ChatGPT技術(shù)報(bào)告
發(fā)表時(shí)間：2023-04-10
ChatGPT是一個(gè)由OpenAI開發(fā)的大型語言模型，是GPT（Generative Pretrained Transformer）系列模型的一部分。它使用了 Transformer 架構(gòu)，并在大量的文本數(shù)據(jù)上進(jìn)行了預(yù)訓(xùn)練。預(yù)訓(xùn)練的目的是使模型能夠從大量的文本中學(xué)習(xí)語言知識(shí)和模式，從而在接下來的任務(wù)中更好地進(jìn)行語言生成。ChatGPT 的應(yīng)用領(lǐng)域廣泛，包括聊天機(jī)器人，問答系統(tǒng)，文本生成，語音識(shí)別等。在聊天機(jī)器人領(lǐng)域，ChatGPT可以提供人類般的自然語言回答，并且在語法和語義方面的表現(xiàn)十分出色。
一、GPT發(fā)展歷程
Generative Pre-trained Transformer (GPT)，是一種基于互聯(lián)網(wǎng)可用數(shù)據(jù)訓(xùn)練的文本生成深度學(xué)習(xí)模型。它用于問答、文本摘要生成、機(jī)器翻譯、分類、代碼生成和對(duì)話 AI。
1.GPT-1
2018 年，GPT-1 誕生，這一年也是 NLP（自然語言處理）的預(yù)訓(xùn)練模型元年。性能方面，GPT-1 有著一定的泛化能力，能夠用于和監(jiān)督任務(wù)無關(guān)的 NLP 任務(wù)中。其常用任務(wù)包括：
◇ 自然語言推理：判斷兩個(gè)句子的關(guān)系（包含、矛盾、中立）
◇ 問答與常識(shí)推理：輸入文章及若干答案，輸出答案的準(zhǔn)確率
◇ 語義相似度識(shí)別：判斷兩個(gè)句子語義是否相關(guān)
◇ 分類：判斷輸入文本是指定的哪個(gè)類別
雖然 GPT-1 在未經(jīng)調(diào)試的任務(wù)上有一些效果，但其泛化能力遠(yuǎn)低于經(jīng)過微調(diào)的有監(jiān)督任務(wù)，因此 GPT-1 只能算得上一個(gè)還算不錯(cuò)的語言理解工具而非對(duì)話式 AI。
2.GPT-2
GPT-2 也于 2019 年如期而至，不過，GPT-2 并沒有對(duì)原有的網(wǎng)絡(luò)進(jìn)行過多的結(jié)構(gòu)創(chuàng)新與設(shè)計(jì)，只使用了更多的網(wǎng)絡(luò)參數(shù)與更大的數(shù)據(jù)集：最大模型共計(jì) 48 層，參數(shù)量達(dá) 15 億，學(xué)習(xí)目標(biāo)則使用無監(jiān)督預(yù)訓(xùn)練模型做有監(jiān)督任務(wù)。在性能方面，除了理解能力外，GPT-2 在生成方面第一次表現(xiàn)出了強(qiáng)大的天賦：閱讀摘要、聊天、續(xù)寫、編故事，甚至生成假新聞、釣魚郵件或在網(wǎng)上進(jìn)行角色扮演通通不在話下。在“變得更大”之后，GPT-2 的確展現(xiàn)出了普適而強(qiáng)大的能力，并在多個(gè)特定的語言建模任務(wù)上實(shí)現(xiàn)了彼時(shí)的最佳性能。
3.GPT-3
