当一个新事物的出现，最好的办法就是了解它出现的背景，发展的历史。

当 ChatGPT 出现在我们面前，多轮对话能力让人震惊，仿佛机器真的可以"理解"人类语言。不同于当时 Siri 一样的语音助手，ChatGPT 的准确率相比之下非常高。

于是一夜之间 AI 的浪潮袭来，时至今日各个厂商相继公开自己的大模型并不断迭代：GPT-4-Turbo, Qwen-Max，智谱清言 GLM-4 等。AI 能力也从最初的对话型衍生出多种：图片生成，语音识别，文档解析，代码补全，视频生成，AI 搜索……

当技术发生了翻天覆地的变化和革新，不管是否愿意，时代的浪潮会推着我们前进。同时技术变化也不是徐徐图之，而是剧烈革新代替。我们回头看，云计算技术的推进是如此，移动互联网时代也是如此。所以我们应该积极了解 AI 到底是什么，从而明白 AI 能做哪些，不能做哪些？它又能给我们带来哪些技术上的革命。

ChatGPT

如果说从名称上看，Chat 代表着'聊天/对话'，那么 GPT 又代表着什么呢？

GPT 全称为 Generative(生成式) Pre-trained(预训练) Transformer(转换器)，从这三个词透露出来的信息，如果不负责任地猜测一下，是不是意味着："将人类语言转换为机器能识别的信息，经过反复训练就能得到生成式的 AI 模型？"

事实上，Transformer 是一种神经网络架构，它在神经网络架构中引入了“注意力”这一概念。

在现实生活中一些场景上下文是有关联的，比如一段视频是由多张图片连续组成，对话也有上下文作为关联。将这些存在一定关联的数据做特殊处理后，它们被称为“时序数据”或序列(sequence)。

Transformer 在实际任务中就是将一个序列转换为另一个序列。将一段中文转换为一段英文，将一个问题转换成一个回答……这就是 Transformer 名称的由来。

Pre-trained，预训练代表着模型的训练方式，在神经网络训练中采用更大、更多的参数先对模型进行训练，然后再进行微调。通俗一点讲就是九年义务教育，让模型拥有一些基础的通用能力，微调则代表着某一方面的偏重技能，就像选专业一样。

ChatGPT 采用基于人类反馈的强化学习(Reinforcement Learning from Human Feedback，RLHF)来进行预训练微调。整个过程分为三步：

1. 预训练一个语言模型：从优质的数据集中拿出一部分的数据，然后监督模型的训练。

2. 收集对比数据并训练奖励模型：输入数据和模型输出被采样，通过输出结果人工反馈输出的质量，给予模型回应或评分。

3. 从第二步的数据采样中得到新的数据，使用强化学习的方式微调语言模型。

RLHF 是用于训练 AI 的特定技术，它可以让模型更加精准，人工的干预也可以让模型显得更有"人性"。同时，数据集的量级也是一个重要因素，OpenAI 在训练 GPT-1 模型时参数只有 1.17 亿，到了 GPT-2 就提高到了 15 亿，GPT-3 更是增长到了 1750 亿，这已经是呈倍数增长了，而到了 GPT-4 模型宣称有 1.8 万亿。

可能单纯提及数字并不能真正体现出这个量级的数据集意味着什么，对于有过写作经验的工程师来说能体会得更深一点。有一些教你如何写作的书中总会强调，多看一些别人的文章，多写点文章，这样写作能力自然就提高了。想象一下，你需要看多少本书才能写一本书？假设输出一篇两千字的博客，那么一本二十万字的书则等价于上百篇的博客。

质量问题本质是数量问题，当数量级成倍增大，那么大模型的能力也由量变转为了质变。

在简单理解了 Transformer 和 Pre-trained 之后，应该怎么理解 Generative 呢？ 

生成式代表着 AI 可以创造新内容和想法，在学习基础语言后它能创造新地根据某一要求进行创作，例如可以让 AI 学习中文，根据词来写一首诗。经过预训练后 ChatGPT 会学习字、词、语法规则、上下文信息来预测下一个单词或短句，这个行为会涉及到数据分析和统计学。

