ChatGPT的低级错误：Token化带来的挑战与解决方案

没想到时至今日，ChatGPT竟还会犯低级错误？

吴恩达大神最新开课就指出来了：

ChatGPT不会反转单词！

比如让它反转下lollipop这个词，输出是pilollol，完全混乱。

打开凤凰新闻，查看更多高清图片

哦豁，这确实有点大跌眼镜啊。

以至于听课网友在Reddit上发帖后，立马引来大量围观，帖子热度火速冲到6k。

而且这不是偶然bug，网友们发现ChatGPT确实无法完成这个任务，我们亲测结果也同样如此。

△实测ChatGPT（GPT-3.5）

甚至包括Bard、Bing、文心一言在内等一众产品都不行。

△实测Bard

△实测文心一言

还有人紧跟着吐槽， ChatGPT在处理这些简单的单词任务就是很糟糕。

比如玩此前曾爆火的文字游戏Wordle简直就是一场灾难，从来没有做对过。

诶？这到底是为啥？

01 关键在于token

之所以有这样的现象，关键在于token。token是文本中最常见的字符序列，而大模型都是用token来处理文本。

大模型具备深入理解这些token之间 statistical关联的能力,同时擅长预测下一个token的生成。无论是整个单词还是单词的一个片段,大模型都能够有效地处理和分析它们之间的关系,从而实现高质量的文本生成。

因此在处理单词反转这个小任务时，它可能只是将每个token翻转过来，而不是字母。

这点放在中文语境下体现就更为明显：一个词是一个token，也可能是一个字是一个token。

针对开头的例子，有人尝试理解了下ChatGPT的推理过程。

为了更直观的了解，OpenAI甚至还出了个GPT-3的Tokenizer。

比如像lollipop这个词，GPT-3会将其理解成I、oll、ipop这三个部分。

根据经验总结，也就诞生出这样一些不成文法则。

1个token≈4个英文字符≈四分之三个词；

100个token≈75个单词；

1-2句话≈30个token；

一段话≈100个token，1500个单词≈2048个token；

单词如何划分还取决于语言。此前有人统计过，中文要用的token数是英文数量的1.2到2.7倍。

token-to-char（token到单词）比例越高，处理成本也就越高。因此处理中文tokenize要比英文更贵。

可以这样理解，token是大模型认识理解人类现实世界的方式。它非常简单，还能大大降低内存和时间复杂度。

将单词token化可能会导致模型难以捕捉到具有实际意义的输入表示,因为最直接的表示方式就是无法理解单词的含义。

在早期的Transformer模型中，为了提高性能，研究人员对其进行了多种优化措施。其中之一便是将某些复杂且不常见的词汇分解为具有实际意义的标记（token）和一个单独的标记。这种方法有助于降低模型在处理这些词汇时的计算负担，从而提高整体效率。

就像annoyingly就被分成“annoying”和“ly”，前者保留了其语义，后者则是频繁出现。

这也成就了如今ChatGPT及其他大模型产品的惊艳效果，能很好地理解人类的语言。

至于无法处理单词反转这样一个小任务，自然也有解决之道。

最简单直接的，就是你先自己把单词给分开喽~

或者也可以让ChatGPT一步一步来，先tokenize每个字母。

又或者让它写一个反转字母的程序，然后程序的结果对了。（狗头）

不过也可以使用GPT-4，实测没有这样的问题。

△实测GPT-4

总之，token就是AI理解自然语言的基石。

而作为AI理解人类自然语言的桥梁，token的重要性也越来越明显。

它已经成为AI模型性能优劣的关键决定因素，还是大模型的计费标准。

02 甚至有了token文学

正如前文所言，token能方便模型捕捉到更细粒度的语义信息，如词义、词序、语法结构等。其顺序、位置在序列建模任务（如语言建模、机器翻译、文本生成等）中至关重要。

模型只有在准确了解每个token在序列中的位置和上下文情况，才能更好正确预测内容，给出合理输出。

因此，token的质量、数量对模型效果有直接影响。

自今年起，随着大型语言模型的相继推出，token数量已成为一个重要的衡量标准。以谷歌发布的PaLM 2为例，其训练过程中涉及了高达3.6万亿个token。

以及很多行业内大佬也纷纷表示，token真的很关键！

今年，特斯拉的AI科学家安德烈·卡帕斯（Andrej Karpathy）在跳槽至OpenAI后，曾在一次演讲中分享了他的观点。

更多token能让模型更好思考。

而且他强调，模型的性能并不只由参数规模来决定。

GPT-3以其庞大的参数规模（1750亿个参数）成为了当前最先进的自然语言处理模型，而与之形成鲜明对比的是，LLaMA的参数规模仅为650亿个参数，显然远小于GPT-3。然而，尽管LLaMA的参数规模相对较小，但它在训练过程中使用的token数量却远超GPT-3（1.4万亿个token vs 300亿个token）。正因为如此，LLaMA在实际应用中展现出了更为强大的性能。

而凭借着对模型性能的直接影响，token还是AI模型的计费标准。

以OpenAI的定价标准为例，他们以1K个token为单位进行计费，不同模型、不同类型的token价格不同。

总之，踏进AI大模型领域的大门后，就会发现token是绕不开的知识点。

嗯，甚至衍生出了token文学……

不过值得一提的是，token在中文世界里到底该翻译成啥，现在还没有完全定下来。

直译“令牌”总是有点怪怪的。

GPT-4觉得叫“词元”或“标记”比较好，你觉得呢？