本文旨在为产品经理们解释 ChatGPT 背后的原理及其应用，帮助理解其对现代对话系统发展的影响。通过简化技术性语言，我们将深入探讨 ChatGPT 如何利用预训练模型、生成式任务和转换器架构来实现高效互动。

本文为产品经理提供一些更易懂的 chatGPT 含义解释

ChatGPT：Generative Pre-Training Transformer

01 G：Generative 生成式

生成式，在这里指的是生成模型。

1. 在人工智能领域，与生成模型并列存在的还有

判别模型（如逻辑回归、支持向量机、决策树和神经网络）这类模型用于数据的类别判断，例如分类问题

聚类模型（如 kmeans，层次聚类，DBSCAN）用于发现数据的自然分组

降维模型（如 PCA，LDA）用户减少数据维度，保留重要信息

除此之外，还有关联规则学习、回归、集成学习、深度学习、强化学习等模型，这些模型和生成模型一样，都是人工智能领域的重要组成部分，它们在不同的任务和应用中发挥着关键作用。

2. 生成式模型的分类

生成式模型是一类能够生成新数据的模型，这些数据在某种程度上与训练模型相似，但是是独一无二的，它是一个广泛的类别，其中有几个小分支：包括使用对抗网络的图像生成模型（如 DALLE），使用扩散模型的图像生成模型（如 Stable Diffusion 和 MidJourney），以及使用转换器架构的文本生成模型（如 ChatGPT）。

生成式模型努力解决的问题，就是给定一些字，预测如果是人类会写什么字。

3. BERT 时代的生成式

想象你是一位老师教一个学生学习语言。在早期 BERT 的训练过程中，可以把它想象成一种特殊的教学方法：

遮住单词：你给学生一本书，但是书中有些单词被你用纸片遮住了。这些遮住的单词就像是 BERT 中的 [ MASK ] 标记。

猜单词游戏：你让学生猜这些被遮住的单词是什么。学生需要根据句子中其他可见的单词来做出猜测

反馈循环：如果学生猜对了，你就给予表扬，这就像是模型在预测准确时得到正面的反馈。如果猜错了，你就纠正他，并解释为什么错了，这就像是模型在预测错误时进行调整。

重复练习：你和学生一遍又一遍地玩这个猜单词游戏，每次都用新的句子，学生逐渐学会了如何根据上下文来猜测单词。

不断进步：经过大量的练习（可能是上百万次），学生变得越来越擅长这个游戏，猜对单词的次数也越来越多。

4. chatGPT 时代的生成式

现在，让我们来谈谈 ChatGPT。它就像是 BERT 的升级版，不仅能够玩猜单词的游戏，还能够理解句子的意思（上下文）和意图（意思）：

理解上下文：就像你不仅教学生单词，还教他们如何理解整个句子的意思，ChatGPT 也能够理解对话的上下文。

理解意图：你还会教学生如何理解别人说话的意图，比如别人是在提问、讲故事还是开玩笑。ChatGPT 也能够理解用户的意图，并据此生成合适的回应。

创造性回应：最后，ChatGPT 不仅仅是猜测遮住的单词，它还能够创造全新的句子和故事，就像学生不仅能够猜出你遮住的单词，还能够自己写一篇作文一样。

BERT 像是在学习如何理解语言和猜测单词，而 ChatGPT 则像是在学习如何使用语言来进行交流和创造。

02 P：Pre-Training 预训练

以前很多的人工智能模型都是为了一个目标训练的，这些模型就像针对一项特定任务训练的专家。比如：

图像识别：你给模型看很多猫的图片，它就学会识别图片中是否有猫。

语音识别：模型通过分析大量的语音数据，学会将语音转换成文字。

棋类游戏：比如训练一个模型来玩围棋，它会学习特定的策略和走法。

这些模型通常只擅长它们被训练做的任务，如果任务稍微变化，它们可能就无法胜任了。

1. 预训练模型（Pre-Training Models）

Pre-Training 模型不是为了特定的目标训练，而是预先训练一个通用的模型。如果我有特定的需求，我可以在这个基础上进行第二次训练，基于原来已经预训练的模型，进行微调（Fine- Tuning）。

