如何打造中国版的“万能AI”GPT-3

既能问答、翻译、写文章，也能写代码、算公式、画图标......OpenAI 2020 年 5 月推出的 GPT-3，因其神奇的通用性而走红 AI 领域。

GPT-3 支持输入自然语言自动生成公式

GPT-3 是用英文语料做预训练的，主要应用于英文相关场景，而中文业界和学术界已经出现了期待中文版 GPT-3 的声音。

“GPT-3 与出门问问的技术基础紧密相关。虽然现阶段 GPT 模型还并非完美，但它是目前我们能看到，通往更加通用的语言智能的重要路径之一。”从事中文语音交互的 AI 公司出门问问创始人兼 CEO 李志飞告诉品玩。

出门问问一直对更加通用的语言智能很感兴趣。团队正深入理解 GPT-3 的相关论文，推进相关实验，尝试提升训练效率等工作。

如何打造中文版 GPT-3？

那么，如果要打造一个中文版的 GPT-3，该怎么操作？

“与英文相比，中文版 GPT-3 的诞生将经历一个从零到一的过程，可以借鉴英文 GPT-3 技术迭代的相关经验。”李志飞对品玩表示。GPT-3 的技术迭代之路，是一个不断增大训练数据量和模型参数规模的过程。

本质上，GPT-3 是一个大规模预训练 NLP（自然语言处理） 模型。大规模预训练是指，先用大量没有标注的语料做无监督学习，得到一套模型参数，然后再用少量标注语料精调，最后应用于具体的下游 NLP 任务。这种模式已经诞生了不少成功的 NLP 模型，如 Google 2018 年推出的 Bert，但其通用性上依然不足。直到 GPT-3 推出，让这类预训练模型的通用性上了一个台阶。

从 GPT 第一代到 GPT-3，其模型层面一直都是基于 Transformer（一种领先的提取语义特征方法）做预训练，没有什么改变，但训练数据量和模型规模十倍、千倍地增长。

2018 年 6 月发布的 GPT 第一代，预训练数据量仅为 5GB。GPT-2 增长为 40GB，GPT-3 更是猛增到 45TB（等于 45000GB）。而模型规模方面，从 GPT 第一代的 1.17 亿参数量，指数增长为 1750 亿。

随着数据量和模型规模的增大，GPT 逐渐舍弃了用少数标注语料精调这一步，完全基于预训练得出的参数，去做下游任务，精确度依然有一定保证。

GPT 所需算力也越来越夸张，初代 GPT 在 8 个 GPU 上训练一个月就行，而 GPT-2 需要在 256 个 Google Cloud TPU v3 上训练（256 美元每小时），训练时长未知。到 GPT-3，预估训练一个模型的费用超过 460 万美元。

相应地，参与到 GPT 论文的作者从初代的 4 位，增加到第三代的 31 位。并且，31 位作者分工明确，有人负责训练模型，有人负责收集和过滤数据，有人负责实施具体的自然语言任务，有人负责开发更快的 GPU 内核。

GPT-3 的论文足有 31 位作者

借鉴 GPT-3 的迭代经验，李志飞认为开展中文 GPT-3 模型训练比较合理的路径是：“从中小规模的模型入手，开展研究及实验，达到一定效果后再推广到大模型上进行验证”。

至于人力方面的配置，他表示 GPT 是一个非常综合的大系统工程，涉及到学术、工程、商业等团队之间的大规模协同。一般需要搭建几十人的团队，其中包括科学家、工程师、项目经理等角色。

虽然可以借鉴英文 GPT-3 技术迭代的相关经验，但是在创建中文版 GPT-3 的过程中，也需要解决很多独特的问题，如中文训练数据、算力等。

“一方面，我们需要将更多的时间精力，投入在高质量、多样性的训练文本的获取上。”李志飞说，“另一方面，计算的效率问题，也是目前大规模深度学习模型训练所面临的共同挑战。”

从总体规模、数据质量及多样性上看，目前能够从互联网上获取到的高质量中文数据，相比英文数据要少一些，这可能会影响到中文模型的训练效果。不过，从已有的研究分析结果来看，数据并非越多越好。

“我们可以结合数据优化、数据生成等方式来提高训练语料的有效性。初步来看，具体训练语料，主要包括百科问答、新闻资讯、博客电子书类数据及其它泛爬数据，经过数据处理后其规模在 500GB 左右。”李志飞说。

