練和預(yù)測。
Pre-Training 預(yù)訓(xùn)練
以前很多的人工智能模型都是為了一個目標(biāo)訓(xùn)練的。比如給我 1000 張貓的照片，我就很容易的可以訓(xùn)練出來一個模型，判斷一個圖片是有貓還是沒有貓。這些都是專用的模型。
而 Pre-Training 模型不是為了特定的目標(biāo)訓(xùn)練，而是預(yù)先訓(xùn)練一個通用的模型。如果我有特定的需求，我可以在這個基礎(chǔ)上進(jìn)行第二次訓(xùn)練，基于原來已經(jīng)預(yù)訓(xùn)練的模型，進(jìn)行微調(diào)（Fine- Tuning）。
這事兒就像家里請了個阿姨，她已經(jīng)被勞務(wù)公司預(yù)訓(xùn)練了整理家務(wù)的知識，在此之前已經(jīng)被小學(xué)老師預(yù)訓(xùn)練了中文對話，到了我家里面我只要稍微 fine tune 一些我家里特定的要求就好了，而不需要給我一個「空白」的人，讓我從教漢語開始把她徹底教一遍才能讓她干活。
ChatGPT 的預(yù)訓(xùn)練就是給了我們所有人（尤其是創(chuàng)業(yè)者，程序員）一個預(yù)先訓(xùn)練好的模型。這個模型里面語言是強(qiáng)項(xiàng)，它提供的內(nèi)容無論多么的胡說八道，至少我們必須承認(rèn)它的行文通暢程度無可挑剔。這就是他 pre-training 的部分，而回答的內(nèi)容部分，正是我們需要 fine tuning 的。我們不能買了個 Apache 服務(wù)器回來，不灌內(nèi)容，就說他輸出的內(nèi)容不夠呀。
Transformer 轉(zhuǎn)換器
變電器就是一種 transformer：220伏電進(jìn)，12伏出。
語言的轉(zhuǎn)換器就是把語言的序列作為輸入，然后用一個叫做編碼器 encoder 的東西變成數(shù)字的表現(xiàn)（比如 GPT 就用 1536 個浮點(diǎn)數(shù)（也叫 1536 維向量）表示任何的單詞，或者句子，段落，篇章等），然后經(jīng)過轉(zhuǎn)化，變成一串新的序列，最后再用 decoder 把它輸出。這個轉(zhuǎn)換器，是這個自然語言處理的核心。
比如如果給 ChatGPT 輸入「Apple」這個詞，它給你返回
1、[ 2、0.0077999732, 3、-0.02301609, 4、-0.007416143, 5、 -0.027813964, 6、 -0.0045648348, 7、0.012954261, 8、..... 9、0.021905724, 10、-0.012022103, 11、-0.013550568, 12、 -0.01565478, 13、0.006107009]
這 1536 個浮點(diǎn)數(shù)字來表示 Apple（其中一個或著多個維度的組合表達(dá)了「 甜」的含義，另外一堆表達(dá)了「 圓」的含義，還有一大堆共同表達(dá)了「 紅」等等屬性組合，至于具體哪些表達(dá)了這些，不得而知）
然后這堆數(shù)字，再交給 decoder，并且限定中文的話，它會解碼成為「 蘋果」，限定西班牙語的話，它會解碼成「 manzana」，限定為 emoji 的話，就輸出「 🍎」�？傊ㄟ^編碼，轉(zhuǎn)換，解碼，它就完成了從 Apple 到目標(biāo)輸出語言的轉(zhuǎn)化。
ChatGPT 所做的事情遠(yuǎn)遠(yuǎn)多于翻譯。但核心上，它就是把一個語言序列，轉(zhuǎn)換為了另外一堆語言序列，這個任務(wù)完成得如此的好，以至于讓人產(chǎn)生了它有思想的錯覺。
GPT 生成式預(yù)訓(xùn)練轉(zhuǎn)化器
把上面三段話加在一起，GPT 就是
一個預(yù)先訓(xùn)練好的，用生成的方式，把輸入文字轉(zhuǎn)化成輸出文字的翻譯
除了這個以外的各種能力和各種定義，大多數(shù)是這個翻譯官的應(yīng)用場景而不是它本身。
ChatGPT 是啥？
剛才解釋了 GPT，那 ChatGPT 呢？
OpenAI 用這個名字描述他們正在做的這個模型，歷史的版本包括 GPT-1， GPT-2（這個模型是開源的），GPT-3（這個就是傳說中 175B 參數(shù)的大模型）。而這些都是生成式的，也就是給的 prompt（提示詞），它負(fù)責(zé)補(bǔ)全（completion）。但是這個東西用于聊天不是很好用，因?yàn)楸緛砭筒皇菫榱奶爝@個場景準(zhǔn)備的。
所以在 GPT-3 基礎(chǔ)上發(fā)展出了下一代模型 InstructGPT，專注于讓這個模型可以聽懂指令。在上面繼續(xù)發(fā)展出了 ChatGPT，就是對于對話場景，比如多輪對話，還有一些安全邊界設(shè)定等，進(jìn)行了加強(qiáng)。但這個模型是基于 GPT-3 上面的，可以說嚴(yán)格意義是 GPT-3 模型上面的一個微調(diào)（Fine Tuning）的產(chǎn)物。
希望這樣梳理可以幫助大家了解這個奇怪的名字背后的思考。從這個角度來說，這是少有的幾個準(zhǔn)確的描述了它是什么的一個名字！
| 
發(fā)表于 2023-4-10 13:28:19
QQ好友和群
收藏
淘帖
問題專業(yè)，描述清楚
伸手黨/灌水/看不懂
