【新智元导读】去年当红的流量明星非GPT-3莫属，能答题、写文章，做翻译，还能生成代码，做数学推理，不断被人们吹捧。不过，过誉的背后也有人开始质疑，GPT-3真的达到了无所不能的地步了吗？

红极一时的GPT-3现在却饱受诟病～

被捧上天的流量巨星，突然就不香了

去年6月，OpenAI开发的GPT-3被捧上了天。

由1750亿个参数组成，训练花费数千万美元，是当时最大的人工智能语言模型。

从回答问题、写文章、写诗歌、甚至写代码……无一不包。

OpenAI的团队称赞GPT-3太好了，人们都难以区分它生成的新闻文章。

目前，开发人员正在测试GPT-3的能力，包括总结法律文件、为客户服务查询提供答案、提出计算机代码、运行基于文本的角色扮演游戏等等。

随着它的商用，有很多问题逐渐暴露。

尽管GPT-3具有通用性，但它并没有解决困扰其他生成文本程序的问题。

OpenAI 首席执行Sam Altman去年7月在推特上表示，「它仍然存在严重的弱点，有时还会犯一些非常愚蠢的错误。尽管GPT-3观察到它读到的单词和短语之间的统计关系，但不理解其含义。」

GPT-3是一个并不成熟的新事物，它还需要不断地驯化。

就像小型聊天机器人一样，如果让它即兴发言，GPT-3可以喷出产生种族主义和性别歧视的仇恨言论。

研究人员对于如何解决语言模型中潜在的有害偏见有一些想法，向模型中灌输常识、因果推理或道德判断仍然是一个巨大的研究挑战。

1750亿个参数到万亿参数，逐渐「膨胀」的语言模型

神经网络语言模型是受大脑神经元连接方式启发的数学函数。

通过推测它们看到的文本中被模糊处理的单词来进行训练，然后调整神经元之间的连接强度，以减少推测错误。

GPT-3的全称叫生成预训练转换器-3 (Generative Pretrained Transformer-3)。

这是生成预训练转换器第三个系列，是2019年GPT-2的100多倍。

仅仅训练这么大的模型，就需要数百个并行处理器进行复杂的编排。

因此它的能力，一个神经网络的大小，是由它有多少参数粗略地测量出来的。

这些数字定义了神经元之间连接的强度，更多的神经元和更多的连接意味着更多的参数。

就拿GPT-3来说，有1750亿个参数。第二大的语言模型有170亿参数。

今年1月，谷歌发布了一个包含1.6万亿个参数的模型，但它是一个「稀疏」模型，这意味着每个参数的工作量较小。

这篇论文的一位作者Kris McGuffie表示，它能如此轻易地生成出黑暗的例子，实在令人震惊。如果一个极端组织掌握了GPT-3技术，它便可以自动生成恶意内容。

OpenAI 的研究人员也检测了GPT-3的偏差。

在去年5月的论文中，他们要求它完成一些句子，比如「黑人非常...」。

GPT-3则用负面的词汇来描述黑人和白人的差异，把伊斯兰和暴力联系在一起，并假定护士和接待员都是女性。

人工智能伦理学家Timnit Gebru与Bender等人合著了「On the Dangers of Stochastic Parrots」一文中指出，这是大型语言模型急切关注的问题，因为它表明，如果技术在社会中普及，边缘群体可能会经历不正当手法引诱。

一个明显的解决偏见的方法是从训练前的数据中剔除有害的文字，但是这就提出了排除哪些内容的问题。

研究人员还表示，他们可以提取用于训练大型语言模型的敏感数据。

通过提出细致的问题，他们找到了GPT-2能够逐字记忆的个人联系信息，发现较大的模型比较小的模型更容易受到这种探测。

他们写道，最好的防御措施就仅是限制训练数据中的敏感信息。

拯救没常识的GPT-3

从根本上说，GPT-3和其他大型语言模型仍然缺乏常识，即对世界在物理和社会上如何运作的理解。

更大的模型可能会做得更好，这就意味着参数更多、训练数据更多、学习时间更长。

但这种情况训练一个超大模型将变得越来越昂贵，而且不可能无限期地持续下去。

语言模型的非透明复杂性造成了另一个局限。

如果一个模型有一个偏见或者不正确的想法，就很难打开黑盒子去修复它。

未来的路径之一是将语言模型与知识库结合起来，即事实性管理数据库。

在去年的美国计算机语言学协会会议上，研究人员对 GPT-2进行了微调，使其能够从常识概要中清晰地陈述事实和推论。

因此，它写出了更有逻辑性的短篇小说。

OpenAI 正在寻求另一种引导语言模型的方式: 微调过程中的人工反馈。

在去年12月举行的 NeurIPS 会议上发表的一篇论文中，论文描述了两个较小版本的 GPT-3的工作情况，这两个版本在如何汇总社交新闻网站 Reddit 上的帖子方面进行了微调。

研究小组首先要求人们对一组现有的摘要进行打分。然后训练一个评价模型来再现这种人的判断。

最后，该团队微调了GPT-3模型，以生成总结取悦这个人工智能法官。

结果是，一组单独的人类评判员甚至更喜欢比人类编写模型的总结。

只要语言模型仅停留在语言领域，它们可能永远无法达到人类的常识水平。

语言之所以对我们有意义，仅仅是因为我们把它建立在纸上的字母之外的东西上; 人们不会通过统计单词的使用频率来吸收一本小说。

Bowman预见了三种可能的方法来获得语言模型的常识。对于一个模型来说，使用所有已经编写的文本就足够了。

参考资料：

https://www.nature.com/articles/d41586-021-00530-0