作者：陳珍 伍雅樂

背景

2022年11月30日，OpenAI發(fā)布了一款具有多種能力的通用大模型ChatGPT，開啟了人工智能新時代的序幕。

2023年7月，OpenAI發(fā)布公告稱給ChatGPT加了一個名為Custom instructions的新功能，使機(jī)器人更具有個性化特色的同時，更好地貼近使用者的需求。同時，安卓版ChatGPT也于7月25日正式上線。

2023年11月，OpenAI前總裁兼董事長Greg Brockman宣布，所有用戶均可使用其語音功能ChatGPT Voice。2024年4月1日，OpenAI宣布，將允許用戶直接使用ChatGPT，而無需注冊該項服務(wù)。

ChatGPT：我是什么？

ChatGPT是一款由OpenAI公司開發(fā)的人工智能技術(shù)驅(qū)動的自然語言處理工具。它建立在先進(jìn)的深度學(xué)習(xí)模型之上，特別是Transformer模型，采用了自注意力機(jī)制來捕捉輸入文本中的長距離依賴關(guān)系，并通過多層編碼器-解碼器結(jié)構(gòu)來實現(xiàn)輸入到輸出的映射，使得模型能夠逐步捕捉和理解輸入序列中的復(fù)雜關(guān)系，并生成更加準(zhǔn)確和自然的回復(fù)。ChatGPT不僅能夠回答各種問題，還能進(jìn)還能進(jìn)行流暢的對話交流，甚至能完成撰寫郵件、視頻腳本、文案、翻譯、代碼等任務(wù)。

多層編碼器-解碼器結(jié)構(gòu)：Transformer模型的核心組件，它模擬了大腦理解自然語言的過程。

編碼器（Encoder）：將輸入序列（如用戶的提問或?qū)υ拑?nèi)容）映射到一組中間表示，這個過程可以理解為將語言轉(zhuǎn)化為大腦能夠理解和記憶的內(nèi)容。在ChatGPT中，編碼器由多層的注意力模塊和前饋神經(jīng)網(wǎng)絡(luò)模塊組成，其中自注意力模塊能夠?qū)W習(xí)序列中不同位置之間的依賴關(guān)系。這種機(jī)制使得模型能夠有效地處理長距離依賴關(guān)系，從而更好地理解輸入的上下文信息。

解碼器（Decoder）：將這些中間表示轉(zhuǎn)換為目標(biāo)序列，即生成連貫、合理的回復(fù)。在ChatGPT中，解碼器同樣由多層的注意力模塊和前饋神經(jīng)網(wǎng)絡(luò)模塊組成。解碼器在生成回復(fù)時，會考慮之前生成的內(nèi)容以及編碼器提供的上下文信息，從而模擬人類的對話方式。

? Transformer模型：

ChatGPT：我與GPT系列模型是一樣嗎？

ChatGPT與GPT系列模型是不一樣的ChatGPT專門針對對話式交互任務(wù)進(jìn)行了優(yōu)化，可以生成具有上下文感知和連貫性的自然語言回復(fù)。與其它GPT系列模型相比：

1.最大的區(qū)別ChatGPT是通過對話數(shù)據(jù)進(jìn)行預(yù)訓(xùn)練，而不僅僅是通過單一的句子進(jìn)行預(yù)訓(xùn)練，這使得ChatGPT能夠更好地理解對話的上下文，并進(jìn)行連貫的回復(fù)。

2.ChatGPT還使用了一種叫做Dialog Response Ranking（DRR）的訓(xùn)練方法，該方法通過給定正樣本對話和負(fù)樣本對話，強(qiáng)調(diào)了正確回答的重要性，提高了模型的表現(xiàn)。

快看工作原理和代碼！

ChatGPT的核心方法就是引入“人工標(biāo)注數(shù)據(jù)+強(qiáng)化學(xué)習(xí)”來不斷微調(diào)預(yù)訓(xùn)練語言模型。訓(xùn)練ChatGPT主要分為以下三個階段：

