甲功甲炎检查结果（3分钟看懂ChatGPT）chatgpt 这都可以

 

互联网已经成为了我们生活中没有可或缺的1部分，它带来了许多惊喜和改变。今天，让我们聚焦在互联网领域最近发生的1些令人激动的事件上，共同探索这个充满无限可能的天下。

1、技术1、是什么？ChatGPT 是1个基于语言模型 GPT⑶.5 的聊天机器人，ChatGPT模型是Instruct GPT的姊妹模型（siblingmodel），使用强化学习和人类反馈来更好地使语言模型取人类指令保持1致。

2、GPT起源 Generative Pre-Trained Transformer (GPT) 是⼀系列基于Transformer 的深度学习语言模型 OpenAI于 2018 年 6 月在题为《Improving Language Understanding by Generative Pre-Training》的论文中提出了第1个 GPT 模型 GPT⑴。

从这篇论文中得出的关键结论是，Transformer 架构取无监督预训练的结合产生了可喜的结果GPT⑴ 以无监督预训练+有监督微调的方式——针对特定任务进行训练——以实现“强大的自然语言理解”2019 年 2 月，OpenAI发表了第二篇论文“Language Models are Unsupervised Multitask Learners”，其中介绍了由GPT⑴演变的GPT⑵。

尽管 GPT⑵ 大了1个数量级，但它们在其他方面非常相似二者之间只有1个区别：GPT⑵ 可以完成多任务处理OpenAI成功地证明了半监督语言模型可以在“无需特定任务训练”的情况下，在多项任务上表现出色。

该模型在零样本任务转移设置中取得了显著效果随后，2020年5月，OpenAI发表《Language Models are Few-Shot Learners》，呈现GPT⑶GPT⑶ 比 GPT⑵大 100 倍，它拥有1750 亿个参数。

然而，它取其他 GPT 并没有本质没有同，基本原则大体1致尽管 GPT 模型之间的相似性很高，但 GPT⑶ 的性能仍超出了所有可能的预期 2022年11月底，围绕ChatGPT机器人，OpenAI进行了两次更新。

11月29日，OpenAI发布了1个命名为“text-davinci-003”（文本-达芬奇-003）的新模式在11月30日发布它的第二个新功能：“对话”模式它以对话方式进行交互，既能够做到回答问题，也能承认错误、质疑没有正确的前提以及拒绝没有恰当的请求。

二、工作原理 1、概述 使用机器学习算法来分析和理解文本输入的含义，然后根据该输入生成响应该模型在大量文本数据长进行训练， 使其能够学习自然语言的模式和结构 2、细节 ChatGPT 模型使用1种称为人类反馈强化学习 (RLHF) 的机器学习进行训练，可以模拟对话、回答后续问题、承 认错误、挑战没有正确的前提并拒绝没有适当的请求。

为了创建强化学习的奖励模型，OpenAI收集了比较数据，其中 包含两个或多个按质量排序的响应模型为了使生成的文本更容易被人理解，OpenAI招募了人类训练师，在训练 过程中，人类训练师扮演了用户和人工智能助手的角色。

模型在Microsoft Azure的超算设施长进行训练 ChatGPT模型的训练过程取其前身RLHF非常相似： 1）使用有监督的微调训练初始模型：人类训练师之间提供对话，其中1个扮演用户，另1个扮演ChatGPT 中的 AI助手。

为了创建强化学习的奖励模型，需要收集比较数据，并使用收集到的数据调整 GPT⑶.5 模型；2） 模型会根据提示生成多个输出，训练师将 ChatGPT 编写的回复取人类的回答进行比较，并对它们的质量进行排名，以帮助强化机器的类人对话风格。

奖励模型将自动执行最后1个训练阶段，使用排名后的数据训练； 3）在最后1步使用近端策略优化进1步调整，这是 OpenAI 广泛使用的强化学习技术3、谁出的 ChatGPT由OpenAI开发，采用基于GPT⑶.5架构的大型语言模型。

OpenAI 是1家位于旧金山的研究实验室，成 立于 2015 年，由其首席执行官Sam Altman、Elon Musk以及风险投资家Peter Thiel等人共同出资10亿美元建立 OpenAI的诞生旨在开发通用人工智能（AGI），并确保其成为1种高度自主、且在大多数具有经济价值的工作上超越人类的系统。

