中文字幕无码av不卡一区,亚洲综合AV永久无码精品一区二区,黑人巨大白妞出浆,黄色高清无码免费看,久久久久免费精品国产,久久无码人妻丰满熟妇区毛片,欧美日韩国产综合草草,久久福利网站,亚洲一区二区三区中文字幕在线,av国内精品久久久久影院

最近一段時間，OpenAI 打造的 ChatGPT 在互聯網上引發了眾多網友的關注，而回顧 GPT 這一系列模型的演變歷程，我們可以梳理出怎樣的發展脈絡？OpenAI 的發展路徑又可以為國內企業帶來怎樣的思考？不如來看看作者的解讀。

古希臘神話中，一位名叫赫爾墨斯的神，會充當人神之間的信使，穿著帶有雙翼的飛鞋，行走在神明與人類之間。

根據《荷馬史詩》的記載：“在天神中，赫爾墨斯是最喜歡引導凡人前行的。”這句話用來形容OpenAI與AI的關系，雖不中亦不遠矣。

上一周，OpenAI打造的ChatGPT出盡風頭，成為國內外AI領域的頭號熱門話題。關于ChatGPT的對話能力，大家可能已經通過很多文章感受過了。簡單總結，就是對答如流，無所不能，可替程序員寫代碼，可替商務人士出方案，還能替作家編故事。一度讓久違的“谷歌已死”“XX職業又要被AI取代了”之類的AI威脅論說辭，開始大量出現了。

關于ChatGPT的神奇之處，看多了也有點審美疲勞了，冷靜下來思考一下：

• 為什么同樣是AIGC，問答、對話這類NLP領域應用更容易引起轟動，激發人們對通用人工智能的希望？
• 為什么同樣是預訓練模型，相比BERT、GPT3等前輩，ChatGPT的對話能力產生了質的飛躍？
• 為什么同樣是做AI，OpenAI要死磕NLP，從GPT1到 ChatGPT不斷迭代？

OpenAI的CEO、聯合創始人 Sam Altman曾說過一句話：“Trust the exponential，Flat looking backwards，vertical looking forwards”，相信指數的力量，平行地向后看，垂直地向前看。ChatGPT出現代表著，AI似乎已經站到了指數級飛躍的關鍵點上。但起飛的ChatGPT，并不是一蹴而就的。

從GPT到ChatGPT，恰好代表了OpenAI在大模型領域切實走過的歷程，從中可以看到，OpenAI在AI大模型競爭中，已經探索出了一條屬于自己的道路，就如同赫爾墨斯一樣，成為引領AI技術前進的使者。

如果OpenAI是傳遞AI前沿進展的赫爾墨斯，ChatGPT就是那雙帶著雙翼的金絲鞋。我們既要關注ChatGPT這雙鞋究竟有多神奇，更有必要搞懂，OpenAI選擇的這條大模型道路有何玄機。

今天，中國科技企業與研究機構都在積極投布局大模型，求術不如問道，我們不妨從GPT這一系列模型的演變歷程，望向OpenAI關于AI與大模型的戰略思考與發展脈絡。

一、從GPT-1到ChatGPT，超神模型的演化足跡

OpenAI在博客中寫道，ChatGPT 是從 GPT3.5 系列中的模型進行微調而誕生的。

正如名稱中所暗示的那樣，GPT- 3.5是OpenAI設計的一系列NLP模型中的第四個，此前還出現了GPT – 1、GPT – 2 和 GPT – 3。

在 GPT 出現之前，NLP 模型主要是基于針對特定任務的大量標注數據進行訓練。這會導致一些限制：

• 大規模高質量的標注數據不易獲得；
• 模型僅限于所接受的訓練，泛化能力不足；
• 無法執行開箱即用的任務，限制了模型的落地應用。

為了克服這些問題，OpenAI走上了預訓練大模型的道路。從GPT1到ChatGPT，就是一個預訓練模型越來越大、效果越來越強的過程。當然，OpenAI的實現方式并不只是“大力出奇跡”那么簡單。

第一代：從有監督到無監督GPT-1。2018年，OpenAI推出了第一代生成式預訓練模型GPT-1，此前，NLP任務需要通過大規模數據集來進行有監督的學習，需要成本高昂的數據標注工作，GPT-1的關鍵特征是：半監督學習。先用無監督學習的預訓練，在 8 個 GPU 上花費 了1 個月的時間，從大量未標注數據中增強AI系統的語言能力，獲得大量知識，然后進行有監督的微調，與大型數據集集成來提高系統在NLP任務中的性能。

