流行的技術(shù)名詞按發(fā)音難度排序，ChatGPT 肯定排在前面。

到底它為什么叫做 ChatGPT 呢？

先說 GPT：Generative Pre-Training Transformer

Generative 生成式

雖然我們已經(jīng)習(xí)慣了話嘮的機(jī)器人絮絮叨叨的說個(gè)不停，但這只是眾多的人工智能模型的一種方式。比如還有識別類的（Congnition）：人臉識別，車牌識別這些，還有語音識別，文字識別各種識別任務(wù)。（在提到模型的時(shí)候，也常常被叫做判別模型，discriminative）。Generative 這個(gè)大的種類里面有幾個(gè)小分支，DALLE 的畫圖的用的是對抗網(wǎng)絡(luò)方式 GAN （這個(gè)晚些可以分析），現(xiàn)在最火的Stable Diffusion， MidJourney 走向了另外一個(gè)分支，叫做 Difusion，而 ChatGPT 又是一個(gè)分支，就是轉(zhuǎn)換器 Transformer。

而 Transformer Generative 的語言模型的核心，通俗的說就是「順口溜」。

當(dāng)看了足夠多的文本以后，發(fā)現(xiàn)有一些語言模式是反復(fù)出現(xiàn)的。它之所以可以準(zhǔn)確的填補(bǔ)「鋤禾日當(dāng)__ 」的空格，不是因?yàn)樗谧约旱拇竽X子里面重構(gòu)了一副農(nóng)民勞動的場景，僅僅是不過腦子，順口溜出來的。

你問它： 3457 * 43216 = ，它回答 149575912 （這是錯(cuò)的。正確結(jié)果是 149397712）。之所以結(jié)果的 2 是對的，僅僅因?yàn)樗x了太多的文字資料以后，隱約感覺到

7 結(jié)尾的文字，乘號，6 結(jié)尾的文字，和 2 結(jié)尾的文字比較「押韻」

從語感上比較像一首詩，所以它就學(xué)會了這樣的文字，而不是學(xué)會了計(jì)算。

生成式模型努力解決的問題，就是給定一些字，預(yù)測如果是人類會寫什么字。

在 BERT 那個(gè)年代，為了訓(xùn)練，大家常常把一句話中隨機(jī)幾個(gè)單詞遮起來，讓計(jì)算機(jī)用現(xiàn)有的模型預(yù)測那幾個(gè)單詞，如果預(yù)測準(zhǔn)了，就繼續(xù)加強(qiáng)，如果預(yù)測錯(cuò)了，就調(diào)整模型，直到上百萬上億次訓(xùn)練之后越來越準(zhǔn)。只不過 ChatGPT 的 Generative 的部分，不僅僅把文字，還把上下文、intention（意圖）也放進(jìn)去做訓(xùn)練和預(yù)測。

Pre-Training 預(yù)訓(xùn)練

以前很多的人工智能模型都是為了一個(gè)目標(biāo)訓(xùn)練的。比如給我 1000 張貓的照片，我就很容易的可以訓(xùn)練出來一個(gè)模型，判斷一個(gè)圖片是有貓還是沒有貓。這些都是專用的模型。

而 Pre-Training 模型不是為了特定的目標(biāo)訓(xùn)練，而是預(yù)先訓(xùn)練一個(gè)通用的模型。如果我有特定的需求，我可以在這個(gè)基礎(chǔ)上進(jìn)行第二次訓(xùn)練，基于原來已經(jīng)預(yù)訓(xùn)練的模型，進(jìn)行微調(diào)（Fine- Tuning）。

這事兒就像家里請了個(gè)阿姨，她已經(jīng)被勞務(wù)公司預(yù)訓(xùn)練了整理家務(wù)的知識，在此之前已經(jīng)被小學(xué)老師預(yù)訓(xùn)練了中文對話，到了我家里面我只要稍微 fine tune 一些我家里特定的要求就好了，而不需要給我一個(gè)「空白」的人，讓我從教漢語開始把她徹底教一遍才能讓她干活。

