深度解读 ChatGPT基本原理

一、ChatGPT 是什么

• ChatGPT 是由 OpenAI 开发的一种基于语言模型的人工智能程序，它可以与人类进行自然语言交互。
• 基于 GPT（Generative Pre-trained Transformer）技术构建。
• GPT 代表“生成式预训练”，它是一种基于深度学习的自然语言处理技术，利用海量的语言数据进行预训练，从而能够在多个自然 语言任务上表现出色。

1.1、ChatGPT如何使用？

ChatGPT能做的事情非常多，从普通的知识性问答，聊天，对话、教学、科研及时代码生成、代码分析、Debug的能力，ChatGPT都是具备的。

ChatGPT是一个融合了巨量人类智慧的超级结晶体，拥有了它，你可以随时获取任何领域的知识，ChatGPT通过理解你的问题，整理汇总出比较简单的、简洁的答案输出，这比我们平时自己去百度、Google搜索然后自己汇总有非常明显的优势，所以ChatGPT这种超强的知识提取和总结能力，真的很令人惊艳，如何使用ChatGPT才能最大化它的作用。

简单的说，其实就是一句话，提出好的问题，对于ChatGPT来说，问题比答案更重要，因为GPT模型本身就是基于提示（Prompt）来起作用的，它的回答，取决于你给他的提示的内容和质量，那么怎么才能提出好的问题呢？

1）、增加细节（增加提示的细节和要求）

2）、不断追问（基于ChatGPT生成的内容不断追问）

3）、心存疑问（对于ChatGPT的回答不能盲目相信）

1.2、ChatGPT 是万能的吗？

ChatGPT不是万能的，它的回答没有经过验证，因为这是它的模型自动推理产生的，这就是深度学习神经网络的局限性，在上亿、百亿、甚至千亿的网络参数中，我们不可能知道是哪些参数在发挥作用，也就是说我们不可能知道它的答案到底有多准确，所以ChatGPT本身也有几个明显的问题：

1）、中文训练语料库比英文训练语料库要少，所以中文知识也少

2）、它无法给出这个信息提供的来源，这就跟百度和Google有本质的不同，在搜索引擎中，我们知道文章是谁写的，所以ChatGPT只能使用它训练的知识

3）、无法获取最新的数据，只能获取训练时间节点的数据来提供知识

当然，以上存在的局限性可能会随着ChatGPT不断的训练和进化，它的答案会越来越好，但是答案可能出错的可能性是永远存在的。

当一个人一本正经说的时候，我们很容易就觉得他是在说真话，如果他说了很多真话之后，偶尔说几句假话，就非常具有欺骗性了，这就是ChatGPT的问题，所以大家在使用ChatGPT的时候一定要有批判性思维，不能盲从，必须要对答案进行验证。

1.3、ChatGPT 的底层原理

我们可以让ChatGPT自己来回答一下这个问题吧，目前来看最新的GPT模型回答还算比较准确。

我们都知道两个非常经典的深度学习模型，一个是RNN，一个是LSTM，循环神经网络，长短时记忆网络主要用于处理序列类型数据的经典模型，而ChatGPT是基于比这两个模型更新的Transformer架构。

二、预训练大语言模型的发展

2.1、Transformer 架构出现之前

在Transformer架构和与训练大模型出现之前，NLP历史上已经有很多思潮的涌现和发展了，深度学习在NLP领域的突破其实是比较晚的，最早深度学习的突破都集中在计算机视觉领域。

从2012年开始，AlexNet模型在ImageNet图像识别大赛中，取得了很大的突破，这个标志着CNN卷积神经网络的兴起，后来有GoogleNet、VGG ResNet各种深度学习模型的出现，大幅度的提升了图像分类，目标检测、语义分割等CV任务的准确性，在目标检测人脸识别有R-CNN、Fast R-CNN、YOLO SSD一系列算法；语义分割方面也有SENet UNet，再加上生成对抗网络GAN的出现，然后DCGAN、PsychoGAN这种图像生成、风格迁移领域都取得了非常显著的进展。

所以，在2018年以前，CV的发展是风生水起，在NLP领域，虽然有RNN和LSTM，但是并没有特别多的真正落地应用的突破性进展。

是什么带来了NLP领域第一轮的飞跃呢？ 到了2018年之后，两个核心技术就产生了，一个就是Transformer，另外一个就是BERT，随着这两个模型的诞生，NLP的节奏逐渐就追上来了，紧接着一系列的与训练大模型像雨后春笋个般的出现了，我们就可以下载这些与训练大模型，然后通过微调，在自己的自然语言处理任务上去使用它们，这里的自然语言处理任务就是我们实际的问题，比如语音识别、文本分类、情感分类、命名实体识别、机器翻译、文本摘要、文本生成等。