第一階段，使用標(biāo)準(zhǔn)數(shù)據(jù)（提示和對應(yīng)的回答）進(jìn)行微調(diào)，也就是有監(jiān)督微調(diào)（Supervised Fine-Tuning, SFT）。為了讓ChatGPT能夠理解用戶提出的問題中所包含的意圖，首先需要從用戶提交的問題中隨機(jī)抽取一部分，由專業(yè)的標(biāo)注人員給出相應(yīng)的高質(zhì)量答案，然后用這些人工標(biāo)注好的<提示, 答案> 數(shù)據(jù)來微調(diào) GPT-3模型。微調(diào)技術(shù)是ChatGPT實現(xiàn)對話生成的關(guān)鍵技術(shù)之一，它可以通過在有標(biāo)注數(shù)據(jù)上進(jìn)行有監(jiān)督訓(xùn)練，從而使模型適應(yīng)特定任務(wù)和場景。微調(diào)技術(shù)通常采用基于梯度下降的優(yōu)化算法，不斷地調(diào)整模型的權(quán)重和偏置，以最小化損失函數(shù)，從而提高模型的表現(xiàn)能力。

第二階段，訓(xùn)練獎勵模型（Reward Model, RM）。給定提示（大約3萬左右），使用微調(diào)后的模型生成多個回答，人工對多個答案進(jìn)行排序，然后使用成對學(xué)習(xí)（pair-wise learning）來訓(xùn)練獎勵模型，也就是學(xué)習(xí)人工標(biāo)注的順序（人工對模型輸出的多個答案按優(yōu)劣進(jìn)行排序）。目的是用人工標(biāo)注數(shù)據(jù)來訓(xùn)練獎勵模型（Reward Model, RM）。

第三階段，使用強(qiáng)化學(xué)習(xí)，微調(diào)預(yù)訓(xùn)練語言模型。利用獎勵模型的打分結(jié)果來更新模型參數(shù)，從而使模型更加符合用戶的期望。

代碼：

import torchimport torch.nn.functional as Ffrom transformers import GPT2LMHeadModel, GPT2Tokenize

# 加載預(yù)訓(xùn)練模型和分詞器：使用 GPT2LMHeadModel.from_pretrained() 和 GPT2Tokenizer.from_pretrained() 函數(shù)加載預(yù)訓(xùn)練的 GPT 模型和分詞器? ? ? ??model=GPT2LMHeadModel.from_pretrained('gpt2')?

# 加載預(yù)訓(xùn)練模型??

tokenizer=GPT2Tokenizer.from_pretrained('gpt2')?

# 加載分詞器# 定義對話生成函數(shù)：使用模型和分詞器生成對話文本。輸入?yún)?shù)包括模型 model、分詞器 tokenizer、對話前綴 prompt、生成文本的最大長度max_length 和溫度 temperature。首先使用分詞器將對話前綴轉(zhuǎn)換為輸入張量 input_ids，并將其移動到 GPU 上。然后使用模型的 generate() 方法生成文本，并將輸出張量轉(zhuǎn)換為文本返回

def generate(model, tokenizer, prompt, max_length=30, temperature=1.0):

# 將對話前綴轉(zhuǎn)換為輸入張量

input_ids= tokenizer.encode(prompt, add_special_tokens=False, return_tensors='pt')input_ids = input_ids.cuda()?

# 將輸入張量移動到 GPU 上

# 使用模型生成文本?

output=model.generate(input_ids,max_length=max_length,temperature=temperature)

# 將輸出張量轉(zhuǎn)換為文本并返回

return? ? ? ?tokenizer.decode(output[0],skip_special_tokens=True)

# 微調(diào)對話數(shù)據(jù)：首先定義對話數(shù)據(jù) conversation，然后將其拼接成一個字符串 text，其中奇數(shù)句子末尾添加 eos 標(biāo)記。然后使用分詞器將對話數(shù)據(jù)轉(zhuǎn)換為輸入張量 input_ids，并將其移動到 GPU 上。接著使用模型計算損失并反向傳播，以微調(diào)模型。我們使用 model.train() 將模型設(shè)置為訓(xùn)練模式，并使用 optimizer.step() 和 optimizer.zero_grad() 分別執(zhí)行參數(shù)更新和梯度清零操作

conversation = [

"你好，我是小明。",

"你好，我是小紅。",

"你喜歡什么運動？",

"我喜歡打籃球。",

"你呢？",

"我喜歡跑步。"]

text = "

"for ?i, sentence in enumerate(conversation): ? ?text += sentence

if i % 2 == 0: ?text +=tokenizer.eos_token ?# 在奇數(shù)句子末尾添加 eos 標(biāo)記

model.train()

# 設(shè)置模型為訓(xùn)練模式

for epoch in range(3):

# 將對話數(shù)據(jù)轉(zhuǎn)換為輸入張量

input_ids = tokenizer.encode(text,add_special_tokens=True,return_tensors='pt')

input_ids = input_ids.cuda()?

