近來，關(guān)于人工智能（AI）的討論此起彼伏，其中不可避免地涉及到一些術(shù)語和概念，然而用簡單易懂的方式向非專業(yè)人士解釋是非常具有挑戰(zhàn)性的。作者嘗試把AI與人類學(xué)習(xí)和成長的類比，通過將AI與人們熟悉的事物進行比較的方式，簡要介紹AI相關(guān)的原理、進展和意義。歡迎閱讀~

自從ChatGPT橫空出世以來，AI領(lǐng)域再次引起了廣泛關(guān)注。

最近，有關(guān)AI的討論絡(luò)繹不絕，其中不可避免地涉及到一些諸如“樣本、預(yù)訓(xùn)練、大模型”等概念和術(shù)語。

然而，要用淺顯易懂的方式向非專業(yè)人士解釋這些概念是相當具有挑戰(zhàn)性的。

但這對于自己和他人，都很有價值。

正如愛因斯坦所言：“If you can’t explain it simply, you don’t understand it well enough（如果你不能簡單地解釋，那就說明你理解不夠）”。

今天，我嘗試把AI與人類學(xué)習(xí)和成長的類比，通過將AI與人們熟悉的事物進行比較的方式，簡要介紹AI相關(guān)的原理、進展和意義。

帶過小孩的家長都會有這樣一個感覺：突然有一天發(fā)現(xiàn)孩子會說話了、會走路了。

這個過程并非像“0%、1%、2%…98%、99%、100%”這樣逐個百分點緩慢提升，而是有一天突然發(fā)生了變化。

模型的“涌現(xiàn)”指的是在大量訓(xùn)練數(shù)據(jù)和復(fù)雜模型結(jié)構(gòu)的支持下，模型突然表現(xiàn)出較高的性能和新的能力。

簡單來說，就是“量變引起質(zhì)變”的過程。

當訓(xùn)練樣本足夠大、算法迭代達到一定階段時，模型的能力會突然提高。

能力“涌現(xiàn)”的前提，是大量不斷的輸入。

自孩子出生起，盡管他們聽不懂、不會說，但家長要不斷與孩子互動，跟他說話。在日積月累的過程中，有一天孩子的說話能力就會“涌現(xiàn)”出來。

模型的發(fā)展過程也類似。一開始可能什么都不會，即使“能說會道”，也可能表現(xiàn)出“智障”或者“一本正經(jīng)地胡說八道”。

然而，在持續(xù)的大樣本訓(xùn)練和算法不斷迭代的過程中，有一天它就能達到像ChatGPT、GPT-4那樣讓人驚艷的理解能力、推理能力和表達能力。

2、“讀萬卷書、行萬里路、與萬人談” vs“預(yù)訓(xùn)練（Pre-Train）、精調(diào)(Fine-Tuning)”

孩子們會說話、會走路之后，人的學(xué)習(xí)才正式開始。

一個人的學(xué)習(xí)成長，通常先經(jīng)過基礎(chǔ)教育、廣泛的學(xué)習(xí)，再發(fā)展為專業(yè)的、深入某個領(lǐng)域的學(xué)習(xí)。

不僅要廣泛涉獵，大量學(xué)習(xí)書本知識，還要進行實踐和與人交流。

在這個過程中，應(yīng)用所學(xué)知識，獲取反饋，對大腦中的知識進行修正和提煉，即從“知識到智慧”，實現(xiàn)“知行合一”。

掌握了基本的知識和技能后，人們需要找到自己的專長領(lǐng)域。

在學(xué)校里，碩士生、博士生和教授需要選擇一個細分領(lǐng)域進行深入研究。

每個人，也都需要找到自己的行業(yè)和職業(yè)。

對于GPT這樣的大型模型，它們的發(fā)展也是通過類似的過程。

首先進行“大規(guī)模數(shù)據(jù)集”進行“預(yù)訓(xùn)練”，然后利用有標簽的樣本以及人類反饋，通過增強學(xué)習(xí)（Reinforcement Learning by Human Feedback，RLHF）進行微調(diào)和迭代。

