2022年11月底，ChatGPT一經推出，全球關注，風頭依舊強勁！取代搜索引擎，奇點說，拐點說，若干職業面臨失業危機，人類面臨終極挑戰…，面對如此熱點，本文分享我們的認識，歡迎討論和指正。

總的來說，ChatGPT取得了顯著科技進步，盡管有不足，但邁向AGI（artificial general intelligence，通用人工智能）仍充滿諸多挑戰！

圖1：https://openai.com/blog/chatgpt/ 網頁截圖

首先，介紹AI研究中的伊莉莎效應（Eliza Effect），也是與聊天機器人（chatbot）有關。

伊莉莎效應，指人會過度解讀機器的結果，讀出原來不具有的意義。人有一種心理趨向，在下意識中以為自然界現象與人類行為相似，心理學上稱為人的擬人化意識（anthropomorphisation），特別是當人類對新現象缺乏足夠認識的情況下。比如古時人們認為打雷是因為天上住著一個雷公，雷公生氣就打雷了。

名字「伊莉莎」取自1966年由MIT的計算機科學家Joseph Weizenbaum開發的一款聊天機器人。聊天機器人Eliza被設計成一個心理咨詢師，討巧的Eliza項目取得了意外的成功，效果讓當時的用戶非常震驚，引起轟動，但其實只是以簡單的規則文法為基礎的巧妙運用。

對ChatGPT的原理加以一定理解，應能減少在認知ChatGPT時的伊莉莎效應。有一個正確判斷，才能行健致遠。為此我們力求嚴謹，并提供參考文獻，以便讀者進一步了解。下文將分三大部分：

• ChatGPT的進步
• ChatGPT的不足
• 邁向AGI的挑戰

個人主頁：http://oa.ee.tsinghua.edu.cn/ouzhijian

作者：歐智堅，清華大學電子工程系副教授、博士生導師。擔任IEEE音頻語音語言期刊（TASLP）副主編，Computer Speech&Language編委，IEEE語音語言技術委員會（SLTC）委員，IEEE言語技術（SLT）2021大會主席，中國計算機學會（CCF）杰出會員及語音對話與聽覺專委會委員等。發表論文近百篇，獲得省部級獎3項及多次國內外優秀論文獎。在隨機場語言模型，離散隱變量模型的學習算法，端到端對話模型及其半監督學習等方面做出基礎原創研究。

01 ChatGPT的進步

ChatGPT的進步，是站在多年來人工智能研究的巨人肩膀上，特別是深度學習技術，也就是使用多層神經網絡的技術。我們梳理了在ChatGPT的系統構建中，起著重要作用的幾個技術，如下圖。正是這些技術的共同作用（六部曲），才誕生了ChatGPT。

ChatGPT的模型骨架是，基于Transformer神經網絡架構的自回歸語言模型（language model）。基于微調（finetuning）的技術，基于Prompt（提示）的技術，情景學習（in-context learning），從人類反饋中強化學習（RLHF）技術，逐步發展并最終促成了ChatGPT的誕生。

圖2：ChatGPT的進步?

1. 語言模型（LM，language model）

語言模型，就是人類自然語言的概率模型。人類自然語言是一個個句子，一個句子是一個自然語言符號序列x₁,x₂,…,x_n，服從概率分布

利用概率論乘法公式，可得

把這種從左至右，每個位置利用前面歷史符號x₁,x_2,…,x_i-1（即上文），計算當前符號出現的（條件）概率P(x_i | x₁,…,x_i-1)的模型，稱為自回歸語言模型，非常自然可用來在給定上文條件下，生成當前符號。比如，下圖示例了在給定上文「The best thing about AI is its ability to」，下一個符號的出現概率。

依此可以遞歸生成，

語言模型問題的關鍵在于，構建什么樣的函數族來表示條件分布P(x_i | x₁,…,x_i-1)，并能有效從大數據中學習到模型參數。ChatGPT基于的一個技術進步，就是利用神經網絡來表示P(x_i | x₁,…,x_i-1)。

