ChatGPT 以 GPT+RLHF 模型為核心支撐，為 AIGC 發(fā)展指明方向

ChatGPT 將海量訓練數據與 Transformer 框架結合，在 GPT 模型的基礎上通過(guò) RLHF 模型提升交互聊天能力，實(shí)現了對自然語(yǔ)言的深度建模，Transformer 有望在未來(lái) 較長(cháng)時(shí)間內成為 AIGC 語(yǔ)言領(lǐng)域的核心技術(shù)框架。

Transformer 架構為自然語(yǔ)言理解領(lǐng)域帶來(lái)顛覆性變革，應用到 NLP、CV、生物、化 學(xué)等多領(lǐng)域。2017 年，谷歌跳出 RNN 和 CNN 的結構，提出了完全基于 Self-Attention 機 制的 Transformer 架構，當時(shí)在機器翻譯任務(wù)上取得了顛覆性的進(jìn)步。Transformer 由一個(gè) 編碼器和一個(gè)解碼器組成，且各自由若干個(gè)編碼/解碼模塊堆疊而成，每個(gè)模塊包含 MultiHead Attention 層、全連接層等功能不同的工作層。

Transformer 架構優(yōu)勢突出，計算效率、并行度、解釋性均實(shí)現突破。相比于之前的 框架 Transformer 架構除了在計算的時(shí)間復雜度更優(yōu)外，還有 3 大優(yōu)勢：

（1）可直接計算點(diǎn)乘結果，并行度高：對于數據序列 x1,x2……xn ，self-attention 可 以直接計算任意兩節點(diǎn)的點(diǎn)乘結果，而 RNN 必須按照順序從 x1 計算到 xn。

（2）一步計算，解決長(cháng)時(shí)依賴(lài)問(wèn)題：處理序列信息使，通常用要經(jīng)過(guò)的路徑長(cháng)度衡量 性能，CNN 需要增加卷積層數來(lái)擴大視野，RNN 只能逐個(gè)進(jìn)行計算，而 self-attention 只需 要一步矩陣計算就可以，更好地解決長(cháng)時(shí)依賴(lài)問(wèn)題。

（3）模型更可解釋?zhuān)簊elf-attention 模型更可解釋?zhuān)琣ttention 結果的分布可反映該模型 學(xué)習到了一些語(yǔ)法和語(yǔ)義信息。