【人工智能】万字通俗讲解大语言模型内部运行原理 | LLM | 词向量 | Transformer | 注意力机制 | 前馈网络 | 反向传播 | 心智理论

大家好这里是最佳拍档我是大飞

这半年时间啊

大语言模型无疑是最火爆的

但是我们呢一直没有好好的去讲一下

大语言模型内部究竟是如何工作的

不过最近啊

蒂姆·李(Tim Lee)和肖恩·特洛特(Sean Trott)

联合编写了一篇文章

用最少的数学知识和术语

对大语言模型进行了解释

先简单对文章作者做一下介绍啊

蒂姆·李曾经任职于科技媒体Ars Technica

他最近呢也推出了一份newsletter

《Understanding AI》

主要是探讨人工智能的工作原理

而肖恩特洛特呢

是加里福尼亚大学圣迭戈分校的助理教授

主要研究人类语言理解和语言模型

好了以下是我翻译的文章内容

咱们看看当你看完视频之后

究竟能否理解大语言模型的内部机制

全文呢几乎没有太复杂的数学概念、公式和运算

所以我觉得呢

对于很多初学者来说也是非常友好的

当ChatGPT在去年秋天推出的时候

在科技行业乃至全世界的范围内引起了轰动

当时呢机器学习的研究人员

已经研发了多年的大语言模型

但是普通大众并没有十分的关注

也没有意识到他们会变得有多强大

如今呢几乎每个人都听说过大语言模型了

并且呢有数千万人用过他们

但是了解他们工作原理的人并不多

你可能听说过

训练大语言模型是用来预测下一个词

而且呢他们需要大量的文本来实现这一点

但是一般的解释呢通常也就是止步于此

他们究竟如何预测下一个词的细节

往往被大家视为一个深奥的谜题

其中一个原因是

大语言模型的开发方式非常与众不同

一般的软件呢都是由人类工程师所编写的

他们为计算机提供明确的逐步的指令

而相比之下

ChatGPT是建立在一个

使用了数十亿个语言词汇

进行训练的神经网络之上

因此呢到现在为止

地球上也没有人完全理解

大语言模型的内部工作原理

研究人员正在努力尝试理解这些模型

但是这是一个需要数年

甚至几十年才能够完成的缓慢过程

不过呢专家们确实对这些系统的工作原理

已经有了不少的了解

我们的目的呢是将这些知识开放给广大的受众

我们将在不涉及技术术语或者高级数学的前提下

努力解释已知的大语言模型内部的工作原理

我们将从解释词向量Word Vector开始

这是语言模型表示和推理语言的一种令人惊讶的方式

然后我们将深入探讨Transformer

它是构建ChatGPT等模型的基石

最后呢我们将解释这些模型是如何训练的

并且探讨为什么要使用庞大的数据量

才能够获得良好的性能

要了解语言模型的工作原理

首先需要了解他们如何来表示单词

人类呢是用字母序列来表示英文单

词的比如说C-A-T cat表示猫

而语言模型呢使用的是一个叫做词向量的

一长串数字的列表

比如说这是一种将猫表示为向量的方式

完整的向量长度呢实际上有300个数字

那为什么要用这么复杂的表示方法呢

这里边啊有个类比

比如说华盛顿区位于北纬38.9度西经77度

我们可以用向量表示法表示为

华盛顿区的坐标是38.9和77

纽约的坐标呢是40.7和74

伦敦的坐标呢是51.5和0.1

巴黎的坐标呢是48.9和-2.4

这对于推理空间关系很有用

你可以看出纽约离华盛顿区很近

因为坐标中的38.9接近于40.7

而77呢接近于74

同样呢巴黎离伦敦也很近

但是巴黎离华盛顿区很远

大语言模型呢正是采用了类似的方法

每个词向量代表了词空间word space中的一个点

具有相似含义的词的位置互相会更为接近

比如说在向量空间中

与猫cat最接近的词就包括dog、kitten和pet

用实数向量来表示像cat这样的单词

它的一个主要优点就是

数字能够进行字母无法进行的运算

单词太过于复杂了

无法只使用二维来表示

因此大语言模型使用了具有数百甚至数千维度的向量空间

人们无法想象具有如此高维度的空间

但是计算机完全可以对它进行推理