这些预训练模型则更像是多面手，它们不是为某个特定任务训练的，而是通过大量数据学习语言、图像或其他类型的通用特征。比如：

BERT：通过分析大量的文本数据，学习语言的通用模式和关系，而不是专门学习如何回答问题或翻译语言。

GPT（包括 ChatGPT）：也是通过大量的文本数据进行预训练，学习如何生成连贯、有意义的文本。

2. 预训练的好处

数据效率：对于特定任务，我们可能没有足够的数据来训练一个专用模型。预训练模型可以用更少的特定数据进行微调。

迁移学习：预训练模型可以将其在大量数据上学到的知识迁移到新任务上，这通常能提高模型的性能。

计算效率：从头开始训练一个大型模型可能需要大量的计算资源。使用预训练模型可以节省这些资源，因为我们只需要对模型进行微调，而不是从头开始训练。

3. 微调（Fine-Tuning）

一旦我们有一个预训练模型，就可以根据特定的需求对它进行微调。这个过程就像是：

基础训练：首先，模型在大量数据上进行预训练，学习通用的知识。

专业训练：然后，我们根据特定的任务（比如识别猫的图片），用相对较少的数据对模型进行微调。这个过程就像是让一个已经受过通用教育的人去接受专业培训，使其成为某个领域的专家。

ChatGPT 的预训练就是给了我们所有人一个预先训练好的模型。这个模型里面语言是强项，它提供的内容无论多么的胡说八道，至少我们必须承认它的行文通畅程度无可挑剔。而回答的内容部分，正是我们需要 fine tuning 的。

03 T：Transformer 转换器

Transformer 是自然语言处理中的一种架构，由于能够有效处理序列数据成为 NLP 领域的里程碑。该架构在机器翻译、文本摘要、问答系统、文本生成等任务中都取得了显著的成果。

GPT 系列模型就是基于转换器架构的，它们通过预训练大量的文本数据，学会了语言的复杂模式，并能够生成连贯、相关的文本。在这中间的过程为：

语言转换器把语言序列作为输入，然后用一个叫做 encoder 的东西变成数字（比如 GPT 就用 1536 个浮点数，也叫 1536 维向量，表示任何的单词，或者句子，段落，篇章等；

然后经过转化，变成一串新的序列；

最后再用 decoder 把它输出。

转换器，是这个自然语言处理的核心。

1. 类比变电器 :

输入：家用电源通常需要 220 伏的交流电。

转换：变电器（变压器）将高压电线中的高电压（例如 10000 伏）转换为适合家庭使用的低电压（例如 220 伏）。

输出：安全的家庭用电，可以供电视、冰箱等电器使用。

2. 举例说明

比如输入一句话 " 我今天吃了苹果，很高兴 "

编码器（Encoder）：这部分模型将输入的句子转换成一系列数字向量。每个单词都被转换成一个高维空间中的点（比如 1024 维，其中一个或多个维度的组合表达了苹果「圆」的含义，另外一堆表达了「苹果的红和甜」的含义，还有一大堆共同表达了「你吃到好吃的食物，你的情绪很好」等等属性组合，至于具体哪些表达了这些，不得而知），这个点包含了单词的语义信息。这个过程就像是将电压降低，使其适合处理。

转换：Transformer 模型通过自注意力机制处理这些向量，让模型能够理解单词之间的关系和整个句子的含义。这就像是变电器内部的磁场转换，确保电流在不同部件之间有效流动。

解码器（Decoder）：在需要生成文本的任务中，解码器会使用编码器提供的数字向量来生成响应或翻译。例如，如果任务是将句子翻译成英文，解码器可能会输出 "I ate an apple today and I was very happy."

最终的文本输出，可以是翻译、回答或其他任何基于输入文本的生成内容。

04 GPT：生成式预训练转化器

一个预先训练好的，用生成的方式，把输入文字转化成输出文字的翻译，除了这个以外的各种能力和各种定义，大多数是这个翻译官的应用场景而不是它本身。

chatGPT

我们可以结合 OpenAI 的模型命名了解其功能和特性，同时理解 OpenAI 在自然语言处理领域的发展历程，以及各个模型之间的联系和区别。历史版本包括：

1. GPT-1

OpenAI 的首个生成模型

用于文本生成任务

2. GPT-2（开源）

继 GPT-1 之后的进一步发展

特点是能够生成连贯的文本

模型参数较少，但在当时表现出色

已开源，允许研究者和开发者使用和修改

3. GPT-3（生成式）

可以给 prompt（提示词），它负责补全（completion）。但是用于聊天不是很好用，因为本来就不是为聊天这个场景准备的。

显著扩大了模型规模，拥有 175B（亿亿）参数。

能够理解和生成自然语言文本。

虽然功能强大，但并非专为聊天场景设计。

4. InstructGPT（听懂指令）

在 GPT-3 的基础上发展

专注于理解和执行用户的指令

改进了模型对指令的响应能力

5. ChatGPT（对话专用）

基于 InstructGPT 进一步优化

专为对话场景设计，包括多轮对话

加强了安全和边界设定，以适应聊天环境

可以认为是 GPT-3 的微调（Fine-Tuning）版本

本文由 @wanee 原创发布于人人都是产品经理，未经许可，禁止转载

题图来自 Unsplash，基于 CC0 协议