2. Transformer神經網絡架構

對于序列條件分布 P(x_i | x₁,…,x_i-1) 建模的一個挑戰就是，長程依存關系（long-range dependencies）的建模。利用普通遞歸神經網絡（recurrent neural network, RNN）的序列模型，在訓練時會遇到梯度爆炸和消失的缺陷（the exploding and vanishing gradient effects）[1]，因此很長一段時間人們利用基于長短時記憶網絡（long short-term memory, LSTM）[2]的RNN來進行序列建模。LSTM通過引入門控機制一定程度上緩解了梯度爆炸和消失的缺陷。2017年發展的Transformer神經網絡架構[3]，則徹底舍棄了遞歸計算，通過利用自注意力機制，使用前饋神經網絡（feed-forward neural network，FFNN）來進行序列建模，更好地解決了梯度爆炸和消失的缺陷。

讓我們直觀來理解Transformer在序列建模方面相比RNN的優勢。考慮序列中相距為n的兩處位置，這兩處位置間的在前向和后向計算中的信號，在神經網絡中行進的路徑長度，是影響神經網絡對長程依存關系學習能力的一個重要因素，RNN是O(n)，而Transformer是O(1)。對這塊不理解的讀者，可以跳過，不影響后面內容的閱讀 :-)

圖3

3. GPT語言模型及預訓練+微調技術

自然語言理解包括范圍廣泛的不同任務，例如問答、語義相似性評估、文本蘊含關系判斷、文檔分類、機器翻譯、閱讀理解，摘要等等。人們發現可以先在大量（無需標注的）文本上訓練一個大型Transformer-LM（常稱為骨架），然后在面對不同的下游任務時，利用下游任務各自的標注數據對這個大型Transformer網絡進行微調，取得了很大性能提升，這就是所謂的預訓練+微調技術（pre-training + fine-tuning），典型技術包括2018-2019年發展的GPT [4]和BERT [5]。GPT是基于Transformer的自回歸語言模型，BERT是基于Transformer的掩碼語言模型（masked language model, MLM）。

正如GPT原文表述的「Our work broadly falls under the category of semi-supervised learning for natural language.」，這種無監督預訓練（unsupervised pre-training）結合有監督微調（supervised fine-tuning），是一種半監督學習，其本質是協同進行有監督學習和無監督學習。

（來自GPT原文[4]「Improving language understanding by generative pre-training」）

4. GPT-2及零樣本提示技術

在預訓練+微調技術框架下，仍然需要對每個下游任務，采集和標注各自不少的標注數據，然后微調得到各自任務上的一個「狹隘專家」（narrow expert），每個狹隘模型都需要單獨構建和存儲，這費時費力費資源。如果能建設更通用（more general）的系統，其能勝任很多任務，并且能免除為每個任務人工采集和標注數據集，就太棒了。在2019年GPT-2原文[6]，有這樣愿景的清晰闡述，是不是已經看出了邁向AGI的味道 :-)

「We would like to move towards more general systems which can perform many tasks – eventually without the need to manually create and label a training dataset for each one.」

讓機器去學習執行一個自然語言理解任務（如問答），本質是去估計出條件分布

既然一個通用系統能執行許多不同的任務，那它的建模應該進一步條件于任務task，即建模

以GPT-2為代表的一個創新做法是，task、input、output 都用自然語言來表述成符號序列，這樣模型 P(output | task,input)就歸結為一個語言模型——給定上文，遞歸生成下一個符號。不同任務的訓練數據都統一組織成

這樣的符號序列的形式。比如，

(translate to french, english text, french text)

(answer the question, document, question, answer)

其中，task，常稱為是提示（prompt）。提示的做法很多，也有很多相關研究，本文不展開介紹了。

在GPT-2之前也有類似想法的研究，GPT-2把規模（無論訓練集還是模型的規模）拉到了一個新高度，采集百萬網頁創建了一個大數據集WebText（40GB），訓練出最大參數規模為1.5B的Transformer-LM，展示了零樣本情形下，在多個任務上的出色性能，不需要任何參數或模型架構修改（without any parameter or architecture modification）。值得指出一點，GPT-2的做法充分體現了多任務學習（multitask learning） 和元學習（meta-learning），可作為GPT-2之所以有出色性能的一個直觀解釋吧。