并产生有用的结果

几十年来研究人员一直在研究词向量

但是这个概念呢真正引起关注的是在2013年

那时候Google公布了word2vec项目

Google分析了从Google新闻中收集的数百万篇文档

为了找出哪些单词倾向于出现在相似的句子中

随着时间的推移

一个经过训练的神经网络

学会了将相似类别的单词

比如说dog和cat

放置在向量空间中的相邻位置

Google的词向量还具有另一个有趣的特点

你可以使用向量运算来推理单词

比如说

Google研究人员取出biggest的向量

减去big的向量再加上small的向量

与结果向量最接近的词就是smallest

也就是说

你可以使用向量运算来进行类比

在这个例子中

big与biggest的关系类似于small与smallest的关系

Google的词像量还捕捉到了许多其他的关系

比方说瑞士人与瑞士这类似于柬埔寨人与柬埔寨

巴黎于法国类似于柏林与德国

不道德的与道德的类似于可能的与不可能的

mouse与mice类似于dollar与dollars

男人与女人类似于国王与女王

等等等等

因为这些向量是从人们使用语言的方式中构建的

所以他们反映了许多存在于人类语言中的偏见

比如说在某些词项链的模型中

医生减去男人再加上女人等于护士

减少这种偏见呢是一个很新颖的研究领域

尽管如此

词向量是大语言模型的一个基础

他们编码了词与词之间微妙但是重要的关系信息

如果一个大语言模型学到了关于cat的一些知识

比方说他有时候会去看兽医

那同样的事情呢很可能也适用于kitten或者dog

如果模型学到了关于巴黎和法国之间的关系

比方说他们使用了同一种语言

那么柏林和德国以及罗马和意大利的关系

很可能也是一样的

但是像这样简单的词向量方案

并没有捕获到自然语言的一个重要事实

那就是一个单词通常有多重的含义

比如说

单词bank可以指金融机构或者是河岸

或者以这两个句子为例

在这两个句子中magazine的含义相关但是又有不同

约翰拿起的是一本杂志

而苏珊为一家出版杂志的机构工作

当一个词有两个无关的含义时

语言学家称之为同音异义词（homonyms）

当一个词有两个紧密相关的意义时

比如说这个magazine

语言学家呢称之为多义词（polysemy）

像ChatGPT这样的大语言模型

能够根据单词出现的上下文

用不同的向量来表示同一个词

有一个针对于机构的bank的向量

还有一个针对于河岸的bank的向量

有一个针对于杂志的magazine的向量

还有一个针对于杂志社的magazine的向量

对于多义词的含义啊 正如你预想的那样

大语言模型使用的向量会更相似

而对于同音异义词的含义

使用的向量呢则不太相似

到目前为止

我们还没有解释语言模型是如何做到这一点的

我们很快呢会进入这个话题

不过详细说明这些向量表示

这对于理解大语言模型的工作原理非常重要

在传统软件的设计中数据处理呢是明确的

比如说你让计算机计算2+3

关于2、加号或者3的含义呢都不存在歧义问题

但是自然语言中的歧义

远不止于同音异义词和多义词

比方说顾客请修理工修理他的车

这句话中his是指顾客还是指修理工

教授催促学生完成她的家庭作业中

her是指教授还是学生

第三句中的flies

到底是一个动词在空中飞

还是一个名词果蝇呢

在现实中人们会根据上下文来解决这类歧义

但是并没有一个简单或者明确的规则

相反呢这就需要理解关于这个世界的实际情况

你需要知道

修理工经常会修理顾客的汽车

学生呢通常会完成自己的家庭作业

而水果呢通常不会飞

因此呢词向量为大语言模型提供了一种灵活的方式

用来在特定段落的上下文中

表示每个词的准确含义

现在让我们来看看

他们是究竟如何做到这一点的

ChatGPT最初版本背后的GPT-3

模型是由数十个神经网络层组成的

因为输入文本中的每个词会对应着一个向量

所以这些神经网络中的每一层

都会接受一系列的向量作为输入

