作者：cheaterlin，腾讯CSIG后台开发专家

“AI 的 iPhone 时刻到来了”。非算法岗位的研发同学'被迫'学习 AI，产品岗位的同学希望了解 AI。但是，很多自媒体文章要么太严谨、科学，让非科班出身的同学读不懂；要么，写成了科幻文章，很多结论都没有充分的逻辑支撑，是‘滑坡推理’的产物。这篇文章从底层讲起，却不引入太多概念，特别是数学概念，让所有人都能对大模型的核心概念、核心问题建立认知。文章末尾也为需要严肃全面地学习深度学习的人给出了建议。

关于以 ChatGPT 为代表的大语言模型（LLM），相关介绍文章、视频已经很多。算法部分，约定俗成地，还是先来一段贯口。当前我们说的 LLM，一般代指以 ChatGPT 为代表的基于 Generative Pre-trained Transformer 架构的自然语言处理神经网络模型。顾名思义，它是个以预训练技术为核心的模型，是个生成模型。同时它是Transformer这个编码-解码模型的解码部分。

那么，最简单的编码器，就是什么都不干：f(x)=x，h=x，r=g(f(x))=h。输入‘Tom chase Jerry’，输出就是‘Tom chase Jerry’。显然，这样的字编码器不需要训练，并且，也没有任何用处。

如果，输入‘Tom chase Jerry’，输出是‘汤姆追逐杰瑞’，那么这个自编码器就完成了机器翻译的任务。我们人类可以做翻译，实际流程上，也跟这个差不多。那么，我们人类是怎么做到的呢？我们并不是以‘做翻译’为唯一的目标去学习语言的，我们会学习‘单词’、‘语法’、‘语言所表达的常识’这些语言之下最基础的‘特征’的‘表示’。当我们学会了被表达的事物和它在不同语言中的表示之后，我们就能做翻译这件事情了。我们仔细审视一下这个过程，我们至少做了两件事情：

1 ) 学会被各种语言所表示的‘东西’，这里我们称之为世界知识 (world knowledge)，它包括事实性知识 (factual knowledge) 和常识 (commonsense)。其中包括，学会至少两门语言里表达世界知识的单词和语法。

2）学会按别人的要求去执行翻译这个任务。

那么，这两件事情的第一件，就是 GPT 的第二个单词，Pre-train(预训练)。我们就是要去学到‘Tom chase Jerry’这句话和其他无数句话在被拆解成世界性知识之后的‘表示’。

Transformer 就是一个专门用于自然语言处理的编码-解码器架构。编码器-解码器可以有很多不同的架构细节，就能得到不同的自编码架构，Transformer 是此刻看起来效果最好的，能很好地学到自然语言背后的特征，并且有足够大的模型容量。所谓模型容量，是指，有一些模型参数过多，就反而学不到特征，或者无法训练了，无法用于表示特别复杂的东西。

GPT 全称 Generative Pre-trained Transformer，前面讲了编解码，算是讲了一点点 Transformer，也讲了预训练、Pre-trained。那么，Generative 从何讲起？

我接着说人话。前面讲到了，编码器-解码器是两个不同的模型，就像你看视频，你的手机上并不需要视频录制、编辑软件，只需要一个解码-播放器一样。训练两个模型太麻烦，我们希望就围绕一个模型做研究，做训练。我们能不能不做编码，就围绕解码模型来达到一些目的呢？答案当然是可以的。

打个不严谨的比方。我现在想找人帮我画一幅肖像画。其实我并不懂怎么画画。于是，我请人给我画。我并不能从画工技艺、艺术审美方面去评判他画得好不好。但是，我是有能力去判断我请的人画出来的画是不是令我满意的。此时，我就是一个 decode-only 的模型。你会说，“你这个 decode-only 的模型必须要有一个懂 encode 的画师才能工作啊“。是的，我不懂画画。确实需要一个画师。

但是，你记得吗，OpenAI 训练 GPT3 的模型，就是给它海量的数据，让它去训练。那么，画师不教导我绘画技巧，只是不停的给我画肖像，并且，给我看肖像是否满意，我指出哪些地方不满意，他做出修改。这个事情干了一千万次，我是不是至少能学到‘当给我一幅没画好的我的肖像画，我知道应该怎么接着画下一笔‘？我不是从拆解好的理论体系里去学习的，我并不能叫出各种会画技法的名字，但是，我就是会做上面这件事情了。