模型的預(yù)訓(xùn)練，指的是在大量無標簽數(shù)據(jù)上訓(xùn)練模型以學(xué)習(xí)基本知識。

這就像人在嬰兒階段以及從小學(xué)到高中階段進行大量學(xué)習(xí)一樣。不局限于某個領(lǐng)域，而是需要廣泛且大量地輸入信息。

精調(diào)指的是在特定任務(wù)上，利用有標簽數(shù)據(jù)對模型進行微調(diào)，以便更好地適應(yīng)特定任務(wù)。

這就像人在閱讀了大量書籍后，還需要進行實踐，從實踐中獲得反饋并成長。

許多偉人和名人，如毛澤東、列寧、馬斯克、查理·芒格等，都非常熱愛閱讀，并樂于與人交流，在實際工作中大量實踐。

只有這樣，才能獲得足夠多的知識，才能塑造出過人的智慧。

我們時?？吹揭恍╆P(guān)于“孩子因為雞毛蒜皮之類的瑣事而做出傻事”的新聞，這通常是“嬌生慣養(yǎng)”的結(jié)果，與模型中的“過擬合”現(xiàn)象有相似之處。bvty寶威

所謂機器學(xué)習(xí)，就是讓機器從樣本中學(xué)習(xí)，從而“擬合”出規(guī)律，進而掌握技能。

在訓(xùn)練模型時，如果樣本過于單一或特征選擇不當，就容易出現(xiàn)過擬合現(xiàn)象。

過擬合意味著模型將訓(xùn)練樣本中的特殊情況誤認為是普遍情況。

如此一來，在面對新的樣本時，模型就無法做出正確的處理。

同樣，嬌生慣養(yǎng)（過擬合：over-fitting）導(dǎo)致的脆弱心智（模型）在面臨現(xiàn)實世界中的各種挫折時，往往無法正確應(yīng)對（預(yù)測不準確、泛化能力差），從而很容易導(dǎo)致不幸的結(jié)果。

因此，我們應(yīng)該讓孩子面對各種情況，并給予反饋，讓他們了解并適應(yīng)真實世界。

人的教育有兩種類型，一種是從小就教他一門手藝。比如“做菜、開車、做鐵匠、木匠”等等，這樣他就成為了一個專才。另外，就是先是漫長的基礎(chǔ)教育，再是高等、專業(yè)教育。先打好基礎(chǔ)，再選擇專業(yè)方向。模型跟人一樣，你給他輸入什么，他就有什么樣的輸出，他就有什么樣的知識技能。在大模型之前，大家熟知的貓狗識別、指紋識別、人臉識別等等模型，就是做特定的事情，類似于職業(yè)教育。

這樣的模型可以稱為“小模型”，一方面是模型的size小，另外一方面是模型的能力范圍比較窄。GPT這樣的模型之所以稱為大模型，既是因為訓(xùn)練數(shù)據(jù)集規(guī)模大、訓(xùn)練出的模型size大，也指的是模型有廣泛的能力，好像是“上知天文、下知地理”。讀萬卷書，就是大模型，發(fā)展出通用智能。只讀菜譜、只練廚技，就是小模型，發(fā)展特定技能。

我們可以從以下三個方面，來形象化地理解大模型。

首先，以腦容量作為比喻。模型的大小就像動物的腦容量一樣，較大的腦容量通常意味著更高的智慧。擁有更多神經(jīng)元和神經(jīng)元間連接的大腦，才能夠儲存更多知識。

其次，以字典作為比喻。如果一個語言的字典僅包含十個字，那么這個語言能表達的意義將非常有限。然而，如果字典中有數(shù)萬個字，那么它就能表達更豐富的信息。

最后，以書籍進行類比。為什么大模型更具威力？

以GPT-3為例，其模型有800GB，即8000億個字節(jié)，粗略地估算相當于4000億個字。假設(shè)一本書有20萬字，那么這就相當于200萬本書。

可以說，這“濃縮”的200萬本書基本上能夠涵蓋人類幾乎所有的知識，且不重復(fù)。

（需要認識到的是，成千上萬年來，人類知識的記錄和傳承基本上就是通過語言和書籍形式進行的。）

因此可見，足夠大的模型，就能涵蓋足夠多的知識。

大模型，就有大智慧。

常規(guī)的語言模型能力相對有限，比如進行分詞、詞性判斷等，最多完成翻譯等任務(wù)。

GPT作為“大語言模型（Large Language Model, LLM）”之所以如此強大，是因為一開始它并沒有特定的目的性，不是預(yù)設(shè)讓模型完成某一個任務(wù)，而是給模型廣泛地輸入和訓(xùn)練。

在學(xué)生作文能力的培養(yǎng)上，有兩種方法。

一種是以提升作文能力為目標，讓孩子閱讀各種作文技巧的書籍、參加各種作文培訓(xùn)班。但這樣急于求成的方法，效果其實并不理想。

另一方面，有些家長鼓勵孩子從小養(yǎng)成閱讀的習(xí)慣，博覽群書。

這樣一來，孩子的閱讀能力、知識面、思維能力都會得到很大提升，作文能力自然隨之提高。

而且，由于閱讀速度、理解能力的增長，孩子在讀題、審題方面的速度和準確率也會提高，從而提升其他學(xué)科如數(shù)學(xué)、物理、化學(xué)等的成績。