GPT-1的效果明顯，只需要極少的微調，就可以增強NLP模型的能力，減少對資源和數據的需求。同時，GPT-1也存在明顯的問題，一是數據局限性，GPT-1 是在互聯網上的書籍和文本上訓練的，對世界的認識不夠完整和準確；二是泛化性依然不足，在一些任務上性能表現就會下降。

第二代：更大更高更強的GPT-2。2019年推出的GPT-2，與GPT-1并沒有本質上的不同（注意這一點），架構相同，使用了更大的數據集WebText，大約有40 GB的文本數據、800萬個文檔，并為模型添加了更多參數（達到驚人的 15 億個參數），來提高模型的準確性，可以說是加強版或臃腫版的GPT-1。

GPT-2的出現，進一步證明了無監督學習的價值，以及預訓練模型在下游NLP任務中的廣泛成功，已經開始達到圖靈測試的要求，有研究表示，GPT-2生成的文本幾乎與《紐約時報》的真實文章（83%）一樣令人信服。

（GPT-2表現）

第三代：跨越式進步的GPT-3。2020年，GPT-3的這次迭代，出現了重大的飛躍，成為與GPT-2迥然不同的物種。

首先，GPT-3的體量空前龐大，擁有超過 1750 億個參數，是GPT-2的 117 倍；其次，GPT-3不需要微調，它可以識別到數據中隱藏的含義，并運用此前訓練獲得的知識，來執行下游任務。這意味著，哪怕從來沒有接觸過的示例，GPT-3就能理解并提供不錯的表現。

因此，GPT-3也在商業應用上表現出了極高的穩定性和實用性，通過云上的 API訪問來實現商業化。這種入得了實驗室、下得了車間的能力，使得GPT-3成為2020年AI領域最驚艷的模型之一。

當然，GPT-3也并不完美。正如聯合創始人 Sam Altman所說，GPT-3的水平仍處于早期階段，有時候也會犯非常愚蠢的錯誤，我們距離真正的人工智能世界還有很長的距離。另外，GPT-3 API 的很多基礎模型非常龐大，需要大量的專業知識和性能優異的機器，這使得中小企業或個人開發者使用起來比較困難。

第四代：基于理解而生成的ChatGPT。終于在2022年，OpenAI的預訓練語言模型之路，又出現了顛覆式的迭代，產生了技術路線上的又一次方向性變化：基于人工標注數據+強化學習的推理和生成。

前面提到，一開始預訓練模型的出現，是為了減少監督學習對高質量標注數據的依賴。而ChatGPT在GPT -3.5大規模語言模型的基礎上，又開始依托大量人工標注數據（據說OpenAI找了40個博士來標數據），這怎么又走回監督學習的“老路”了呢？

原因是，GPT 3.5雖然很強，但無法理解人類指令的含義（比如寫一段博文、改一段代碼），無法判斷輸入，自然也就很難給出高質量的輸出答案。所以OpenAI通過專業的標注人員（據說是40個博士）來寫詞條，給出相應指令/問題的高質量答案，在基于這些數據來調整GPT -3.5的參數，從而讓GPT -3.5具備了理解人類指令的能力。

在人工標注訓練數據的基礎上，再使用強化學習來增強預訓練模型的能力。強化學習，簡單理解就是做對了獎勵、做錯了懲罰，不斷根據系統的打分來更新參數，從而產生越來越高質量的回答。所以這幾天很多人在互動中發現，ChatGPT會承認錯誤、會修改自己的答復，這正是因為它具備從人類的反饋中強化學習并重新思考的能力。

因為ChatGPT具備了理解能力，所以才被看作是通向通用人工智能AGI的路徑。

當然，ChatGPT也并不是完美進化體。OpenAI的官網明確提示，ChatGPT“可能偶爾會生成不正確的信息”，并且“對2021年之后的世界和事件的了解有限”。一些比較難的知識，比如“紅樓夢講了什么”，ChatGPT會一本正經地胡說八道。

從GPT模型的演進和迭代中，可以看到OpenAI是不斷朝著自然語言理解這一目標前進，用更大的模型、更先進的架構，最終為通用人工智能找到了一條路徑。

從GPT-1到ChatGPT的縱向演變，會看到OpenAI對大模型的獨特理解與技術脈絡——通過模型預訓練提升NLP指標，抵達強人工智能。NLP領域究竟特殊在哪里，值得OpenAI如此執著？