之后，GPT-3 出現(xiàn)了，作為一個(gè)無監(jiān)督模型，幾乎可以完成自然語言處理的絕大部分任務(wù)，例如面向問題的搜索、閱讀理解、語義推斷、機(jī)器翻譯、文章生成和自動(dòng)問答等等。而且，該模型在諸多任務(wù)上表現(xiàn)卓越，例如在法語-英語和德語-英語機(jī)器翻譯任務(wù)上達(dá)到當(dāng)前最佳水平，自動(dòng)產(chǎn)生的文章幾乎讓人無法辨別出自人還是機(jī)器，更令人驚訝的是在兩位數(shù)的加減運(yùn)算任務(wù)上達(dá)到幾乎 100% 的正確率，甚至還可以依據(jù)任務(wù)描述自動(dòng)生成代碼。一個(gè)無監(jiān)督模型功能多效果好，似乎讓人們看到了通用人工智能的希望，這就是 GPT-3 影響如此之大的主要原因。
InstructGPT 的工作原理是開發(fā)人員通過結(jié)合監(jiān)督學(xué)習(xí)+從人類反饋中獲得的強(qiáng)化學(xué)習(xí)。來提高 GPT-3 的輸出質(zhì)量。在這種學(xué)習(xí)中，人類對(duì)模型的潛在輸出進(jìn)行排序；強(qiáng)化學(xué)習(xí)算法則對(duì)產(chǎn)生類似于高級(jí)輸出材料的模型進(jìn)行獎(jiǎng)勵(lì)。開發(fā)人員將提示分為三個(gè)部分，并以不同的方式為每個(gè)部分創(chuàng)建響應(yīng)：人類作家會(huì)對(duì)第一組提示做出響應(yīng)。開發(fā)人員微調(diào)了一個(gè)經(jīng)過訓(xùn)練的 GPT-3 ，將它變成 InstructGPT 以生成每個(gè)提示的現(xiàn)有響應(yīng)。
下一步是訓(xùn)練一個(gè)模型，使其對(duì)更好的響應(yīng)做出更高的獎(jiǎng)勵(lì)。對(duì)于第二組提示，經(jīng)過優(yōu)化的模型會(huì)生成多個(gè)響應(yīng)。人工評(píng)分者會(huì)對(duì)每個(gè)回復(fù)進(jìn)行排名。在給出一個(gè)提示和兩個(gè)響應(yīng)后，一個(gè)獎(jiǎng)勵(lì)模型(另一個(gè)預(yù)先訓(xùn)練的 GPT-3)學(xué)會(huì)了為評(píng)分高的響應(yīng)計(jì)算更高的獎(jiǎng)勵(lì)，為評(píng)分低的回答計(jì)算更低的獎(jiǎng)勵(lì)。
開發(fā)人員使用第三組提示和強(qiáng)化學(xué)習(xí)方法近端策略優(yōu)化(Proximal Policy Optimization, PPO)進(jìn)一步微調(diào)了語言模型。給出提示后，語言模型會(huì)生成響應(yīng)，而獎(jiǎng)勵(lì)模型會(huì)給予相應(yīng)獎(jiǎng)勵(lì)。PPO 使用獎(jiǎng)勵(lì)來更新語言模型。
二、ChatGPT的技術(shù)原理
總體來說，Chatgpt 和 InstructGPT 一樣，是使用 RLHF（從人類反饋中強(qiáng)化學(xué)習(xí)）訓(xùn)練的。不同之處在于數(shù)據(jù)是如何設(shè)置用于訓(xùn)練（以及收集）的。
ChatGPT是一個(gè)大型語言模型，由OpenAI訓(xùn)練，具有高效的語言處理能力。它的底層原理主要包括三個(gè)方面：Transformer架構(gòu)、自注意力機(jī)制和預(yù)訓(xùn)練。
(1) Transformer架構(gòu)：Transformer是一種用于處理序列數(shù)據(jù)（如文本）的神經(jīng)網(wǎng)絡(luò)架構(gòu)，是在自注意力機(jī)制的基礎(chǔ)上構(gòu)建的。編碼器和解碼器是它的兩個(gè)主要組成部分，分別用于處理輸入數(shù)據(jù)和生成輸出數(shù)據(jù)。
