从ChatGPT出发：大模型与自然语言模型-Toy模板网

这篇具有很好参考价值的文章主要介绍了从ChatGPT出发：大模型与自然语言模型。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

引言

2022年11月30日，OpenAI在其博客上发布了ChatGPT的介绍，掀起了大语言模型的一波狂风，席卷了2023年伊始几乎所有的话题。这个能够“理解”人类语言的模型，不仅可以完成接续上下文的查询和交流任务，还能够实现包括代码、论文、周报等在内的撰写工作。

它的能力，远不仅如此。它的出现，是一场“变革”。

截止到此文发布，Google上关于ChatGPT的搜索词条达到6.5亿个，包括Meta（Galactica，已下线）、百度（文心一言）在内的诸多公司火速开展了基于ChatGPT的研究工作并推出了产品。微软已率先将其应用在搜索领域，开启了ChatGPT影响的第一个领域：搜索引擎。

在这波浪潮之下，作为人工智能从业者，我们有必要好好了解一下这个“大杀器”的能力和其背后的原理。

注：

这篇文章的出现离不开各社区内的研究者们的分享，所有参考文献已列于本文最后，感谢各位的工作。
截止到发文（2023.2.20），OpenAI公司暂未ChatGPT论文，只先介绍其前序工作，待文章发表后继续更新。
为了文章的简洁性，本文只简要介绍各方法的思想和主要贡献，关于方法的具体内容可以参考论文等其他资料。

基石

对于ChatGPT而言，技术的发展并非一蹴而就。它的出现，依赖了许多前人的工作。在了解这项不可思议的工作之前，让我们先看看它的发展历程。

故事的开始：Transformer

2017年6月，Google公司在《Attention is All You Need》一文中发布了名为“Transformer”的方法，引用量达到了6万5千余次。

异姓兄弟：GPT、Bert与GPT-2

GPT

在Transformer发布的一年后，2018年6月，OpenAI公司推出了第一代GPT模型，其名字是后人根据论文题目中的“Generative Pre-Training”取首字母得到的。其目的是为了解决自然语言处理任务中，有标注的样本数量不足给深度学习类方法带来的局限。

GPT模型采用的是生成-判别结构：首先在未标注文本上预训练生成一个语言模型，随后在此基础上，用有标注样本在特定任务下训练一个判别模型。尽管生成-判别结构早在几年前就广泛应用于了图像处理领域，但由于自然语言处理当时还没有大规模的已标注数据集（句子数1000万以上），因此在GPT和Bert出现前，这种结构并未在NLP领域打开局面。由于GPT的生成模型是是未标注文本上训练得到的，因此在解决样本问题上向前迈进了一大步。

另外，在GPT提出之前，虽然也有基于非标注样本训练的例子（如word2vec），但是这些方法通常需要对一个特定的语言任务构造网络结构。不同的是，GPT在应对各任务时，只需要改变输入，而无需修改模型。这也是一个很大的创新。
总体而言，在当时，使用无标注样本训练的时候主要存在两个困难：

优化目标函数的选择比较困难：不同的目标函数擅长不同的NLP子任务，没有一个通用的解决方案；
如何将学习到的文本描述传递到下游子任务：NLP子任务之间的差距比较大，很难有一个一致的描述可以适应所有的子任务。

注：对不熟悉自然语言处理任务的小伙伴解释一下，这里所说的“特定的语言任务”是指包括词理解、短语理解、句子理解、句子生成等在内的多样化任务。

在GPT工作开始的时候，是选择transformer作为基础架构还是选择RNN作为基础架构并不是显而易见的。因此，作者在论文中提到了以transformer为基础架构的原因：在迁移任务中，RNN习得的描述没有transformer习得的描述更加稳健。作者给出的猜测是，transformer中具有更结构化的记忆，从而可以处理更长的文本信息，进而可以更好地抽取句子和段落层面的语义信息。

注：这里还是一个比较有意思的研究点，能否论证RNN与transformer在稳健性上所体现的差异，究竟是什么原因造成的。感兴趣的小伙伴可以自行查阅资料，也欢迎大家在评论区分享查到的结果。

总体而言，GPT最大的优势是，无需改变模型结构就可以应对各类NLP的子任务。关于模型的具体实现和做法，欢迎移步我的另一篇博客交流讨论。

Bert

【代码】
GPT出现的四个月后，Google在2018年10月拿出了新模型Bert。GPT一代模型采用了12层的Transformer解码器，每一层的通道数是768；而Bert也推出了与之对应的Bert-Base模型，该模型与GPT具有相同的规模（12层，768通道），但是获得了更好的表现。（尽管GPT基于的解码器要比Bert基于的编码器略复杂（带掩码），但是二者在相同层数和通道数的情况下，可以认为规模相当。）

