關(guān)于這點(diǎn)，在一篇采訪OpenAI 總裁Greg Brockman 的報(bào)道中提到了：

“Q：ChatGPT是如何產(chǎn)生的？GPT模型當(dāng)初發(fā)布時(shí)顯得有些違反常識(shí)，但卻在某種程度上掀起了最新的AI浪潮，這與你們當(dāng)初構(gòu)建這些技術(shù)時(shí)的預(yù)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(shí)構(gòu)建這些模型耗費(fèi)了整整五年時(shí)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(dòng)、誠(chéng)懇甚至有點(diǎn)卑微的表達(dá)了它的意外發(fā)現(xiàn)，那就是單純訓(xùn)練LSTM 模型的去預(yù)測(cè)下一個(gè)單詞，模型中的某個(gè)神經(jīng)元意外對(duì)應(yīng)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(gè)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(píng)價(jià)或負(fù)面評(píng)價(jià)），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(gè)超越語法并轉(zhuǎn)向語義的時(shí)刻?！?/p>

關(guān)于為何會(huì)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(duì)語言建模具有很強(qiáng)的預(yù)測(cè)能力。(It is possible that sentiment as a conditioning feature has strong predictive capability for language modelling.)“

這個(gè)思路是典型的達(dá)爾文進(jìn)化思維：

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

神經(jīng)網(wǎng)絡(luò)在訓(xùn)練的時(shí)候，采用的隨機(jī)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(jī)摸索，在強(qiáng)大的生存壓力下，錯(cuò)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(gè)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(gè)詞本身就是個(gè)模棱兩可的詞，我并不知道具體的細(xì)節(jié)，那就是偽科學(xué)?！薄癈hatGPT 具備的推理能力不過是另一種歸納，永遠(yuǎn)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(jìn)化論的思想完全不同，進(jìn)化論需要構(gòu)建一個(gè)萬能生成器，然后建立一個(gè)淘汰機(jī)制，對(duì)萬能生成器生成的各種可能進(jìn)行篩選淘汰，這樣進(jìn)化出來的系統(tǒng)，就能很好的完成任務(wù)，至于里面形成的微結(jié)構(gòu)，那并不是重點(diǎn)，甚至都無法用簡(jiǎn)單的語言描述，因?yàn)楸旧砭褪侨止餐鹱饔玫摹?/p>

所謂上下文推理，不過就是給定前文，準(zhǔn)確給出后文的能力，這其實(shí)就是語言模型預(yù)訓(xùn)練時(shí)候就在做的事情，為了能做到這點(diǎn)，在訓(xùn)練的過程中，各種有助于提高預(yù)測(cè)能力的高層能力，都會(huì)自然而然的進(jìn)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(luò)本身可以擬合一切函數(shù)，同時(shí)隨機(jī)梯度下降，又讓神經(jīng)網(wǎng)絡(luò)具備了參數(shù)自動(dòng)填充的能力。當(dāng)然，進(jìn)化的過程中，神經(jīng)網(wǎng)絡(luò)總會(huì)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(yù)期的解法不一致，這時(shí)候任務(wù)的合理構(gòu)建就很重要了，需要巧妙的設(shè)計(jì)，讓我們預(yù)期的解法是神經(jīng)網(wǎng)絡(luò)進(jìn)化的唯一解。

其實(shí)換個(gè)角度想，人為什么有推理能力？人的一切能力也是進(jìn)化而來的，人的各種生存壓力，配合基因的隨機(jī)突變和大自然的定向篩選，導(dǎo)致推理等能力的出現(xiàn)，換句話說，當(dāng)推理能力的出現(xiàn)有助于人這個(gè)群體生存的時(shí)候，這個(gè)能力就會(huì)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(jìn)化論思想，因?yàn)檫M(jìn)化論思想沒有寫進(jìn)義務(wù)教育的教材，導(dǎo)致太多人沒有深刻理解這個(gè)工具。

審核編輯 ：李倩