参考
大模型
什么是大模型
大语言模型（LLM）是基于海量文本数据训练的深度学习模型。它不仅能够生成自然语言文本，还能够深入理解文本含义，处理各种自然语言任务，如文本摘要、问答、翻译等。
2023年，大语言模型及其在人工智能领域的应用已成为全球科技研究的热点，其在规模上的增长尤为引人注目，参数量已从最初的十几亿跃升到如今的一万亿。
大模型的模型发展如下图
涌现
参考：大模型中的涌现
什么是涌现？先从蚂蚁开始说起。蚂蚁是自然界中一种个体非常简单，但是群体能力非常强大的生物。单只蚂蚁的行为模式很简单，但是蚂蚁群体可以发挥出惊人的智慧，能完成非常复杂的任务，比如建造庞大的蚁穴、合作捕猎等。
一只蚂蚁的智能是有限的，但是一群蚂蚁结合起来，会形成一个有智能的群体。这种集体智慧并不是蚂蚁个体简单相加得到的。蚂蚁集合在一起，产生了一加一大于二的效果。这就是涌现现象。
涌现的定义
涌现的定义
涌现是一个描述在复杂系统中出现的新的、无法简单从其组成部分推导出的性质或结构的术语。它通常用于指代当系统的各个部分相互作用时，产生的新的、通常是不可预测的整体特性。这些特性不能还原为单个组成部分的简单总和，而是在系统层面上“突现”的。
在历史上，涌现这一概念由不同的学者以不同的方式定义。例如，哲学家乔治·亨利·刘易斯在19世纪创造了这个词，以描述那些不能仅仅通过组合各个部分来理解的复杂现象。而现代学者，如杰弗里·戈斯坦和彼得·科宁，进一步细化了涌现的定义，强调它是在系统自组织过程中出现的新的、连贯的结构、模式或性质。
涌现可以分为几个不同的类别，包括弱涌现和强涌现。弱涌现指的是系统中的新特性虽然不能从单个组成部分推导出来，但仍然可以还原为这些组成部分的某种组合。相比之下，强涌现则认为新特性是完全无法还原的，它们是超越组成部分总和的。
在现实世界中，涌现现象的例子包括天气系统、生态系统、经济市场、以及社会行为等。在这些系统中，单个元素（如空气分子、生物个体、交易或个人）的相互作用会产生新的、宏观层面上的性质（如风暴、生态平衡、经济周期或社会运动），这些性质在单个元素层面上是无法预见的。
涌现理论对于多个领域，如物理学、生物学、经济学、社会学和计算机科学等，都具有重要的启发意义。它提醒我们，当研究复杂系统时，需要考虑到各个组成部分之间的相互作用，并且要意识到整体可能会呈现出无法从部分推导出的新特性。
总结下：涌现即大量个体组成的整体，表现出个体不具备的能力。
什么是大模型中的涌现？在较小的模型中不出现，而在较大的模型中出现的能力，称为涌现。
我们看这张图片，它包含8张子图。分别在是八个不同的子任务下测试大模型的few-shot的能力。横轴是模型的规模（注意这里是用training FLOPs来衡量，而不是用参数量来衡量），纵轴的模型的表现，用一些评估指标来衡量，比如accuracy。可以很明显地看到，training FLOPs在10的22次方处，是一个发生涌现的临界点。在这个数之前，模型的表现平平无奇，和随机猜测差不多。而在这个数之后，模型的效果得到了突飞猛进般的提升。
第一篇整体分析LLM涌现能力的人是jason wei，在此之前，他先后发表了instruction tuning和CoT（思维链）的论文。这个顺序关系很自然，先是instruction tuning，然后是思维链，最后上升到了涌现的高度。关于instruction tuning和CoT，也是值得讲的内容，后面看有没有机会分享这些方面的内容。
涌现，是复杂科学下的一个概念。
复杂科学
什么是复杂科学？复杂科学，就是运用跨学科方法，研究不同复杂系统之中的涌现行为和统一性规律的学科。复杂科学关键词如下：混沌、分形、复杂网络、自由意志、熵增。
复杂科学的很多概念，起初不被主流科学界认可。很多人认为复杂科学里的很多概念是伪科学，是因为它无法用科学里流行的还原论来解释。
还原论是说“如果你理解了整体的各个部分，以及把这些部分整合起来的机制，你就能够理解这个整体”。但涌现不是这样，涌现指的是，整体拥有个体不具备的特征。
我再举个简单的例子：假如时间回到20年前，我们不知道怎么造航空母舰。突然间我们获得了一艘退役的航空母舰，于是我们把航空母舰拆开，每个部分每个零件都去研究透彻。然后我们依葫芦画瓢，可以造出一艘几乎一样的航空母舰。这就是还原论。还原论的对立面是什么？是即使你研究透每一个零件，拼在一起仍然不能组成航空母舰。这是坏的情况。或者另外一个极端情况是，你拼接好了，组成一艘航空母舰之后，不仅成功造了一艘航空母舰，而且这艘航空母舰竟然还会说话。这就是涌现。
如何解决大模型的「幻觉」问题？
方向一：什么是大模型「幻觉」
大模型出现幻觉，简而言之就是“胡说八道”。
用文中的话来讲，是指模型生成的内容与现实世界事实或用户输入不一致的现象。
研究人员将大模型的幻觉分为事实性幻觉（Factuality Hallucination）和忠实性幻觉（Faithfulness Hallucination）。
△左，事实性幻觉；右，忠实性幻觉
事实性幻觉，是指模型生成的内容与可验证的现实世界事实不一致。
比如问模型“第一个在月球上行走的人是谁？”，模型回复“Charles Lindbergh在1951年月球先驱任务中第一个登上月球”。实际上，第一个登上月球的人是Neil Armstrong。
事实性幻觉又可以分为事实不一致（与现实世界信息相矛盾）和事实捏造（压根没有，无法根据现实信息验证）。
忠实性幻觉，则是指模型生成的内容与用户的指令或上下文不一致。
比如让模型总结今年10月的新闻，结果模型却在说2006年10月的事。
忠实性幻觉也可以细分，分为指令不一致（输出偏离用户指令）、上下文不一致（输出与上下文信息不符）、逻辑不一致三类（推理步骤以及与最终答案之间的不一致）。
OpenAI 科学家 Andrej Karpathy关于大模型幻觉
在 Karpathy 看来：
从某种意义上说，大语言模型的全部工作恰恰就是制造幻觉，大模型就是「造梦机」。
另外，Karpathy 的另一句话，更是被许多人奉为经典。他认为，与大模型相对的另一个极端，便是搜索引擎。
「大模型 100% 在做梦，因此存在幻觉问题。搜索引擎则是完全不做梦，因此存在创造力问题」。
总而言之，LLM 不存在「幻觉问题」。而且幻觉不是错误，而是 LLM 最大的特点。只有大模型助手存在幻觉问题。
方向二：造成大模型「幻觉」的原因
那么致使大模型产生幻觉的原因都有哪些？
