文｜真梓
编辑｜石亚琼
来源｜数字时氪（ID：digital36kr）
一场还不入局就会被淘汰的游戏，已经在全球拉开帷幕。去年底，自ChatGPT这个略显拗口的名字在全球引爆对话式风潮，微软、亚马逊、谷歌等大厂入局其中的消息，就像接连丢进水中的石子，不断在科技领域激起浪花。其中，微软作为ChatGPT背后母公司的投资人最早押下重注，于本周宣布在所有产品线内集成ChatGPT能力。而当ChatGPT将取代搜索引擎的论调甚嚣尘上，谷歌也坐不住了，于北京时间2月7日宣布将推出自己的对话式机器人"Bard"（吟游诗人）。就在同天，百度官宣将基于自家的文心大模型，推出类ChatGPT的产品"文心一言"。当日下午，国内搜索引擎市场的第二名360紧随其后，披露自家已在内部使用这类产品，同样计划尽快推出类ChatGPT的Demo版产品。消息发出两小时后，其股价应声涨停。新消息还在持续。北京时间2月8日凌晨，微软在媒体发布会上宣布开放ChatGPT支持的搜索引擎Bing。而在官宣消息纷飞的背后，不难发现几乎每个追赶ChatGPT的大厂，都在提及"大模型"的概念。百度在短短数行的官宣中，专门花去一段介绍自家的AI四层架构布局，并重点提及文心大模型。谷歌CEO桑达尔·皮查伊也表示，自家的AI对话式机器人"Bard"（吟游诗人），由大模型LaMDA提供支持。360的披露十分坦率，表示自家布局ChatGPT类产品的优势在于数据和语料，在预训练大模型方面还存在短板。ChatGPT和大模型是一体两面的关系。表面看，ChatGPT是一个具备聊天、咨询、撰写诗词作文等能力的对话式机器人。但本质上，它是基于AI大模型而产生的应用——如果没有大模型的能力支撑，如今引爆全球的ChatGPT或将不会诞生。
爆火背后：由大模型打开的ChatGPT魔盒ChatGPT能达到如今"上知天文、下知地理"的效果，离不开基于海量数据而生的大模型——是大模型，让它理解并使用人类语言，并近乎真实地进行对话和互动。海量数据是大模型的基础。顾名思义，这是一种通过亿级的语料或者图像进行知识抽取、学习，进而产生的亿级参数模型。而ChatGPT，是OpenAI GPT-3模型的升级。在参数量上，GPT-3模型拥有1750亿参数。这带来超乎想象的突破——基于大量文本数据（包括网页、书籍、新闻等等），ChatGPT获得了对不同类型的话题进行回答的能力。再加上学习方法的差异性，ChatGPT能够发散式地解答问题。大模型不是新鲜事物，在2015年左右业内已有讨论。但在大模型出现的背后，其实蕴藏着一场人工智能落地模式的变革。作为人工智能最重要的组成部分之一，机器学习的落地长期依赖数据模型。它需要大量的数据来训练模型，以便让计算机系统得以从数据中进行学习。简单从效果总结，当数据量越大，机器学习得以学习的基础越多，让效果更精准、更智能的可能性就越高。这也意味着，在数据量不够大的过去，机器学习的发展会受到阻碍。而伴随着PC和移动互联的进展，机器学习生存的基础——数据量也呈几何式增长。由此产生的一个现象是，从1950年到2018年，模型参数增长了7个数量级。而在2018年之后的4年内，模型参数增长了5个数量级，从数亿个达到超千亿水平。也就是说，当数据量充足，机器学习就具备进一步升级的可能，而这个可能性在2018年已经存在。但是，仅有数据还不够，伴随着数据使用而来的，还有递增的成本——机器学习环节中使用的数据量越大，所需的数据标注、数据清洗、人工调参等成本也就越高。高质量的标注数据难以获得，让整件事的投入产出比打了折。如今，机器学习主要分为监督学习、无监督学习和半监督学习三种学习方法。大模型，与无监督学习、半监督学习息息相关。早前，构建机器学习的主流方法是监督学习。也就是先收集数据，再通过强人工干预/监督的方式，喂给模型一套经过人工校验的输入和输出组合，让模型通过模仿，完成学习。“在完成标注、清洗环节后，我会给机器输入一组数据，并反馈学习结果的正确或者错误，让它找到参数之间的关联并进行优化。”一位曾参与过算法调优的产品经理表示。而无监督学习不需要打标，而且在训练数据中，只给定输入，没有人工给出正确的输出，目的是让模型开放式地、自己学习数据之间的关系。半监督学习则处于两者之间。在这种学习方式中，模型会尝试从未标记的数据中提取信息来改进它的预测能力，同时也会使用已标记的数据来验证它的预测结果。也就是说，相比过去的监督学习，无监督学习和半监督学习节省了更多成本，降低了对高质量标注数据的依赖。“如果没有无监督学习，大模型很可能是训练不出来的。”