昨天寫了一篇關(guān)于生成式模型的訓練之道，覺得很多話還沒有說完，一些關(guān)鍵點還沒有點透，決定在上文的基礎(chǔ)上，再深入探討一下大模型訓練這個話題。

任何一個大模型的訓練，萬變不離其宗，一定要經(jīng)歷以下幾個步驟：

• 模型選擇（Model Selection）：選擇適合任務(wù)和數(shù)據(jù)的模型結(jié)構(gòu)和類型。

• 數(shù)據(jù)收集和準備（Data Collection and Preparation）：收集并準備用于訓練和評估的數(shù)據(jù)集，確保其適用于所選模型。

• 無監(jiān)督預訓練（Pretraining）：使用大規(guī)模未標記的數(shù)據(jù)進行預訓練，使模型學習通用的語言表示。

• 驗證和測試（Verification and testing）：評估預訓練或者微調(diào)后模型在特定任務(wù)上的性能，并進總的來說，這些步驟不是簡單的線性順序，具體大家看圖來體會。而是在預訓練和微調(diào)或調(diào)優(yōu)階段后的驗證和測試，都要跟隨一個決策是否要調(diào)整模型，是否要繼續(xù)進行微調(diào)或調(diào)優(yōu)。根據(jù)決策來判定是否選擇迭代的循環(huán)，通過不斷的反饋和優(yōu)化，逐步提升模型的性能和泛化能力，知道涌現(xiàn)出來的能力，讓訓練者滿意結(jié)束訓練過程。但讓這個過程有個確定起點的話，一定要從模型選擇開始。行必要的調(diào)整和改進。

• 微調(diào)或調(diào)優(yōu)（Fine-tuning）：使用標記的任務(wù)特定數(shù)據(jù)對預訓練模型進行微調(diào)，以提高其在特定任務(wù)上的性能。

• 決策（Decision Making）：根據(jù)驗證和測試結(jié)果，判斷是否需要重新選擇模型、調(diào)整超參數(shù)、重新收集數(shù)據(jù)等，進一步優(yōu)化模型。

總的來說，這些步驟不是簡單的線性順序，具體大家看圖來體會。而是在預訓練和微調(diào)或調(diào)優(yōu)階段后的驗證和測試，都要跟隨一個決策是否要調(diào)整模型，是否要繼續(xù)進行微調(diào)或調(diào)優(yōu)。根據(jù)決策來判定是否選擇迭代的循環(huán)，通過不斷的反饋和優(yōu)化，逐步提升模型的性能和泛化能力，直到涌現(xiàn)出能力，讓訓練者滿意結(jié)束訓練過程。但讓這個過程有個確定起點的話，一定要從模型選擇開始。

啟動訓練大模型這個事兒，本身就很瘋狂。因為沒有人知道結(jié)果是否會成功，以及最終訓練是否會涌現(xiàn)奇跡。所以模型的選擇，說的謙虛一點，是基于模型構(gòu)建者的先驗知識、經(jīng)驗、文獻研究和調(diào)研，說的玄學一點就是基于一種信仰和篤定。

ChatGPT這種事兒最終能被Samuel Altman 搞成，從他的歷史經(jīng)歷來看也是有跡可循的。Sam在個性上是個敢于冒險和不按常理出牌的人。在斯坦福大學學習計算機科學那會兒，剛學了一年，在2005年就退學搞創(chuàng)業(yè)了，成立了Loopt，一款基于位置的社交移動應(yīng)用，作為CEO，幾年給公司籌集了3000萬美金的風險投資，2012年，它被綠點公司以4340萬美金收購，也算是他撈到的第一桶金。Sam接下來從2011年起，成了YC（以投資種子階段初創(chuàng)公司為業(yè)務(wù)的創(chuàng)投公司）的合伙人。2014年，Sam被任命為YC的總裁，并開始大刀闊斧，愿意投資和推動新的、未經(jīng)證實的技術(shù)，準備將YC擴大到每年資助1000家初創(chuàng)公司，尤其是“硬科技”公司，而OpenAI就是2015年他和幾個行業(yè)大佬聯(lián)合資助起來的，致力于訓練人工智能，讓人工智能走進人類，試圖創(chuàng)建并推廣友好的人工智能，以造福所有人，實現(xiàn)智能公平。并很快在2015年就籌集了10億美金。2019年，Sam篤定大模型一定能搞成，毅然決然離開YC，專注于OpenAI。

