文章主题：个人ChatGPT体验报告, ChatGPT, 技术缺陷, Transformer Decoder
ChatGPT自从2022年底发布以来引起了很大反响，子弹已经飞了两个月了，今天重新整理一下ChatGPT以及个人的一些理解。
TL;DR: ChatGPT的内核是InstructGPT[1]。随着language model（LM）越做越大，InstructGPT的作者们发现这些LMs其实经常和用户的意图不完全一致/对齐，这引发作者们的思考：如何得到能与用户意图更一致的LM？于是InstructGPT横空出世，其目标是“Align language models to humans”，具体的对齐方法采用Reinforcement Learning from Human Feedback（RLHF）[2]。简单说就是在训练LM时要“human in the loop”，用人类的示例/评价/比较等反馈信号调整LM，让LM输出的结果往人类意图方向靠拢。
个人ChatGPT体验报告
ChatGPT在哪些地方帮到我了？
有些中文文档需要很官方的文书表达（比如基金申请书），通过巧妙的提问可以让ChatGPT输出很多思路甚至有些可以直接拿来用；帮助我快速了解一个大的领域，虽然看不太准，但是也提供了一点借鉴。ChatGPT技术上还存在哪些缺陷？
ChatGPT经常一本正经地胡说八道；ChatGPT经常很啰嗦；ChatGPT给出的信息我经常需要用Google double check；ChatGPT每次输出的结果“不一致”（本质原因是因为它是概率模型，每次采样的结果都不一样）。Background
我首先对ChatGPT做了简单的测试，直观感受一下。
ChatGPT可以和用户“chat”，能根据聊天历史调整输出。
InstructGPT
对比一下ChatGPT和InstructGPT，方法几乎一模一样。
在本文中，我们将深入探讨 GPT 模型的核心组件及其工作原理。其中，Transformer Decoder 是 GPT 的关键部分，它采用了自回归的方式，并引入了因果掩码和概率模型，从而实现了高效且准确的文本生成。
在开始使用InstructGPT之前，我们需要进行一系列准备工作。首先，我们要收集人类标注的示例数据，以便于后续对模型进行监督式微调。其次，我们将利用这些收集到的数据，对预训练的GPT模型进行进一步的训练，以达到更好的性能表现。
第二步，训练reward model。
最后一步，用RL提升SFT model。
Experiment
Discussion
在文章的结尾，我想说，DeepMind的研究成果总能让人眼前一亮，其工作方法的新颖性和独特性让人印象深刻。相比之下，OpenAI的工作则更注重实际应用价值，虽然有时候他们的方法可能显得过于直接和简单，但这并不妨碍他们对人工智能技术的发展做出重要贡献。总的来说，阅读这两个机构的论文，无论是对学术研究还是对实际应用，都是一种享受。
参考
^Ouyang, L., Wu, J., Jiang, X., Almeida, D., Wainwright, C.L., Mishkin, P., Zhang, C., Agarwal, S., Slama, K., Ray, A. and Schulman, J., 2022. Training language models to follow instructions with human feedback. arXiv preprint arXiv:2203.02155. https://cdn.openai.com/papers/Training_language_models_to_follow_instructions_with_human_feedback.pdf^Reinforcement learning from human feedback（RLHF） https://huggingface.co/blog/rlhf
AI时代，拥有个人微信机器人AI助手！AI时代不落人后！
免费ChatGPT问答，办公、写作、生活好得力助手！
搜索微信号aigc666aigc999或上边扫码，即可拥有个人AI助手！
