科普_20230225 Hung-yi Lee 台大李宏毅教授分享 ChatGPT原理
- 原理剖析 (1/3) — 對 ChatGPT 的常見誤解
- 一個具備很多(175Billion)參數的模型，可以看成一個方程式，會根據使用者輸入的文字，進行文字接龍。他會從很多字中挑出機率最高的接，後續的輸出也會根據前面的接龍結果，再找出機率最高的字詞接上去。
- open AI的工程師透過網路搜集的大量資料，去找出那個方程式。
- 原理剖析(2/3) - 預訓練(Pre-train)
- GPT的全名是 Generative Pretrained Transformer
- 其中的基礎架構是來自2017 Google的 Attention Is All You Need
- 論文中提到self attention的學習機制，可以學習序列資料的短距離/長距離關係。
- 其中的基礎架構是來自2017 Google的 Attention Is All You Need
- 一般的AI訓練，透過督導式學習，人類提供問題與正確答案訓練資料，找到那個可以符合規則的function。但假如當輸入資料/問題，超過他的訓練資料範圍，他就會爛掉。而成對的問題與正確答案資料，取得的成本高，需要有人/專家花時間確認答案的正確性，而數量也會有限。
- 有沒有什麼方式，可以無痛產生成對資料？
- 把網路上的每一段文字，來讓機器文字接龍。
- 例如：一段句子『世界第一高峰是喜馬拉雅山』，我們拆成前後段。前段『世界第一高峰是』當做輸入，而後段『喜馬拉雅山』不管是不是正確的敘述，都告訴機器是正確的，讓他自己去找到fuction，可以讓輸出的第一個字機率更接近『喜』
- 把網路上的每一段文字，來讓機器文字接龍。
- GPT的歷史
- 2018 GPT 參數量117M，當時用到的訓練資料是1GB
- 2019 GPT2 參數量1542M，訓練資料變為40GB
- 開始具備回答QA能力，在一個QA的資料集中，當時正確率隨著參數成長也有成長，60%的正確率(人類90%)
- 2020 GPT3 參數量175 Billion，原本有45TB的資料，經過filtering訓練資料是570GB
- 訓練資料有來自Github(程式託管平台)的程式，因此可以應對程式接龍。
- 在42個任務上有50個％的正確率，當時的人覺得這麼大的參數量卻表現不符合期待/不受控。
- 能怎麼處理這個狀況？ chatGPT的產生
- 前面提到GPT透過一堆大量資料，透過文字接龍的方式學習。我們使用無痛的方式生成了成對的訓練資料，讓機器自督導學習(Self supervised learning)，那個階段我們稱之為預訓練(pretrained)。那階段得到的模型，我們稱呼為基石模型(foundation model)
- 預訓練的幫助？
- 在多種語言上的文字接龍後，只要教某一個語言的某一個任務，就能自動學會其他語言的同樣任務。例如教了學習英文閱讀能力測驗，也能學會在中文閱讀能力測驗。
- 預訓練的幫助？
- chatGPT的產生
- 督導式學習：是再透過人類老師提供的正確資料微調，不過這樣人類老師也還是很辛苦，因此有下個方式的學習。
- 增強式學習：透過PPO(Proximal Policy Optimization)算法，不是直接給答案，人類老師是針對GPT的答案給予讚/噓。可以節省人類的力量，或是應對不太確定正確答案的生成結果。
- 前面提到GPT透過一堆大量資料，透過文字接龍的方式學習。我們使用無痛的方式生成了成對的訓練資料，讓機器自督導學習(Self supervised learning)，那個階段我們稱之為預訓練(pretrained)。那階段得到的模型，我們稱呼為基石模型(foundation model)
- GPT的全名是 Generative Pretrained Transformer
- 原理剖析(3/3)-ChatGPT所帶來的研究問題
- slide: https://drive.google.com/file/d/1wRxoj0xxXfe2MtcX1D8BbTE1IKbzUg5j/view
- 怎麼讓chatGPT不會亂回答？
- 精準提出需求，對chatGTP進行『催眠』，在學術界叫做Prompting
- chatGTP使用的訓練資料只到2021，要如何更新他呢？
- 要如何更新一個錯誤的回答，但不會把其他部份搞爛？
- 新的題目：『Neural Editing』
- 要如何更新一個錯誤的回答，但不會把其他部份搞爛？
- 如何偵測人工智慧生成的物件？文字/聲音/影像
- 如何讓chatGPT不會洩漏隱私資料？『Machine Unlearning』，讓機器忘記他曾經學過的資訊
🙏🙏🙏
Since you've made it this far, sharing this article on your favorite social media network would be highly appreciated 💖! For feedback, please ping me on Twitter.
Published