# 將輸入張量移動到 GPU 上?

# 使用模型計算損失并反向傳播?

output = model(input_ids, labels=input_ids) ?loss =output.loss

loss.backward()

optimizer.step()

optimizer.zero_grad()

# 測試對話生成函數(shù)：使用 generate() 函數(shù)生成對話文本，并將其打印出來

prompt = "你喜歡什么運動？"

response = generate(model, tokenizer, prompt, max_length=20, temperature=0.7)print(response)

GhatGPT:我的優(yōu)點太多啦

1.ChatGPT的模型架構(gòu)主要基于Transformer結(jié)構(gòu)，與傳統(tǒng)的基于RNN（循環(huán)神經(jīng)網(wǎng)絡(luò)）的結(jié)構(gòu)不同。這種基于Transformer的結(jié)構(gòu)能夠更好地捕捉文本中的長距離依賴關(guān)系，從而提高了模型的性能。具體來說，Transformer結(jié)構(gòu)通過使用自注意力機(jī)制（Self-Attention Mechanism）來計算輸入序列中每個位置的表示，這使得模型能夠更好地理解文本的上下文信息。

2.ChatGPT還采用了生成式AI技術(shù)，可以生成連貫且符合語法的文本。這種技術(shù)使得ChatGPT能夠為人們提供各種問答和文本生成服務(wù)，如智能客服、智能助手等。同時，ChatGPT還具備人機(jī)交互的能力，可以與用戶進(jìn)行交互，根據(jù)用戶的輸入和反饋生成個性化的回答和回復(fù)。

3.ChatGPT模型在大量的文本數(shù)據(jù)上進(jìn)行預(yù)訓(xùn)練，這使得模型能夠更好地學(xué)習(xí)到語言的特征和規(guī)律。在訓(xùn)練過程中，ChatGPT使用了大量的語料庫，包括網(wǎng)頁文本、書籍、文章等，從而保證了模型的通用性和泛化能力。

?GhatGPT:我也有缺點

1.在生成文本時可能會出現(xiàn)一些不符合實際或常識的錯誤，或者在某些情況下無法準(zhǔn)確地理解用戶的意圖。

2.由于ChatGPT是在大量的文本數(shù)據(jù)上進(jìn)行預(yù)訓(xùn)練的，因此其可能會包含一些不適當(dāng)或冒犯性的內(nèi)容。因此，在使用ChatGPT時需要注意其生成的文本內(nèi)容是否合適和準(zhǔn)確。

3.中文訓(xùn)練語料庫比英文訓(xùn)練語料庫要少，所以中文知識也少。

4.無法給出這個信息提供的來源，這就跟百度和Google有本質(zhì)的不同，在搜索引擎中，我們知道文章是誰寫的，所以ChatGPT只能使用它訓(xùn)練的知識。

5.無法獲取最新的數(shù)據(jù)，只能獲取訓(xùn)練時間節(jié)點的數(shù)據(jù)來提供知識。

使用注意事項

簡單的說，其實就是一句話，提出好的問題，對于ChatGPT來說，問題比答案更重要，因為GPT模型本身就是基于提示（Prompt）來起作用的，它的回答，取決于你給他的提示的內(nèi)容和質(zhì)量，那么怎么才能提出好的問題呢？

1.增加細(xì)節(jié)（增加提示的細(xì)節(jié)和要求）。

2.不斷追問（基于ChatGPT生成的內(nèi)容不斷追問）。

3.心存疑問（對于ChatGPT的回答不能盲目相信）。

ChatGPT的未來與應(yīng)用

ChatGPT的發(fā)展趨勢：更加智能化、多模態(tài)交互、知識圖譜的融合、個性化定制、隱私和安全性。

ChatGPT的挑戰(zhàn)（在多模態(tài)交互上）：數(shù)據(jù)獲取和標(biāo)注、跨模態(tài)理解和融合、計算資源和效率、隱私和安全性。

ChatGPT的應(yīng)用：客戶服務(wù)與智能助手、社交媒體與聊天應(yīng)用、在線教育與培訓(xùn)、金融與投資.醫(yī)療健康、內(nèi)容創(chuàng)作與生成、信息檢索與問答系統(tǒng)、虛擬角色和游戲NPC等領(lǐng)域。隨著技術(shù)的不斷發(fā)展，ChatGPT在更多領(lǐng)域的應(yīng)用也將不斷拓展。

審核編輯：黃飛

?