Transformer模型在谷歌大腦2017年發(fā)布開源的時候，應(yīng)用的場景是自然語言處理(NLP) 的機器翻譯和時間序列預測任務(wù)。Sam等人堅信Transformer更適合并行化，允許在更大的數(shù)據(jù)集上進行訓練，這就直接導致了預訓練系統(tǒng)的發(fā)展。

有了模型，就要考慮怎么去找數(shù)據(jù)訓練了。這可不是隨便在互聯(lián)網(wǎng)上找到海量數(shù)據(jù)，然后不分青紅皂白就開始訓練的。根據(jù)國際數(shù)據(jù)公司IDC的估計，截至2020年，全球數(shù)字宇宙的大小為44 Zettabytes（其中1 Zettabyte等于10億 Terabytes），其中文本、圖像和視頻等非結(jié)構(gòu)化數(shù)據(jù)占據(jù)了絕大部分。具體來說，據(jù)IDC估計，非結(jié)構(gòu)化數(shù)據(jù)占據(jù)數(shù)字宇宙的80%以上，其中視頻數(shù)據(jù)占比最高，約為60%。據(jù)統(tǒng)計，截至2020年，全球每天產(chǎn)生的文本數(shù)據(jù)量約為50萬億字節(jié)，這相當于每天產(chǎn)生50億部普通手機的存儲容量；而每天上傳到Y(jié)ouTube的視頻數(shù)據(jù)量約為500小時，相當于每分鐘上傳約300小時的視頻。如果要把這些數(shù)據(jù)都學習了，不是不可能，但是也沒有必要。

人類的信息有很多，有些信息是正確信息，有些是錯誤信息，有些是噪聲數(shù)據(jù)。有些信息帶有明顯的惡意或者邏輯漏洞。如果不分青紅皂白，讓AI自己去訓練自己，可能會在訓練數(shù)據(jù)這個環(huán)節(jié)就會失控，表現(xiàn)不如預期甚至出現(xiàn)偏差和過擬合等問題。因為“臟”數(shù)據(jù)，自然不會學出一個理想的模型和能力沉淀。因此，在選擇訓練數(shù)據(jù)時，需要盡量篩選和清洗出具有代表性和高質(zhì)量的數(shù)據(jù)，從而提高模型的表現(xiàn)和泛化能力。

關(guān)于GPT-4學了多大當量的數(shù)據(jù)并未公開，但是GPT-3學了45TB的文本數(shù)據(jù)。主要來源于：

• Common Crawl：提供了包含超過50億份網(wǎng)頁數(shù)據(jù)的免費數(shù)據(jù)庫。有超過7年的網(wǎng)絡(luò)爬蟲數(shù)據(jù)集，包含原始網(wǎng)頁數(shù)據(jù)、元數(shù)據(jù)提取和文本提取。

• Wikipedia：網(wǎng)絡(luò)維基百科，目前有超過1億的條目項。

• BooksCorpus：由100萬本英文電子書組成的語料庫。

• WebText：一個來自于互聯(lián)網(wǎng)的語料庫，其中包含了超過8億個網(wǎng)頁的文本內(nèi)容。

• OpenWebText：類似于WebText，但是包含的文本數(shù)據(jù)更加規(guī)范化和質(zhì)量更高。

• ConceptNet：一個用于語義網(wǎng)絡(luò)的數(shù)據(jù)庫，其中包含大量的語言學知識。

• NewsCrawl：從新聞網(wǎng)站收集的大量新聞文章的集合。

• Reddit：一個包含了大量用戶發(fā)布的信息的論壇網(wǎng)站。

但不能簡單的運用拿來主義。這種原始數(shù)據(jù)，是不能直接進入訓練的，還至少要經(jīng)過以下四個數(shù)據(jù)預處理階段，才可以進入到預訓練環(huán)節(jié)：

