欧美性猛交xxxx免费看_牛牛在线视频国产免费_天堂草原电视剧在线观看免费_国产粉嫩高清在线观看_国产欧美日本亚洲精品一5区

0
  • 聊天消息
  • 系統(tǒng)消息
  • 評論與回復
登錄后你可以
  • 下載海量資料
  • 學習在線課程
  • 觀看技術(shù)視頻
  • 寫文章/發(fā)帖/加入社區(qū)
會員中心
創(chuàng)作中心

完善資料讓更多小伙伴認識你,還能領取20積分哦,立即完善>

3天內(nèi)不再提示

為什么ChatGPT模型大了就有上下文聯(lián)系能力?

深度學習自然語言處理 ? 來源:深度學習自然語言處理 ? 2023-04-27 09:50 ? 次閱讀

關于這點,在一篇采訪OpenAI 總裁Greg Brockman 的報道中提到了:

“Q:ChatGPT是如何產(chǎn)生的?GPT模型當初發(fā)布時顯得有些違反常識,但卻在某種程度上掀起了最新的AI浪潮,這與你們當初構(gòu)建這些技術(shù)時的預期是否一致?

A:ChatGPT、GPT-3、DALL·E 2這些模型看似一夜成名,但其實構(gòu)建這些模型耗費了整整五年時間,飽含多年的心血。GPT模型的構(gòu)建要從2017年發(fā)布的情感神經(jīng)元論文(Neural Sentiment Neuron: A novel Neural Architecture for Aspect-based Sentiment Analysis)說起,這篇論文的思想很新穎,不過很多人可能已經(jīng)忘了。

....“

于是好奇去查了這篇文章,很遺憾,并不是上面提到的這篇文章,而是官網(wǎng)Learning to Generate Reviews and Discovering Sentiment這篇文章。這篇文章的作者很激動、誠懇甚至有點卑微的表達了它的意外發(fā)現(xiàn),那就是單純訓練LSTM 模型的去預測下一個單詞,模型中的某個神經(jīng)元意外對應著情感狀態(tài),用Greg Brockman的原話說就是:

“我們發(fā)現(xiàn)LSTM模型中的單個神經(jīng)元有助于開發(fā)出SOTA情感分析分類器(sentiment analysis classifier),可以告知你文本情感(正面評價或負面評價),這一發(fā)現(xiàn)聽起來平平無奇,但我們非常清楚地知道,這是一個超越語法并轉(zhuǎn)向語義的時刻。”

關于為何會出現(xiàn)這種涌現(xiàn)行為,文章的作者提出了他的思路:

“情緒作為條件特征可能對語言建模具有很強的預測能力。(It is possible that sentiment as a conditioning feature has strong predictive capability for language modelling.)“

這個思路是典型的達爾文進化思維:

即模型本身有生成各種能力的潛力,當某項能力有利于模型完成任務(完不成的參數(shù)被調(diào)整,等駕馭被任務淘汰),這項能力就能自發(fā)進化出來。

神經(jīng)網(wǎng)絡在訓練的時候,采用的隨機梯度下降算法,一定程度上等效于物種的基因突變,本質(zhì)是有一定方向的隨機摸索,在強大的生存壓力下,錯誤的摸索被淘汰,久而久之,積累越來越多的正確摸索,某些高層的功能就這么涌現(xiàn)出來了。

這種思路是不同于還原論的,ChatGPT 的出現(xiàn)讓很多這個行業(yè)的老人困惑:“似乎原理上沒有任何創(chuàng)新,為何能力出現(xiàn)巨大提升呢?”“涌現(xiàn)這個詞本身就是個模棱兩可的詞,我并不知道具體的細節(jié),那就是偽科學?!薄癈hatGPT 具備的推理能力不過是另一種歸納,永遠無法替代演繹”。

還原論的思想講究從底層到高層的逐漸構(gòu)建,每行代碼都有清晰的含義,這樣寫出來的系統(tǒng)才叫系統(tǒng),但進化論的思想完全不同,進化論需要構(gòu)建一個萬能生成器,然后建立一個淘汰機制,對萬能生成器生成的各種可能進行篩選淘汰,這樣進化出來的系統(tǒng),就能很好的完成任務,至于里面形成的微結(jié)構(gòu),那并不是重點,甚至都無法用簡單的語言描述,因為本身就是全局共同起作用的。

