版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡介
從三大維度詳解ChatGPT2022年11月,OpenAI推出ChatGPT聊天機(jī)器人,以對(duì)話的形式與用戶進(jìn)行連續(xù)性的交互,上線2個(gè)月后用戶數(shù)超過1億,用戶數(shù)量增長迅猛。ChatGPT屬于AIGC的具體應(yīng)用,相比過去的AI產(chǎn)品,在模型類型、應(yīng)用領(lǐng)域、商業(yè)化等層面也呈現(xiàn)出新的特點(diǎn)。一、發(fā)源于OpenAI,成名于生成式語言O(shè)penAI是一家世界領(lǐng)先的非營利性人工智能研究公司。OpenAI于2015年在舊金山成立,是一家非營利的人工智能研究公司,公司的目標(biāo)是以最有可能造福全人類的方式推進(jìn)人工智能,而不受財(cái)務(wù)回報(bào)需求的約束。OpenAI創(chuàng)始人背景深厚,由埃隆·馬斯克與硅谷孵化器YCombinator投資人山姆·阿爾特曼等人聯(lián)合創(chuàng)立。公司研究人員經(jīng)驗(yàn)豐富,包括前GoogleBrain研究科學(xué)家伊利亞·蘇茨凱弗與前Stripe首席技術(shù)官格雷格·布羅克曼等世界一流研究工程師與科學(xué)家。2018年,隨著特斯拉對(duì)AI的應(yīng)用深入,為避免潛在利益沖突,馬斯克主動(dòng)離任董事會(huì),僅保留捐資人和顧問的身份。由于AI訓(xùn)練花費(fèi)金額巨大,2019年公司從非營利性公司轉(zhuǎn)向部分盈利公司,成立了OpenAILP利潤上限子公司,即任何對(duì)OpenAILP投資的收益都將統(tǒng)一轉(zhuǎn)移至一家非盈利公司,回報(bào)達(dá)到投資的100倍后進(jìn)行利潤分配。同年,OpenAI收到微軟注資10億美元,就Azure業(yè)務(wù)開發(fā)人工智能技術(shù)。2020年發(fā)布GPT-3語言模型,由微軟獲得獨(dú)家授權(quán)。2022年發(fā)布ChatGPT的自然語言生成式模型,帶來更大潛在應(yīng)用空間。2023年,微軟擬對(duì)OpenAI追加數(shù)十億美元投資,利用自身算力基礎(chǔ)設(shè)施資源發(fā)揮與OpenAI業(yè)務(wù)協(xié)同效應(yīng),深入布局生成式AI技術(shù)。2016年,推出用于開發(fā)和比較強(qiáng)化學(xué)習(xí)算法的工具包OpenAIGym,加速公開社會(huì)中RL研究進(jìn)度。同時(shí)推出Universe軟件平臺(tái),用于測(cè)試和訓(xùn)練AI在全球游戲、網(wǎng)站和其他應(yīng)用程序中的智能程度。2019年,OpenAI推出深度神經(jīng)網(wǎng)絡(luò)MuseNet,可以使用4種不同的樂器生成10分鐘的音樂作品以及最終模型版本的GPT-2。2020年,研發(fā)團(tuán)隊(duì)在GPT-2的基礎(chǔ)上拓展參數(shù),發(fā)布了GPT-3語言模型。2021年,發(fā)布了轉(zhuǎn)換器語言模型DALL·E,從文本描述生成圖像。2022年,OpenAI在GPT-3.5的基礎(chǔ)上推出了ChatGPT,強(qiáng)化了人工智能的語言對(duì)話能力,引起社會(huì)廣泛關(guān)注?!鳲penAI產(chǎn)品OpenAI當(dāng)前盈利主要通過付費(fèi)API接口,并嘗試拓展盈利模式。目前,OpenAI提供GPT-3、Codex以及DALL·E的API數(shù)據(jù)接口,分別執(zhí)行用戶自然語言任務(wù)、自然語言轉(zhuǎn)換為代碼的任務(wù)以及創(chuàng)建和編輯圖像的任務(wù)。API接口根據(jù)類型不同以流量收費(fèi),比如圖像模型以分辨率分類按張數(shù)收費(fèi),語言模型則以基于的子模型型號(hào)按字符數(shù)收費(fèi)。