本文是關於ChatGPT 背後核心技術實現的一個通俗白話版，不涉及到的AI具體實現的技術細節哦。
在編排上增加了一些分割，內容具體如下：
LLMs（大型語言模型）
如果將ChatGPT比作是動物，它就像一隻飢餓的毛毛蟲一樣，毛毛蟲喜歡啃食樹葉，並不斷的長大。
LLMs（大型語言模型）也喜歡吞噬大量的文字資料，並利用這些資料來學習，然後變得更加的聰明，更加的強大。LLMs消耗的文字資料越多，它們對語言和詞語之間的關係的理解就越深。
就如同自然界內，毛毛蟲要變成美麗的蝴蝶一樣，LLMs也會進化為強大的語言模型，它也可以理解並生成類似人類的反應。
語言模型被訓練來預測一個序列中的下一個詞，有兩種常見的方法：下一個標記預測（next-token-prediction）和掩碼語言建模（masked-language modeling）。
Next-token-prediction模型的樣本，比如：
"The cat sat on the...."
Next-token-prediction模型將被訓練來預測 “The cat sat on the....”之後的下一個單詞。給定輸入“The cat sat on the....”，模型可以預測“mat”、“couch”或“chair”。
Masked-language-modeling模型的樣本為：
The quick brown [MASK] jumps over the lazy dog.
在這種情況下，模型將嘗試預測缺失的單詞“cat”。它透過使用周圍單詞的上下文來做到這一點，比如“quick”和“brown”，來理解它們之間的關係,並做出預測。Masked-language-modeling模型的目標是，訓練模型以一種有意義，且語法正確的方式來填充句子中缺失的單詞。
使用Long-Short-Term-Memory(LSTM)模型進行序列建模，只是預測序列中單詞的一種方法，但它也有其侷限性。
例如，模型不能給上下文中不同的單詞賦予不同的權重，即使有時，就像在我們可愛的貓咪的例子中，一個單詞可能比另一個單詞更重要。而且輸入資料是一步一步處理的，這意味著單詞之間的關係可能是有限的。
Transformers
這就是為什麼在2017年，Google Brain的一些聰明人想出了transformers。 Transformers與LSTM不同，因為它們可以一次處理所有的輸入資料。他們使用了一種很酷的方法，稱為 Self-attention，這意味著模型可以給輸入資料的不同部分，賦予不同的權重。這使得單詞之間的關係更加複雜，含義也更加的豐富。
GPT和Self-Attention GPT-1是openAI在2018年製作的第一個生成式預訓練變壓器模型。它在接下來的幾年裡不斷髮展，變成了GPT-2, GPT-3, InstructGPT，最後是ChatGPT。
在人類開始向ChatGPT提供反饋之前，GPT模型最大的變化是它們變得越來越快，這使得它們可以接受越來越多的資料訓練。這讓他們更有知識，能夠做更廣泛的任務。
像ChatGPT這樣的GPT模型使用Transformer, Transformer有一個“編碼器（encoder）”來處理輸入，一個“解碼器（decoder）” 來生成輸出。編碼器和解碼器都使用 multi-head self-attention 理解單詞和產生更準確的反應之間的關係。
Multi-head self-attention 就像給了機器人一種超能力，可以同時關注多個事情。
Self-attention 透過為每個令牌建立查詢、鍵和值向量，然後使用softmax函式生成規範化權重，將令牌轉換為表示其在輸入序列中的重要性的向量。multi-head 機制來執行多次self-attention，使模型能夠掌握輸入資料中的複雜關係。
