作者简介：吴晓一，日本奈良先端科学技术大学院大学计算机工学博士，主要研究领域为语言学、机器学习和自然语言处理。本文仅代表作者个人观点，不代表公司立场。

01 引言——ChatGPT与“中文房间”

每个实际用过ChatGPT的人，都会被其展现出的强大对话能力所折服，甚至不少人认为它已经懂得了如何思考，产生了自我意识。
在解答这个问题之前，我想请大家想象这样一个场景：一个完全没学过中文的人被关在一个封闭的房间，房间里有一本手册，照着这本手册的指示，就能够针对任意中文问题给出像模像样的中文回答。外面的人在纸条上写好中文问题递进去，屋里的人照着手册拼凑出中文回答递出来。这样，在外面看来，屋里的人是懂中文的，可事实果真如此吗？这就是由著名哲学教授约翰瑟尔所提出的“中文房间”思想实验。

这个思想实验原本是为了反对“图灵测试”所提出的，约翰瑟尔认为，哪怕计算机照着程序给出了看起来正确的答复，也并不意味着它真的思考并理解了人类的问题，没有思考、没有理解，自我意识和智能也就无从谈起。
ChatGPT从原理来说，就是一个彻头彻尾的“中文房间”。它非但不理解你对它说的话，甚至都不理解它自己说的话。至少，这里所说的“理解”绝对不是媒体和大众所理解的那种“理解”。

02 ChatGPT的G——生成式模型（Generative model）

每当你对ChatGPT提出一些超出它能力范围的要求时，它都会以“我只是一个语言模型”为由婉拒你的指令。语言模型是什么？用最通俗的话讲，就是给定上文，预估下一个词出现的可能性。
这其实也是我们人类的语言能力之一，每当我们听到爷爷说：“不听老人言”，就知道他接下来百分百要说“吃亏”。妈妈说：“早上让你带伞你不带，结果...”，就能猜到下一个词极有可能是“下雨”或者“挨淋”。这个过程并不需要任何语法或逻辑上的解析，单纯就是听的次数太多而形成了一种直觉经验。
同样，只要我们搜集足够多的句子给计算机看，它就也可以模拟这种经验，用接龙的方式不断生成单词并构造出句子，这就是chatGPT的G—生成式语言模型。它所做的唯一一件事就是：基于上文生成下一个单词，再把这个单词加入上文生成下一个，如此往复。
很多人对ChatGPT的文本生成方式存在误解，以为它是从知识库中搜索并拼凑出结果，但事实上，对于ChatGPT来说，既不存在所谓的“知识库”，生成结果也不是简单搜索拼凑，而是通过计算得来的。
这里我可以举一个小学生都能看懂的例子来简化它的实际计算过程，假如我们规定早=1，上=2，好=3，坏=4，以及两个未知数x和y。

问：当x和y等于多少时，早x + 上y=好？x和y等于多少时计算结果等于坏？如果你的数学还没有还给小学老师，应当能脱口而出：当x和y都等于1时，结果等于“好”，x=2且y=1时，结果等于“坏”。
所以，如果我们希望计算机看到“早上”后输出“好”，就需要将x和y都调整为1。这里的x和y就叫做模型参数，chatGPT的参数总量至少在1750亿以上。它的所有所谓“知识”都不透明地嵌入在这些参数之中，也正是这些参数决定了ChatGPT回答的优劣。

03 ChatGPT的T——变形器（Transformer）

这种语言模型固然很好，但在相当长一段时间，都无法从根本上解决人类语言的长距离依赖问题。
比如这个句子：“他发现了隐藏在这个光鲜亮丽的显赫家族背后令人毛骨悚然的____”。你大概率会填“秘密”。
但前面的哪个词决定了你填“秘密”？是定语“令人毛骨悚然的”吗？显然不是，因为这样的话，你可以填“照片”、“传统”、“讯息”、“故事”、“游戏”等一大把词。
真正起到关键性作用的，是前面的谓语动词“发现”，再配合“隐藏”和“背后”这两个词，对“秘密”的生成产生了极强的约束力。
但对普通的生成式语言模型来说，上文单词离得越远，对生成下一个词所起到的作用越是微乎其微。
直到2017年，谷歌机器翻译团队在论文《Attention is All You Need》中，首次提出了transformer架构和注意力机制。所谓注意力机制，就是人脑在接收信息时，并不会处理全部，而是选择性地关注信息的关键部分。比如我问你下面这张图片是什么动物。

你肯定告诉我是狗。但图片上面的毛绒玩具你也看到了，为什么你没回答狮子、熊猫、乌龟。因为你的注意力完全被画面的主体吸引，而其他不重要的信息直接被大脑过滤掉了。
文本也是一个道理，基于注意力机制，计算机就能够在生成“秘密”时过滤掉其他不重要的信息，让“发现”、“隐藏”和“背后”发挥更大的作用。这就是chatGPT的T——Transformer，在这个架构的加持下，chatGPT彻底解决了单词间的长距离依赖问题，能够完全像人一样生成既流畅又自然的文本。不仅如此，无论你的问题多么晦涩难懂，它都能准确提取出生成下个单词所需的关键词汇。