二、OpenAI的大模型差異化之路

前文中不難看出，OpenAI對于文本生成模型的執著，因為做夠得久、投入夠多，所以能夠做得更好，是非常有長期戰略定力的。

與之相比，和GPT-1同年推出的預訓練模型，還有谷歌發布的BERT，但后者在火爆一段時間之后影響力明顯減弱；而NLP問答領域一向由Meta引領，Meta AI 的 OPT 模型和GPT-3 達到了同等的參數量，但效果就不如OpenAI。同期選手中，OpenAI對于語言模型的用心顯然是更多的。

一方面是資源投入，無論是越來越大的模型，需要消耗龐大的算力資源，ChatGPT所需要的高質量標注數據，依靠博士級別的專業人士來完成，比起將數據標注任務分發給眾包平臺，顯然會消耗更多的人力和財力。

另一方面，是技術投入，大規模預訓練、增強學習等技術都用在提升NLP對話系統在開放通用領域上的理解和推理能力。NLP是認知智能，要提升就必須解決知識依賴，而知識又是非常離散且難以表示的，要解決帶標數據不足、常識知識不足等問題，是非常具有技術挑戰的。

多年前IBM的Frederick Jelinek就說過：“每當我開除一個語言學家，語音識別系統的性能就會改善一些。”頗有種“解決不了問題，就解決提出問題的人”的既視感。所以也可以說，OpenAI選擇了一條更難走的路，去解決真正困難的問題。

此外，聚焦NLP領域也意味著OpenAI會承擔隱形的機會成本。

今年AIGC（AI生成內容）在資本市場和應用市場都有很大的進展，與AI作畫、音視頻生成、AlphaFold2所解決的蛋白質結構預測等生成任務相比，NLP任務都是直接用詞匯和符號來表達概念，此類模型通過“API+云服務”來完成商業化服務，無論是云資源的消耗量還是接口調用服務收費，所獲得的收益也是遠不及圖像音視頻或科學計算的。拿同樣的精力做十個八個Dalle模型，肯定能賺得更多。

科技博主王詠剛在博客中分享了一個故事，稱與OpenAI的兩位聯合創始人交流，發現這二人甚至不知道AIGC是什么意思！

說到這里，或許可以得出結論，OpenAI作為一個旨在“實現安全的通用人工智能(AGI)”的公司，就是在不計投入、不計商業回報，專心致志地通過過預訓練大模型來提升NLP任務的各項指標，從而接近AGI的愿景。

為什么OpenAI能夠走出這條引領潮流的大模型差異化之路呢？

一方面是NLP的特殊之處。

NLP 不是魔術，但是，其結果有時幾乎就是魔術一般神奇。通用人工智能必須具備認知智能，這也是目前制約人工智能取得更大突破和更廣泛應用的關鍵瓶頸，而NLP正是認知智能的核心。Geoffrey Hinton、Yann LeCun都曾說過類似的觀點，深度學習的下一個大的進展，應該是讓神經網絡真正理解文檔的內容。

也就是說，當AI能理解自然語言了，AGI可能就實現了。

另外，OpenAI的運行模式也起到了關鍵的影響。

突破性創新早期需要大量的投入，大模型的開發需要大量的基礎設施投入，而ChatGPT的對話系統短期內很難靠調用量的規模化來攤平研發成本。因此，OpenAI是一個非營利性研究機構，沒有迫切的商業化壓力，因此可以更專注于NLP領域的基礎研究，這是商業型AI公司所很難實現的。

2011年，自然語言領域的泰斗肯尼斯·丘吉(Kenneth Church)發表了一篇長文《鐘擺擺得太遠》(A Pendulum Swung Too Far)，其中提到：我們這一代學者趕上了經驗主義的黃金時代，把唾手可得的低枝果實采摘下來，留給下一代的都是“難啃的硬骨頭”。

深度學習是經驗主義的一個新高峰，而這個領域的低枝果實也總有摘完的一天，近年來有大量AI科學家發出警告，深度學習面臨很多局限性，單純用深度學習很難解決一些復雜任務，或許不用太久，基礎性突破就會成為AI產業的重要支撐。

GPT的演進也說明了，AI的突破需要循序漸進、從小到大地一步步實現，今天，每家AI企業和研究機構都在做大模型，相比CV計算機視覺、數字人、元宇宙等AI應用，NLP要顯得暗淡很多。而如果一窩蜂去摘容易的果實，最終會制約AI深入產業的腳步。

ChatGPT的出現提醒我們，唯有啃下基礎領域的硬骨頭，才能真正為AI帶來質變。