并添加一些信息来帮助澄清这个词的含义

从而更好的预测接下来可能出现的词

让我们从一个简单的示例说起

大语言模型的每个层呢都是一个Transformer

2017年Google在一篇里程碑式的论文中

首次介绍了这种神经网络结构

在这张图的底部

模型的输入文本是John wants his back to catch the

翻译过来就是约翰想让他的银行兑现

这些单词呢被表示为word2vec的风格的向量

并传提给第一个Transformer

这个Transformer确定了wants和cash都是动词

我们用小括号内的红色文本表示这个附加的上下文

但实际上模型会通过修改词向量的方式来存储这个信息

这种方式对于人类来说很难解释

这些新的向量被称为隐藏状态hidden state

并传递给下一个Transformer

第二个transformer添加了另外两个上下文信息

他澄清了bank是金融机构financial institution

而不是河岸

并且his是指代John的代词

第二个Transformer产生了另一组隐藏状态向量

这组向量反映的是这个模型之前所学习的所有信息

这张图表描绘的是一个纯粹假想的大语言模型

所以大家呢不要对细节过于较真

真实的大圆模型往往有更多的层

比如说最强大的GPT-3版本有96层

有研究表明

前几层的神经网络会专注于理解句子的语法

并且解决上面所表示的歧义

而后面的层则致力于对整个文本段落的高层次的理解

比如说当大语言模型阅读一篇短篇小说的时候

他似乎会记住关于故事角色的各种信息

包括性别和年龄、与其他角色的关系

过去和当前的位置个性和目标等等

研究人员呢并不完全了解

大语言模型是如何跟踪这些信息的

但是从逻辑上来讲

模型在各层之间传递信息时候

必须通过修改隐藏状态的向量来实现

现代大语言模型中的向量维度极为庞大

这有利于表达更为丰富的语义信息

比如说GPT-3最强大的版本使用了有12,288个维度的词向量

也就是说每个词是由一个包含了12,288个的数字序列表示

这比Google在2013年提出的word2vec的方案要大20倍

你可以把所有这些额外的维度看作是GPT-3

可以用来记录每个词的上下文的一种暂存空间Scratch space

较早的层所做的信息笔记可以被后来的层读取和修改

从而使得模型逐渐加深对整篇文章的理解

因此假设我们将之前的图表改为描述一个96层的语言模型

来解读一个1,000字的故事

那么第60层可能会包含一个用于John的向量

带有一个表示为主角、男性、娶了谢利尔唐、纳德的表弟

来自于明尼斯达州、目前在博伊希、试图找到他丢失的钱包

这样一整套的括号注释

同样呢所有这些以及更多的事实

都会以一个包含12,288个数字列表的形式进行编码

这些数字都对应着这个词John

或者说这个故事中的其他词

比方说谢利尔、唐纳德、伯伊希、钱包

或者是其他的词

他们的某些信息也会被编码在12,288维的向量中

这样做的目标是让网络的第96层和最后一层

输出一个包含所有必要信息的隐藏状态

从而来预测下一个单词

现在我们来谈谈每个Transformer内部发生的情况

Transformer在更新输入段落的每个单词的隐藏状态时候

有两个处理过程

第一个呢是在注意力的步骤中

词汇会观察周围

查找具有相关背景并彼此共享信息的其他的词

第二呢在前馈步骤中

每个词会思考之前注意力步骤中收集到的信息

并尝试预测下一个词

当然了执行这些步骤的是整个网络

而不是个别的单词

但是我们用这种方式来表述是为了强调

Transformer是以单词作为这一个分析的基本单元

而不是整个句子或者是段落

这种方法使得大语言模型能够充分的利用

现代GPU芯片的大规模并行处理能力

它还可以帮助大语言模型

扩展到包含成千上万个词的长段落

而这两个方面都是早期大语言模型所面临的挑战

你可以将注意力机制

看作是单词之间的一个撮合服务

每个单词呢都会制作一个检查表称为查询向量

来描述他寻找的词的特征