相当于，我听到“GPT 是一个预训练模”，我就知道下一个字一定是“型”字一样。而因为我只擅长接着前面做好的事情完成接下来的事情，所以，我会‘生成’这个工作方式，同时，我也只会‘生成’这个工作方式。这就是 Generative 的意思。

总结一下，Generative 是被训练出来的模型的工作的方式，Transformer 是这个模型的架构，Pre-trained 是形容 Transformer 的，就是说训练这个模型，预训练是不可或缺的核心步骤。

有一个很重要的点，被训练完成的我，是如何知道没画完的肖像画的下一笔是应该怎么画的？就相当于你听到“今天天气很”之后，你是怎么知道下一个词是什么的？显然，你是靠猜测的。什么东西来支撑你的猜测？是你被训练了一百万次的经验。这些经验构成了什么？这些经验被你潜意识地总结成了一些规律。有一些规律确定性很高，有一些规律确定性很低。“今天天气很”后面接的字，确定性很低，“GPT 是一个预训练模”后面接的字确定性很高。

那么，你实际上就是学到了一个概率模型，这个概率模型其实是无数个场景的概率分布组合而成的概率模型。预测“今天天气很”的下一个词，是一个概率分布。“GPT 是一个预训练模”的下一个词是另一个概率分布。所以，从头学习机器学习、深度学习，就会知道，所有机器学习、深度学习模型都是概率模型，统计学是核心工具。

GPT3 的 paper讲，OpenAI 做的 GPT3 有 1750 亿参数。不管 paper 怎么说，实际上是如何做到的。你只是自己想象一下，想要记住足够全面的‘世界知识’，是不是至少要有足够大的'模型体积（模型容量）'，即足够多的参数？更深入的研究还在继续进行，此刻，按照 GPT3 的 paper 来说，当参数量达到 1750 亿的时候，模型就能记住这个世界的‘世界知识’所需要的所有‘特征’的‘表示’了。每个参数用 16 位的浮点数保存，体积是 320GBytes。这个世界的‘世界知识’，被这 320G 的数据表示了。

我们在对话聊天的时候，如果说了一些自己觉得是常识，对方却不懂的时候，是不是对话就较难进行下去了？所以，为什么我们的模型需要这么多参数？因为它需要‘什么都懂’。如果我说我用 32M 规模的数据就记住了这个世界的常识，你是不是会觉得‘这显然不可能’？

前面已经讲了 Generative、Pre-trained、Transformer 这些概念。我们接着讲 ChatGPT。首先，GPT3 不等于 ChatGPT，GPT3 这个预训练模型，是 ChatGPT 的基础。回顾我们最开始讲的‘人如何学会翻译’至少需要两个步骤，第一步就是训练一个 GPT3 的预训练模型。有了这个模型之后，我们还要接着做一些训练，才能完成 ChatGPT。

我们首先来回顾一下 GPT1、GPT2。

GPT1 的 paper名字叫做，Improving Language Understanding by Generative Pre-Training，通过生成式预训练提升模型对语言的理解能力，这就是我们前面讲过的东西。但是，它还没达到很好的效果。我们想在 decoder-only 的模型里学到‘用语言呈现的世界知识’的'深层表示'，初步证明这个方向有前途。

GPT2 的 paper名字叫做，Language Models are Unsupervised Multitask Learners。在这篇文章里，找到了让 GPT1 这个‘思想方法’达到很好的效果的技术手段，通过自监督学习。怎么个自监督法呢？就是我们手里有很多书籍、文章，我们通过给模型书籍的前 n 个字儿，让它猜测第 n 1 个字儿是什么，我们手里有正确的第 n 1 个字儿，让模型去不断纠正自己。模型为了达到更准确猜中第 n 1 个字儿的目标，就被迫‘学到’了潜在的‘世界知识’的表示。就像我们学到了语言的语法，记住了单词，掌握了世界的常识。实际上，我们交给模型的任务，都是‘猜下一个词’。但是计算‘56 21=’也是猜下一个词。