一位横跨学术、商业两界的AI专家不久前告诉36氪。当然，ChatGPT能横空出世，降低成本并不是最重要的。在监督学习的模式下，人工"调教"的数据经常来自于一些属于属于特定领域、整体数量不大的数据集。这会导致，一旦某个领域的模型要应用到其他领域，就会出现难以适应的情况，也就是所谓的"模型泛化能力不佳"。举个例子，在问答数据集上表现不错的模型，用到阅读理解上很可能产生不尽如人意的结果。而大模型的诞生，能够相对解决"泛化能力"不佳的问题，也就是变得更通用。这背后也是因为，大模型基于互联网公开的海量数据进行训练，没有以特定的小数量数据作为基础。这种方式，更可能训练出一套适用多个场景的通用基础模型——这同样是ChatGPT能回答各种五花八门问题的重要原因。总而言之，大模型的落地是机器学习的一个里程碑，也是打开ChatGPT魔盒的关键钥匙。
GPT系列：落地大模型的"自我革命"
回顾ChatGPT的迭代，可以看到一部大模型自我升级的历史。在这个过程里，OpenAI至少进行了三次技术路线的"自我革命"。前文提到，ChatGPT基于OpenAI的第三代大模型GPT-3升级而来，也就是在GPT3.5上进行微调而诞生。从名称也能看出，OpenAI此前还发布了GPT-1、GPT-2和GPT-3。这几代GPT的落地方式不尽相同。第一代生成式预训练模型GPT-1于2018年被推出。GPT-1的学习方式是半监督学习，也就是先用无监督学习的方式，在8个GPU上花费1个月从大量未标注数据中学习，然后再进行有监督的微调。这样做的好处是，只需要少量微调，就可以增强模型的能力，减少对资源和数据的需求。但问题在于，GPT-1的数据较少，和如今的动辄千亿对比，当时1亿多的参数量似乎少的可怜。这使得，GPT-1模型整体对世界的认识不够全面和准确，并且泛化性依然不足，在一些任务中的性能表现不佳。在GPT-1推出一年后，GPT-2正式面世。这一代的GPT在底层架构上和"前辈"没有差别，但在数据集方面，GPT-2有着40GB的文本数据、800万个文档，参数量也大幅突破到了15亿个。有研究显示，参数量爆发的GPT-2，生成的文本几乎与《纽约时报》的真实文章一样令人信服。这也让更多人意识到无监督学习下，大模型的价值所在。伴随着每年一更新的频率，2020年，GPT-3如约而至。这次的GPT-3，在模型参数上达到了1750亿个，类型上也包含了更多的主题文本。相对GPT-2，这次的新版本已经可以完成答题、写论文、文本摘要、语言翻译和生成计算机代码等任务。需要指出的是，此时的GPT-3依然走的是无监督学习、大参数量的路线，而到了2022年，情况发生了不小的变化。这一年，在GPT-3的基础上，OpenAI推出了InstructGPT。OpenAI表示，InstructGPT 是 GPT3 的微调版本，在效果上降低了有害的、不真实的和有偏差的输入。而ChatGPT与InstructGPT除却训练模型的数据量不同，并无太大差异。问题来了，为什么InstructGPT和ChatGPT可以进一步提升智能性，优化人们的交互体感？背后原因在于，OpenAI在2022年发布的这两个模型，从技术路线上又开始看重人工标注数据和强化学习——也就是从人类反馈(RLHF) 中强化学习。据介绍，这一次OpenAI使用一小部分人工标记的数据来构建奖励模型。粗看下来，无监督学习下的大模型路线特点在于数据量大，和降低数据标注和人工依赖——这是GPT-2和GPT-3的核心。而InstructGPT和ChatGPT的路线，则像是阶段性重回了人工路线。这种变化看似剧烈，但其实是为了让AI产品更好用而产生的调整。拆解背后逻辑，ChatGPT的训练离不开GPT-3.5的大模型基础，但其中引入的人工标注数据和强化学习，则可以让大模型更理解信息的含义，并进行自我判断——也就是更贴近理想中的人工智能效果。也就是说，之前的无监督学习给定输入，不给出正确的输出，让模型得以在海量数据的基础上"自由发展"，具备人工智能的基本素质。但此时加入人类对大模型学习结果的反馈，会让模型更理解输入自身的信息和自身输出的信息，变得更好用。落在具体场景中，经过人类反馈的ChatGPT，可以提升判断用户提问意图（即输入）和自身答案质量（即输出）的能力。为了达成更好的效果，有信息显示，OpenAI招聘了40个博士来进行人工反馈工作。对人工智能中的人力工作先抛弃再捡回，这看似前后矛盾的做法，也得到不少行业人士肯定。比如，京东集团副总裁、IEEE Fellow何晓冬不久前对媒体表示，相较之前大量使用无监督深度学习算法，ChatGPT模型背后的算法和训练过程更加新颖。