每个词呢还会制作一个检查表称为关键向量

描述他自己的特征

神经网络通过将每个关键向量与每个查询向量进行比较

通过计算他们的点积来找到最佳匹配的单词

一旦找到匹配项

他就会从产生关键向量的单词

把相关信息传递给产生查询向量的单词

比如说在前面的部分中

我们展示了一个假想的Transformer模型

他发现在“John wants his bank to cash the”这个句子中

his指的就是John

在系统内部

过程可能是这个样子

his的查询向量可能会有效的表示为

我正在寻找一名描述男性的名词

而John的关键向量可能会有效的表述为

我是一个描述男性的名词

然后网络就会检测到这两个向量是匹配的

并将关于John的向量信息转移给his的向量

每个注意力层都有几个注意力头

这意味着这个信息交换的过程在每一层上会并行的进行多次

每个注意力头呢都会专注于不同的任务

比方说其中一个注意力头

可能会将代词与名词进行匹配

另外一个注意力头

可能会处理解析类似于bank这样的一词多义的含义

第三个注意力头

可能会将Joe Biden这样的两个单词连接在一起

诸如这类的注意力头经常会按照顺序来操作

一个注意力层中的注意力操作结果

会成为下一层中的另一个注意力头的输入

事实上呢

我们刚才列举的每个任务可能都需要多个注意力头

而不仅仅是一个

GPT-3的最大版本呢有96个层

每个层有96个注意力头

因此每次预测一个新词的时候

GPT-3将执行9,216个注意力的操作

以上内容

我们展示了注意力头工作的方式的一个理想化的版本

现在让我们来看一下关于真实语言模型内部运作的研究

去年研究人员在Redwood research研究了GPT-2

即ChatGPT的前身

对于“When Mary and John went to the store, John gave a drink to”

这个段落翻译过来就是当玛丽和约翰去商店

约翰把一杯饮料给了

预测这句话下一个单词的过程

GPT-2预测的下一个单词呢是Mary玛丽

研究人员就发现

有三种类型的注意力头对这个预测做出了贡献

第一种

三个被他们称为名称移动头的注意力头

（Name Mover Head）

将信息呢从Marry向量复制到了最后的输入向量

也就是to这个词所对应的向量

GPT-2使用这个最右向量中的信息来预测下一个单词

那么神经网络又是如何来决定Marry是正确的复制词呢

通过GPT-2的计算过程进行逆向的推导

科学家们发现了一组他们称之为主语抑制头的四个注意力头（Subject Inhibition Head）

它们标记了第二个John向量

阻止了名称移动头来复制John这个名字

主语抑制头又是如何知道不应该复制John的呢

团队进一步向后推导

发现了他们称为重复标记头的两个注意力头

（Duplicate Token Heads）

他们将第二个John向量

标记为第一个John向量的重复副本

这帮助主语抑制头来决定不应该复制John

简而言之

这9个注意力头使得GPT-2能够理解

“John gave a drink to John”是没有意义的

而选择“John gave a drink to Mary”

这个例子呢也侧面说明了

要完全理解大语言模型会有多么困难

由五位研究人员组成的Redwood团队

曾经发表了一篇25页的论文

解释了他们是如何识别和验证这些注意力头的

然而即使他们完成了所有这些工作

我们离对于为什么GPT-2决定

预测Mary作为下一个单词的全面解释

还有很长的路要走

比如说模型是如何知道下一个单词应该是某个人的名字

而不是其他类型的单词

很容易想到在类似的句子中

Mary不会是一个好的下一个预测词

比如说

在句子“when Mary and John went to the restaurant, John gave his keys to”这个句子中

逻辑上呢下一个词应该是“the valet”