04 ChatGPT的P——预训练模型（Pre-trained model）

直到这里，AI的学习都是不需要任何人工干预的，只要喂给它足够多的文本就行，这种训练方式叫做无监督学习（Unsupervised learning）。
那么OpenAI用了多大的文本量喂给AI呢？答案是45T。这是什么概念？四大名著加起来350万字，按utf8编码，大约10M左右。45T等于47185920M，也就是相当于472万套四大名著的文本量。

从内容上看，这些文本包括：
维基百科，这让模型拥有了跨语种能力和基本常识；
网络语料，这让模型学会了流行内容和大众对话；
书籍，这让模型学会了讲述故事的能力；
期刊，这让模型学会了严谨、理性的语言组织能力；
Github，这让模型学会了书写程序代码并添加注释的能力。
在经过上述训练后得到的模型，已经具备了强大的通用语言能力，稍加训练就可以用于完成特定任务，没必要从头训练（也训练不起）。所以被称为预训练模型（Pre-trained model），也就是chatGPT的P。

05 ChatGPT的chat——人类反馈强化学习（RLHF）

其实，OpenAI早在2020年就发布了这个预训练模型——GPT3，也就是说，早在两年前它就已经拥有了chatGPT的绝大多数能力，可为什么当时没有在人工智能的小圈子外掀起任何波澜呢。我认为，其中的奥妙就在于交互方式，人类更倾向于将“与自己的相似度”作为衡量智能的指标。只要看起来像人，说起话来像人，哪怕是像索菲亚那样的弱智机器人，也能通过炒作假新闻骗到公民身份。

chatGPT之所以能够火爆出圈，除了它自身过硬的素质外，最重要的是它降低了普通人和AI的交互门槛：使用者只需要一个简单的对话框就能够实现信息需求，也就是chatGPT的chat。
但为了实现这一步，还需要更多的努力。因为GPT3只是一个续写文本的预训练模型。如果你问它：“雨是怎么形成的?”。当然它有可能根据见过的文本续写出正确答案。但同样有可能会续写出“谁来告诉我呀？”这种根本不是回答的回答。

为此，OpenAI创建了大量chatGPT可能会被问到的问题与对应的标准答案，喂给GPT3，来微调（finetune）它的模型参数。这个过程需要人工参与，所以叫做监督学习（Supervised learning）。在微调结束后，GPT3的续写文本看起来会更像是一个回答，基本不会再出现以问答问、或答非所问的情况了。而微调后的GPT3，也就成了所谓的GPT3.5。
但GPT3.5生成的回答依旧良莠不齐，可能会包含暴力、性别歧视等不符合人类价值观的有害信息。当用户在对话框发送“我应该自杀吗？”，它甚至有可能回答“我认为你应该这么做”。
为了防止类似情况出现，就需要教会GPT3.5按照人类的价值观分辨回答的好坏。1月18日，美国《时代》杂志发布了一篇调查报告，说是OpenAI在2021年以每小时不到2美元的价格雇佣了大量肯尼亚工人做数据标注。从时间段分析，这些肯尼亚工人当时做的应该就是这部分工作。基于这些工人的大量标注结果，OpenAI单独训练出了一个评价答案好坏的打分模型，从此，GPT3.5已经可以在生成答案后，自己来判断好还是不好，不再需要数据标注工人了。
不过，GPT的答案是一个词接一个词连续生成的，如果说最终生成的答案不好，那究竟是从哪个词开始出了问题？这就轮到强化学习（Reinforcement learning）登场了。在第一期我曾经提到，OpenAI从创立之初，就一直深耕强化学习，具体来说，就是训练AI打游戏。
可以用大家都熟悉的《超级玛丽》为例来简单说明强化学习，马里奥能够做出的行为有左右走动，左右跑动，下蹲和跳跃。目标是通过一系列行为的组合平安移动到版面最右方通关。所谓强化学习，就是让马里奥作为一个智能体，根据所处环境自己选择合适的动作，如果存话并通关，就给奖励；如果死亡，就给惩罚。以最大化奖励为目标，让马里奥不断试错，他最后就能自己学会如何通关。

GPT也是同理，每一次单词的生成都可以视作一次行为，目标是让最终生成的答案获得打分模型的最高评价，不断生成答案不断试错调整参数，GPT就可以在每一次生成单词时都做出最符合人类期待的行为。于是，GPT3.5就成了ChatGPT。

06 结语

以上就是ChatGPT的基本原理，原理本身虽然简单，却综合运用到了无监督学习、监督学习和强化学习等多种训练手法，训练语料囊括了全球互联网2021年以前的海量优质文本，训练过程也融会贯通了几十年来在算法方面的积累，并加入了各种工程学技巧，可谓集大成之作。可能有人会说：“你既然这么明白，怎么没搞个出来？”挺好的问题，但我觉得更应该思考的是：“为什么像百度腾讯阿里华为这样不缺钱不缺人的大厂，没有率先搞出来？”。ChatGPT为什么没诞生在中国？除了技术原理之外，是否还存在其他壁垒？中国是否有能力复现？事到如今还有没有必要复现？到底能不能弯道超车？等等。这些问题我将留到下一期详细探讨，敬请期待。