文章目录
- Chat-GPT引言
- 关键技术——预训练
- 研究问题
- 玩文字冒险游戏
ChatGPT原理剖析
Chat-GPT引言
- 直观感受：结果有模有样、每次输出结果都不同、可以追问、幻想出的答案
- 误解：罐头回答、答案是网络搜索的结果
- 真正做的事：文字接龙，function，几率分布 -> 采样
不仅包含现在的输入还有过去的输入，大语言模型 = 文字接龙
训练：寻找函数的过程，使用了网络资料
测试：没有联网
关键技术——预训练
一般的机器学习：
督导式学习
人类提供资料有限，GPT就无法回答
使用网络上的文字来教GPT学习
- GPT：2018年 117M模型，1G数据。单纯用网络资料学习
- GPT-2：2019年，1542M模型，40G数据。开始像模像样地瞎掰，可以回答问题
- GPT-3：2020年，175B模型，45T资料筛选出的570G数据（哈利波特全集的30w倍）。可以写程序了。
参数量越大，正确率越高，但似乎接近极限了
网络资料的缺陷：不受控
解决：督导式学习，微调
预训练的帮助：也许人类不需要教会GPT所有语言。只教会GPT某一个语言的某种任务，自动学会其他语言的相同任务
多种语言预训练，只在某种语言上微调
增强式学习只需要人判断答案好不好就行
研究问题
对NLP领域影响很大，也带来了新的研究方向。
- 如何精准提升需求？催眠（Prompting）。有没有更好的方式找到prompting
- 如何更正错误？把某一个答案弄对，弄错了更多答案
- 侦测AI生成的物件
- 不小心泄露人类秘密
machine unlearning
玩文字冒险游戏
提供足够的prompting，midjourney生成图片