而GPT正是OpenAI通过文字模态来探索通用人工智能的1种方式1、OpenAI研究方向训练生成模型（Training Generative Models） 从数据中推断算法（algorithms for inferring algorithms from data）

强化学习的新方法（new roaches to reinforcement learning）大致代表了以下3个研究主题：Deep Generative Model 深度生成模型 Neural Turing Machine 神经图灵机

Deep Reinforcement Learning 深度强化学习2、OpenAI近况研究进展 ：2022 年 11 月，OpenAI 向公众开放了使用对话进行交互的ChatGPT； 2022年9月，OpenAI发布了1个名为 Whisper 的神经网络，称其在英语语音识别方面能够接近人类水平的鲁棒 性和准确性。

Whisper 是1种自动语音识别 (ASR) 系统，使用从网络收集的68万小时、多语言和多任务监督数据 进行训练； 2021年，OpenAI 宣布将通过 API 向企业和开发者提供访问其 Codex 程序的机会。

Codex是1种基于GPT⑶的自然语言代码系统，有助于将简单的英语指令转换为十几种流行的编码语言；2021 年 1 月，OpenAI 推出了DALL-E1年后，他们的最新系统 DALL·E 2 生成了更逼真、更准确的图像，分 辨率提高了4倍。

投融资 ：OpenAI最近1次融资在2019年，获得微软10亿美元的投资此外，OpenAI也在进行对外投资，去年推出Start Fund，取合作伙伴（包括微软）1同投资处于早期阶段的专注于能使AI在领域内（如气候变化、医疗、教育等） 产生变革性影响的公司。

目前，Start Fund已投资4家公司，分别是Descript、Harvey AI、Mem和 Speak，它们 在大规模重塑创造力、辅助律师工作、提高知识工作者的生产力和教育方面具有巨大潜力四、能做什么

1、能够响应用户输入并生成类似人类的文本

2、可以取用户交谈并以取主题和情况相关的方式进行响应

3、可以生成多种格式和样式的文本，例如段落、列表和要点

4、可以提供时事（实时性较弱）、历史、科学等各种主题的信息

5、可以嵌入到广泛的应用程序中，包括聊天机器人和虚拟助手，以对用户查询提供智能的自然语言响应；可以帮助程序员调试代码或给出建议

五、为何火据OpenAI 总裁格雷格·布罗克曼称，在五天内，超过1百万人报名参加了ChatGPT测试这是第1次，任何人都可以在 OpenAI 的网站上轻松地使用聊天机器人，能够满足更多元的用户需求此外，它 的回答取其他聊天机器人相比，有更歉富的细节和更长的篇幅，对于1些学术性问题它甚至可以直接作为考试中 开放性问题的答案，或生成1篇小论文。

通过取ChatGPT互动，你可以像使用搜索引擎1样使用ChatGPT，有推特网友称“它比谷歌还好用”，比如它能 够解释为何某个笑话更有趣，或就如何解决特定的编程错误提出建议； 你可以像使用文本生成器1样使用它，它能够创建大量清晰、合理但略显中规中矩的文本；

对于创作者来说，ChatGPT还可以帮助他们突破创作瓶颈，用户可以从中汲取灵感，请求重新措辞、总结或扩展，然后完善到自己的内容中按照ChatGPT自己的回答，“它是适用于任何任务的工具，智能且快速；从写笑话到写文章，它可以非常灵活。

”六、应用1、问题解答（解释任何事情的作用例如，解释代码块的作用）；2、求解数学方程式 ；3、写作文本（基础学术文章、文学文本、电影剧本等）； 4、调试和修复（例如，检测并更正任何代码块中的错误）；5、语际翻译；

6、总结文本并检测文本中的关键词 ；7、分类 ；8、提出建议；7、价值通过允许用户以更像人类的方式取AI 进行交流，ChatGPT 可以帮助使 AI 更易于访问和用于更广泛的应用程序 这有助于依赖自然语言处理的任务的效率和准确性，例如语言翻译、文本摘要和信息检索。

此外，通过为 AI 提供更直观、更人性化的界面，ChatGPT 可以帮助拉近 AI取用户的距离，降低对技术没有熟悉的 用户的学习成本总的来说，ChatGPT 旨在通过提高人工智能的可用性和有效性来帮助人类。

来自ChatGPT自己的回答：1、大型语言模型很可能会继续在社会的许多没有同领域发挥越来越重要的作用例如，它们可用于改进客户服务、 语言翻译和内容审核等领域的自然语言处理它们还可用于生成本性化内容和推荐，例如本性化新闻文章或本性化产品推荐。