如果没有人的数据甄选，模型参数即便大十几倍，也很难达到如今效果。“在某种意义上，这其实是对过去一味追求（参数）大和追求无监督学习的一个路线修正。”何晓冬总结。当然，即使重新重视人工反馈，也不意味着OpenAI完全放弃此前的坚持。有分析指出，ChatGPT的训练主要分为了三个阶段，前两个阶段人工反馈非常重要，但在最后一公里上，ChatGPT只需要学习在第二阶段训练好的反馈模型，并不需要强人工参与。无论是 GPT-1、2、3还是InstructGPT和ChatGPT，OpenAI这五年的模型迭代之路似乎也是一场自我改革。这同样说明，把某类技术推演到极致，并不是这家公司的坚持——不论是无监督学习、自监督学习还是半监督学习，从来不是为了炼就大模型，而是想让AI更智能。
大厂收割大模型，但"炼"模型不是终点
即便大模型的能力随着ChatGPT的爆红而走向台前，但业界的争议依旧无法掩饰。从商业模式来看，当大模型变得更通用，更多企业可以依赖大模型的基础，进行更偏自身业务属性的微调。这样做在理论上的好处是，不少企业可以省去很多训练模型的成本，而推出大模型的公司，可以向前者收取调取大模型的费用。但36氪发现，这一思路当前也在被一些产业人士"吐槽"。一家AIGC公司的创始人告诉36氪，这件事不仅是钱和成本的问题，重点是调用第三方大模型存在很多限制，会对自家业务造成影响。"比如，你很难针对一些应用场景来做优化。"他举例，如果想做声音模拟和形象模拟的综合型需求，需要模型提供方提供综合能力，而一旦有一个技术点不到位，就会导致产品效果不佳。吐槽效果之外，36氪还了解到业内有公司在通过算法优化的方式，期望降低大模型落地的成本。但本质上，大模型无疑是一个天生适合巨头的生意——这从其成本投入上可见一斑。从流程上拆解，构建一个大模型至少需要足够的数据处理、计算和网络能力。拿流程上游的数据处理来说，无监督学习能解决一部分数据标注的成本，但此前的数据收集、数据清洗成本依然难以降低。而且这些工作经常需要依赖人工，难以完全工具化，再看计算和网络，大模型的训练任务场景动辄需要几百甚至几千张GPU卡的算力。这意味着在算力之外，当服务器节点众多，跨服务器通信需求大，网络带宽性能亦成为GPU集群瓶颈，高性能计算网络也随之成为一个话题。具体的数字更具说服力。有报道指出，Stability AI此前仅计算就需要花费约2000万美元。而如果仅拿大模型去做微调和推理，本地也需要好几千GB的内存。潞晨科技创始人尤洋也曾提及，想把大模型部署到生产线，若一个企业从零开始自己做会需要70人左右的人力。而在欧美地区光是养活70个人，成本就需要2000万美金。大厂对大模型的高价入场券并不讳言。去年年底，一位国内头部互联网公司的数据部门负责人对36氪直言，如果中型公司想要复刻大模型之路，在他看来是一个十分不经济、不理性的行为。他进一步表示，就算是这家市值早超百亿美元的公司，做大模型的初衷也是为服务自身内部的业务——也就是让需要AI能力的各业务部门拥有统一的能力支撑，避免多重内耗。所以，大厂收割底层大模型，中小公司选取更适合自己业务特点的大模型，并基于此建立起行业应用，是相对合理的路线。换言之，AI领域会重现国内云计算的格局。大厂热情勃发，带来另一个有趣现象，就是自2020年起，中国的大模型数量骤增。根据统计，仅在2020年到2021年，中国大模型数量就从2个增至21个，和美国量级同等，大幅领先于其他国家。
来源：IDC即便剔除大厂的劲头，这一现象的出现也有着国情合理性。首先，大模型底层更依赖工程能力，再加上中国作为人口和移动互联大国，数据量天然众多。这两个前提，让中国天生具备打造大模型的优势。然而不论是国内还是国外，大模型都同时面临着一个灵魂拷问——当数据量越叠越大，底层算力又无法承载时，大模型之路是否还能走通？这一问题对中国来说更需重视，毕竟国内底层硬件能力的突破，还处于漫漫征途中。或许对中国的从业者而言，这次ChatGPT的爆红只是一个表面现象，更深的启示在于看到OpenAI对大模型落地的"自我迭代"。毕竟，这家公司已用至少五年的自我博弈过程告诉所有人，一味"炼"就大模型不是目的，让AI真正可用好用，才是终章。
参考文献：
《透过ChatGPT的进化足迹，OpenAI传达了哪些信号？》，脑极体《百度类ChatGPT产品将在3月完成内测 业内人士：谨慎乐观》，财联社《ChatGPT爆火，揭秘AI大模型背后的高性能计算网络》，InfoQ
36氪旗下官方公众号
👇🏻 真诚推荐你关注 👇🏻