ChatGPT 的預(yù)訓(xùn)練就是給了我們所有人（尤其是創(chuàng)業(yè)者，程序員）一個(gè)預(yù)先訓(xùn)練好的模型。這個(gè)模型里面語言是強(qiáng)項(xiàng)，它提供的內(nèi)容無論多么的胡說八道，至少我們必須承認(rèn)它的行文通暢程度無可挑剔。這就是他 pre-training 的部分，而回答的內(nèi)容部分，正是我們需要 fine tuning 的。我們不能買了個(gè) Apache 服務(wù)器回來，不灌內(nèi)容，就說他輸出的內(nèi)容不夠呀。

Transformer 轉(zhuǎn)換器

變電器就是一種 transformer：220伏電進(jìn)，12伏出。

語言的轉(zhuǎn)換器就是把語言的序列作為輸入，然后用一個(gè)叫做編碼器 encoder 的東西變成數(shù)字的表現(xiàn)（比如 GPT 就用 1536 個(gè)浮點(diǎn)數(shù)（也叫 1536 維向量）表示任何的單詞，或者句子，段落，篇章等），然后經(jīng)過轉(zhuǎn)化，變成一串新的序列，最后再用 decoder 把它輸出。這個(gè)轉(zhuǎn)換器，是這個(gè)自然語言處理的核心。

比如如果給 ChatGPT 輸入「Apple」這個(gè)詞，它給你返回

[
 0.0077999732,
 -0.02301609,
 -0.007416143,
 -0.027813964,
 -0.0045648348,
 0.012954261,
.....
0.021905724,
 -0.012022103,
 -0.013550568,
 -0.01565478,
 0.006107009]

這 1536 個(gè)浮點(diǎn)數(shù)字來表示 Apple（其中一個(gè)或著多個(gè)維度的組合表達(dá)了「甜」的含義，另外一堆表達(dá)了「圓」的含義，還有一大堆共同表達(dá)了「紅」等等屬性組合，至于具體哪些表達(dá)了這些，不得而知）

然后這堆數(shù)字，再交給 decoder，并且限定中文的話，它會解碼成為「蘋果」，限定西班牙語的話，它會解碼成「manzana」，限定為 emoji 的話，就輸出「??」。總之，通過編碼，轉(zhuǎn)換，解碼，它就完成了從 Apple 到目標(biāo)輸出語言的轉(zhuǎn)化。

ChatGPT 所做的事情遠(yuǎn)遠(yuǎn)多于翻譯。但核心上，它就是把一個(gè)語言序列，轉(zhuǎn)換為了另外一堆語言序列，這個(gè)任務(wù)完成得如此的好，以至于讓人產(chǎn)生了它有思想的錯(cuò)覺。

GPT 生成式預(yù)訓(xùn)練轉(zhuǎn)化器

把上面三段話加在一起，GPT 就是

一個(gè)預(yù)先訓(xùn)練好的，用生成的方式，把輸入文字轉(zhuǎn)化成輸出文字的翻譯

除了這個(gè)以外的各種能力和各種定義，大多數(shù)是這個(gè)翻譯官的應(yīng)用場景而不是它本身。

ChatGPT 是啥？

剛才解釋了 GPT，那 ChatGPT 呢？

OpenAI 用這個(gè)名字描述他們正在做的這個(gè)模型，歷史的版本包括 GPT-1， GPT-2（這個(gè)模型是開源的），GPT-3（這個(gè)就是傳說中 175B 參數(shù)的大模型）。而這些都是生成式的，也就是給的 prompt（提示詞），它負(fù)責(zé)補(bǔ)全（completion）。但是這個(gè)東西用于聊天不是很好用，因?yàn)楸緛砭筒皇菫榱奶爝@個(gè)場景準(zhǔn)備的。

所以在 GPT-3 基礎(chǔ)上發(fā)展出了下一代模型 InstructGPT，專注于讓這個(gè)模型可以聽懂指令。在上面繼續(xù)發(fā)展出了 ChatGPT，就是對于對話場景，比如多輪對話，還有一些安全邊界設(shè)定等，進(jìn)行了加強(qiáng)。但這個(gè)模型是基于 GPT-3 上面的，可以說嚴(yán)格意義是 GPT-3 模型上面的一個(gè)微調(diào)（Fine Tuning）的產(chǎn)物。

希望這樣梳理可以幫助大家了解這個(gè)奇怪的名字背后的思考。從這個(gè)角度來說，這是少有的幾個(gè)準(zhǔn)確的描述了它是什么的一個(gè)名字（和 ??Web3 這個(gè)名字??產(chǎn)生鮮明對比）