即代客停车员

假设计算机科学家们进行了充足的研究

也许他们可以揭示和解释

GPT-2推理过程中的其他步骤

最终呢他们可能能够全面理解GPT-2

是如何决定Marry是句子最可能的下一个单词

但是这可能需要数个月甚至数年的努力

才能够理解一个单词的预测情况

而ChatGPT背后的语言模型

GPT-3和GPT-4 比GPT-2呢更加的庞大和复杂

相比于Redwood团队研究的简单句子

他们能够完成更复杂的推理任务

因此完全解释这些系统的工作将是一个巨大的项目

人类不太可能在短时间内完成

我们继续回到注意力头的部分

当注意力头在词向量之间传输信息之后

前馈网络会思考每个词向量并且尝试预测下一个词

在这个阶段单词之间没有交换任何的信息

前馈层会独立的去分析每个单词

但是前馈层可以访问之前由注意力头复制的任何信息

这个是GPT-3最大版本的前馈层结构

其中绿色和紫色的圆圈表示神经元

他们是计算其输入加权和的数学函数

前馈层之所以强大是因为它有大量的连接

在图上呢我们使用了三个神经元作为输出层

六个神经元作为隐藏层

绘制出了这个网络

但是GPT-3的前馈层要大得多

它的输出层有12,288个神经元

对应模型的12,288维的词向量

每个神经元有49,152个输入值

也就是每个神经元有49,152个权重参数

而隐藏层呢有49,152个神经元

每个神经元呢有12,288个输入值

也就是每个神经元有12,288个权重参数

这意味着每个前馈层有49,152乘以12,288

再加上12,288乘以49,152个

约等于12亿个权重参数

并且有96个前馈层

那加起来就是12亿乘以96等于1,160亿个参数

这相当于具有1,750亿参数的GPT-3将近2/3的参数量

在2020年的一篇论文中

来自特拉维夫大学的研究人员就发现

前馈层通过模式匹配进行工作

即隐藏层中的每个神经元

都能够匹配输入文本中的特定模式

下面呢是一个16层版本的GPT-2中

一些神经元匹配的模式

第一层的神经元匹配以substitutes结尾的词序列

第6层的神经元匹配与军事有关

并且以base或者bases结尾的词序列

第13层的神经元匹配以时间范围结尾的序列

比如说在下午3点到7点之间

或者从周五晚上7点到

第16层的神经元匹配与电视节目相关的序列

比如说原始的NBC日间版本已存档

或者说时间延迟使该集的观众增加了57%

没错正如我们所看到的

越是在后面的层中模式会变得越来抽象

早期的层会倾向于匹配特定的单词

而后期的层则匹配属于更广泛语言类别的短语

比如说电视节目或者说时间间隔

这部分呢其实很有意思

因为正如我们之前所说的

前馈层呢每次只能检查一个单词

因此当将训练原始的NBC日间版本已存档

分类为与电视相关的时候

他只能访问已存档这个词的向量

而不是NBC或者是日间等等词汇

可以推断出前馈层之所以可以判断已存档

是电视节目相关序列的一部分

是因为注意力头之前已经将上下文的信息

移到了已存档archived的这个词的向量中

当一个神经元与其中一个模式匹配的时候

他就会向这些词像量中添加信息

虽然这些信息呢并不总是很容易解释的

但是在许多情况下

你可以将它视为对下一个词的临时的预测

我们之前讨论过Google的word2vec的研究

它可以使用向量运算来进行类比的推理

比如说柏林减去德国加上法国等于巴黎

布朗大学的研究人员就发现前馈层

有时候会使用这种准确的方法来预测下一个单词

比如说他们研究了GPT-2对以下提示的回应

问题法国的首都是什么回答巴黎

问题波兰的首都是什么回答华沙

这个团队研究了一个包含24层的GPT-2的版本

在每个层之后

布朗大学的科学家们去探测模型

观察他对下一个token的最佳预测

在前15层最高的可能性的猜测

是一个看似于随机的单词

在第16层和第19层之间

模型开始预测下一个单词是波兰

不正确但是越来越接近于正确

然后在第20层最高可能性的猜测变成华沙

这是正确的答案

并且在最后4层保持不变

布朗大学的研究人员发现第20个前馈层

通过添加了一个将国家向量映射到其对应首都的向量

从而将波兰转化为了华沙

将相同的向量添加到中国时候答案会得到北京

同一个模型中的前馈层会使用向量运算

将小写单词转换为大写单词

并将现在时的单词转换为过去时的等效词

到目前为止呢

我们已经看了

GPT-2单词预测的两个实际的示例

注意力头来帮助预测约翰给玛丽一杯饮料

而前馈层帮助预测华沙是波兰的首都

在第一个案例中

玛丽来自于用户提供的提示

但是在第二个案例中

华沙并没有出现在提示中

相反GPT-2必须记住华沙是波兰的首都

而这个信息呢是从训练数据中学到的

当布朗大学的研究人员禁用了

将波兰转化为华沙的前馈层时

模型就不再预测下一个词是华沙了

但是有趣的是

如果他们接着在提示的开头加上句子

波兰的首都是华沙

那么GPT2就能够再次回答这个问题

这可能是因为GPT2使用的注意力机制

从提示中提取到了华沙这个名字

这种分工会更广泛的表示为