（來自GPT-2原文 [6]「 Language models are unsupervised multitask learners」。GPT-2訓練了系列的Transformer-LM，參數規模分別為117M、345M、762M、1542M，上圖展示了隨著模型參數規模的增大，各任務性能的不斷提升。）

5. GPT-3及in-context learning

2020年GPT-3的工作 [7]，延續了GPT-2的愿景和技術路線，希望突破在各個任務中仍需任務特定標注及微調的缺陷（there is still a need for task-specific datasets and task-specific fine-tuning），希望能建設象人一樣的通用系統，文中清晰指出其中研究動機之一是注意到：

「humans do not require large supervised datasets to learn most language tasks – a brief directive in natural language (e.g. 『please tell me if this sentence describes something happy or something sad』) or at most a tiny number of demonstrations (e.g. 『here are two examples of people acting brave; please give a third example of bravery』) is often sufficient to enable a human to perform a new task to at least a reasonable degree of competence.」

也就是說給了任務描述（directive）和示范樣本（demonstrations），機器應該就能象人一樣執行多樣的任務。

GPT-3再次拉升規模（scaling up）到了一個新高度，訓練集規模為45TB文本（清洗前）、570GB（清洗后），Transformer-LM規模比GPT-2又增加了10倍，達到了175B（見下Table 2.1）。GPT-2文章主要做了零樣本提示情形，GPT-3則做了零樣本（zero-shot），單樣本（single-shot）以及少樣本（few-shot）情形的實驗，統稱為In Context Learning（情景學習），其中給出的示范樣本（demonstrations）可以是0個、1個或多個，但都會帶有任務描述（task description），見Figure 2.1的圖示說明。從Figure1.2可看出，隨著示范樣本的增多，不同規模的模型的性能提升的趨勢。

（以上均來自GPT-3原文 [7]「Language Models are Few-Shot Learners」）

6. InstructGPT, ChatGPT及RLHF技術

目前大型語言模型（large language model, LLM）用于自然語言理解的做法是，依據P(output | task,input)，給定上文task,input，遞歸生成下一個符號。InstructGPT研究的一個出發點是考慮到在人機對話中，增大語言模型并不能從本質上使它們更好地遵循用戶意圖。大型語言模型也會表現出不盡人意的行為，如編造事實，生成有偏有害文本，或根本對用戶沒有幫助。

這是因為許多最近的大型 LM 使用的語言建模目標是，預測來自互聯網的網頁上的下一個符號，這不同于「有幫助和安全地遵循用戶的指示」的目標。因此，我們說語言建模目標是未對齊的（misaligned）。避免這些意外行為，對于在數百個應用程序中部署和使用語言模型尤為重要。2022年3月，InstructGPT工作[8]展示了一種途徑，可以通過根據人類反饋進行微調，使語言模型在一系列任務上對齊到用戶意圖（aligning language models with user intent），得到的模型稱為InstructGPT。具體來說，如下Figure 2所示，InstructGPT構建過程包含三步：

第1 步：收集演示數據（13K條數據），使用有監督學習微調GPT-3（大小為175B），訓練得到supervised policy（有監督策略）。

第2步：收集對比數據（33K條數據），訓練出reward model（獎勵模型），大小為6B。

第3步：收集31K條訓練數據，使用強化學習針對獎勵模型來優化策略，稱為從人類反饋中強化學習（reinforcement learning from human feedback, RLHF)。具體是使用稱為PPO的策略優化方法[9]。

對演示數據和對比數據的收集，使用了40人的外包標注員。

（來自IntructGPT原文[8]「Training language models to follow instructions with human feedback」）

2022年11月，OpenAI發布的ChatGPT模型 [10]，基本是InstructGPT模型的沿襲，使用了相同的三步驟訓練方法，但是收集了更大規模的數據，進行模型訓練和系統構建。

