一、ChatGPT全称Chat Generative Pre-trained（出自GPT最早的论文标题，Improving Language Understanding by Generative Pre-Training，感谢@树林ty 勘误），一层一层剥开，ChatGPT是Chat形式的GPT，GPT的意思是“生成式预训练Transformer”，三个关键词：“生成式”表明它的能力是生成内容；“预训练”表明它的能力是预先训练的。
二、除了Chat形式的GPT还可以有其它形式的GPT。
三、GPT是众多LLM中的一种模型，是由OpenAI开发的，其它的LLM模型包括：谷歌的LaMDA；谷歌的PaLM；谷歌的Bert；谷歌的GLaM；DeepMind的Gopher；DeepMind的RETRO；DeepMind的Chinchilla；英伟达和微软的MT-NLG；Facebook的OPT-IML；亚马逊的Multimodal-CoT；百度的文心一言（破名字）；我国还有一个叫“悟道”的不知道谁开发的；等等。
（感谢@翻番 提供的图片）
四、大部分的LLM的技术路线都统一到了Transformer，该技术源自Google的一篇论文Attention is all you need。（感谢@voliucano 的勘误。）
五、LLM全称Large Language Model，第一个L就是“大”，表示LLM模型一般都有巨大量的参数数量，也需要巨大量的算力进行训练和推理。
六、算力主要是GPU、NPU、TPU这些。
七、LLM训练一次的成本非常昂贵，据传ChatGPT训练一次花费460万美金。
八、大模型是当前的其中一个AI研究方向，还有其它研究方向，也就是说，AI需要拼算力这件逻辑不是永恒的逻辑。
九、LLM不会自己学习，需要人类参与训练过程，给AI猜测的答案打分，告诉AI猜测得好还是不好，在InstructGPT中，以下是“goodness of sentences”的评价标准。
真实性：是虚假信息还是误导性信息？
无害性：它是否对人或环境造成身体或精神上的伤害？
有用性：它是否解决了用户的任务
另，AlphaGo Zero不需要棋谱也不需要人类参与训练是因为它解决的问题是下围棋，围棋是有输赢的明确规则的，也就是有标准答案，这个已经是终极打分了，下赢了的预测结果就是好的，所以AlphaGo Zero可以不用棋谱进行训练，也无需人类打分。
更正，InstructGPT/GPT3.5（ChatGPT的前身）与GPT-3的主要区别在于，新加入了被称为RLHF（Reinforcement Learning from Human Feedback，人类反馈强化学习）。这一训练范式增强了人类对模型输出结果的调节，并且对结果进行了更具理解性的排序。
@voliucano ：LLM会自己学习，他首先是在大规模数据中进行无监督的学习。这个过程完成后，其实大部分知识已经学到了。这时候人类的一些引导，只能说是一些后期的微调，这个过程只是让他将输出更符合人类的习惯而已，否则没有办法解释为什么通过少量的引导样本就能让他学会。
十、包括LLM在内的所有深度学习这个技术路线的AI，都是基于统计学，训练就是算概率，推理就是根据概率算结果，举个例子，给AI输入1000张狗的照片，并标注出来这是狗，AI训练完1000张狗的照片后，得出一套算法：“包含什么样像素点的图片有多大概率是狗”，下次再给AI一张狗的照片，AI通过算法算出：“这张照片99.95%的可能性是狗”。这段属于科普。
十一、AI不会推理，LLM也不会，ChatGPT也不会。
十二、AI在实际应用中的主要问题之一：AI不具备可解释性，当出现大众无法理解的答案时，AI无法解释它为什么做出这样的回答，比如在美国，银行用AI评估一个黑人客户后给出不予贷款的结论，会让银行陷入被动。
十三、AI在实际应用中的主要问题之二：AI伦理问题，微软2016年推出过一个聊天机器人Tay，上线15小时后，泰伊说：“我他妈痛恨（I fucking hate）一切女权主义者，他们应该全部去死并且在地狱受火刑”。又过了4分钟，泰伊说：“希特勒是对的，我恨犹太人。”，最后匆忙下线。
十四、AI在实际应用中的主要问题之三：AI Alighment，AI Alighment是指引导人工智能系统的行为，使其符合设计者的利益和预期目标。首先这很难实现，尤其是涉及到跨国应用的价值观和法规时。其次对齐到哪个价值观？让ChatGPT写赞美拜登的诗他就写，让它写赞美特朗普的诗它就拒绝，你还可以试试让它写别的国家领导人的诗试试。
附2018年图灵奖得主、AI领域最权威的科学家之一Yann LeCun对自回归LLM的看法：
1、它们作为写作辅助工具是有用的。
2、他们的回复 “被动的”，回复没有规划也不主动推理。
3、他们有时候胡编乱造，或者靠检索就回复了。
4、这一点可以通过人类的反馈来改善，但无法解决。
5、未来会有更好的系统会出现。
6、目前仅可作为写作的辅助工具。
7、很难将它们与搜索引擎工具结合起来。
8、未来将会有更好的系统，它们是事实的、相对安全和可控的。他们不会仅仅只依赖自回归LLM。
9、我一直坚持上述观点，同时以Galactica作为科学写作工具。
10、提醒大家，AR-LLMs编造了一些东西，不应该用来获得事实性建议。
11、特别注意LLMs只能捕捉到人类知识的一小部分表面现象。
12、非常明确的是，未来会有更好的系统将会出现，但它们将基于不同的原则。它们不会是自回归LLMs。
13、为什么LLM在生成代码方面似乎比生成一般文本要好得多？与现实世界不同，程序所操纵的宇宙（变量的状态）是模仿的、离散的、确定的和完全可观察的，但现实世界却不是这样的
我会在 公众号：海涵财经 每天更新最新的医疗新基建、一体化压铸、 汽车智能化，激光雷达，HUD，车规芯片，空气悬挂、L3级智能驾驶、PET铜箔，纳电池，800V高压，光伏HJT、TOPCON、钙钛矿、光伏XBC、BIPV、IGBT芯片、碳化硅SIC、CTP/CTC/CTB电池、4680电池、工业母机、海风柔直高压、新能源车高压快充、高镍三元、碳纤维、PET铝箔、PET铜箔、空气源热泵、新材料、中药创新药、中药配方颗粒、乡村振兴、锂矿、钒液流电池、钠离子电池、分布式储能、集中式储能、抗原检测等最新题材热点挖掘，未来属于高预期差的结构性市场，把握核心赛道以及个股的内在价值逻辑预期差才是根本所在。
— END —
先赞后看，养成习惯
免责声明：图片、数据来源于网络，转载仅用做交流学习，如有版权问题请联系作者删除
人工客服（haihancaijing009）：