2.2、用深度神经网络解决 NLP 问题

深度神经网络是怎么解决这种自然语言处理实际问题的呢，深度神经网路其实是由很多层组成的，每一层都有很多神经元，也就是节点，每个节点都有一系列参数，数据输入模型的时候，这些节点就通过这些参数对自然语言处理的数据进行运算，其实从输入空间到输出空间都有对应的函数和一个映射。

比如我们要做微博的情感分类任务，每条微博200字，我们就需要把200字转化为200个token输入进去，那输入序列就是200维，然后经过神经网络所代表的函数、经过参数的计算，最后给你输出一个二维的结果，比如0或者1，0就代表博主的情绪比较负面，1代表博主的情绪是正面的，这就是一个典型的NLP分类任务。

其实整个机器学习就是把它抽象出来变成一个函数的形式，我们去理解深度神经网络也不会那么复杂。

2.3、大型预训练网络 Before 2021

从早起的预训练网络ELMo开始到2021年左右，这个时期的预训练网络发展历程，可以看到预训练网络越来越大，从初代的GPT、初代的BERT到后面的RoBERTTa、BART、T5一个清晰的趋势就是模型变得越来越大，参数越来越多，它所训练的语料库也就越来越大。

比如BERT就是基于Wikidata来训练的，后面的模型就又收录了更多的公开的书籍、网络上的一些文本、语料变得越来越庞大，它的知识库也就越来越大，这是一个很典型的趋势。

2.4、大型预训练网络 As of Dec 2022

截止到2022年12月，此刻的预训练大模型就已经非常庞大了，ChatGPT所基于的GPT-3模型，它有1750亿个参数，在整个大语言模型的生态中，它还不算事最大的模型，但它的效果可能超过其它更大的模型。

2.5、Transformer 架构

Transformer架构是所有预训练语言模型的基础，它是自然语言处理的神经网络，当然，Transformer架构现在已经延展到了CV和其它领域，很多处理自然语言处理之外的问题，也都采取了Transformer架构来解决。

它最早是由Google在 2017 年提出，它的目的就是解决传统训练模型，就是循环神经网络中存在的效率问题和并行计算问题。 因为Transformer模型使用了自注意力机制（self-attention）来捕捉输入序列的上下文关系，所以它就使得每个词都能够建立和整个序列其它词之间的连接，从而它就可以有效的捕捉文本中的长距离依赖关系，它不需要像RNN这样来循环的一直去用递归的方式回访过去的数据，所以它跟传统的神经网络相比，它快，它不需要一个词接一个词地处理，它是做整体的并行处理，所以它在训练速度和上下文捕捉这种性能方面的表现都更加优秀。

另外一点就是，Transformer架构它还可以通过堆叠多个层来构建深度学习模型，所以它也是一种深度学习模型，它能够堆叠，所以它就能够不断的来扩大规模，进一步提高模型的性能，现在最新的研究表示，模型越大，它就越有可能出现更多的涌现能力（不知道什么能力就突然被解锁了），就好比今天这个模型还不能对话，随着模型的参数越来越大，层数越来越多的时候，它突然可能就拥有了和你流畅对话的能力，这是一个很不可思议的事情。

所以，现在Transformer模型在NLP任务中已经全面取代了RNN为代表的循环神经网络模型，循环神经网络模型在实际的应用中，以后就不多了。

2.6、Seq2Seq：序列到序列

Transformer本身是一种序列到序列的架构，在Seq2Seq架构中，输入的序列会被深度神经网络处理产生一个输出的文本序列，比如机器翻译、聊天机器人就是很典型的场景。

序列到序列有两个结构，一个是编码器，一个是解码器，其中编码器负责将输入序列编码成一个固定长度的向量表示，然后解码器需要负责把这个向量再生成对应的输出序列，在一个ChatBox中，输入序列通常就是用户的提问，输出序列就是ChatBox的回答或者响应了，这其实就是一个把编码给逐渐解码，然后形成我们最后所需要的答案的一个过程。