在 GPT 底层下，深度学习模型不断重新创造它们从大量训练数据中学会的模式，然后在设定的范围参数中工作，根据学到的知识在创造新的内容。

深度学习模型通常不会存储训练数据的副本，而是会将数据进行编码，使类似的数据点被安排在彼此附近。之后，再对这种表示进行解码，以构建具有类似特征的新原始数据。

Prompt Engineering

如果仅仅只是从 ChatGPT 这个名字上推断它代表的意义和底层技术并不精确，AI 包含了计算机科学、数据分析和统计、语言学、神经学等多个学科。Transformer 和 Pre-trained 无法解释 ChatGPT 多轮对话时展现出的短期记忆能力，但在实际体验中多轮对话效果相当不错。

ChatGPT 使用 Prompt Engineering 提示工程技术来提高多轮对话的效果，对于大语言模型来说，因为计算效率和内存限制，一般会设计固定的上下文窗口，限制输入 token 的数量。文本首先会被分词器（tokenizer）分词，并通过查表编号，然后 embedding 到矩阵中变成高维空间向量，这是文本向量化的过程。

下图仅仅只是一个流程化展示，并不严谨：

由于 token 的限制，需要在有限的输入窗口将信息描述得更加全面，以提高大模型的准确度，这就需要使用 Prompt Engineering 工程来优化。提示工程在与语言模型交互、对接、理解大语言模型能力等方面都起着比较重要的作用。零样本提示与少样本提示在复杂任务上截然不同，如果把大模型比做一个懵懂的孩童，提示词工程便是循循善诱的教案。

神经网络

人工智能领域一直存在两大流派，"符号主义"（逻辑推理）和"联结主义"（仿生学），神经网络是模拟人类大脑理解而设计的模型，基于神经网络构建的大模型也可以像大脑那样工作并理解。在上文中提到 ChatGPT 使用 Transformer 作为它的基础架构，而 Transformer 又是一个引入注意力机制的神经网络架构，那么什么是神经网络？ 

1957 年，康奈尔大学心理学教授罗森布拉特实现了一个神经网络模型，他称之为"感知机"（Perceptron）。他将一组神经元组合在一起，训练机器视觉模型识别方面的任务。神经元是神经网络中最小的信息处理单元，在生物学中神经元具有感受刺激、整合信息和传导冲动的能力。神经元感知环境的变化后，再将信息传递给其他的神经元，并指令集体做出反应。

请注意，"仿生学"是正确的翻译，而不是"仿⽣学"；"康奈尔大学"是正确的名称，而不是"康奈尔⼤学"；"感知机"在英文中是"Perceptron"，通常保留英文原名；"神经元"在生物学中是正确的术语，不需要加引号。

计算机科学家模拟生物神经元的特性，抽象出一个简易的模型：

在这个模型中，一个神经元会接受多个来自其他神经元传递过来的输入信号，不同的输入信号的权重也不相同。神经元将所有输入的值按照权重加权求和，再将这个结果跟神经元中的"阈值"进行比较，如果等于或大于这个阈值就对外输出信号，反之则不输出。

在现实世界中判断一件事是否可行，往往是由多个因素决定，不同因素的权重也不相同。例如打算明天出门骑行，这时会考虑多个因素：

1-自行车是否正常 10

2-明天天气如何 8

3-骑行路线是否通畅 2

4-是否存在同伴陪同 3

不同因素的重要性也不同，自行车坏了基本上宣告计划破产，而天气也会变成决定性因素，但骑行路线和同伴是否陪伴相比之下只是算次要因素。将这些权重全部加起来再和阈值作为比较，阈值的高低代表了意愿的强烈，阈值越低代表这件事越容易通过。

下图来源于《从神经网络到 Hugging Face》

单个的感知器构成一个简单的决策模型，但是在现实世界中是不够用的。神经网络分为浅层神经网络和深度神经网络，当然这都是相对而言。上图左边的浅层神经网络一般只会有一个中间层，加上输入/输出层，也仅仅只有三层。深度神经网络的中间层不止一层，ChatGPT 就是由一种或多种深度神经网络构建而成的。可以将深度神经网络看作多层多个神经元的组合。

构建一个深度神经网络需要大量的参数，修改一个参数将会影响其他参数行为，深度学习训练中使用损失函数（loss function）来衡量这些指标，通过损失值来衡量神经网络模型在训练样本效果的好坏。

最开始科学家对神经网络的参数随机赋值，输入一批训练数据，得到预测输出后计算损失函数。然后再用输出的数据反向计算，根据这个过程来矫正参数让损失值变小。经过反复训练，让模型不断学习进步，最终得到我们所看到的大模型。实际上的深度学习要比作者描述的要复杂得多。

