一、说明
大语言模型（维基：LLM- large language model）是以大尺寸为特征的语言模型。它们的规模是由人工智能加速器实现的，人工智能加速器能够处理大量文本数据，这些数据大部分是从互联网上抓取的。 [1]所构建的人工神经网络可以包含数千万到数十亿的权重，并使用自监督学习和半监督学习进行（预）训练。 Transformer 架构有助于加快训练速度。[2]替代架构包括专家混合（MoE），它是由 Google 提出的，从 2017 年的稀疏门控架构开始，[3] 2021 年的 Gshard[4] 到 2022 年的 GLaM。
作为语言模型，它们的工作原理是获取输入文本并重复预测下一个标记或单词。[6]到 2020 年，微调是模型能够完成特定任务的唯一方法。然而，较大尺寸的模型，例如 GPT-3，可以通过快速设计来实现类似的结果。 [7]他们被认为获得了人类语言语料库中固有的语法、语义和“本体论”的具体知识，但也获得了语料库中存在的不准确和偏见。 [8]
二、度量尺度演进史
在17世纪初，一位名叫埃德蒙·冈特（Edmund Gunter）的数学家和天文学家面临着前所未有的天文学挑战。计算行星的复杂运动和预测日食需要的不仅仅是直觉——它需要掌握复杂的对数和三角方程。因此，就像任何精明的创新者一样，冈瑟决定从头开始构建它！他创造了一种模拟计算设备，最终成为所谓的计算尺。
计算尺是一个长30厘米的矩形木块，由两部分组成：固定框架和滑动部分。固定框架容纳固定对数刻度，而滑动部分容纳可移动刻度。要使用计算尺，您需要了解对数的基本原理以及如何对齐乘法、除法和其他数学运算的刻度。您必须滑动可移动部分以对齐设置数字，读取结果并考虑小数点放置。哎呀，这真的很复杂！
大约300年后，贝尔潘奇公司于1961年推出了第一台电子桌面计算器“ANITA Mk VII”。在接下来的几十年里，电子计算器变得更加复杂，具有附加功能。以前需要大量手动计算的工作大大减少了工时，使员工能够专注于工作中更具分析和创造性的方面。因此，现代电子计算器不仅重塑了工作角色，还为提高解决问题的能力铺平了道路。
计算器是数学完成方式的一步变化。语言呢？
三、语言度量才刚刚开始
想想你是如何生成句子的。你首先需要有一个想法。接下来，你需要知道一堆单词（词汇）。然后，您需要能够将它们放在适当的句子（语法）中。啧，又是相当复杂的！
我们生成语言单词的方式可以追溯到50万年前，也就是现代智人首次创造语言的时候。
公平地说，我们仍然处于冈瑟在生成句子时使用计算尺的时代！
扫描二维码关注公众号，回复： 16207202 查看本文章
如果你考虑一下，使用适当的词汇和语法基本上只是遵守规则。语言规则。
这类似于数学。它充满了规则。因此，为什么我可以确定 1+1=2 以及为什么计算器有效！
我们需要的是一个计算器，但对于文字！
是的，不同的语言遵循不同的规则，但需要遵循一些规则才能理解。语言和数学之间的一个明显区别是，数学有固定的答案，而一个句子中可以容纳的合理单词的数量可能很大。
尝试完成以下句子：我吃了一个________。想象一下接下来可能出现的单词。英文大约有1万个单词。其中很多都可以在这里使用，但绝对不是全部。
回答“黑洞”相当于说2+2=5。此外，回答“苹果”也不准确。为什么？因为语法！
在过去的几个月里，大型语言模型（LLM）风靡全球。一些人称其为自然语言处理的突破，而另一些人则将其视为人工智能（AI）新时代的曙光。
LLM已被证明非常擅长生成类似人类的文本，提高了基于语言的AI应用程序的标准。凭借庞大的知识库和上下文理解，LLM可以应用于各个领域，从语言翻译和内容生成到虚拟助手和客户支持聊天机器人。
问题是：我们目前是否处于LLM的拐点，就像我们在1960年代使用电子计算器一样？