所以，又可以把猜下一个词分解为很多种猜词任务，数学计算就是其中一种。最后，证明了 GPT2 效果还不错。多说一句，上面这么搞，怎么就是自监督了呢？是否是‘有监督’学习，本身这个概念比较模糊，并不是一个科学的定义，只是大家习惯这么叫而已。我们约定俗成，把‘训练数据是经过精巧地设计，并且准备过程对人力成本较高’的训练，叫做有监督训练，否则就是无监督。我们只是把前人努力写的书做了一个调整给到模型，按照这个约定，应该属于无监督学习。但是，好像，我们又其实是在用人类努力的成果在训练它。所以，有人就开始称这种情况为‘自监督学习’。

接着，你就会想，深度学习是一门科学啊，怎么能对概念的定义搞得这么模糊不严谨？对，你说得没错，深度学习，在玩数学的人眼里，就是充满了不严谨，处在鄙视链的底端。但是，你挡不住深度学习应用的效果好呀。深度学习就是这么一系列‘不严谨’，充满了‘我不知道为什么，但是这么做效果就好’的方法。科学家们在努力地解释它为什么效果好，但是，这些研究远远追不上，找到‘效果更好，但是并不理解为什么效果好’的方法的步伐。对你自己的认知亦是如此，你有自我认知，那么，你的自我认知是怎么来的？“我是谁，我从哪里来，我要到哪里去？”

GPT3 的 paper名字叫做，Language Models are Few-Shot Learners。意思就是，在 GPT2 的思路的指导下，我们通过把参数增加到 1750 亿，真地学到了‘世界知识’！学到了这些潜在的‘表示/特征’之后，我们只需要再让模型学一个任务的少量几个 case，模型就能学进一步学到我们给的几个 case 里的潜在的'特征'，即这几个 case 所表达的规律和逻辑。

但是，GPT3 掌握了知识，但是，它还不会干活呀。比如，你给它输入“给我写一段简介”，模型理解你确实说了“给我写一段简介”，但是，它此刻可以生成很多东西。比如生成一个“要简介限制在 120 个字以内”。它是个生成模型，把你说的话续写下去，也是一种生成啊！所以，我们还得教一个理解了我们的话模型，按照我们想要的方式去生成结果。就像，我们在进行一场对话。所以，就是 ChatGPT，chat GPT。我们要进行聊天，本质上，就是让模型‘要能听懂我们的指令’。所以，OpenAI 接着又有一篇重磅论文Training language models to follow instructions with human feedback，它在 OpenAI 的官网上，是另一个名字Aligning language models to follow instructions。

顾名思义，就是要通过一些‘问题-回答’对的训练数据，让模型能在收到“给我写一段简介”这样的指令性的输入的时候，真地去按照指令的要求去生成接下来的东西。OpenAI 的标题里出现了一个词'Alignling(对齐)'，你可以不管它。但是，理解了这个词，你才理解了‘制定对齐/指令微调’的核心技术。有兴趣，你可以接着看这个自然段，也可以不看，直接跳到下下一个自然段。

‘指令对齐’，就让掌握了知识的模型能按照我们想要的方式去生成更多的词了。达到这个效果的方法，讲起来，很硬核。为了说人话，我就打个比方。现在，我们有一个房间，里面有几百本书就像垃圾一样堆砌在一起。这就是预训练已经把隐藏特征学到了。我们应该怎么去整理这些书籍呢？这个问题，取决于，我们后续要如何使用这些书籍。我们可以按门类，去排列书籍，每一类书籍一个书架。也可以按照书名去排列书籍，所有书籍分别根据书名被放在按 A-Z 排列的的书架里。

所以，对齐，就是根据我们的目的，去整理模型学到了的知识。那么，为什么我们不用整理、重构之类的词，而用对齐呢？因为，我们知道模型学到了知识，但是，我们能看到这些表示，就是 1750 亿个参数，但是，人类看不懂它。就像，人类能看到自己的脑袋，但是脑袋里的神经元是如何联合在一起工作的，看不懂。

更具体的，‘1 1=2’这个知识，你知道它存储在你大脑里的具体哪个神经元上么？你当然不能。所以，我们没有细粒度的手段去整理书籍。有一个比较粗力度的手段，就是：按照我的需求，大概地把一些数据强行抓住首尾两本书，把它们压齐。你整理书籍，可以一本一本放。但是你没法去拿其中一本的时候，你当然可以从一对儿书的两端，用力压，被按照我们想要的方式挤压之后，书自己就变得更整齐了，对齐到了我们想要的结构。