OpenAIAPI盈利情況較好,據(jù)路透社數(shù)據(jù),OpenAI2022年收入數(shù)千萬美元,公司預(yù)計(jì)2023與2024年收入分別為2億美元和10億美元。同時(shí),OpenAI正嘗試拓展自身盈利模式,2023年1月試點(diǎn)推出訂閱制ChatGPTPlus,收取每月20美元的會(huì)員費(fèi)以得到各類優(yōu)先服務(wù)。▲OpenAIAPI價(jià)格ChatGPT使用來自人類反饋的強(qiáng)化學(xué)習(xí)(RLHF)來訓(xùn)練該模型。首先使用監(jiān)督微調(diào)訓(xùn)練了一個(gè)初始模型:人類AI訓(xùn)練員提供對(duì)話,他們?cè)趯?duì)話中扮演雙方——用戶和AI助手。其次,ChatGPT讓標(biāo)記者可以訪問模型編寫的建議,以幫助他們撰寫回復(fù)。最后,ChatGPT將這個(gè)新的對(duì)話數(shù)據(jù)集與原有數(shù)據(jù)集混合,將其轉(zhuǎn)換為對(duì)話格式。具體來看,主要包括三個(gè)步驟:1)第一階段:訓(xùn)練監(jiān)督策略模型。在ChatGPT模型的訓(xùn)練過程中,需要標(biāo)記者的參與監(jiān)督過程。首先,ChatGPT會(huì)從問題數(shù)據(jù)集中隨機(jī)抽取若干問題并向模型解釋強(qiáng)化學(xué)習(xí)機(jī)制,其次標(biāo)記者通過給予特定獎(jiǎng)勵(lì)或懲罰引導(dǎo)AI行為,最后通過監(jiān)督學(xué)習(xí)將這一條數(shù)據(jù)用于微調(diào)GPT3.5模型。2)第二階段:訓(xùn)練獎(jiǎng)勵(lì)模型。這一階段的主要目標(biāo),在于借助標(biāo)記者的人工標(biāo)注,訓(xùn)練出合意的獎(jiǎng)勵(lì)模型,為監(jiān)督策略建立評(píng)價(jià)標(biāo)準(zhǔn)。訓(xùn)練獎(jiǎng)勵(lì)模型的過程同樣可以分為三步:1、抽樣出一個(gè)問題及其對(duì)應(yīng)的幾個(gè)模型輸出結(jié)果;2、標(biāo)記員將這幾個(gè)結(jié)果按質(zhì)量排序;3、將排序后的這套數(shù)據(jù)結(jié)果用于訓(xùn)練獎(jiǎng)勵(lì)模型。3)第三階段:采用近端策略優(yōu)化進(jìn)行強(qiáng)化學(xué)習(xí)。近端策略優(yōu)化(ProximalPolicyOptimization)是一種強(qiáng)化學(xué)習(xí)算法,核心思路在于將PolicyGradient中On-policy的訓(xùn)練過程轉(zhuǎn)化為Off-policy,即將在線學(xué)習(xí)轉(zhuǎn)化為離線學(xué)習(xí)。具體來說,也就是先通過監(jiān)督學(xué)習(xí)策略生成PPO模型,經(jīng)過獎(jiǎng)勵(lì)機(jī)制反饋?zhàn)顑?yōu)結(jié)果后,再將結(jié)果用于優(yōu)化和迭代原有的PPO模型參數(shù)。往復(fù)多次第二階段和第三階段,從而得到參數(shù)質(zhì)量越來越高的ChatGPT模型?!鳦hatGPT模型原理從ChatGPT的訓(xùn)練原理中,我們不難發(fā)現(xiàn),這一訓(xùn)練過程存在幾個(gè)特點(diǎn):1)采用的是單一大模型。在GPT模型興起之前,大多數(shù)AI模型主要是針對(duì)特定應(yīng)用場(chǎng)景需求進(jìn)行訓(xùn)練的小模型,存在通用性差、訓(xùn)練數(shù)據(jù)少、適應(yīng)范圍小的弊端。而我們看到,ChatGPT雖然在過程中使用了獎(jiǎng)勵(lì)模型等輔助手段,但最終用于實(shí)現(xiàn)自然語言理解和生成式功能的主模型只有一個(gè),但卻在語義理解、推理、協(xié)作等方面表現(xiàn)出了更強(qiáng)能力。因此,ChatGPT的成功,驗(yàn)證了參數(shù)增長、訓(xùn)練數(shù)據(jù)量增大,對(duì)AI模型的重要意義。2)采用的是小樣本學(xué)習(xí)方法。