數(shù)據(jù)清理（Data Cleaning）：處理數(shù)據(jù)中存在的錯誤、缺失或不一致的部分，包括刪除重復數(shù)據(jù)、處理缺失值、修復錯誤數(shù)據(jù)或調(diào)整數(shù)據(jù)格式等操作。數(shù)據(jù)清理旨在確保數(shù)據(jù)的準確性和一致性，以避免對模型訓練產(chǎn)生不良影響。

去除噪聲（Noise Removal）：在數(shù)據(jù)中可能存在一些無關(guān)緊要或錯誤的信息，被稱為噪聲。去除噪聲的過程是識別和過濾掉這些噪聲數(shù)據(jù)，以提高數(shù)據(jù)的質(zhì)量和模型的性能。噪聲可能包括文本中的標點符號、停用詞、拼寫錯誤、不一致的格式等。通過去除噪聲，可以減少對模型的干擾，提高模型對真實信號的學習能力。

標準化（Normalization）：標準化是將數(shù)據(jù)轉(zhuǎn)化為統(tǒng)一的標準尺度的過程。這對于具有不同尺度或分布的特征數(shù)據(jù)非常重要。標準化可以確保不同特征之間的數(shù)據(jù)具有可比性，避免模型在處理數(shù)據(jù)時對某些特征給予不合理的權(quán)重。常見的標準化方法包括將數(shù)據(jù)縮放到特定的范圍（例如0到1之間）或者使用均值和標準差進行標準化。

分詞（Tokenization）：前文已經(jīng)說了，token是指在信息數(shù)據(jù)處理中的最小單位，文本數(shù)據(jù)的預處理中，一個常見的步驟是將原始文本拆分成一個個token，這個過程稱為tokenization。目的是將連續(xù)的文本序列劃分為離散的單元，例如單詞、子詞或字符。這樣做的好處是將文本轉(zhuǎn)換為機器可以處理的離散表示形式。在深度學習模型中，tokenization通常是將文本轉(zhuǎn)換為數(shù)字表示的第一步。每個token都被賦予一個唯一的整數(shù)編號，這個編號會作為模型輸入中的一個特征向量的一部分。

在數(shù)據(jù)開始預訓練之前，需要先定義損失函數(shù)。損失函數(shù)是衡量模型預測結(jié)果與實際目標之間差異程度的指標。確實，較小的損失函數(shù)值表示模型在訓練數(shù)據(jù)上的擬合效果較好，也就是更好地學習了訓練數(shù)據(jù)的內(nèi)容。在訓練過程中，我們的目標是最小化損失函數(shù)的值。通過調(diào)整模型的參數(shù)，使損失函數(shù)達到最小值，即實現(xiàn)了對任務(wù)的最佳擬合。

在訓練過程中，通過計算損失函數(shù)相對于參數(shù)的梯度，可以了解每個參數(shù)對損失函數(shù)的影響程度。梯度告訴我們應(yīng)該如何更新參數(shù)值來最小化損失函數(shù)。當梯度接近零時，表示損失函數(shù)達到了一個局部最小值或平穩(wěn)點，這可能意味著模型已經(jīng)收斂到一個較好的狀態(tài)。這樣的情況下，訓練可以被認為是相對順利的。然而，并不是所有情況下梯度接近零都代表訓練的順利進行。在深度學習中，模型可能會遇到鞍點或局部最小值，并且梯度可能會陷入平原地帶。此時，某些維度上的梯度接近零，但并不表示找到了全局最小值。鞍點是指在某個位置上，沿一些維度上的梯度是零，但沿其他維度上的梯度不為零的點，甚至其他維度梯度可能仍然有較大的值，說明還有改進的空間。

這個損失函數(shù)梯度收斂的過程，除了剛才說的鞍點和局部最小值，還可能遇到梯度消失（Vanishing Gradient）和梯度爆炸（Exploding Gradient），上文已經(jīng)說過這兩個問題代表著什么，以及怎么去應(yīng)對，這里就不再贅述。