GPT-3 模型参数到达 1750 亿，其背后训练资源的开销非常庞大，预估训练一个模型的费用超过 460 万美元。不过，随着国内外各项研究的推进，预训练模型的训练效率将会不断提升。

“我们可以借鉴其他预训练语言模型的优化经验，在训练语料、网络结构、模型压缩等方面多做工作，预计将模型的单次训练成本降低一个数量级。”李志飞说。

看上去，构建中文 GPT-3 是一件很费劲的事情，但这项工作带来的回报也非常可观。李志飞对品玩表示，GPT-3 展现出的通用能力，可以将其视为下一代搜索引擎和 AI 助理，所以这项技术本身的商业应用场景可以很广阔。

其次，构建 GPT 模型的过程中，将涉及到超算中心和AI算法平台的建设，这些算力和算法平台可以为企业、科研机构、政府提供底层服务，通过开放平台为产业赋能，如智能车载、智慧城市、科技金融等领域。

另外，虽然 GPT 本质是一个关于语言的时序模型，但语言之外的其它时序问题，如经济、股票、交通等行为预测，也有可能成为潜在应用场景。

GPT-4 可能如何演化？

GPT-3 目前的表现虽然令人震惊，但它本身还存在着很多问题，比如它并不能真正理解文本的含义，只是对词语进行排列组合。而且，研究员也并未完全了解它的工作机制。李志飞预测，下一个版本 GPT-4 将会在模型规模、小样本学习、多模态、学习反馈机制和与任务执行结合方面进行改进。

毫无疑问，GPT-4 模型会更加暴力。李志飞说：“下一代 GPT 模型必然在数据规模、模型参数、算力等方面都会有很大提升。另外，下一代的 GPT 模型可能不局限于英文，将能处理更多跨语言层面的任务。”

目前的 GPT-3 模型还严重依赖小样本学习机制。虽然 GPT-3 不需要精调，但是在完成具体的 NLP 任务时，还是会把少量和任务相关的实例给模型。在零样本和单样本的任务上，GPT-3 退化比较明显，事实上后面两个任务才是更普遍遇到的问题。

“下一代 GPT 模型需要加强在理论上的泛化能力，以便更好地处理零样本和单样本的任务。”李志飞表示。

下一代的 GPT 模型极有可能是一个多模态的模型。OpenAI 认为，纯文本的自回归预训练模型达到当下的规模，已经快接近极限了，需要往多模态模型方向发展，把文本、语音、图像这些内容结合起来进行学习。李志飞认为，多模态模型，一方面可以引入语言之外的更多维度的信息，另外一方面可以促使模型学习完成更通用化的表示，以此加强模型的泛化能力。

另外一个重要的进化，是引入学习反馈机制。目前GPT模型只是能够在完全无监督的条件下，读取海量互联网文本数据进行学习，但是人类的学习过程是跟物理世界有交互的，只有这样才能建立更多物理世界的“常识”，比如说杯子应该在桌子上面而不是下面。如果要到达更加通用的状态，除了多模态外，还要在学习过程中引入物理世界的反馈机制。

“当然，这个反馈也是通过数据来实现的，而不是让GPT真正像人一样去探索物理世界。”李志飞说道，“另外，鉴于 GPT 希望实现完全无监督学习的初衷，这个反馈更多是隐式的和延迟的，而不是显式的和及时的。为了做到这些，需要引入强化学习（re-inforcement learning）之类的机制。”

李志飞还认为，GPT-4 可能引入任务执行能力。现在的 GPT 主要是一个预测和生成的引擎，而不是一个任务的执行器。

比如，你跟GPT说“帮我订一下明天下午三点左右北京去上海的经济舱的机票”，目前GPT也许能理解这句话的意思，但还没有能力自动调取订票网站的 API（应用程序接口）去执行任务。如果不具备这种执行能力，GPT的通用性就很有限，因为每一个任务都需要额外增加代码用以执行理解后的任务。所以，GPT 必须学习怎么直接执行任务。

总体而言，李志飞对 GPT 的未来发展非常乐观：“未来互联网上的很多内容或知识，都会是由类 GPT 模型产生或加工过的。所以某种程度上，GPT的发展代表着语言主权的演进，且它将有潜力成为一种生态系统。”