在小樣本學(xué)習(xí)(Few-shotLearning)方法下,AI預(yù)訓(xùn)練模型在不必使用大量標(biāo)記的訓(xùn)練數(shù)據(jù),就可以建立起比較通用的泛化能力。簡單來說,小樣本學(xué)習(xí)即是在給定有限信息和較少訓(xùn)練數(shù)據(jù)的情況下,嘗試對(duì)總體規(guī)律進(jìn)行理解和預(yù)測(cè),這一過程類似于“學(xué)習(xí)如何去學(xué)習(xí)”。對(duì)于小樣本學(xué)習(xí)在ChatGPT中的應(yīng)用,我們認(rèn)為,這一方法解決了大模型數(shù)據(jù)標(biāo)注工作量巨大的問題,是模型得以迅速迭代的基礎(chǔ)。3)采用人類反饋微調(diào)監(jiān)督學(xué)習(xí)。ChatGPT是從GPT3.5(即InstructGPT)改進(jìn)而來的版本,相比于前代,ChatGPT主要變化在于采用了人類反饋機(jī)制,對(duì)監(jiān)督學(xué)習(xí)過程進(jìn)行微調(diào)。本質(zhì)上來說,無論是大模型還是小樣本學(xué)習(xí),解決的目標(biāo)都是提升訓(xùn)練的效率,但真正令ChatGPT實(shí)現(xiàn)結(jié)果準(zhǔn)確、合理的關(guān)鍵技術(shù),還是在于加入了人類反饋。據(jù)LongOuyang等人2022年發(fā)表的《Traininglanguagemodelstofollowinstructionswithhumanfeedback》,InstructGPT僅用13億個(gè)參數(shù)就實(shí)現(xiàn)了比1750億個(gè)參數(shù)的GPT-3更優(yōu)的輸出解雇,顯著提升了真實(shí)性、減少了有害信息的輸出。二、三大維度拆解GPT模型特征拆解GPT模型可以幫助理解ChatGPT之所以強(qiáng)大的原因。從前面的討論中,我們發(fā)現(xiàn),ChatGPT的成功離不開AI大模型的加持,強(qiáng)大的算法訓(xùn)練模型,使得ChatGPT在迭代中獲得實(shí)現(xiàn)接近自然語言的表達(dá)能力。而這一切的核心,都來自一個(gè)模型:GPT模型。因此,以GPT模型為核心,從三個(gè)維度出發(fā)去拆解GPT模型,以此進(jìn)一步挖掘ChatGPT強(qiáng)大背后的原因。維度一:單一大模型:ChatGPT使用單一大模型,積累強(qiáng)大底層通用能力。對(duì)于ChatGPT所用到的訓(xùn)練模型,從模型體量來看,屬于AI單一大模型的范疇。對(duì)比傳統(tǒng)AI訓(xùn)練模型,單一大模型的“大”體現(xiàn)在:1)更多的模型參數(shù)量;2)更大的數(shù)據(jù)處理量;3)更大的訓(xùn)練計(jì)算量。模型體量的增大,帶來的最直接變化,在于AI模型通用能力的跨越式提升。傳統(tǒng)的AI訓(xùn)練方法,大多以單一知識(shí)領(lǐng)域的應(yīng)用為目標(biāo),主要使用特定領(lǐng)域有標(biāo)注的數(shù)據(jù)進(jìn)行模型訓(xùn)練,模型通用性差,如果更換使用場(chǎng)景,往往需要進(jìn)行重新訓(xùn)練。而大模型的訓(xùn)練,一是能使用的數(shù)據(jù)來源更加廣泛,可用數(shù)據(jù)量更大;二是對(duì)標(biāo)注要求更低,只需要對(duì)數(shù)據(jù)進(jìn)行微調(diào)甚至不調(diào)就可以用于訓(xùn)練;三是輸出的能力更加泛化通用,在語義理解、邏輯推理、文本表達(dá)等方面能力更出眾。從通用到特殊,單一大模性具備豐富的垂直領(lǐng)域應(yīng)用潛力。基于對(duì)底層能力的訓(xùn)練,AI大模型積累了對(duì)于數(shù)據(jù)背后特征和規(guī)則的理解,因此在進(jìn)行垂直領(lǐng)域的時(shí)候,可以做到“舉一反三”。這一過程,與人類學(xué)習(xí)知識(shí)的過程類似,都是先學(xué)習(xí)如何去學(xué)習(xí),再構(gòu)建聽說讀寫能力,最后在不同學(xué)科深入探索。