儘管GPT-3在自然語言處理方面帶來瞭如此驚人的進步，但它在與使用者意圖一致方面仍有侷限性。它可能會產生缺乏幫助的輸出，對不存在或不正確的事實產生幻覺，缺乏可解釋性，甚至有有毒或有偏見的內容，就像一個喝醉了的小機器人。
ChatGPT
ChatGPT是InstructGPT的衍生產品，它引入了一種將人類反饋納入訓練的新方法，以更好地使模型的輸出與使用者的意圖保持一致。
OpenAI在2022年的論文中詳細介紹了從人類反饋中強化學習(RLHF)，並在這裡進行了簡化:
第1步：監督下的微調（SFT）模型
第1步是對GPT-3模型進行微調，僱用40個承包商來建立一個有監督的訓練資料集，其中的輸入有一個已知的輸出，供模型學習。 從使用者進入開放API的條目中收集提示資訊，標註員寫出適當的回應，以建立一個已知的輸出。 然後用這個新的資料集對GPT-3模型進行微調，成為GPT-3.5，也被稱為SFT模型。
為了最大限度地提高提示資料集的多樣性，每個使用者ID只允許有200個提示，任何帶有長的普通字首的提示都被刪除。 此外，出於隱私安全的考慮，所有帶有個人身份資訊的提示都被刪除。
標註員還被要求用最少的實際樣本資料為類別建立示例提示，包括:
- 簡單的提示：任何隨機的問題。
- 少樣本提示：具有多個查詢/響應對的指令。
- 基於使用者的提示：對應於OpenAI API所請求的特定用例。
在生成響應時，標註員盡力推斷使用者的指令。論文稱，提示請求資訊主要有三種方式:
- 直接：“跟我說說……”
- 寫一篇相同主題的文章，並舉例說明。
- 延續:完成一個故事的開頭。
透過OpenAI API的提示和標籤師的手寫，監督模型有13000個輸入/輸出樣本可以使用!
第2步：獎勵模型
在這個過程的第2步中，模型被賦予了一種待遇。 訓練一個獎勵模型，以便它能學會如何對使用者的提示做出最好的反應。 這個獎勵模型將提示和響應作為輸入，並給我們一個稱為獎勵的可愛的小縮放器值，作為輸出。 有了這個獎勵模型，我們就可以進行強化學習，讓模型變得更棒，這就是強化學習。
為了訓練獎勵模型，我們請一些可愛的標註員們，將SFT模型的輸出從最好到最差進行排序。我們把所有這些排名放在一起來訓練模型，這樣它就不會被所有的資訊弄糊塗了。
我們曾經把每個組合作為一個單獨的資料點，但這導致了過度擬合。 過度擬合就像一個只想玩自己的玩具的孩子，而不會注意其他東西。 為了防止過度擬合，我們給模型一個獎勵，把資料點歸為一個批次的資料點，這樣它就能學會更靈活地適應新的情況啦。
第3步：強化學習模型
在第三步，是時候讓強化學習模型大放異彩了。給模型一個提示，它就會搖尾巴來產生響應。響應是在模型在第2步中學習到的“策略”的幫助下做出的。這個策略就像一個秘密策略，模型想出了得到更多的獎勵(又名最大化獎勵)。然後根據步驟2中建立的獎勵模型對模型進行獎勵。這種獎勵有助於模型的成長和進化，就像獎勵讓狗狗開心一樣。
2017年，一些名叫Schulman等人的聰明人引入了一種有趣的方法來更新模型的策略，稱為近端策略最佳化(PPO)。它使用SFT模型中稱為每個令牌的Kullback-Leibler (KL)懲罰。KL發散就像比較兩種不同的食物，它有助於確保響應與人類意圖資料集沒有太大差異，這樣模型就不會因為追逐自己的尾巴而分心。
該模型在訓練過程中透過將一些從未見過的資料放在一邊進行評估。測試資料被用來檢驗該模型是否比舊的GPT-3模型更好。他們檢查了它有多大幫助，有多真實，以及在多大程度上避免了刻薄。他們發現人們在85%的情況下更喜歡它，當被告知要友善時，它更真實，而不是刻薄。但當它被告知要刻薄時，它比GPT-3更刻薄。
寫在最後
這就是你可愛的小朋友ChatGPT，產生的全部過程啦。
備註：本文翻譯之外網，具體地址如下。