而且这种优势还可以随着模型的扩大进一步得到体现。除了Bert-Base，论文中还构建了一个Bert-Large模型。它的层数是24，通道数为1024，参数量较Bert-Base扩大了约3倍（340M v.s. 110M），效果也比GPT和Bert-Base好出很多。Bert之所以能够训练这么大的模型，是因为数据集与GPT不同。Bert采用的是BooksCorpus数据集（GPT用的）以及英文版Wikipedia数据集（GPT没用），而且是以词为单位（GPT是连续的文本）。

与GPT不同，Bert采用的是带掩码的语言模型，而非GPT中采用的标准语言模型。也就是说Bert在预测的时候，既能够看到当前位置之前的词，也能看到之后的词（有点像完形填空）。这也是为什么GPT只能采用Transformer的解码器（包含掩码，只看到之前的词），而Bert也可以使用Transformer的编码器（包含序列的所有信息）。

视野的差异决定了GPT与Bert的目标函数是不同的，而且GPT中的目标函数求解要更加困难（预测未来肯定要比填空更加困难）。这也是Bert的表现要优于GPT的一个原因之一。但反言之，如果成功训练了能够预测未来的模型，那么其能力也是远超“填空型”的方法的。因此，OpenAI团队在GPT的基础上，进一步扩大了模型，形成了后续的一系列工作。

关于Bert的详细解读可以移步这篇博客（撰写中）交流讨论。

GPT-2

【代码】
在发现自己的工作被更大的模型打败之后，OpenAI同样的一作和领导（团队班子倒是变了）又在2019年2月发布了GPT-2。
此时，OpenAI团队面临着两个问题：

用更大的模型打败Bert，是否可行？
沿用基于Transformer解码器的技术路线，能否打败基于编码器的Bert？（都站队了，这个时候换路线，不仅浪费前面的工作，面子上也过不去）

那么针对上面的两个问题，大佬们是怎么做的呢？

首先，他们创建了一个包含百万网页的新数据集——WebText，训练了一个体量达到15亿的新模型（GPT-2）。相比于3.4亿的Bert-Large，模型扩大了4.4倍。但可惜的是，他们发现与Bert相比，单纯地扩大GPT模型的体量所带来的优势并不明显。
因此，作者们将zero-shot拿了出来，作为GPT-2工作的一个主要卖点（zero-shot在GPT工作的最后也有用到，主要用来了解GPT模型的训练基石。）

这里作者们提出了，现在的模型大多面临着泛化性的问题，即在一个数据下训练好的模型很难迁移到另外一个数据集。尽管多任务模型能够通过改变输入数据和损失函数，指导模型具有同时完成多个任务的能力，但是这种模式在NLP领域却并不常用。NLP中目前（论文发表时）常用的思路是与GPT和Bert相似的：先预训练一个模型，然后在任务数据集下微调。但是这就意味着，需要对每一个下游子任务训练一个模型，同时还要对每个子任务都标注一个数据集。

因此，GPT-2提出的zero-shot的概念，就是在无需重新训练的情况下，就可以实现到子任务的迁移。这样，尽管与Bert相比，GPT-2在精度上没有明显优势，但是其zero-shot的思想，也让这项研究具有了更明显的创新味道。

GPT-2模型最大共有24层，可学习参数量约15亿个。尽管GPT-2在问答等某些场景下表现不够优秀，但是实验结果也证明了，随着参数量的不断增大，模型的表现也在逐步提升。因此，OpenAI团队在此基础上进一步增加了模型体量，这也就形成了后面要讲的GPT-3。

关于GPT-2模型的具体解读，请移步这篇博客。

大力出奇迹：GPT3

GPT-2中Large GPT模型的表现让OpenAI团队看到了大规模模型在效果提升上的巨大潜力，因此在2020年5月，他们将模型规模扩大了100倍，实现了跨越式的GPT-3模型（参数量1750亿），真正完成了“大力出奇迹”的第一步。

尽管GPT-3是在GPT-2之后的一项工作，但是它并没有完全继承GPT-2的zero-shot思想，而是回归了GPT实验最后一小节中涉及到的few-shot的问题。因为在实际应用中，也确实不容易见到完全zero-shot的场景。但由于模型量太大，在各子任务中训练GPT-3是不现实的。好在GPT-3也实现了无需梯度下降或微调模型，只需要在few-shot的情况下通过文本与模型互动即可实现子任务需求。总体上，GPT-3的模型和GPT-2的模型是基本相同的，但是在层数和通道数等参数量的设置上存在差异（表格来源于GPT-3论文）：

从ChatGPT出发：大模型与自然语言模型
GPT-3采用的数据集是GPT-2舍弃的Common Craw。当时的舍弃原因是数据太脏了，所以GPT-3采用了三个方法来处理数据。其中排除相似度的方法用的是lsh算法（Locality-Sensitive Hashing），感兴趣大家可以自行了解。【lsh资源1】【lsh资源2】

