ChatGPT大火后，大家討論最多的是“怎么用ChatGPT”、“ChatGPT怎么搞錢”。

(資料圖)

但是，在討論這些問題之前，有一個更重要的問題需要我們知道，“ ChatGPT是什么 ”。

因為只有了解了ChatGPT的概念，我們才能更清楚它有什么價值，我們能怎么利用它。凡事知其然，也要知其所以然。把定義搞清楚，是一切討論的前提。

哲學家維特根斯坦說過一句話： 語言的界限就是思想的界限。

備注：本文是從一個技術麻瓜（普通人）的視角來解釋，不用太擔心難以理解。

一、什么是人工智能

ChatGPT，是人工智能里程碑式的產品。所以在說它之前，必須先聊聊什么是人工智能。

1950年，艾倫·圖靈發表了一篇劃時代的論文《計算機器與智能》，這篇論文在開篇就拋出了一個有趣的問題：“ Can machines think（機器能思考嗎） ？”這個問題引起了廣泛的關注和思考，標志著人工智能的起源。

簡單點說，人工智能，就是要讓計算機擁有人類智能的能力，包括感知、學習、推理、創造和情感等。當然，我們可以把它劃分為不同的層次：

運算智能： 具備 計算和記憶 的能力。 感知智能： 對外界環境 感知 的能力，比如視覺（圖像識別）、聽覺（語音識別）等。 認知智能：理解和思考 的能力。人類有概念，才有推理。先有理解，才有思考。比如自然語言處理技術（NLP）。 創造智能： 生成新信息、新想法或 創意的能力 ，包括生成文本、圖像、音樂等。

這幾年隨著感知智能的大幅度進步，人們的焦點逐漸轉向了認知智能。其中 自然語言處理 ，是重中之重，一旦有突破，會大幅度推動人工智能的發展。

二、什么是自然語言處理

自然語言處理（Natural Language Processing，NLP）：是計算機 理解（NLU） 和 生成（NLG） 人類語言的技術。

理解人類的語言是一件特別難的事情，舉個例子：

小明： 我知道你什么意思，你的意思就是想意思意思，但是你不明白我的意思，我的意思是你不用意思意思，我依然會幫你意思意思，我沒什么意思，就這點意思，不用意思意思，不然我會不好意思。你懂我的意思?

計算機： ……%&￥

所以，自然語言處理，才被比爾蓋茨稱之為“皇冠上的明珠”。

比爾·蓋茨曾說過，“自然語言處理是人工智能皇冠上的明珠，如果我們能夠推進自然語言處理，就可以再造一個微軟。”

三、什么是ChatGPT

ChatGPT，是自然語言處理技術的里程碑。如果說過去，我們的對話機器人可以稱之為“人工智障”，而ChatGPT終于可以稱之為“人工智能”。

ChatGPT：全稱 Chat G enerative P re-trained T ransformer（生成型預訓練變換模型）。

是不是覺得每個字都認識，但放在一起就懵了。其實，這些單詞背后都是一個技術名詞，所以，我們需要一個詞一個詞的解釋一下。

3.1 ChatGPT

Chat： 代表著它的作用，可以用它來聊天。

GPT： 代表著它背后的技術。

G：Generative——生成式的（模型）， 這里主要是和分類式的模型 Discriminative model 做個區分。

這里不用太深入了解，我們只需要知道生成式的模型，就是可以用它來生成內容，比如一段話、一張圖片。

P：Pre-Trained——預訓練的（模型）

T：Transformer——轉換器（模型）

為什么ChatGPT用的是Transformer模型，為什么要預訓練，這里不太好解釋，我們需要先了解一下自然語言處理技術的發展歷程。

3.2 NLP技術的發展

我們都知道，要理解人類的語言是一件很復雜的事情，技術的發展也經歷了波折的過程。

第一階段：基于規則的時代（1950s-1970s）

簡單來說，就是設計一些規則，讓計算機按規則去理解人類的語言。比較著名的是 1966 年 MIT 發布的世界上第一臺聊天機器人 Eliza。但總體來看，這些機器人還無法與人真正實現對話。

第二階段：機器學習——神經網絡時代（1970s-2010s）

機器學習的興起：機器學習，指不通過人類指定的規則，而是通過機器自身運行，習得事物的內在規律。

用專業的話來說，就是“計算機程序能從經驗E中學習，以解決某一任務T，并通過性能度量P，能夠測定在解決T時，機器在學習經驗E后的表現提升”。

能用人話來解釋嗎？好嘞。

用小白的話來說，機器學習你可以把它想象成 “兒童學習的過程” 。比如：小明是一個小學生，他要參加考試（任務T）。如果想要讓它取得好成績，就要讓他不斷刷題（經驗E），（性能P）就是考試成績，然后通過不斷刷題，來提高成績。