注意力机制从提示的教导部分检索信息

而前馈层让语言模型能够记住

没有在提示中出现的信息

事实上你可以将前馈层

视为模型从训练数据中学到的信息的数据库

靠前的前馈层更可能编码与特定单词相关的简单事实

例如说

特朗普经常出现在唐纳德这个词之后

靠后的层则编码会更加复杂的关系

比如说加入这个向量来将国家转换为他的首都

以上呢我们就已经详细讲解了大语言模型的推理过程

接下来啊我们再讲一讲他的训练方式

许多早期的机器学习算法

都需要人工来标记训练示例

比如说训练数据呢可能是带有人工标签

狗或者猫的一些猫狗的照片

而正是需要标记数据的需求

使得人们想要创建足够大的数据集

来训练强大的模型这件事变得困难而且昂贵

大语言模型的一个关键的创新之处

就在于他们不需要显式的标记数据

相反呢他们通过尝试预测文本段落中的下一个单词

来学习几乎任何的书面材料

都可以用来训练这些模型

从维基百科的页面到新闻文章

再到计算机的代码

举个例子来说

单元模型可能会拿到一个输入

i like my coffee with cream and 某某

并且试图预测sugar糖作为下一个单词

一个新的初始化语言模型

在这方面表现的很糟糕

因为他的每个权重参数最初基本上都是从一个随机的数字开始的

但是随着模型看到更多的例子

比方说数千亿个单词

这些权重会逐渐的调整

从而做出更好的预测

直到像GPT-3最强大的版本一样

最后达到1,750亿个参数

下面呢我们用一个类比来说明这个过程是如何进行的

假设你要洗澡

希望水温刚刚好不太热也不太冷

你以前呢从来没有用过这个水龙头

所以你随意的去调整水龙头把手的这个方向啊

并触摸水的温度

如果太热或者太冷

你就会往相反的方向去转动把手

当接近适当的水温时候

你对把手所做的调整幅度呢就越小

现在让我们来对这个类比做几个改动

首先你想象一下有50,257个水龙头

每个水龙头对应着一个不同的单词

比如说the cat或者是bank

你的目标是只让与序列中下一个单词

相对应的水龙头里出水

其次水龙头后面有一大堆互连的管道

并且这些管道上呢还有一堆阀门

所以呢如果水从错误的水龙头里流出来了

你不能只是调整水龙头上的这个旋钮

你要派遣一只聪明的松鼠部队去追踪每条管道

并且沿途呢去调整他们找到的每个阀门

这样就会变得很复杂了

由于同一个管道经常会供应多个水龙头

所以需要仔细的思考如何确定要拧紧或者松开哪些阀门

以及到底拧多大程度

显然如果我们仅仅从字面上来理解

这个例子就会变得非常荒谬

建立一个拥有1,750亿个阀门的管道网络

既不现实也没有什么用

但是由于摩尔定律

计算机可以并且确实在以这种规模在运行

截止到目前

我们所讨论的大语言模型的所有部分

包括前馈层的神经元

以及在单词之间传递上下文信息的注意力头

都被实现为了一系列简单的数学函数

其中呢主要是矩阵乘法

它的行为由可调整的权重参数来确定

就像我故事中的松鼠来松紧阀门控制水流一样

训练算法是通过增加或者减少语言模型的权重参数

来控制信息在神经网络中的流动

训练过程分为两个步骤

首先进行前向传播forward pass

打开水源

并且检查水是否从正确的水龙头中流出

然后关闭水源

进行反向传播backwards pass

松鼠们就沿着每根管道飞快的奔跑

拧紧或者松开这个阀门

在数字化的神经网络中

松鼠的角色是由一个被称为反向传播的算法来扮演

这个算法会逆向的通过网络

使用微积分来评估需要改变每个权重参数的过程

对一个示例进行前向传播

然后再进行后向传播

来提高网络在这个示例上的性能

完成这个过程需要进行数百亿次的数学运算

而像GPT-3这种大模型的训练

需要重复这个过程数十亿次

因为对每个训练数据的每个词都要训练

OpenAI估计训练GPT-3

需要超过3,000亿万亿次的浮点计算

这需要几十个高端的GPU芯片运行数个月才能够完成

你可能会对训练过程能够如此出色的工作感到很惊讶

因为ChatGPT可以执行各种复杂的任务

包括撰写文章进行类比甚至编写计算机代码

那么这样一个简单的学习机制

是如何产生如此强大的模型呢

一个原因呢是规模

像GPT3这样的模型看到的示例数量是非常之多的

GPT3呢是在大约5,000亿个单词的语料库上进行训练的

相比之下

一个普通的人类孩子在10岁之前

遇到的单词数量大约是1亿个

在过去的五年中

OpenAI不断的增大他的大语言模型的规模

在一篇广为流传的2020年的论文中

OpenAI报告称

他们的语言模型的准确性与语言规模数据集规模

以及用于训练的计算量呈幂率关系

一些趋势呢甚至跨越7个数量级以上

模型规模越大

在涉及语言的任务上表现的越好

但是前提是他们需要以类似的倍数来增加训练数据量

而且要在更多的数据上训练更大的模型

还需要更多的算力

2018年OpenAI发布了第一个大模型GPT-1

它使用了768维的词向量共有12层

总共有1.17亿个参数

几个月后

OpenAI发布了GPT-2

它最大的版本拥有1,600维的词向量