GPT-3文章中指出了对每个子任务微调模型的做法所存在的问题：

需要有与子任务相关的数据集并标注。
微调效果好不见得证明了模型泛化性好，也可能模型在微调过程中过拟合了这些训练样本。那么如果这些样本包含了所有子任务场景，模型效果会好；但是如果子任务超出了这些数据，又不允许模型微调的话，那么效果可能就不好了。
人类的学习模式是掌握了语言之后，完成任务的时候就不需要那么多的训练数据了，只需要说清楚要干什么就行。

下图给出了fine-tuning、zero-shot、one-shot和few-shot的工作模式（图片来源于GPT-3论文）：
从ChatGPT出发：大模型与自然语言模型
GPT-3中一个比较有意思的结果是，证明了如果想要实现精度的显性增加，那么就需要指数增加模型的数据量和计算量，这样的代价是非常大的，也是现在深度学习的一个痛点（图片来源于GPT-3论文）：
从ChatGPT出发：大模型与自然语言模型
另外，论文的第五章给出了GPT-3的几个局限性，感兴趣的朋友可以详细读一下，这里就不一一列举了。

相对而言，GPT系列的技术路线（预测式）要比Bert的技术路线（填空式）更加困难，但是GPT-3的表现证明了此种模型的强大能力，也展现了其天花板的高度。

模型的进化：InstructGPT

2022年1月，OpenAI公司推出了InstructGPT模型，其可以根据人类的反馈在有监督的情况下完成模型在GPT-3基础上的精调。随后，通过人对模型的输出进行排序，以此为输入进一步采用强化学习训练得到的模型，最终获得InstructGPT。

InstructGPT在结构上与前面的的工作基本上是一样的，只是在新的数据上采用了新的训练手段（强化学习）。InstructGPT文章有将近70页，论文中花了很大的篇幅说明模型是如何训练的，如果有需要的话建议详细读一下论文来了解具体的工作原理。

InstructGPT的模型大小为130万，相比于GPT-3（1.75亿）小了100倍。虽然InstructGPT仍然会犯错，但是根据人类反馈，InstructGPT在表现上要比GPT-3更好。另外，InstructGPT在公开数据集上的表现没有明显下降，同时在稳定性和安全性上有所提高。

ChatGPT

目前ChatGPT的论文还没有出来，只有一篇blog介绍，里面大致讲了一下说ChatGPT采用的模型与InstructGPT是先沟通的，训练方法也同样采用Reinforcement Learning from Human Feedback (RLHF)。不过两个模型在数据获取的设置上存在差异。

下图是ChatGPT的训练流程：
从ChatGPT出发：大模型与自然语言模型
从图片中可以看出，ChatGPT与InstructGPT在流程上是基本相同的。OpenAI也提到，ChatGPT是在GPT3.5的基础上训练得到的。

不过测试版本的应用已经可以在chat.openai.com里面找到了。除了免费版本，ChatGPT还有一个ChatGPT Plus，一个月20美元，但是会员的优势目前来看也没有很明显。如果大家感兴趣可以去试一下。

代码库

Transformer

Transformer团队给出的官方代码是在Tensorflow下写的，后来在Github又出现了PyTorch实现版本。更多代码实现可以参考PapersWithCode网站。

GPT-2

GPT-2的官方代码发布在GitHub社区上。
其图像版本Image-GPT也有开源代码。

GPT-3

GPT-3的模型的代码目前是只读状态，并未完全开源。

InstructGPT

InstructGPT目前也只有demo，没有官方的开源代码。

未来的工作

安全性&有效性

尽管在学界主要关心的是模型的表现，但是在工业生产中，机器学习类的方法的安全性和有效性是十分重要的。我们一方面在享受模型灵活性带来的便利，一方面也要小心地应对可能存在的危险。

因为安全性问题导致的产业界紧急叫停或下架的业务数不胜数。比如在2015年Google Mask功能中将黑人标注成了“Gorilla”（大猩猩），导致用户投诉，Google只得紧急删除了整个模型中的“Gorilla”标注并道歉。直到3年后的2018年，这个类别标签仍然没有恢复。无独有偶，2021年Facebook也因为算法将黑人标注为灵长类动物而道歉。更多的示例大家可以观看李沐这个视频中11分到13分41秒的内容。

现阶段，即使ChatGPT团队做了很多工作来避免其发布不合适的回答，仍然存在各种各样的方法能够绕过这些限制，从而引到ChatGPT做出危险的回复。因此，在大模型安全性和有效性的问题上，还任重而道远。

算力与标注代价的平衡

尽管目前许多研究工作是朝着无监督/弱监督/自监督等方向进行的，但是如果需要达到一定的精度，这些方法通常在算力上具有很高的要求。如果在一些困难场景下适当引入标注信息，也许可以有效降低提升模型精度所需要的算力代价。因此，如何找到算力成本与人工标注成本之间的平衡点，也是一个很需要探索的问题。文章来源地址https://www.toymoban.com/news/detail-432807.html