起點課堂會員權益
職業體系課特權
線下行業大會特權
個人IP打造特權
30+門專項技能課
1300+專題課程
12場職場軟技能直播
12場求職輔導直播
12場專業技能直播
會員專屬社群
榮耀標識GPT成熟之路官方筆記
在OpenAI開發者日當天，除了奧特曼的開幕演講外，還有許多分組討論的內容也同樣精彩，其中包括ChatGPT背后的產品和研發團隊如何協作、模型應用如何從原型走向成熟等內容的分享。這篇文章里，作者做了總結，一起來看。
ChatGPT產品打造的細節，現在OpenAI自己交了個底。
并且這波干貨分享真是信息量滿滿，包括但不限于：
- ChatGPT背后的產品和研發團隊如何協作
- 大模型應用如何從原型走向成熟
- OpenAI如何優化大模型性能……
以上信息，依然來自今年的新晉“科技春晚”——OpenAI開發者日。
除了奧特曼驚艷全球的開幕演講，當天還有更多分組討論，視頻也陸續被官方上傳到了油管。
而這也算得上是OpenAI驚天抓馬之前，其團隊“內幕”的一次展示。
值得借鑒學習之處，我們已經整理好筆記，一起來看~
一、產品與研究團隊合作“前所未有”
把時間拉回到2022年10月，OpenAI的研究團隊和產品團隊開始圍繞一個idea進行討論：為他們的基礎大模型，制作一個對話界面。
彼時還處在ChatGPT的早期階段，但研究團隊和產品團隊的緊密協作已然開始，它們之間相互的影響程度更是獨樹一幟。
或許這種團隊合作模式，可以成為其他公司參考借鑒的樣本。
用OpenAI模型行為產品負責人Joanne Jang的話說：
在OpenAI，研究團隊和產品團隊之間的相互影響，在業內已經達到了前所未有的程度。
ChatGPT本身，就是最明顯的例子。
OpenAI Post-Training團隊負責人Barret Zoph和Joanne共同分享了兩支團隊在ChatGPT開發和完善過程中的一些協作細節。
Barret團隊的主要職責，是在模型能力被加入到ChatGPT和API之前，對其進行調整。具體來說，ChatGPT后期增加的聯網、分析文件等功能，都是由Post-Training團隊負責的。
Barret重點提到的是，正是產品團隊的種種設計，讓研究團隊能夠及時get到什么樣的模型響應，對于現實世界中的用戶和開發人員是真正有用的。
比如ChatGPT的點贊點踩按鈕，就給研究本身帶來了很多價值：
我們可以根據這樣的反饋調整正在做的事情，了解哪些工作做得好，哪些做得不好，這樣一來，我們就能讓模型響應越來越適合用戶。
在研究中，我們通常用離線評估指標和基準去衡量模型的進展，但有時候這并非人們真正使用模型的方式。產品團隊的幫助，使得我們能夠確保自己正走在構建通用、強大系統的方向上。
而站在產品團隊的角度，Joanne同樣認為，OpenAI產品經理扮演的角色有獨特之處：
首先，在OpenAI做產品的目標不是收入、參與度、增長等傳統產品指標，而是打造造福全人類的通用人工智能。
其次，OpenAI的產品經理往往是從技術而非用戶問題的角度出發，去設計產品功能的。
最后，OpenAI研究團隊和產品團隊相互影響的程度非常之高，在業內可以說達到了前所未有的程度。
還是以ChatGPT誕生的過程為例。從GPT-3，到InstructGPT，再到ChatGPT，研究團隊發現，直接在多輪對話上訓練模型，能讓教導模型新的行為這件事變得更加有效。
而具體教導（設計）模型行為的工作，就是靠產品團隊來參與完成的：比如說，當用戶告訴ChatGPT“你現在是一只貓”，ChatGPT應該表現出怎樣的默認行為？
產品團隊對此進行了大量的實驗，以找出適合大多數用戶的默認模式。
（p.s. 不過Joanne也提到，對于用戶而言，最好的模型是個性化的模型，這也是他們對未來大模型發展方向的預判之一。）
二、非線性策略優化大模型性能
講完協同“內幕”，再來看技術細節。
在開發者日上，OpenAI的技術人員分享了GPT-4中使用的大模型優化技術。
劃重點就是，采用非線性策略，具體包括兩個維度和四個象限。
OpenAI提出了一個多層次的非線性優化框架，涉及到了提示工程、搜索增強生成（RAG）和微調這三種技術。
傳統的模型優化方式往往以線性方式運用這三項技術，在OpenAI看來這種模式無法解決“真正需要解決的問題”。