在神經(jīng)網(wǎng)絡(luò)中，損失函數(shù)梯度收斂的過程是通過反向傳播算法（Backpropagation）實現(xiàn)的。反向傳播算法（Backpropagation）是指在神經(jīng)網(wǎng)絡(luò)中，通過計算損失函數(shù)對網(wǎng)絡(luò)參數(shù)的梯度，并將梯度信息從輸出層向輸入層進行傳遞的過程。它基于鏈式法則，通過將梯度從輸出層逐層反向傳播至輸入層，計算每個參數(shù)對損失函數(shù)的貢獻，并利用梯度信息更新網(wǎng)絡(luò)參數(shù)，從而最小化損失函數(shù)。反向傳播算法用于訓練神經(jīng)網(wǎng)絡(luò)，通過調(diào)整參數(shù)使得預測結(jié)果與真實標簽更接近。

這個過程被很多人戲稱為煉丹。在預訓練階段，模型通過大規(guī)模的無監(jiān)督學習來學習語言模型的結(jié)構(gòu)和表示。這個階段的目標是讓模型在未標記的數(shù)據(jù)上進行自我訓練，從中學習到語言的統(tǒng)計規(guī)律和語義信息。在這個過程中，模型有機會發(fā)現(xiàn)并表現(xiàn)出一些意想不到的能力，這就是“涌現(xiàn)”了。具體來說，當模型規(guī)模擴大、參數(shù)增多時，模型可能會表現(xiàn)出更好的泛化能力、更高的性能或具備某些令人驚訝的特征。這種涌現(xiàn)現(xiàn)象可能與模型內(nèi)部的復雜交互和表示能力有關(guān)，模型在訓練過程中學習到了隱藏的結(jié)構(gòu)或規(guī)律，從而表現(xiàn)出超出預期的能力。而作為一種驚喜，“涌現(xiàn)”不能自我展示，還得需要在驗證環(huán)節(jié)被發(fā)現(xiàn)。

在驗證和測試階段，研究人員和開發(fā)者會對訓練得到的模型進行評估和驗證。一般大模型的驗證會分為可塑性、可供性、可用性、可信性和可替代性五個大類26個細分指標：

在測試和驗證中發(fā)現(xiàn)涌現(xiàn)具有偶然性，但也不是一點兒不能預測，所以在測試用例的設(shè)計時候，能夠足夠大膽，預估到可能“涌現(xiàn)”的方向，而提前做好準備。智愿君下面會列出來一些可能涌現(xiàn)的能力，但現(xiàn)實場景可能遠遠比這個要復雜：

高階推理能力：大型語言模型在經(jīng)過訓練和優(yōu)化后，可能展現(xiàn)出對高階推理任務(wù)的能力。這包括對因果關(guān)系的理解、擾動變量分析、反事實推理等。模型可以在文本中尋找關(guān)聯(lián)，并推斷出復雜的邏輯關(guān)系，從而回答復雜的問題。

去除噪聲和問題定位：在訓練過程中，模型可能學習到了如何去除輸入中的噪聲，并從復雜的問題中定位和理解問題的根源。這使得模型能夠更好地理解用戶的意圖，并給出準確和有針對性的回復。

自我修正能力：大型語言模型可能具有一定的自我修正能力。通過與用戶的交互和反饋，模型可以不斷學習和糾正自己的錯誤，并提供更準確的回答。這種自我修正能力可以幫助模型逐步改進，并提供更高質(zhì)量的輸出。

靈活應(yīng)對知識盲區(qū)：模型在訓練過程中可能遇到知識盲區(qū)，即對某些領(lǐng)域或主題的了解有限。然而，通過涌現(xiàn)，模型可能能夠從已有的知識中推斷和應(yīng)用相關(guān)信息，填補知識盲區(qū)并給出合理的回答。

知識嵌入、想象力和創(chuàng)造力：模型在訓練過程中可能學習到了豐富的知識，并能夠?qū)⑦@些知識嵌入到生成的回答中。這使得模型能夠展示出一定的想象力和創(chuàng)造力，生成豐富多樣的文本，并提供更加富有表現(xiàn)力的回復。大型語言模型可以通過知識圖譜、外部知識庫等輔助信息，加深對知識的理解和應(yīng)用。它可以從知識庫中檢索和整合信息，豐富回答的內(nèi)容和準確性。

