认识ChatGPT-ChatGPT与提示工程(上)

当前位置:　首页>> 技术小册>> ChatGPT与提示工程(上)

2022年11月，OpenAI推出了人工智能聊天机器人ChatGPT。该产品发布后，立刻引起了学术界和工业界的广泛关注，并逐渐成为全世界的焦点。

ChatGPT是一个强大的聊天机器人，一种人工智能模型，也是一种自然语言处理工具，全称为“Chat Generative Pre-trained Transformer”。

通过大量文本数据训练，ChatGPT学会了理解和生成人类语言。你可以和它交流各种话题，如电影、音乐、体育、科学、艺术相关的内容等；你也可以向它提出各种请求，如让它写一首诗、编一个故事、画一幅画等。ChatGPT会尽力满足你的需求，并且保持友好、有趣、有礼貌的态度。

需要注意的是，通常我们在谈到ChatGPT时，可能指的是2022年11月发布的最初引起轰动的GPT-3.5版本。由于OpenAI公司已经在2023年3月发布了更聪明、更强大的GPT-4，本书中的案例讲解均使用GPT-4模型，在提示工程部分的章节中，我们提到的ChatGPT也是指GPT-4。

不过，本书中介绍的提示工程方法对这两者，以及类似的其他大语言模型同样适用。

1.1.1 什么是语言模型

我们每天都在使用语言——无论是聊天、阅读、写作，还是思考。语言是人类最重要的沟通工具。我们可以借助所谓的“语言模型”(Language Model)来让计算机学习、理解和使用语言，而ChatGPT就是这样一种语言模型。

那么，语言模型是什么呢？语言模型可以理解为一种预测下一个token（自然语言处理的单位，可以简单理解为词）的统计模型。举例来说，如果我们输入“想吃”，语言模型会预测“饭”是接下来很有可能出现的词。因为根据它训练过的大量数据资料显示，“想吃饭”是一个很常见的短语，在数据资料中出现“想吃饭”短语的频率要高于“想吃鼠标”等短语。

再如，如果我们输入“今天天气很”，语言模型可能会预测“好”“差”等形容词，因为语言模型在训练过程中前面短语出现的情况下，后面这些词的出现频率很高。

简而言之，语言模型会根据我们输入的词序列，结合它见过的所有词序列组合，再根据词序列组合出现的频率，来预测下一个最有可能出现的词是什么。根据语言样本进行概率分布估计，就是语言模型。

那么，语言模型究竟长什么样子呢？为了帮助理解，简单打一个比方：你可以想象有一张巨大的表格，这张表格列出了所有词序列的组合，以及词序列对应组合出现的频率。当我们输入某个词序列时，语言模型会在这张表格里找出与之最匹配的词序列，并预测出其后面最常见的一个词。

当然，真实的语言模型远比表格复杂。它使用神经网络和深度学习算法来构建自己的“表格”，涉及上百万个词和词序列，还考虑了上下文语义等因素。但理论上，它所做的事情仍然是预测下一个最有可能出现的词。

虽然用机器“预测下一个词”的工作听起来简单得不可思议，但是结果却是产生了ChatGPT这样的划时代人工智能产品。

严格来说，ChatGPT属于语言模型中的大语言模型(Large Language Model,LLM)。语言模型的类型和对应的简单说明如表1.1所示。

![](/uploads/images/20231215/213349c041297e4a226d16ac8f3d5d33.png)

![](/uploads/images/20231215/6d92f69f1d4dcb3e4a2dc9c5c8edaa7b.png)

1.1.2 什么是GPT

要进一步了解ChatGPT，我们需要先将视线放在这个词的后半部分，也就是“GPT”三个字母上。

GPT是Generative Pre-trained Transformer的缩写，中文释译为“生成式预训练变换模型”。

1.Generative（生成式）

GPT是一种生成式人工智能。它通过计算大量数据中的概率分布，最终可以从分布中生成新的数据。所以，GPT可以用于各种任务，如写作、翻译、回答问题等。

2.Pre-trained（预训练）

Pre-trained即预训练，指的是GPT模型的一种训练方式。预训练是指在训练特定任务的模型之前，先在大量的数据上进行训练，以学习一些基础的、通用的特征或模式。用于预训练的数据通常是未标注过的，这意味着模型需要自我发现数据中的规律和结构，而不是依赖已标注的信息进行学习。使用无标注数据的训练方式通常被称为“无监督学习”。

这个预训练过程使得GPT能够学习到语言的一般模式和结构。然后， GPT可以通过在有标签的数据上进行微调，来适应各种不同的任务。

![](/uploads/images/20231215/b3ab1fbccd7a7ba2fee9f75c70b15e34.png)

3.Transformer

Transformer直译成中文可以是“改变者”“变换器”，甚至是“变形金刚”，这是GPT的基础架构。Transformer是一种深度学习模型，它使用自注意力机制来处理序列数据。这使得GPT能够有效地处理长文本，并捕捉到文本中的复杂模式。

那什么是自注意力机制呢？自注意力机制(Self-Attention)是Transformer的核心组成部分。这种机制的主要思想是在处理序列的每个元素时，不仅考虑该元素本身，还考虑与其相关的其他元素。

Transformer可以为语言模型提供一种“有的放矢”的能力，它可以对输入的文本中的每个词分配不同的重要性权重，然后进行权重比较，从而帮助模型理解文本中各词之间的依赖和关联关系，使其不再机械地对待每一个词，而是可以像人类一样有选择性地关注与理解信息。[1]

所以，当我们说“GPT”时，其实指的是一种能够生成新的连贯文本（可以回答问题、写作、进行聊天），在大量数据上进行预训练（知识丰富、学富五车、什么都知道），并使用Transformer架构（能够捕捉文本中各词之间的依赖和关联关系）的深度学习模型。

2017年，谷歌发布了关于Transformer的论文；2018年，OpenAI发布了GPT-1;2020年，OpenAI发布了GPT-3。此后，OpenAI在GPT-3的基础上又进行了人类反馈强化学习(Reinforcement Learning from Human Feedback,RLHF)和监督精调(Supervised Fine-tuning)。数次迭代后， ChatGPT(GPT-3.5)就这样训练成了，并在2022年11月发布，引起了全世界的轰动。

该分类下的相关小册推荐：

程序员必学数学基础课

AI时代产品经理：ChatGPT与产品经理(下)

ChatGPT通关之路(上)

深度学习与大模型基础(上)

文心一言：你的百倍增效工作神器

AI时代程序员：ChatGPT与程序员(下)

人工智能原理、技术及应用(下)

NLP自然语言处理

玩转ChatGPT：秒变AI提问和追问高手(下)

深度学习之LSTM模型

AI时代产品经理：ChatGPT与产品经理(中)

大模型应用解决方案-基于ChatGPT(下)