總結：從語言模型研究、Transformer神經網絡架構、GPT語言模型及預訓練+微調、GPT-2及零樣本提示（zero-shot prompting）、GPT-3及情景學習（in-context learning），發展到InstructGPT，ChatGPT及RLHF技術，回頭看看上去是一條比較清晰的技術路徑，但事實上，其它類型的語言模型（比如基于能量的語言模型 [11]）、其它類型的神經網絡架構（比如狀態空間模型 [12]）、其它類型的預訓練辦法（比如基于隱變量模型 [13]）、其它的強化學習辦法（比如基于用戶仿真器 [14]）等，都在不斷發展中，新方法研究從來沒有停止過，不同方法間相互啟發、相互促進，形成通往通用人工智能的滾滾洪流，奔涌向前，生生不息。貫穿ChatGPT六部曲的很重要一點是，規模效應，俗稱暴力美學。在路線基本正確的判斷下，把規模拉上去，是提升性能的好辦法。

量變產生質變，量變未必產生質變，如果路線存在不足的話。下面談談ChatGPT的不足。

02 ChatGPT的不足

近年來人工智能領域的頂會（如ICML, ACL）的一個非常好的做法，就是對投稿增加了一項要求，在文章中需留一節表述自己工作的不足（Limitations）。相反，對不足避而不談，并不嚴謹，也不利于對一項技術的全面認識，可能誤導大眾、助長伊莉莎效應乃至錯誤判斷。

事實上，ChatGPT原文[10]對其不足，已經做了比較全面的聲明。

ChatGPT的不足（截圖來自ChatGPT原文[10]）

讀者可以直接看上面英文，下面用中文稍做一下解釋。讀者可以結合下面的例子進行理解。我們對ChatGPT不足的更多分析，將在下一章探討邁向AGI（通用人工智能）所面臨的挑戰時來一起討論。

L1. ChatGPT 有時會寫出看似合理但不正確或荒謬的答案。

L2. ChatGPT 對輸入措辭的調整或多次嘗試相同的提示很敏感。

L3. ChatGPT的生成，通常過于冗長并過度使用某些短語，例如重申它是 OpenAI 訓練的語言模型。

L4. 理想情況下，當用戶提供模棱兩可的查詢時，模型應該提出要求對方做澄清的問題。相反，當前的模型通常會猜測用戶的意圖。

L5. 雖然ChatGPT已努力使模型拒絕不當請求，但有時仍會響應有害指令或表現出有偏見的行為。

圖4：ChatGPT有關牛蛋和雞蛋的例子

圖5：有關ChatGPT實時信息處理不足的例子

03 邁向AGI的挑戰

結合ChatGPT原文[10]自述的不足，我們將ChatGPT的不足概括為以下五點。這五點也基本代表了從ChatGPT往未來看，邁向通用人工智能（AGI）所面臨的挑戰，是邁向AGI所亟待解決的重要科學問題和關鍵技術。值得指出的，本文的角度并不是以任務來分析不足和挑戰，而更多是從各類任務的共性問題的角度來分析。如果以任務為行，問題為列，那我們的角度是按列來分析。按行也可以給出非常好的分析和判斷。

當討論AGI之時，我們需跳出僅關注自然語言處理的局限，以更大的視野審視人工智能的研究和技術。參考人工智能經典著作[15]，人工智能指智能體的研究與設計，智能體（intelligent agent）指任何設備，其可以觀察周遭環境并作出行動以最大化成功機會，更學術的說法是，最大化期望效用（utility）或最大化期望回報（return），如下圖所示。細心的讀者會發現，下圖也常用于強化學習的框架圖。確實如此，在[15]有類似闡述，「Reinforcement learning might be considered encompass all of AI」（強化學習可能被認為涵蓋了人工智能的所有）。帶著這些概念，我們來認識ChatGPT的不足。

圖6：智能體與環境的交互，常用于作為強化學習的框架圖[16]

