最近参加了深蓝学院举办的 《大型语言模型前沿技术系列分享》，该系列分享以大模型(LLM)为背景，以科普、启发为目的，从最基本的Transformer开始讲起，逐步涉及一些更高阶更深入的课题，涵盖大模型基础、大模型对齐、大模型推理和大模型应用等内容。
系列讲座的内容由浅入深，讲解非常细致，没有任何水分，很适合我这种NLP刚入门的小白，听了这些讲座之后感觉收获满满👍👍👍
8.26 讲座安排（实际时长17：30-21：30）
本篇博客记录第一个讲座：《人工智能发展史和ChatGPT初探》
1. 人工智能发展史
人工智能发展不是一帆风顺的。在早期，计算机视觉领域的发展是领先的，一个重要原因是斯坦福大学公开了lmageNet数据集，基于这个超大的数据集，研究人员提出了不同的模型，一个典型代表就是AlexNet.
相比于计算机视觉，自然语言处理领域的发展稍微滞后，这是由于处理对象（语言/文本）的特殊性，没有特定规律可循，研究人员针对此提出了RNN、LSTM、GRU等多种模型，但遇到了难以处理长文本，同时不利于并行训练的问题。
NLP的兴起 ⭐️
直到2017年Google提出了Transformer架构，并引入了自注意力机制，NLP的研究才进入了一个新的阶段。由于训练时间缩短，出现不少预训练模型，比如Bert和GPT，两者都是基于Transformer架构的，具体而言，Bert利用了Transformer的Encoder部分，GPT利用了Transformer的Decoder部分。
Bert采用了 双向 transformer的结构，它能看到前后的信息，而GPT采用了 单向 transformer的结构，它只能看到前面的信息。
由于结构上的区别，二者的应用也有所不同，Bert侧重于自然语言理解任务，而GPT更适用于自然语言生成任务。
原作者出现了！将会在后面的讲座分享！
多模态的出现 ⭐️
多模态-数据模态更为多元，包含图像、视频和文本等。
特征工程 > 深度学习(避免人为因素的干扰，但是需要大量的训练数据) > 预训练(大量数据预训练+少量数据微调) > 大模型
2. ChatGPT初探
基础技术—语言建模(Language Modeling)
用概率来度量一句话或者句子出现的概率（判断是人说的话的概率）
- 符合特定语言规则或约定俗成的使用习惯的句子的概率更大
- 概率分布跟语种相关
例如：P(我很喜欢吃苹果) > P(我吃苹果很喜欢)，即句子“我很喜欢吃苹果”的出现概率比句子“我吃苹果很喜欢”的出现概率大。
预训练的目标即是最大化训练数据中所包含的所有句子的概率。基于链式我们可以把句子的概率拆成每个词的概率，然后把每个词的概率相乘即可。
相比于监督学习，自监督学习无需收集数据的标签。
GPT采用自回归，例如：输入“我很喜欢”，预测“吃苹果”；
而Bert属于掩码预训练模型，例如：去掉“吃”这个词，然后预测缺失的“吃”这个词。
GPT只能看到过去的信息，Bert可以看到全部的信息。
GPT的开发经过了多次迭代，参数量越来越庞大。
加入指令微调可以使模型与用户需求对齐。
指令微调的步骤：
1️⃣ 收集示例数据（人工完成），进行有监督的微调，形成基础模型
2️⃣ 为了让模型生成更符合人类偏好，对模型输出进行排序，训练奖励模型
3️⃣ 基于奖励模型，利用强化学习对基础模型进行微调
推理能力的提升
提示工程 ⭐️
提示工程（Prompting Engineering）定义：旨在引导和指导人工智能语言模型生成特定类型的输出。其通过设计和调整模型输入中的提示（prompt），以影响模型的行为和生成结果。提示工程的目标是通过精心构造的提示，引导模型更好地理解用户意图，并生成与之一致的回复，从而提高模型的可用性和准确性，使其更适应特定的应用场景和任务。提示工程是一个迭代的过程，需要进行实验和调整，以找到最佳的提示策略，可能涉及尝试不同的提示形式、修改关键词或短语的位置、添加额外的指令或约束条件等。通过不断改进和优化提示工程，可以改善语言模型的表现并满足特定需求。因此，提示工程在语言模型应用中具有重要意义。
两个常用技巧：In-Context Learning 和 Chain-of-Thought
In-Context Learning 提供一些示例。
比如给出一些评论以及态度，然后再给出一条评论时，可以根据示例预测态度。
Chain-of-Thought 清晰展现模型推理的中间过程。
比如对于鸡兔同笼问题，分步计算比直接计算的准确度更高。
GPT-3 & ChatGPT & GPT-4 已经展现出一定程度的智能，那智能从何而来？
智能来源 ⭐️
解释1：压缩
预训练的过程就是训练一个数据压缩器来对大量数据进行压缩，模型则学习一系列的压缩规则。在理想情况下，模型是一个无损的压缩器，对于新的数据进行压缩也是无损的，则说明这个模型具有较好的 泛化能力，即具有智能。
解释2：规模容量
解释3：预测/逻辑推理
总结 ⭐️
- 通过自监督学习在大量无标签数据上进行预训练，训练目标为最大化下一个单词出现的概率；
- 通过增大模型的参数量和训练数据量来提升基础模型的基本能力；
- 融入代码数据进行预训练提升基础模型的推理能力；
- 通过指令微调让基础模型与用户的需求对齐；
- 基于人类反馈的强化学习(RLHF)则进一步让模型生成更加安全可靠的内容；
- 大模型已经具备一定程度的智能。
注意事项：
- 缺乏实时信息；
- 缺乏常识推理；
- 对偏见和歧视的反映；
- 容易出现幻觉(hallucination)，不可靠；
- 缺乏判断力，可能给出不合适或不道德的建议。