当我们训练的时候就会给它一些语料， 一个问题的答案应该是怎么样的，它看到这些就自己不断的纠错，然后神经网络就会给出越来越接近我们期望的答案。

2.7、BERT vs GPT

两个最经典的基于Transformer的预训练模型，Google的BERT模型和OpenAI的GPT-3

BERT

1）、Bidirectional Encoder Representations from Transformers

——双向编码，同时考虑了左右两边的词

2）、Masked Language Model（MLM）——擅长做完形填空

3）、Next Sentence Prediction（NSP）——是不是下一句

4）、Fine-tuning ——微调完成下游任务

BERT只需要编码器的内容，不需要生成文本。

GPT-3

1）、Generative Pre- trained Transformer 生成式

2）、Autoregressive 自回归

3）、Prompt/Instruction 基于提示/指令，完成下游任务

BERT和GPT两个模型没有优劣而言，它是针对不同的任务类型设计的，BERT比较擅长于掌控全局，它就能够做很好的自然语言推理任务，比如情感分类、完形填空、命名实体识别、关系抽取这些都依赖优秀的全文理解能力；而GPT它的目标就是文本生成，所以对于聊天机器人或者问答系统来说，它就有比较天然的优势了。

2.8、从 GPT 到 ChatGPT 的演变

GPT是OpenAI的序列生成模型系列，能够产生高质量的自然语言文本。从GPT-1到GPT-3，它的原理其实是很类似的，但是它的参数数量每次都是翻很多倍的增长，GPT-2到GPT-3，参数翻了100倍，输入数据维度也翻了接近8倍，可以使它一次性理解很多很多的token，也就是一次性输入很大的文本都可以同时理解。

到了GPT-3的时候，已经能够生成非常流畅、准确的自然语言文本了，它生成的文本质量基本能够跟人类的写作相媲美，参数数量增加的好处就是让它能够更好的学习自然语言的规律，能够理解序列中更多的上下文信息，生成更连贯更准确的文本，GPT-3还增加了多语言的支持，能够处理更复杂的任务。

ChatGPT是怎么从GPT-3模型的基础上再进一步演进的呢？ 因为它是GPT-3模型上转么负责聊天机器人任务上的应用，它是GPT-3.5，叫做3.5优化版，它作为GPT的第三代，在万亿词汇量通用文字数据集上面训练完成的。

它还有另一个兄弟模型，叫InstructGPT，都是建立在GPT-3.5基础上，为了让ChatGPT表现出色，OpenAI对预训练数据集还做了微调，给它增加了基于人类反馈的强化学习，让它更能够了解人类想听什么，能够更好的处理哪些是人类想要的答案。

ChatGPT在InstructGPT基础上又增加了一层Stafety Layer，因为它是一个面向大众的聊天工具，它不能说错话，不能够说危害公众安全的回复，不可以宣传不应该宣传的东西，这个很重要，要控制它的回答是合理的。

三、ChatGPT 的训练过程

ChatGPT系列模型的基本思路是让AI在通用的数据上学习文字接龙，掌握生成后续文本的能力，这样的训练有一个好处，就是它不需要人类去标注，只需要把一大堆的语料库输给它，它就会自己去训练，然后你可以给它打分，遮住下文让它去预测。

一个问题可能有很多个答案，作为一个聊天对话机器人来说，我们想得到比较确定性的答案，GPT在进行文本生成的时候，需要进行一些人类的指导，让人类告诉它，什么样的回答才是我最想听到的，这就是基于人类反馈的训练的核心思路。它的RLHF训练过程主要有三步：

3.1、监督调优模型

收集演示数据，用监督学习去训练生成规则（把一些问题写出答案，把问题和答案都丢给GPT去训练，这个是有监督的训练，已经有答案了，让AI一葫芦画瓢，这种方法可以引导AI往人类所期望的方向去做答）

但是，我们不可能人工穷举出所有可能的问题和答案，这个显然是不现实的，所以OpenAI只是提供了可能几万个这种有答案的数据，主要是为了让它在这个基础上进行泛化，然后提供一个方向上的引导，就是告诉模型，你就往这个方向上去答。

3.2、训练回报模型

让简化版的GPT监督训练之后变得更强，通过人工标注所有输出的优劣势

先让ChatGPT输出很多个答案，然后基于它所生成的答案给他排序，我们只需要人工标注哪个答案是最好的，所以OpenAI做了大量的这种标注，

3.3、使用 PPO 模型微调 SFT 模型

通过PPO强化学习算法，实现模型的自我优化，强化学习就是让AI在不断的试错过程中自我调整优化策略，然后最大化预期的长期奖励，简单来说，就是让AI自己去不断尝试，前两步学习的模型在强化学习这一步都能派上用场。

首先用监督版学习的ChatGPT来初始化PPO模型，让Reward模型去指导它，去给回答一个评分，然后AI就基于这个评分去调整自己的参数，试图在下一个回答中得到更高的分数，不断的重复这个过程，这个幼儿版的ChatGPT就成熟起来了，能够自我更新了。

经历这样的三个步骤，一个真正的ChatGPT就训练好了，就能形成我们人类更期待的回答。