我再打个比方，社会共识、常识，本身也是‘对齐’得来的。‘婚姻应该是自由恋爱的结果’，这个常识，不是从来如此的。是理性主义崛起之后，紧接着浪漫主义在 1900 年左右崛起，在 20 世纪才出现的。浪漫主义借由‘罗密欧与朱丽叶’之类的文艺作品广泛传播、得到认可，进而才把我们的常识‘对齐’成了这么一个结果。说得更远一点，习惯了中国文化的人在美国必然会被‘文化冲突’所困扰，也是因为，中国和美国其实都通过媒体把自己的常识对齐成了不同的‘形状’。‘对齐’无时无刻不在这个世界里发生。

实际上，模型每次只能生成一个词儿，那么，把问题和回答都当成字符串连接起来，结构是：输入[问题里所有的词][回答的前n个词儿]，生成回答的第 N 1 个词儿。如果进行第二轮对话。输入就变成了：输入[第一个问题里所有的词][第一个回答的所有词][第二个问题的所有词][第二个问题的回答的前n个词]，输出[第二个回答的第 N 1 个词]。至于模型如何知道哪一段是问题，哪一段是问题，这里不展开描述。

实际上，ChatGPT 的训练过程，可以看下面这张图，我不做解释，能不能看懂，随缘（进一步阅读另一篇比较说人话的文章，看这里）：

现在，你应该能理解 LoRA 论文原文中的这种图了。注意，这里，LoRA 是对原深度神经网络的每一层都设计了对应 BA 矩阵。

综上，如果我们手里已经有一个强大的模型，我们仅仅像微调它的表现，而不是想要教会它很多新的东西，使用 LoRA 方法，成本是很低的。比如，文生图的时候，我们不调整生成出来的图片的框架、构图，我们只想调整图片的风格（真实系、漫画风）。或者，我们让一个强大的模型去做一些简单的任务，把简单的任务做得特别好，也可以用 LoRA。

Meta 开源的LLaMA是现在市面上预训练做得最好的开源的架构类似 GPT3 的模型。它提供了 70 亿、130 亿、650 亿 3 个参数规格的模型。特别说明一下，它只做了预训练。它支持多种语言。英文效果最佳，中文和其他语言的效果一样，比英语差一些。

Vicuna-7b 是用 70k 指令对 LLaMA 进行了指令微调，它微调的 70 亿参数的 LLaMA 版本。是当前开源的做完了指令微调的模型里，效果最好的。

chatglm-6b是清华大学清华认知工程实验室基于自己设计的预训练模型架构General Language Model微调而来的聊天模型。参数规模是 62 亿。GLM 模型是基于 Transformer 架构，更像 Transformer 的 Encoder 部份-BERT。预训练用了 1T token 的中英文语料。没说具体用了多少语料进行指令微调。中文聊天的效果，是开源模型里最好的。但是 GLM 模型架构天花板有没有 GPT3 那么高，需要有人去研究，清华大学没有对外公开。glm 预训练模型有一个 130 亿的版本，没有对外开源。

bloom-176b是参数最多的开源预训练模型，模型架构和 GPT3 很相似，是学术界很多人一起窜起来的一个预训练模型。它只做了预训练，做 QA 任务，效果较差。

alpaca-lora-7b是依附在 LLaMA-7b 上的模型。这个模型效果一般，但是它开源了 52k 条挺有价值的指令微调训练数据，它是用了一个用 ChatGPT 作为老师来生成更多训练数据的方法（paper 的名字是：SELF-INSTRUCT: Aligning Language Model with Self Generated Instructions）来训练的模型。同时，alpaca 是一个 LoRA 方法下的模型。self-instruct 这个思路，非常有趣，其实大家都会自然而然有这种想法：既然有了 ChatGPT 这个效果特别好的模型，为什么我不直接只搜集指令问题，然后用 ChatGPT 给我生成指令 QA 里的 Answer，并且生成更多类似的 QA 对呢？这个想法是很好的，我们也在用。但是，文章里也说了，会出现‘对某些垂直领域的问题过拟合，对其他领域的问题欠拟合’的问题，这里不展开细节。

作者:cheaterlin

来源:微信公众号:腾讯技术工程

出处:https://mp.weixin.qq.com/s/IR0flZGOyul9BHuDYPnljg