所謂上下文推理,不過就是給定前文,準確給出后文的能力,這其實就是語言模型預訓練時候就在做的事情,為了能做到這點,在訓練的過程中,各種有助于提高預測能力的高層能力,都會自然而然的進化出來,所謂的高層能力,不過是一種函數(shù),而神經(jīng)網(wǎng)絡本身可以擬合一切函數(shù),同時隨機梯度下降,又讓神經(jīng)網(wǎng)絡具備了參數(shù)自動填充的能力。當然,進化的過程中,神經(jīng)網(wǎng)絡總會嘗試找到更好的解法,比如死記硬背,但這些解法往往跟我們預期的解法不一致,這時候任務的合理構(gòu)建就很重要了,需要巧妙的設計,讓我們預期的解法是神經(jīng)網(wǎng)絡進化的唯一解。

其實換個角度想,人為什么有推理能力?人的一切能力也是進化而來的,人的各種生存壓力,配合基因的隨機突變和大自然的定向篩選,導致推理等能力的出現(xiàn),換句話說,當推理能力的出現(xiàn)有助于人這個群體生存的時候,這個能力就會出現(xiàn),跟GPT 涌現(xiàn)的各種能力的原理一樣。

不要總拿著還原論思想去看待世界,幾百年前,就出現(xiàn)了進化論思想,因為進化論思想沒有寫進義務教育的教材,導致太多人沒有深刻理解這個工具。

審核編輯 :李倩

聲明:本文內(nèi)容及配圖由入駐作者撰寫或者入駐合作網(wǎng)站授權(quán)轉(zhuǎn)載。文章觀點僅代表作者本人,不代表電子發(fā)燒友網(wǎng)立場。文章及其配圖僅供工程師學習之用,如有內(nèi)容侵權(quán)或者其他違規(guī)問題,請聯(lián)系本站處理。 舉報投訴
  • 神經(jīng)網(wǎng)絡

    關注

    42

    文章

    4783

    瀏覽量

    101236
  • 模型
    +關注

    關注

    1

    文章

    3342

    瀏覽量

    49271
  • ChatGPT
    +關注

    關注

    29

    文章

    1570

    瀏覽量

    8117

原文標題:為什么ChatGPT模型大了就有上下文聯(lián)系能力?

文章出處:【微信號:zenRRan,微信公眾號:深度學習自然語言處理】歡迎添加關注!文章轉(zhuǎn)載請注明出處。

收藏 人收藏

    評論

    相關推薦

    《具身智能機器人系統(tǒng)》第7-9章閱讀心得之具身智能機器人與大模型

    的應用。MAML算法通過二階優(yōu)化找到對任務變化敏感的模型參數(shù),實現(xiàn)快速適應。上下文學習則引入了注意力機制,使模型能夠根據(jù)當前場景動態(tài)調(diào)整行為策略。在預訓練-微調(diào)范式中,我們要注意任務
    發(fā)表于 12-24 15:03

    阿里通義千問發(fā)布Qwen2.5-Turbo開源AI模型

    體驗。 Qwen2.5-Turbo在上下文長度方面實現(xiàn)重大突破,能夠擴展至100萬個tokens,這相當于大約100萬英文單詞或150萬中文字符的容量。如此龐大的上下文長度,足以包含10部完整的小說、150小時的演講稿或300
    的頭像 發(fā)表于 11-19 18:07 ?741次閱讀

    如何評估 ChatGPT 輸出內(nèi)容的準確性

    評估 ChatGPT 輸出內(nèi)容的準確性是一個復雜的過程,因為它涉及到多個因素,包括但不限于數(shù)據(jù)的質(zhì)量和多樣性、模型的訓練、上下文的理解、以及輸出內(nèi)容的邏輯一致性。以下是一些評估 ChatGPT
    的頭像 發(fā)表于 10-25 17:48 ?698次閱讀

    SystemView上下文統(tǒng)計窗口識別阻塞原因

    SystemView工具可以記錄嵌入式系統(tǒng)的運行時行為,實現(xiàn)可視化的深入分析。在新發(fā)布的v3.54版本中,增加了一項新功能:上下文統(tǒng)計窗口,提供對任務運行時統(tǒng)計信息的深入分析,使用戶能夠徹底檢查每個任務,幫助開發(fā)人員識別阻塞原因。
    的頭像 發(fā)表于 08-20 11:31 ?491次閱讀