社交和情感智能：大型語言模型可以對情感和情緒進行理解和生成。它可以識別和表達情感色彩，并與用戶進行情感交流和互動，從而提供更加個性化和情感化的回復。涌現(xiàn)還可能表現(xiàn)為模型能夠根據(jù)上下文進行適應(yīng)性回復，并生成多樣性的輸出。模型可以根據(jù)對話的進行和用戶的需求，靈活地調(diào)整回復的風格和內(nèi)容，提供更加個性化和多樣化的回答。在處理復雜對話和語境理解方面，模型可能展現(xiàn)出更強的能力。它可以從多個回合的對話中提取關(guān)鍵信息，并進行語義上的深入理解，從而給出更加準確和連貫的回復。

傾向性調(diào)控和自我監(jiān)控：大型語言模型可能具備一定的傾向性調(diào)控和自我監(jiān)控能力。它可以根據(jù)用戶的需求和要求，調(diào)整回復的傾向性和風格，并對自己的輸出進行監(jiān)控和評估，以確?；貜偷馁|(zhì)量和合理性，并堅守某些原則，不會被使用者欺騙而給出違反基本價值觀和傷害人類的回復。

多模態(tài)能力：大型語言模型不僅可以處理文本輸入，還可以與其他模態(tài)數(shù)據(jù)（如圖像、語音、視頻等）進行交互。模型可以通過學習多模態(tài)數(shù)據(jù)的表示和關(guān)聯(lián)，展現(xiàn)出理解和生成多模態(tài)內(nèi)容的能力。

增量學習和在線學習：大型語言模型可以具備增量學習和在線學習的能力，即在不中斷模型服務(wù)的情況下，通過逐步接受新數(shù)據(jù)進行訓練和更新，以不斷改進模型的性能和適應(yīng)新領(lǐng)域的需求。

增強學習：大型語言模型可以結(jié)合增強學習技術(shù)，在與環(huán)境進行交互的過程中，通過試錯和獎勵機制來改進模型的表現(xiàn)。這使得模型能夠在特定任務(wù)或領(lǐng)域中進行優(yōu)化和自我調(diào)節(jié)。

跨任務(wù)遷移：大型語言模型在完成一個任務(wù)的訓練后，可以通過遷移學習的方式將學到的知識和模型參數(shù)應(yīng)用到其他相關(guān)任務(wù)上，從而加速其他任務(wù)的訓練和提升性能。

元學習和自適應(yīng)學習：大型語言模型可以通過元學習和自適應(yīng)學習的方法，快速適應(yīng)新的任務(wù)或環(huán)境。模型可以從先前的訓練和經(jīng)驗中快速學習到新任務(wù)的模式和規(guī)律，從而實現(xiàn)快速上手和靈活應(yīng)對新情境的能力。

如果我們的最初目的就是希望ChatGPT就是和我們侃大山，天馬行空，停留在所謂的通用模型的狀態(tài)，可能我們不會進入到微調(diào)和調(diào)優(yōu)階段。但如果我們是完美主義者，我們希望ChatGPT可以在很多有最優(yōu)解的問題上能回答得很完美，強化學習就用的上了。

而無監(jiān)督學習的硬傷就是通常是通過最大化數(shù)據(jù)的某種統(tǒng)計屬性來學習模型。以一種通用的方式學習數(shù)據(jù)的分布和特征，缺乏領(lǐng)域或任務(wù)特定信息，說白了就是萬金油之后，容易產(chǎn)生不必要的瞎聯(lián)系，或者說一本正經(jīng)地胡說八道。