2、在政治治理方面，大型语言模型可用于帮助自动分析大量文本数据，例如立法或政策文件这可能有助于提 高决策过程的效率和有效性八、ChatGPT利弊分析利 ：增强的用户体验 ChatGPT能够输出更加类人的回答，概括来讲，类人的表达体现在能够对用户的问题做出质疑；能够撰写看起来逻辑缜密的长篇幅回答（准确度有待提升）；更加温和的回答等。

同时，由于ChatGPT具有记忆能力，可实现连续对话，提升了用户在聊天过程中的体验弊 ：1、成本过高 1）开发成本 ：GPT到GPT⑵ 到GPT⑶，在算法模型并没有太大改变，但参数量从1.17 亿增加到1750 亿，预训练数据量从5GB 增加到45TB，其中GPT⑶ 训练1次的费用是460 万美元，总训练成本达1200 万美元。

对于想要复刻的公司来讲，开发成本是次要的门槛 2）企业使用成本 ：根据OpenAI创始人Sam Altman描述，ChatGPT单轮对话平均费用在 0.01-0.2 美元，我们将没有得没有在某个时候以某种方式将其货币化，计算成本太大。

据悉，小冰公司大致计算过使用ChatGPT的成本，按照小冰公司所用框架当前的对话交互量，如果使用ChatGPT 方法每天的成本将高达3亿元，1年成本则超过1000亿元对于应用侧的企业来讲，在商业化的过程中必须在人工 成本取机器成本之间做出选择，以目前ChatGPT高达数千亿的成本来说，尚且难以被纳入下流企业的商业化选择。

2、技术局限1）GPT⑶.5 仅依赖于其训练数据中的统计规律，且没有会在网络上抓取时事信息（对比谷歌），使得它的1些回答 略显陈旧由于2021年以后它的训练数据更加稀疏，它对这个时间点以后的天下了解有限，在输出的准确性上也 会有所降低； 。

2）ChatGPT的认知建立在虚拟训练文本上，没有跟实时数据库或信息连接，还会导致1个较为宽肃且已经被使用 者印证的问题：ChatGPT在某些问题的回答上会出现致命性错误，看似有逻辑的表达实则为错误的信息输出。

正是这种看似有逻辑的表述风格，可能会误导使用者在缺累知识背景的情况下将其回答视为“正确答案”对于学者或是教育领域的从业者来说，这种错误将对学术研究或学生认知造成负面影响； 3）ChatGPT 的奖励模型围绕人类监督而设计，可能会过度优化。

训练数据也影响了ChatGPT的写作风格，它喜欢对所有内容进行冗长的回复，经常重复使用特定的短语； 此外，训练数据也可能存在算法偏差，例如输入1个涉及CEO 的提示，可能会得到1个假设此人是白人男性的回复。

和所有NLP模型1样，由于其知识库受限于训练数据，ChatGPT可能产生负面、没有准确甚至言语过激的内容因此，ChatGPT使用 Moderation API 来警告或阻止某些类型的内容，尽可能减少没有正确或荒谬的答案。

九、未来展望1、商业前景广泛ChatGPT具有较为广泛的商业前景，将推动众多行业的变革，有望在AIGC、客户服务、教育、家庭陪护等领域率 先落地今年无疑是AIGC备受关注的1年，而ChatGPT模型的出现对于文字模态的 AIGC 应用更是具有重要意义。

未来，取图形模态的AIGC相结合，有望打造从文字描述到图片生成的AI创作辅助工具根据调研，目前业内从业者对于ChatGPT仍保持观望态度，1方面在持续考量模型的准确性以及取其所在领域的适配度；另1方面，多数企业也受制于GPT模型的高成本，在商业化上持较为谨慎的态度。

2、成为技术生态ChatGPT将会成为1个技术生态，但它所学习的是互联网上公有域的知识，没有能解决具体行业企业的本性问题因此，更多创业公司应该在AI技术基础上，提出更贴近客户具体需求和痛点的解决方案和产品。

例如，作为虚拟人公司，可以针对医疗、银行等某个行业中的企业，单独形成解决方案，再用ChatGPT等AI技术将对应的私有化知识加进去进行模型训练，从而解决实际问题。

本文转载于万像素才网：https://www.wanxiangsucai.com/