AI大模型也是一樣,在完成通用能力積累之后,可以將學(xué)習(xí)能力移植到需要應(yīng)用的特定領(lǐng)域,通過投喂垂直領(lǐng)域數(shù)據(jù),可以使模型達(dá)到目標(biāo)場(chǎng)景所需的性能?!鴨我淮竽P跃邆湄S富的垂直領(lǐng)域應(yīng)用潛力從大模型自身的發(fā)展過程來看,參數(shù)量的變化是一個(gè)非常值得關(guān)注的指標(biāo)。從最早的ResNet、Inception等模型,到如今的GPT,模型參數(shù)量不斷增長。2018年前后OpenAI先后推出Transformer和GPT-1模型,參數(shù)量來到1億級(jí)別。隨后谷歌提出3億參數(shù)的BERT模型,參數(shù)量再次增長。2019、2020年,OpenAI加速追趕,陸續(xù)迭代出GPT-2、GPT-3模型,參數(shù)量分別為15億、1750億,實(shí)現(xiàn)模型體量質(zhì)的飛躍。另一方面,參數(shù)運(yùn)算需要大規(guī)模并行計(jì)算的支持,核心難點(diǎn)在于內(nèi)存交換效率,取決于底層GPU內(nèi)存容量。以英特爾為例,從2017年V100的32GB內(nèi)存到2020年A100的80GB內(nèi)存,GPU內(nèi)存容量的提升量級(jí)與模型參數(shù)相比顯然不在同一量級(jí)。而ChatGPT的解決方法,則是與微軟聯(lián)手,借助Azure強(qiáng)大的基礎(chǔ)算力設(shè)施,為ChatGPT提供訓(xùn)練支持?!鴨我淮竽P偷膮?shù)量快速增長2021年8月,李飛飛等學(xué)者于arXiv發(fā)表《OntheOpportunitiesandRiskofFoundationModels》,將大模型統(tǒng)一命名為FoundationModels,即基礎(chǔ)模型或基石模型。此外,論文還提出基礎(chǔ)模型面臨的兩大問題:1)同質(zhì)化。盡管基礎(chǔ)模型基于標(biāo)準(zhǔn)的深度學(xué)習(xí)和遷移學(xué)習(xí),但其規(guī)模導(dǎo)致了新能力的涌現(xiàn),其在眾多任務(wù)中的有效性激勵(lì)了同質(zhì)化的產(chǎn)生;2)特性涌現(xiàn)。盡管基礎(chǔ)模型即將被廣泛部署,但目前研究者對(duì)其如何工作、何時(shí)失效以及其涌現(xiàn)的特性衍生了何種能力尚缺乏清晰的理解。舉例來看,如機(jī)器學(xué)習(xí)的引入,使得算法從數(shù)據(jù)案例中學(xué)會(huì)了如何執(zhí)行(自動(dòng)推斷);深度學(xué)習(xí)的引入,涌現(xiàn)了用于預(yù)測(cè)的高級(jí)特征;基礎(chǔ)模型的引入,涌現(xiàn)了上下文學(xué)習(xí)等高級(jí)功能。但在這一過程中,機(jī)器學(xué)習(xí)使學(xué)習(xí)算法變得同質(zhì)化(例如,邏輯回歸),深度學(xué)習(xí)使模型架構(gòu)同質(zhì)化(例如,卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)),大模型使得下游模型同質(zhì)化(例如,下游模型一定會(huì)繼承上游模型缺陷)。從本質(zhì)上來說,上下游模型同質(zhì)化的問題無法被完全解決,OpenAI選擇的方向是盡可能填補(bǔ)缺陷漏洞。從GPT-3.5版本開始,OpenAI團(tuán)隊(duì)在模型中引入了監(jiān)督學(xué)習(xí)過程。在監(jiān)督學(xué)習(xí)模式下,人類反饋機(jī)制開始加入到模型訓(xùn)練過程,從而不斷糾正模型生成結(jié)果,逐步提升輸出結(jié)果的準(zhǔn)確性和真實(shí)性。隨著大模型朝著越來越符合人類期望的方向演進(jìn),對(duì)話邏輯和表達(dá)方式逐漸逼近人類水平,才最終達(dá)到我們今天所看到的樣子?!A(chǔ)模型帶來特性涌現(xiàn)和模型同質(zhì)化通過拆解單一大模型的原理、特征及發(fā)展歷程,我們發(fā)現(xiàn)單一大模型的引入,是ChatGPT強(qiáng)大語言的根本來源。