自从ChatGPT横空出世以来，AI领域再次引起了广泛关注。

最近，有关AI的谈论相继而来，个中不可避免地涉及到一些诸如“样本、预演习、大模型”等观点和术语。

然而，要用浅近易懂的办法向非专业人士阐明这些观点是相称具有寻衅性的。

但这对付自己和他人，都很有代价。

正如爱因斯坦所言：“If you can’t explain it simply, you don’t understand it well enough（如果你不能大略地阐明，那就解释你理解不足）”。

本日，我考试测验把AI与人类学习和发展的类比，通过将AI与人们熟习的事物进行比较的办法，简要先容AI干系的事理、进展和意义。

1、“咿呀学语、蹒跚学步” vs “呈现”

带过小孩的家长都会有这样一个觉得：溘然有一天创造孩子会说话了、会走路了。

这个过程并非像“0%、1%、2%…98%、99%、100%”这样逐个百分点缓慢提升，而是有一天溘然发生了变革。

模型的“呈现”指的是在大量演习数据和繁芜模型构造的支持下，模型溘然表现出较高的性能和新的能力。

大略来说，便是“量变引起质变”的过程。

当演习样本足够大、算法迭代达到一定阶段时，模型的能力会溘然提高。

能力“呈现”的条件，是大量不断的输入。

自孩子出生起，只管他们听不懂、不会说，但家长要不断与孩子互动，跟他说话。
在日积月累的过程中，有一天孩子的说话能力就会“呈现”出来。

模型的发展过程也类似。
一开始可能什么都不会，纵然“能说会道”，也可能表现出“智障”或者“不苟言笑地胡说八道”。

然而，在持续的大样本演习和算法不断迭代的过程中，有一天它就能达到像ChatGPT、GPT-4那样让人惊艳的理解能力、推理能力和表达能力。

2、“读万卷书、行万里路、与万人谈” vs“预演习（Pre-Train）、精调(Fine-Tuning)”

孩子们会说话、会走路之后，人的学习才正式开始。

一个人的学习发展，常日先经由根本教诲、广泛的学习，再发展为专业的、深入某个领域的学习。

不仅要广泛阅读，大量学习书本知识，还要进行实践和与人互换。

在这个过程中，运用所学知识，获取反馈，对大脑中的知识进行改动和提炼，即从“知识到聪慧”，实现“知行合一”。

节制了基本的知识和技能后，人们须要找到自己的专长领域。

在学校里，硕士生、博士生和教授须要选择一个细分领域进行深入研究。

每个人，也都须要找到自己的行业和职业。

对付GPT这样的大型模型，它们的发展也是通过类似的过程。

首先进行“大规模数据集”进行“预演习”，然后利用有标签的样本以及人类反馈，通过增强学习（Reinforcement Learning by Human Feedback，RLHF）进行微调和迭代。

模型的预演习，指的是在大量无标签数据上演习模型以学习基本知识。

这就像人在婴儿阶段以及从小学到高中阶段进行大量学习一样。
不局限于某个领域，而是须要广泛且大量地输入信息。

精调指的是在特界说务上，利用有标签数据对模型进行微调，以便更好地适应特界说务。

这就像人在阅读了大量书本后，还须要进行实践，从实践中得到反馈并发展。

许多伟人和名人，如毛泽东、列宁、马斯克、查理·芒格等，都非常热爱阅读，并乐于与人互换，在实际事情中大量实践。

只有这样，才能得到足够多的知识，才能塑造出过人的聪慧。

3、“娇生惯养” vs“过拟合”

我们时常看到一些关于“孩子由于鸡毛蒜皮之类的琐事而做出傻事”的***，这常日是“娇生惯养”的结果，与模型中的“过拟合”征象有相似之处。

所谓机器学习，便是让机器从样本中学习，从而“拟合”出规律，进而节制技能。

在演习模型时，如果样本过于单一或特色选择不当，就随意马虎涌现过拟合征象。

过拟合意味着模型将演习样本中的分外情形误认为是普遍情形。

如此一来，在面对新的样本时，模型就无法做出精确的处理。

同样，娇生惯养（过拟合：over-fitting）导致的薄弱心智（模型）在面临现实天下中的各种挫折时，每每无法精确应对（预测不准确、泛化能力差），从而很随意马虎导致不幸的结果。

因此，我们该当让孩子面对各种情形，并给予反馈，让他们理解并适应真实天下。

4、“职业教诲/根本教诲” vs “大模型、小模型”

人的教诲有两种类型，一种是从小请教他一门手艺。
比如“做菜、开车、做铁匠、木匠”等等，这样他就成为了一个专才。
其余，便是先是漫长的根本教诲，再是高档、专业教诲。
先打好根本，再选择专业方向。
模型跟人一样，你给他输入什么，他就有什么样的输出，他就有什么样的知识技能。
在大模型之前，大家熟知的猫狗识别、指纹识别、人脸识别等等模型，便是做特定的事情，类似于职业教诲。

这样的模型可以称为“小模型”，一方面是模型的size小，其余一方面是模型的能力范围比较窄。
GPT这样的模型之以是称为大模型，既是由于演习数据集规模大、演习出的模型size大，也指的是模型有广泛的能力，彷佛是“上知天文、下知地理”。
读万卷书，便是大模型，发展出通用智能。
只读菜谱、只练厨技，便是小模型，发展特定技能。

5、“脑容量、字典、书本” vs “大模型”