機器學習的本質，是統計學。機器學習的結果，就是訓練出一個“模型”。

這個模型可以理解為是一個函數：y=f(x)。我們把數據（x）輸入進去，得到輸出結果（y）。

比如語言模型： 就是對語言中的詞序列，進行建模的統計模型， 給定前文（x）， 生成 下一個詞（y） 的概率分布。

那怎么獲得這個模型呢——答案是訓練。

一般先確定模型的類型 ，也就是f(x) 的具體形式，再結合 訓練數據 ，計算出其中 各個參數的具體取值 的過程。比如給定函數：y=ax，我們需要通過“算法”，找到最優參數a，這個就是 “機器學習” 的過程。目標是讓輸出的結果 y`，最符合我們的業務目標 y。

經過幾十年的努力，人們在NLP模型上不斷進步。其中，神經網絡作為一種模擬生物神經系統的模型，在NLP領域取得了顯著的突破，成為了主流方法，比如RNN、LSTM等。

第三階段：Transformer模型（2017年至今）

當然，RNN、LSTM等模型都不夠完美，最大的缺陷就是計算效率低、長語言的效果差。

而在2017 年 Google 機器翻譯團隊發布了著名論文 《Attention is All You Need》，提出了 Transformer 模型，帶來了歷史性的突破，成為了 NLP 歷史上的一個標志性事件。

相較于傳統的神經網絡，Transformer 模型提升了語言模型運行的效率 （效率更高） ，同時能夠更好的捕捉語言長距離依賴的信息 （效果更好） 。

簡單來說：就是Transformer這個模型，在處理自然語言任務上很牛逼！

3.3 為什么要 Pre-Trained（預訓練）呢？

我們已經知道，機器學習是在模仿“兒童學習”的過程。比如：

有一個小孩A，在家長的指導下學習知識，告訴它這是熊、那是馬，這種叫做“ 監督學習 ”。

有一個小孩B，沒有家長教，直接把大量題目丟給他，讓他在題海中自己發現題目規律，當題量足夠大的時候，B雖然不能完全理解每道題，但也會發現一些知識點的固定表述。這就叫做“ 無監督學習 ”。

很明顯，無監督學習，不會受限于人力，你只要把所有的數據喂給它就行了，它會自己總結內部的規律。

預訓練（Pre-training） 就是這個原理，先使用大規模的數據集對模型進行事先的訓練。這個預訓練過程不針對特定的任務，它會自動地從數據中提取特征，從而學習到語言的潛在模式和結構。

而要讓模型執行具體任務時，再使用特定任務的數據進行監督學習，也就是 微調（Fine-tuning） 。從而讓模型更加專業化和適應具體任務的需求。

比如ChatGPT就經過了人類反饋的強化學習（RLHF），讓它能更勝任與人聊天的任務（更安全、更有禮貌、更有用）。 預訓練+微調 的技術，能讓ChatGPT更具有“泛化”能力，而不是只能解決特定問題的“專家”。

四、ChatGPT對我們意味著什么

這個問題我不想聊太大，什么取代人類的工作、什么AGI到來......

我覺得：作為普通人，唯一要做的就是不要落下，盡情地享受AI帶來的便利就好。推動技術發展，是科學家的使命。

ChatGPT的本質還只是工具，跟歷史上出現過的所有新工具一樣。我們必須要學習它，理解它、運用它，讓它在學習和工作場景中發揮價值。

總結

ChatGPT：是一個人類語言的處理模型。

什么是模型： 本質是函數，比如 y=f(x)，輸入（x），得到輸出結果（y），模型的目的是為了解決特定的問題。對于ChatGPT，你輸入一段文字后，它會“理解”你的語言，生成回應，為你提供建議或交流。 為什么能理解： 本質是統計學，不是真的理解。它是通過機器學習，掌握了語言的規則和模式。 為什么效果史無前例：Transformer的模型 解決了過去技術效率低和效果差的問題+ 預訓練 可以處理大量數據，能力泛化+ 微調 幫助模型更適應具體與人聊天的任務。

作者 | 王洲Joe 關注AI趨勢，用人工智能改變工作和創造力。

標簽：