展望未來,我們認(rèn)為ChatGPT或?qū)⒃诖竽P图映窒录铀俚?,主要因?yàn)椋?)大模型訓(xùn)練效果取決于數(shù)據(jù)量,目前ChatGPT僅使用2021年之前的數(shù)據(jù),隨著更多數(shù)據(jù)的加入,模型底層語言能力有望進(jìn)一步加強(qiáng);2)大模型具備能力遷移潛力,垂直領(lǐng)域應(yīng)用或?qū)⒓铀貱hatGPT進(jìn)化;3)OpenAI背靠微軟,大算力資源為模型演進(jìn)提供保障;4)隨著軟件用戶規(guī)模持續(xù)擴(kuò)張,用戶自身的反饋又會(huì)帶來類似監(jiān)督學(xué)習(xí)的效果,或?qū)?dòng)ChatGPT加速迭代?;诖耍春肁I大模型及ChatGPT未來應(yīng)用前景,商業(yè)化落地或?qū)⒓涌?。維度二:預(yù)訓(xùn)練語言模型。拆解模型來看,主要關(guān)注預(yù)訓(xùn)練語言模型和Transformer特征抽取器。前面討論了ChatGPT背后所使用的AI大模型及其迭代過程,但如果我們將拆解動(dòng)作繼續(xù)深入,在更細(xì)顆粒度的視角下,其實(shí)可以將訓(xùn)練模型做進(jìn)一步的拆解。實(shí)際上,GPT(GeneralPre-Training)即通用預(yù)訓(xùn)練語言模型,簡單來說就是一種利用Transformer作為特征抽取器,基于語言模型進(jìn)行預(yù)訓(xùn)練的模型。因此,接下來我們從模型的兩個(gè)關(guān)鍵特征出發(fā),分別從預(yù)訓(xùn)練語言模型和Transformer特征抽取器的角度來分析GPT模型的迭代過程。預(yù)訓(xùn)練語言模型無需人工標(biāo)簽,為NLP研究帶來質(zhì)變。預(yù)訓(xùn)練屬于遷移學(xué)習(xí)的范疇,其思想是在利用標(biāo)注數(shù)據(jù)之前,先利用無標(biāo)注的數(shù)據(jù),即純文本數(shù)據(jù)訓(xùn)練模型,從而使模型能夠?qū)W到一些潛在的跟標(biāo)注無關(guān)的知識(shí),最終在具體的任務(wù)上,預(yù)訓(xùn)練模型就可以利用大量的無標(biāo)注數(shù)據(jù)知識(shí),標(biāo)志著自然語言處理模型進(jìn)入了大規(guī)模復(fù)制階段。從實(shí)現(xiàn)原理上來看,預(yù)訓(xùn)練語言模型是通過計(jì)算某個(gè)詞句w的出現(xiàn)概率,即p(W),在給定詞句的情況下,可以自行計(jì)算出后一個(gè)詞或句出現(xiàn)的概率。因此,GPT的訓(xùn)練可以在無人工標(biāo)簽的基礎(chǔ)上進(jìn)行,通過連續(xù)不斷地預(yù)測(cè)、迭代參數(shù)、再預(yù)測(cè),模型最終實(shí)現(xiàn)語言能力的學(xué)習(xí)。在大多數(shù)基于統(tǒng)計(jì)方法和神經(jīng)網(wǎng)絡(luò)的自然語言處理模型中都需要大量已標(biāo)注的數(shù)據(jù)集來滿足模型訓(xùn)練,但并非所有的訓(xùn)練任務(wù)都能獲取足夠的標(biāo)注信息。同時(shí),隨著模型復(fù)雜度和參數(shù)數(shù)量的增加,大多數(shù)數(shù)據(jù)集的大小難以支持訓(xùn)練。而預(yù)訓(xùn)練模型能先通過利用無標(biāo)注的數(shù)據(jù)訓(xùn)練模型,解決傳統(tǒng)模型無法解決的實(shí)際問題。而且由于預(yù)訓(xùn)練語言模型可以利用現(xiàn)實(shí)世界中大量的純文本數(shù)據(jù)訓(xùn)練,擴(kuò)大了其訓(xùn)練范圍和規(guī)模,擁有發(fā)掘大模型(FoundationModels)的潛力。