更為重要的是，閱讀不僅能提高成績，還能塑造一個人的世界觀、氣質(zhì)，并增強內(nèi)心的力量。

可以說，對一個人的一生都會產(chǎn)生深遠影響。

因此，我們不應(yīng)急功近利，而應(yīng)培養(yǎng)“大模型”。有了大模型，各種能力自然而然就會呈現(xiàn)。

人們常說，人如其文。一個人的文字能夠體現(xiàn)出其思考能力、表達能力等綜合素質(zhì)。

模型也是如此，ChatGPT的能力體現(xiàn)在它的回答中，體現(xiàn)在一個個輸出的字中。

首先要說明的是，ChatGPT在回答問題時，一個字一個字地慢慢往外蹦，并非因為網(wǎng)絡(luò)速度的問題，而是因為模型就是以這種方式工作的：它根據(jù)當前的情境，不斷地推理出下一個應(yīng)該輸出的字（將概率最高的字輸出出來）。

因此，“準確預(yù)測下一個要輸出的字符”是模型能力的關(guān)鍵。

為了讓你更好地理解這個概念的重要性，我來舉一個例子。

假設(shè)有一部推理小說，故事情節(jié)跌宕起伏、線索錯綜復(fù)雜。

小說的最后，有一句話：“兇手是______?！?/p>

如果AI在讀到這里時能輸出正確的字符，那么就證明這個模型非常強大。

表面上是字符，實際上是智能。

GPT是“Generative Pre-trained Transformer”的縮寫，其中Transformer是一種深度學(xué)習(xí)架構(gòu)，具體指的是一種基于自注意力（self-attention）機制的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。

這個概念至關(guān)重要，但的確難以理解。

下面，嘗試解釋一下。

你可以“顧名思義”，用“變形金剛”這部電影來做類比。

變形金剛就是把一輛汽車零件打散，然后再變成一個人。

這個過程就像Transformer中的“編碼、解碼”的過程。

將輸入序列（比如汽車）解碼成不同的部分（各個零件），并記憶部件之間的連接關(guān)系（通過自注意機制，self-attention），然后再根據(jù)相關(guān)信息組裝成輸出序列（如人型機器人）。

在這個過程中，Transformer可以捕捉輸入序列中的長距離依賴關(guān)系，從而實現(xiàn)更高效且準確的序列處理。

人要跟上社會發(fā)展，不僅要在學(xué)生時代好好學(xué)習(xí)，更重要的是在日常的工作和生活中不斷學(xué)習(xí)、終身學(xué)習(xí)。機器之所以這么厲害、AI之所以這么強大，就是因為人家在不斷學(xué)習(xí)啊。

更何況，機器的記憶力、學(xué)習(xí)速度，可是人的成百上千倍。

看看我們，一邊在擔憂“自己會不會被AI代替”，一邊整天慵懶地握著手機在打游戲、刷視頻。

懶惰的人類，要努力了??！

科學(xué)技術(shù)發(fā)展到今天，人類對自己的大腦有了一定的了解，但完全談不上深入、透徹。

同樣，對于利用深度神經(jīng)網(wǎng)絡(luò)技術(shù)打造出的AI模型，也存在“可解釋性”的問題。

盡管模型很強大，能識別出貓狗、能對答如流、能寫代碼、能畫畫，但即使是模型的開發(fā)者，也無法準確地說明，某個結(jié)果是如何具體產(chǎn)生的。

可以說，人類用原理不明的大腦，開發(fā)出原理不明的大模型。

老子說，道可道非常道。

對于AI來說，也是如此。

太簡單的模型，的確不會有強大的能力。

專欄作家

朱百寧，微信公眾號：八點三十五，人人都是產(chǎn)品經(jīng)理專欄作家。前百度品牌總監(jiān)、螞蟻產(chǎn)品總監(jiān)，著有《自傳播》一書，現(xiàn)在專注于人工智能以及產(chǎn)品設(shè)計等領(lǐng)域。

本文原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉(zhuǎn)載。

題圖來自 Unsplash，基于CC0協(xié)議。

該文觀點僅代表作者本人，人人都是產(chǎn)品經(jīng)理平臺僅提供信息存儲空間服務(wù)。