我们可以从以下三个方面，来形象化地理解大模型。

首先，以脑容量作为比喻。
模型的大小就像动物的脑容量一样，较大的脑容量常日意味着更高的聪慧。
拥有更多神经元和神经元间连接的大脑，才能够储存更多知识。

其次，以字典作为比喻。
如果一个措辞的字典仅包含十个字，那么这个措辞能表达的意义将非常有限。
然而，如果字典中有数万个字，那么它就能表达更丰富的信息。

末了，以书本进行类比。
为什么大模型更具威力？

以GPT-3为例，其模型有800GB，即8000亿个字节，粗略地估算相称于4000亿个字。
假设一本书有20万字，那么这就相称于200万本书。

可以说，这“浓缩”的200万本书基本上能够涵盖人类险些所有的知识，且不重复。

（须要认识到的是，成千上万年来，人类知识的记录和传承基本上便是通过措辞和书本形式进行的。
）

因此可见，足够大的模型，就能涵盖足够多的知识。

大模型，就有大聪慧。

6、“作文能力的演习” vs “措辞大模型”

常规的措辞模型能力相对有限，比如进行分词、词性判断等，最多完成翻译等任务。

GPT作为“大措辞模型（Large Language Model, LLM）”之以是如此强大，是由于一开始它并没有特定的目的性，不是预设让模型完成某一个任务，而是给模型广泛地输入和演习。

在学生作文能力的培养上，有两种方法。

一种因此提升作文能力为目标，让孩子阅读各种作文技巧的书本、参加各种作文培训班。
但这样急于求成的方法，效果实在并不理想。

另一方面，有些家长鼓励孩子从小养成阅读的习气，博览群书。

这样一来，孩子的阅读能力、知识面、思维能力都会得到很大提升，作文能力自然随之提高。

而且，由于阅读速率、理解能力的增长，孩子在读题、审题方面的速率和准确率也会提高，从而提升其他学科如数学、物理、化学等的成绩。

更为主要的是，阅读不仅能提高成绩，还能塑造一个人的天下不雅观、气质，并增强内心的力量。

可以说，对一个人的生平都会产生深远影响。

因此，我们不应急功近利，而应培养“大模型”。
有了大模型，各种能力自然而然就会呈现。

7、“思维能力、写作能力” vs “字符预测”

人们常说，人如其文。
一个人的笔墨能够表示出其思考能力、表达能力等综合本色。

模型也是如此，ChatGPT的能力表示在它的回答中，表示在一个个输出的字中。

首先要解释的是，ChatGPT在回答问题时，一个字一个字地逐步往外蹦，并非由于网络速率的问题，而是由于模型便是以这种办法事情的：它根据当前的情境，不断地推理出下一个该当输出的字（将概率最高的字输出出来）。

因此，“准确预测下一个要输出的字符”是模型能力的关键。

为了让你更好地理解这个观点的主要性，我来举一个例子。

假设有一部推理小说，故事情节跌宕起伏、线索错综繁芜。

小说的末了，有一句话：“凶手是______。
”

如果AI在读到这里时能输出精确的字符，那么就证明这个模型非常强大。

表面上是字符，实际上是智能。

8、“变形金刚”与“transformer”

GPT是“Generative Pre-trained Transformer”的缩写，个中Transformer是一种深度学习架构，详细指的是一种基于自把稳力（self-attention）机制的神经网络构造。

这个观点至关主要，但的确难以理解。

下面，考试测验阐明一下。

你可以“顾名思义”，用“变形金刚”这部电影来做类比。

变形金刚便是把一辆汽车零件打散，然后再变成一个人。

这个过程就像Transformer中的“编码、解码”的过程。

将输入序列（比如汽车）解码身分歧的部分（各个零件），并影象部件之间的连接关系（通过自把稳机制，self-attention），然后再根据干系信息组装成输出序列（如人型机器人）。

在这个过程中，Transformer可以捕捉输入序列中的长间隔依赖关系，从而实现更高效且准确的序列处理。

9、“终生学习” vs “机器学习”人与人的最大差别便是学习能力

人要跟上社会发展，不仅要在学生时期好好学习，更主要的是在日常的事情和生活中不断学习、终生学习。
机器之以是这么厉害、AI之以是这么强大，便是由于人家在不断学习啊。

更何况，机器的影象力、学习速率，可是人的成百上千倍。

看看我们，一边在担忧“自己会不会被AI代替”，一边整天慵

10、“人脑、道” vs “可阐明性”

科学技能发展到本日，人类对自己的大脑有了一定的理解，但完备谈不上深入、透彻。

同样，对付利用深度神经网络技能打造出的AI模型，也存在“可阐明性”的问题。

只管模型很强大，能识别出猫狗、能对答如流、能写代码、能画画，但纵然是模型的开拓者，也无法准确地解释，某个结果是如何详细产生的。

可以说，人类用事理不明的大脑，开拓出事理不明的大模型。

老子说，道可道非常道。

对付AI来说，也是如此。

太大略的模型，的确不会有强大的能力。

专栏作家

朱百宁，微信"大众号：八点三十五，大家都是产品经理专栏作家。
前百度品牌总监、蚂蚁产品总监，著有《自传播》一书，现在专注于人工智能以及产品设计等领域。

本文原创发布于大家都是产品经理。
未经容许，禁止转载。

题图来自 Unsplash，基于CC0协议。

该文不雅观点仅代表作者本人，大家都是产品经理平台仅供应信息存储空间做事。