第一代預(yù)訓(xùn)練模型是靜態(tài)詞向量模型,經(jīng)訓(xùn)練給每一個(gè)詞賦予靜態(tài)詞向量,讓相似的詞聚集在一起,實(shí)現(xiàn)了符號(hào)空間到向量空間的映射,經(jīng)典結(jié)構(gòu)有ContinuousBag-of-Words(CBOW)和Skip-Gram(SG)等。而由于第一代模型的詞向量靜態(tài)性,使其不能結(jié)合上下文,進(jìn)而有無法分辯同義詞等缺陷。最新的第二代預(yù)訓(xùn)練模型,包括BERT、GPT等則在此基礎(chǔ)上允許靜態(tài)詞向量與上下文交互,這種動(dòng)態(tài)詞向量優(yōu)化了同義詞問題。目前,第二代預(yù)訓(xùn)練模型的標(biāo)準(zhǔn)范式是“預(yù)訓(xùn)練+微調(diào)”:首先在大量的文本上訓(xùn)練出一個(gè)預(yù)訓(xùn)練語言模型,再根據(jù)實(shí)際情況對(duì)得到的預(yù)訓(xùn)練語言模型進(jìn)行微調(diào),加強(qiáng)了模型對(duì)下游應(yīng)用場(chǎng)景的契合度。維度三:Transformer特征抽取器。Transformer是大模型高效運(yùn)行的根基。前面我們從單一大模型出發(fā),對(duì)預(yù)訓(xùn)練語言模型進(jìn)行了。但如果我們繼續(xù)深入,會(huì)發(fā)現(xiàn)語言模型仍然不是GPT模型的最底層,語言模型之下還需要有具體的調(diào)度架構(gòu)和運(yùn)算邏輯,來實(shí)現(xiàn)最終的計(jì)算。我們認(rèn)為,Transformer特征抽取器在GPT模型中,就承擔(dān)了這樣的一個(gè)角色,直接決定了AI大模型能否實(shí)現(xiàn)高效率的運(yùn)算和學(xué)習(xí)。Transformer模型最早由谷歌在2017年提出,屬于深度學(xué)習(xí)模型架構(gòu)的一種,特點(diǎn)是在學(xué)習(xí)中引入了注意力機(jī)制。對(duì)比循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)來看,Transformer與RNN均對(duì)輸入數(shù)據(jù),如自然語言等,進(jìn)行順序處理,并主要應(yīng)用于翻譯和文本摘要等工作。但Transformer與RNN不同的是,Transformer中的注意機(jī)制可以為輸入序列中的任何字符提供上下文,因此可以一次處理所有輸入,而不是一次只處理一個(gè)詞。因此,與RNN相比,Transformer可以實(shí)現(xiàn)更大規(guī)模的并行計(jì)算,大大減少了模型訓(xùn)練時(shí)間,使得大規(guī)模AI模型得以被應(yīng)用?!鳷ransformer解碼模塊拆解在GPT模型中,解碼模塊相當(dāng)于基本架構(gòu)單元,通過彼此堆疊的方式,拼湊成最終我們看到的GPT模型底層架構(gòu)。這里有兩個(gè)值得關(guān)注的要點(diǎn):1)解碼模塊的數(shù)量決定了模型的規(guī)模,GPT-1一般有12個(gè)模塊,GPT-2有48個(gè),GPT-3則有96個(gè)模塊;2)針對(duì)模塊輸出的結(jié)果還需要進(jìn)行Finetune(對(duì)模型進(jìn)行調(diào)優(yōu))。▲解碼模塊堆疊形成GPT模型完整架構(gòu)03.生成式AI應(yīng)用于創(chuàng)造性工作AI可分為生成式AI和分析型AI,其中分析型AI(AnalyticalAI),主要在給定數(shù)據(jù)的情況下,通過分析找出規(guī)律和關(guān)系,并在此基礎(chǔ)上生成報(bào)告或給出建議。比如通過追蹤客戶行為以刻畫用戶畫像,并基于此進(jìn)行個(gè)性化推薦,實(shí)現(xiàn)精準(zhǔn)營銷;通過收集城市中傳感器的大量數(shù)據(jù)并分析,預(yù)測(cè)天氣及環(huán)境污染情況,從而幫助相關(guān)部門進(jìn)行政策制定。