要想讓ChatGPT在很多專業(yè)領(lǐng)域表現(xiàn)出色，基于人類反饋的強化學習（RLHF，Reinforcement Learning from Human Feedback）訓練的微調(diào)和調(diào)優(yōu)就顯得格外重要。RLHF在模型預訓練的基礎(chǔ)上，通過與人類進行交互，收集人類專家的反饋信息，以指導模型的微調(diào)和調(diào)優(yōu)。通過將人類專家的知識和判斷引入模型訓練過程中，可以根據(jù)人類反饋的獎勵信號對模型進行優(yōu)化，使模型能夠在特定環(huán)境下做出“最優(yōu)決策”。我之所以在這里給“最優(yōu)策略”打引號，是因為這是在部分專家反饋基礎(chǔ)上的最優(yōu)策略。如果我們加大人類專家反饋的力度，花費更大的成本進行微調(diào)，可能最終的效果會更為理想，到這個階段，就不是純技術(shù)問題，而上升為一個密集勞動型的動作了。RLHF的一個主要問題是可擴展性，即如何應(yīng)對大規(guī)模的訓練數(shù)據(jù)和計算資源需求。此外，這種訓練過程可能是緩慢且昂貴的，需要耗費大量的時間和資源。也正是由于這個原因，OpenAI更愿意把這部分能力通過API或者Plugin插件開放出來，眾人拾柴火焰高， 讓更多的垂直領(lǐng)域的產(chǎn)業(yè)發(fā)揮作用，在各自的領(lǐng)域深耕。經(jīng)過這種微調(diào)后，GPT的專業(yè)領(lǐng)域技能就會越來越豐富，越來越優(yōu)秀。

微調(diào)和調(diào)優(yōu)還有一個很重要的點就是價值學習。AI系統(tǒng)如何與人類價值觀保持一致，能夠在復雜的動態(tài)環(huán)境中與人類價值觀對齊，符合人類倫理、法律準則并尊重個人隱私和防止壞人用AI進行欺詐。這就需要不停地對AI進行微調(diào)和調(diào)優(yōu)，來完善和修訂在實際運作中的各種漏洞和表現(xiàn)。從這個維度來看，微調(diào)和調(diào)優(yōu)是一個永無止境的工作，不存在一勞永逸。當然，這里面還存在另外一個風險，就是人類反饋的質(zhì)量和一致性可能會因任務(wù)、界面和個體偏好的差異而有所不同。如果人類反饋缺乏公正性或不正確，那么模型也有可能學到錯誤的東西，這種情況被稱為人工智能偏見。特別是當反饋來自具有特定價值觀的人群時，這種偏見可能表現(xiàn)得尤為明顯。如果最終模型的使用人群范圍的復雜度遠遠大于RLHF的單一價值觀，就會出現(xiàn)非常糟糕的使用體驗。所以微調(diào)和調(diào)優(yōu)，也是一個雙刃劍，如果處理不好，害人害己。

大模型的訓練當前的基本流程，未來一定是會調(diào)整的。因為當下，大模型的“煉丹”是離線學習，也稱為批量學習(Batch learning)，使用固定的數(shù)據(jù)集進行訓練和學習，而不是在實時數(shù)據(jù)流中進行更新。而未來是一定要走到在線學習(Online learning)的道路上的，能夠在不斷到達的數(shù)據(jù)流中進行實時學習和適應(yīng)。只有后者，才有可能成為真正的通用人工智能，適應(yīng)人類社會的高速發(fā)展的實時性，更好地應(yīng)對動態(tài)和快速變化的環(huán)境。

所以說，即便演進到通用人工智能，對這個模型的訓練，也是一條永無止盡的路。只要人類社會還在進化，通用人工智能就需要考慮如何跟進人類的集體智能，不停地將新學到的人類只是和技能遷移到新任務(wù)或領(lǐng)域中。

而且未來大模型的交互或者表達的手段會更加多模態(tài)化，不僅僅局限在文字、圖形。因此，大模型的訓練必然會整合不同領(lǐng)域的知識和技術(shù)，包括自然語言處理、計算機視覺、語音識別等，以構(gòu)建多模態(tài)學習的能力。

當然，我們?nèi)孕枰斏鳂酚^，如果未來要面對人機共生，就需要慎重面對強化道德倫理和人工智能政策，因為我們要創(chuàng)造的不是滅霸的響指，而是女媧造人和盤古開天。