OpenAI認為，大模型表現優化分為兩個維度，一個是其本身的表現，一個是上下文。
根據這兩個維度需求程度的不同，就形成了四個象限。
具體來說，這兩個優化方向的起點都是提示工程，但接下來要用RAG還是微調（或兩者兼用）則需要根據實際情況來選擇。
通過詳細比較這三項技術各自的優勢，OpenAI的兩名技術人員分別做了具體解釋。
首先是提示工程，它被看作大模型優化的起始點，通過設計提示詞來增強模型性能，可以測試和快速迭代。
具體的策略包括，將提示詞設計得更清晰、將復雜任務拆解，以及提供示例文本或調用外部工具等。
但對于讓模型學習新信息，或者復刻一種復雜的方法（如學習新的編程語言），則超出了提示工程的能力范疇。
此外，任務的細化也會帶來token的增加，所以提示工程對于減少token消耗來說也是不利的。
RAG和微調解決的問題則存在一些相似之處，二者的主要區別在于，RAG更適用于讓模型從給定信息中獲取答案（短期記憶），而微調的重點是模型的長期記憶。
RAG的核心優勢是利用知識庫為模型提供上下文信息，從而減少模型幻覺。
但是這種知識信息通常局限于十分具體的領域，但對于寬泛的領域（如“法律”“醫學”等）作用并不明顯。
同時，提供大量上下文信息會帶來比提示工程更多的token消耗，對節約token同樣不利。
此外，過度應用RAG也有可能帶來反效果，比如有用戶要求GPT只利用文檔中的信息，然后發現模型出現了“幻覺”。
但事后分析發現，這并非是模型的幻覺現象，而是用戶提供的信息本身就存在錯誤。
而微調則是通過在小數據集上訓練模型，來提高性能和效率，或者修改輸出結構。
相比RAG，微調更側重于強調模型已有的知識，并提供復雜的任務指導，對于學習新知識或迭代到新用例則不是好的選擇。
總結下來就是，基于這些策略的特點和使用領域，根據實際需求有的放矢地選擇優化策略。
這也是OpenAI調教GPT-4的法寶，具體到應用層面，OpenAI也為一眾創業者獻上了一份大禮。
三、為創業者送上“大禮包”
OpenAI工程負責人和Applied團隊成員分享了如何將基于OpenAI模型搭建的應用從原型走向完整產品。
如果你也有興趣基于OpenAI的API搞一些應用創新，以下是官方分享的一些工程實踐經驗：
第一，打造以人為本的用戶體驗，即減少模型不確定性，增強模型的安全性和可控性。
第二，提供一致性體驗。比如利用知識庫等工具來減少模型的不一致性。工程師們提到，OpenAI通過控制seed來控制結果的可重現性，并且提供了當前系統的“指紋”來代表整個系統的狀態。
第三，重視性能評估。并且OpenAI發現，用大模型來代替人工進行性能評估效果顯著。
第四，管理延遲和成本。主要策略有兩種：首先是加入語義緩存，來減少真實API的訪問；其次是使用更便宜的模型，比如不直接使用GPT-4，而是用GPT-4的輸出來微調GPT-3.5 Turbo。
而具體到產品更新，新版API也值得關注，OpenAI的廣告詞是可以“在開發的應用中直接構建世界級的助手”。
新版API支持調用代碼解釋器和外部知識，OpenAI的API工程主管Michelle進行了現場演示。
此外，在函數（第三方API）調用方面也進行了改進，新增了JSON輸出模式，并允許同時調用多個函數。
四、One More Thing
順便提一嘴，開發者大會的開幕式上，OpenAI現場給每個人發放了500美元的賬戶余額，讓線下觀眾紛紛投來羨慕的目光。
不過實際上他們只賺了50，因為還要花450美元買門票。
按照最新的定價，50美元可以通過API處理500萬輸入token或166.6萬輸出token。
那么，今日份的干貨筆記就分享到這里了，想了解更多詳細內容，可以到官方回放中一睹為快。
作者：魚羊，克雷西
原文標題：GPT成熟之路官方筆記 | OpenAI開發者日
來源公眾號：量子位（ID：QbitAI），追蹤人工智能新趨勢，關注科技行業新突破
本文由人人都是產品經理合作媒體 @量子位 授權發布，未經許可，禁止轉載。
題圖來自Unsplash，基于CC0協議。
該文觀點僅代表作者本人，人人都是產品經理平臺僅提供信息存儲空間服務。
- 目前還沒評論，等你發揮！