(2) 自注意力機(jī)制：自注意力機(jī)制是Transformer架構(gòu)的核心，它通過編碼輸入單元并計(jì)算每個(gè)輸入單元與每個(gè)輸出單元的相關(guān)性，來實(shí)現(xiàn)對(duì)輸入數(shù)據(jù)的分析。
(3) 預(yù)訓(xùn)練：預(yù)訓(xùn)練是一個(gè)在大量文本數(shù)據(jù)上訓(xùn)練語言模型的過程。通過預(yù)測文本中下一個(gè)詞語的概率，模型學(xué)習(xí)語言的語法、語義和模式。預(yù)訓(xùn)練后的模型可以在新的數(shù)據(jù)上獲得更好的表現(xiàn)。
ChatGPT的訓(xùn)練過程分為以下三個(gè)階段：
第一階段：訓(xùn)練監(jiān)督策略模型
GPT3.5本身很難理解人類不同類型指令中蘊(yùn)含的不同意圖，也很難判斷生成內(nèi)容是否是高質(zhì)量的結(jié)果。為了讓GPT3.5初步具備理解指令的意圖，首先會(huì)在數(shù)據(jù)集中隨機(jī)抽取問題，由人類標(biāo)注人員，給出高質(zhì)量答案，然后用這些人工標(biāo)注好的數(shù)據(jù)來微調(diào)GPT-3.5模型（獲得SFT模型，Supervised Fine-Tuning) 。此時(shí)的SFT模型在遵循指令/對(duì)話方面已經(jīng)優(yōu)于GPT-3，但不一定符合人類偏好。
第二階段：訓(xùn)練獎(jiǎng)勵(lì)模型（Reward Mode,RM)
這個(gè)階段的主要是通過人工標(biāo)注訓(xùn)練數(shù)據(jù)（約33K個(gè)數(shù)據(jù)），來訓(xùn)練回報(bào)模型。在數(shù)據(jù)集中隨機(jī)抽取問題，使用第一階段生成的模型，對(duì)于每個(gè)問題，生成多個(gè)不同的回答。人類標(biāo)注者對(duì)這些結(jié)果綜合考慮給出排名順序。這一過程類似于教練或老師輔導(dǎo)。
接下來，使用這個(gè)排序結(jié)果數(shù)據(jù)來訓(xùn)練獎(jiǎng)勵(lì)模型。對(duì)多個(gè)排序結(jié)果，兩兩組合，形成多個(gè)訓(xùn)練數(shù)據(jù)對(duì)RM模型接受一個(gè)輸入，給出評(píng)價(jià)回答質(zhì)量的分?jǐn)?shù)。這樣，對(duì)于一對(duì)訓(xùn)練數(shù)據(jù)，調(diào)節(jié)參數(shù)使得高質(zhì)量回答的打分比低質(zhì)量的打分要高。
第三階段：采用PPO（Proximal Policy Optimization,近端策略優(yōu)化）強(qiáng)化學(xué)習(xí)來優(yōu)化策略。
PPO的核心思路在于將Policy Gradient中On-policy的訓(xùn)練過程轉(zhuǎn)化為Off-policy,即將在線學(xué)習(xí)轉(zhuǎn)化為離線學(xué)習(xí)，這個(gè)轉(zhuǎn)化過程被稱之為lmportance Sampling。這一階段利用第二階段訓(xùn)練好的獎(jiǎng)勵(lì)模型，靠獎(jiǎng)勵(lì)打分來更新預(yù)訓(xùn)練模型參數(shù)。在數(shù)據(jù)集中隨機(jī)抽取問題，使用PPO模型生成回答，并用上一階段訓(xùn)練好的RM模型給出質(zhì)量分?jǐn)?shù)。把回報(bào)分?jǐn)?shù)依次傳遞，由此產(chǎn)生策略梯度，通過強(qiáng)化學(xué)習(xí)的方式以更新PPO模型參數(shù)。