    ChatGPT-4o,國產(chǎn)大模型竟然更懂翻譯,8款大模型深度測評|AI 橫評

    、速度慢、費用高且難以準確理解上下文”的問題。相比之下,AI大模型憑借其強大的學習能力和適應性,在翻譯質(zhì)量、效率、上下文理解和多語言支持等方面表現(xiàn)出色,提供
    的頭像 發(fā)表于 07-14 08:04 ?128次閱讀
    超<b class='flag-5'>ChatGPT</b>-4o,國產(chǎn)大<b class='flag-5'>模型</b>竟然更懂翻譯,8款大<b class='flag-5'>模型</b>深度測評|AI 橫評

    鴻蒙Ability Kit(程序框架服務)【應用上下文Context】

    [Context]是應用中對象的上下文,其提供應用的一些基礎信息,例如resourceManager(資源管理)、applicationInfo(當前應用信息)、dir(應用文件路徑)、area
    的頭像 發(fā)表于 06-06 09:22 ?580次閱讀
    鴻蒙Ability Kit(程序框架服務)【應用<b class='flag-5'>上下文</b>Context】

    名單公布!【書籍評測活動NO.34】大語言模型應用指南:以ChatGPT為起點,從入門到精通的AI實踐教程

    相當于CPU的核心數(shù),而每秒處理的 token數(shù)量則相當于 CPU的主頻 ,以Hz為單位。這些參數(shù)決定模型的計算能力和處理速度。而語言模型上下文
    發(fā)表于 06-03 11:39

    OpenAI 深夜拋出王炸 “ChatGPT- 4o”, “她” 來了

    當?shù)貢r間5月13日OpenAI推出ChatGPT-4o,代表人工智能向前邁出的一大步。在GPT-4turbo的強大基礎上,這種迭代擁有顯著的改進。在發(fā)布會的演示中,OpenAI展示該模型的高級
    發(fā)表于 05-27 15:43

    編寫一個任務調(diào)度程序,在上下文切換后遇到了一些問題求解

    大家好, 我正在編寫一個任務調(diào)度程序,在上下文切換后遇到了一些問題。 為下一個任務恢復上下文后: __builtin_tricore_mtcr_by_name(\"pcxi\"
    發(fā)表于 05-22 07:50

    OpenAI發(fā)布GPT-4o模型,支持文本、圖像、音頻信息,速度提升一倍,價格不變

     此外,該模型還具備128K的上下文記憶能力,知識截止日期設定為2023年10月。微軟方面也宣布,已通過Azure OpenAI服務提供GPT-4o的預覽版。
    的頭像 發(fā)表于 05-14 17:12 ?914次閱讀

    【大語言模型:原理與工程實踐】大語言模型的基礎技術(shù)

    的特征,并且這些特征融合這些詞在當前序列的上下文語義,因此能夠解決一詞多義的問題。憑借這種優(yōu)勢,基于動態(tài)詞向量語言模型進行預訓練的方法被廣泛應用于自然語言處理任務中。 經(jīng)典結(jié)構(gòu)
    發(fā)表于 05-05 12:17

    【大語言模型:原理與工程實踐】揭開大語言模型的面紗

    維基百科、網(wǎng)頁內(nèi)容和書籍等,不僅掌握語言的語法、語義和上下文信息,還能生成結(jié)構(gòu)連貫、語義合理的句子和段落。大語言模型的一個顯著特點是其龐大的參數(shù)量,已達數(shù)億甚至數(shù)十億級別。這種規(guī)模賦予模型
    發(fā)表于 05-04 23:55

    探索ChatGPT模型的人工智能語言模型

    最大的區(qū)別ChatGPT是通過對話數(shù)據(jù)進行預訓練,而不僅僅是通過單一的句子進行預訓練,這使得ChatGPT能夠更好地理解對話的上下文,并進行連貫的回復。
    發(fā)表于 04-24 10:19 ?754次閱讀
    探索<b class='flag-5'>ChatGPT</b><b class='flag-5'>模型</b>的人工智能語言<b class='flag-5'>模型</b>

    TC397收到EVAL_6EDL7141_TRAP_1SH 3上下文管理EVAL_6EDL7141_TRAP_1SH錯誤怎么解決?

    我收到EVAL_6EDL7141_TRAP_1SH 3 類(TIN4-Free 上下文列表下溢)上下文管理EVAL_6EDL7141_TRAP_1SH錯誤。 請告訴我解決這個問題的辦法。
    發(fā)表于 03-06 08:00

    請問risc-v中斷還需要軟件保存上下文和恢復嗎?

    risc-v中斷還需要軟件保存上下文和恢復嗎?
    發(fā)表于 02-26 07:40