在我们回答这个问题之前，LLM是如何工作的？LLM基于转换器神经网络，用于计算和预测接下来最适合的单词。要构建一个强大的转换器神经网络，您需要在大量的文本数据上对其进行训练。这就是为什么“预测下一个单词/标记”方法如此有效的原因：有很多容易获得的训练数据。LLM将整个单词序列作为输入，并预测下一个最有可能出现的单词。为了了解接下来最有可能发生的事情，他们吞下了所有的维基百科作为热身练习，然后转向成堆的书籍，最后是整个互联网。
我们之前已经确定语言包含规则和模式。该模型通过遍历所有这些句子隐式学习这些规则，它将使用这些句子来完成预测下一个单词的任务。
在单数名词之后，下一个单词是以“s”结尾的动词的可能性增加。同样，在阅读莎士比亚时，看到“doth”和“wherefore”等词的机会也会增加。
在训练过程中，模型用语言学习这些模式，最终成为专家！
但这够了吗？学习语言规则就够了吗？
因此，自我关注。简单来说，自我注意是LLM用来理解句子或一段文本中不同单词之间关系的一种技术。就像你关注故事的不同部分来理解它一样，自我关注允许LLM在处理信息时更加重视句子中的某些单词。这样，模型可以更好地理解文本的整体含义和上下文，而不是仅仅根据语言规则盲目地预测下一个单词。
如果LLM是单词的计算器，只是预测下一个单词，它如何回答我所有的问题？
当你要求一个大型语言模型做一些聪明的事情——而且它有效——你很有可能要求它做一些它已经看到数千个例子的事情。即使你想出了一些非常独特的东西，比如：
“给我写一首关于逆戟鲸吃鸡的诗”
在海浪中，一个看不见的景象，一只逆戟鲸捕猎，迅速而敏锐，在海洋领域，舞蹈开始，作为鸡的命运，逆戟鲸获胜。
它用强大的下颚撞击猎物，羽毛漂浮，漂流，以自然的方式，编织一个故事，生与死合而为一。
~ 聊天
很不错吧？得益于其自我注意机制，它可以有效地混合和匹配相关信息，以构建合理而连贯的响应。
在训练过程中，LLM学习识别他们所接触到的数据中单词和短语之间的模式，关联和关系。由于这种广泛的培训和微调，LLM可以表现出新兴属性，例如执行语言翻译，摘要，问答甚至创意写作的能力。这些功能通常超出了模型中显式编程的范围，并且可能非常出色！
大型语言模型是否智能？
电子计算器已经存在了六十多年。该工具本身已经有了突飞猛进的改进，但它从未被认为是智能的。为什么？
图灵测试 - 图灵测试是一种看似简单的方法，用于确定机器是否表现出类似人类的智能：如果机器能够以与人类无法区分的方式与人类进行对话，则认为它具有人类智能。
计算器从未接受过图灵测试，因为它不像人类那样用同样的语言进行交流，只有数学语言。另一方面，LLM产生人类语言。它的整个训练过程围绕着模仿人类语言。因此，它可以“以与人类无法区分的方式与人类进行对话”也就不足为奇了。
因此，用“智能”这个词来描述LLM有点棘手，因为对于智能的真正含义没有明确的共识。考虑某物是否智能的一种方法是，它是否做了有趣、有用且不是非常明显的事情。LLM确实属于这一类。不幸的是，我完全不同意这种解释。
我将智力定义为扩展知识前沿的能力。
在撰写本文时，经过训练来预测下一个标记/单词的机器仍然无法扩展知识的前沿。
但是，它可以对已训练的数据进行插值。没有明确理解单词背后的逻辑，也没有存在的知识树。因此，它将永远无法产生异常的想法并实现洞察力的飞跃。它将始终提供连贯的答案，在某种程度上是平均响应。
我们应该把LLM更像一个单词的计算器。永远不要把你的思维完全外包给语言模型。
与此同时，随着这些模型呈指数级增长，我们可能会感到越来越不知所措和微不足道。解决这个问题的方法是始终对看似无关的想法保持好奇。表面上看起来不连贯的想法，但基于我们与周围环境的互动而有意义。目标是生活在知识的边缘，创造和连接新的点。
如果你在这个层面上工作，所有形式的技术，无论是计算器还是大型语言模型，都会成为你可以使用的工具，而不是你需要担心的生存威胁。