在深度神经网络中，这些数值可以分为两类，一类是层数、激活函数、优化器等，称为超参数（hyperparameter），它由工程师设定；另一类是权重和偏置，称为参数（parameter），它是在深度神经网络训练过程中自动得到的，寻找到合适的参数就是深度学习的目的。

从现阶段市场上的大模型我们也能看出，模型的性能与模型大小、数量以及计算资源相呼应。模型越大，数据量越大，分配的计算资源最大，模型的性能越好。深度学习人工智能技术正在以爆发式发展，预训练+微调的方式促进了神经网络训练资源的共享，从上文来看深度学习所需要的算力才是关键，谁掌握更多的算力谁训练出来的模型也就相对优质，这既是门槛也是瓶颈。

后记

以 ChatGPT 为例窥探 AI 的冰山一角，现在回到最初的问题，AI 能帮助我们做什么？

从市场已有的 AI 应用来看，AI 能辅助检索（AI 搜索引擎），能分析处理数据并加以预测（但并不完全准确）。AI 因为黑盒的深度学习对执行认知有着天然限制，同样的提示词，同样的问题可能第一次回答准确，第二次则无法得出期望的结果，这是大模型所产生的"幻觉"。从现在的一些 AI 应用来看，开发者使用提示词技术与 Embeddings 让大模型识别率更高，似乎想让模型提供更精准的答案。

也有科学家认为不应该消除"幻觉"，生物记忆本身就存在不完美性，幻觉这种特征代表了模型的创造力。这可能是在提醒开发者，如果完全消除"幻觉"，那和 Siri 有什么区别呢？也许通过外部记忆的方式解决"幻觉"在某些特定场景下来带的问题才是最终解决方案之一？

从开发者的视角来看，Github Copilot 等 AI 产品确实能提高生产效率，无论是提供简单的函数提示，还是相对准确易懂的变量名，都大大节约了编码时间。但是在复杂函数编写的情况下，可能因为上下文信息过少，亦或者无法检索整个项目，提示出来的代码不够准确。尤其在并发编程下即使有注释的提示，生成出的代码总是不尽人意。

令人惊喜的是，个人学习 Rust 时，AI 提示生成的代码质量相当高（比初学者高），这可能因为语言门槛较高，而 AI 补充能很好降低编写门槛。

在排查问题时，AI 给出的答案过于笼统，上下文的限制让 AI 无法精确定位问题所在，提供的解决方案也可能存在错误（这里涉及到知识库的滞后性以及幻觉问题）。也看到过一些 AI 结合低代码平台的产品，从目前效果来看可能短时间无法真正取代程序员。

在了解了 AI 技术对于工程师带来的一些变化后，我们来谈一下 AI 不能做什么。

AI 虽然经过 RLHF 的训练后生成出来的内容更加"人性化"，但无法真正理解情感或具有创造性思维能力。同时机器学习也缺乏道德和伦理的意识，没有办法进行道德判断或伦理决策。关于 AI 的安全方面也存在疑虑，由于训练需要大量优质样本，可能包含了一部分敏感信息，关于版权与滞后的监管与审查，无法推断 AI 会存在怎样的风险。这可能会面临被黑客恶意攻击。

作者本人近两年一直在做云原生的基础设施建设，AI 技术的发展增加了算力的需求，增加了大规模应用的场景，虽然云原生技术为 AI 应用提供了一定的基础，但是将 AI 的工作负载与云原生平台整合时，依然存在一些挑战。

AI 技术的创新对于基础设施，例如网络、存储、监控等工具提出了更高的要求。在未来可能更多的推出基于 AI 与云计算结合的一系列应用或工具，让 AI 开发者轻松复用最新的人工智能成果，从而推动 AGI 的发展。

参考资料：

1.https://"hutusi.com/articles/the-history-of-neural-networks

2.https://"www.ruanyifeng.com/blog/2017/07/neural-network.html

3.https://"aws.amazon.com/tw/what-is/reinforcement-learning-from-human-feedback

4.https://"developer.baidu.com/article/detail.html?id=1670936

5.http://"neuralnetworksanddeeplearning.com/index.html

6.https://"www.sohu.com/a/771199529_116132

7.https://"mp.weixin.qq.com/s/wjEBSkbuoXXF_1L8BCKVGw