不同于分析型AI局限于分析已有內(nèi)容,生成式AI(GenerativeAI)可以通過學(xué)習(xí)已有數(shù)據(jù)和信息生成多種形式的新的內(nèi)容,在創(chuàng)造性工作的領(lǐng)域進(jìn)行應(yīng)用,目前生成式AI的應(yīng)用主要包括生成文本、圖像、對(duì)話、音視頻、代碼、3D等。▲生成型AI應(yīng)用領(lǐng)域ChatGPT通過學(xué)習(xí)大量語料并通過生成模型生成文本回答,其基礎(chǔ)GPT-3是一個(gè)大型語言模型。該模型通過對(duì)大量語料的預(yù)訓(xùn)練,學(xué)習(xí)了語言的語法、語義、語用等特征,并通過對(duì)語言的生成任務(wù)進(jìn)行微調(diào),以適應(yīng)各種應(yīng)用場(chǎng)景。目前,除了ChatGPT外,有大量AIGC應(yīng)用產(chǎn)品基于GPT-3模型?!贕PT-3的AI產(chǎn)品據(jù)各公司官網(wǎng),ChatGPT從0到100萬用戶數(shù)僅花費(fèi)5天,速度遠(yuǎn)超其他平臺(tái)。從活躍用戶角度,據(jù)Similarweb,2023年1月期間,ChatGPT平均每天約有1300萬獨(dú)立訪客,超出22年12月一倍。用戶數(shù)量的快速擴(kuò)大反映了ChatGPT具備較強(qiáng)的商業(yè)化潛力?!鳦hatGPT從0到100萬用戶速度遠(yuǎn)超其他平臺(tái)AIGC(AIGeneratedContent)指由人工智能生成的內(nèi)容,包括文本、圖像、音頻、3D等多種類型,具有高效及自動(dòng)化生產(chǎn)的特點(diǎn)。近年來谷歌、亞馬遜、百度等國內(nèi)外巨頭持續(xù)布局AIGC。2014年,谷歌以超5億美元的價(jià)格收購人工智能公司DeepMind;2023年3月,谷歌宣布向人工智能初創(chuàng)公司Anthropic投資約3億美元,建立新的合作伙伴關(guān)系;2022年11月,亞馬遜宣布與AI制圖平臺(tái)StabilityAI合作,成為其首選云合作伙伴,同時(shí)為其提供亞馬遜Tradium芯片;2021年4月,華為諾亞方舟實(shí)驗(yàn)室聯(lián)合多部門推出首個(gè)2000億參數(shù)中文預(yù)訓(xùn)練模型盤古α;2023年2月,百度官宣類ChatGPT大模型新項(xiàng)目文心一言(英文名ERNIEBot)?!鳤IGC領(lǐng)域產(chǎn)品微軟
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 人人文庫網(wǎng)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。
最新文檔
- 農(nóng)業(yè)新能源利用機(jī)耕道建設(shè)協(xié)議
- 交通樞紐拆除施工合同
- 2025游泳池承包合同書范文
- 浴場(chǎng)安全與衛(wèi)生管理規(guī)定
- 2024年贈(zèng)與及借款租賃合同3篇
- 超市消防設(shè)施安裝合同
- 防火挖掘機(jī)租賃協(xié)議
- 地鐵維修爆破作業(yè)安全
- 門套施工合同
- 商務(wù)住宅宿舍施工協(xié)議
- 采購合同范例壁布
- 公司員工出差車輛免責(zé)協(xié)議書
- 2024年陜西榆林市神木市公共服務(wù)輔助人員招聘775人歷年管理單位遴選500模擬題附帶答案詳解
- 2024年度抖音短視頻拍攝制作服務(wù)合同范本3篇
- 2024-2025學(xué)年高二上學(xué)期期末數(shù)學(xué)試卷(提高篇)(含答案)
- 安全生產(chǎn)事故案例分析
- 2024年07月22208政治學(xué)原理期末試題答案
- 《客戶開發(fā)技巧》課件
- 《防范于心反詐于行》中小學(xué)防范電信網(wǎng)絡(luò)詐騙知識(shí)宣傳課件
- 口腔執(zhí)業(yè)醫(yī)師定期考核試題(資料)帶答案
- 2023-2024學(xué)年北京市通州區(qū)九年級(jí)(上)期末語文試卷
評(píng)論
0/150
提交評(píng)論