1. ChatGPT會隨機編造（一本正經地給出錯誤的信息），在知識建模及利用上存在明顯不足。

這基本對應前面介紹的L1，可以從前面的例子清楚看出來。我們所說的知識，包括常識知識，專門知識，以及實時信息等方面。例如，從常識來講，ChatGPT一開始表現出并不知道牛是哺乳動物，不能產蛋。從實時信息來看，ChatGPT，本質上是一個基于Transformer架構的大型自回歸語言模型，其學到的知識僅限于其訓練數據，其截止年份為2021年。讀者可以自行嘗試使用ChatGPT，發現其在這方面的不足。

上述不足，從更深層次來說，反映了人工智能歷史上由來已久的聯結主義（connectionist）與符號主義（symbolism）的兩股思潮的紛爭。

• 聯結主義，簡單說就是主張使用人工神經網絡（一種數學上的非線性函數）去實現人工智能。當前的深度學習以及ChatGPT是聯結主義路線下的成功。
• 符號主義，簡單說就是主張使用符號是實現智能的核心手段，實現智能應該注重數理邏輯和知識推理。舉一個符號系統的經典例子，語言的上下文無關語法認為語言包括一些終結符，一些非終結符，以及一些重寫規則。理解一句話，包括理解這句話背后的語法結構。

圖7

聯結主義認為知識埋藏于神經網絡的權重，訓練神經網絡調整其權重能讓其學習知識。符號主義主張知識由符號系統來組織，比如關系型數據庫，知識圖譜，數學物理等其它專門知識，以及數理邏輯。兩種思潮也在交叉融合，比如

• 基于神經網絡的生成式對話系統，用從知識庫進行檢索來增強 [17]；
• 促進大型語言模型（LLM）推理能力的思維鏈（CoT，Chain of Thought）方法[18]。

因此，為克服ChatGPT在知識建模及利用上的不足，對現有技術的一個深層次挑戰是，神經網絡與符號邏輯的有效融合。數據與知識雙輪驅動，多年來有不少研究工作，但總的來說找到行之有效的融合辦法仍需持續努力。

2. ChatGPT在多輪對話交互上存在明顯不足，缺乏規劃能力。

這基本對應上面的L4，L4只是指出ChatGPT不會做澄清提問。但是我們看到比L4更嚴重的不足，從ChatGPT的構建過程看，它是建模條件分布 P(output | input) 進行預測（prediction），并不會做規劃（planning）。

在圖6所示框架中，一個很重要的概念是規劃（planning），規劃的目的是，為了最大化期望效用。這顯著不同于大型語言模型最大化語言符號出現的條件似然 P(output | input)。InstructGPT考慮系統應該遵循用戶意圖，用RLHF（從人類反饋中強化學習）的技術讓系統輸出對齊到人類提問，部分地緩解了對GPT-3做有監督學習而沒有進行規劃而帶來的未對齊問題。進一步提高規劃能力實現最大化期望效用，將是ChatGPT通往AGI的一個大挑戰。

那么人機交互系統的效用是什么呢？有關這點，InstructGPT的論文[8]對此從有幫助（helpful），誠實（honest），無害（harmless）三個維度有過討論。「我們希望語言模型是有幫助的（它們應該幫助用戶解決他們的任務）、誠實的（它們不應該偽造信息或誤導用戶）和無害的（它們不應對人或環境造成身體、心理或社會傷害）。」但具體的實現手段，尚需進一步探索，而不是止步于RLHF技術。

3. ChatGPT行為不可控（uncontrollable）。

這基本對應上面的L2、L3、L5。系統輸出對輸入很敏感（L2），沒法控制它輸出過于冗長或者過度使用某些短語（L3），沒法控制它響應有害指令或表現出有偏見的行為（L5）。這些不足不僅僅出現在ChatGPT，在以目前深度學習技術構建起來的計算機視覺，語音識別等智能系統中，也有類似不可控問題。

人類具有蘇格拉底式的智慧，即「自己知道自己不知道」，這正是現在的深度神經網絡系統欠缺的，自己不知道自己出錯了。現在的神經網絡系統大都過于自信（over-confident），不會向人類做出錯匯報，在出錯時似然仍出奇得高，讓人難以信賴和控制。可信賴（Trustworthy）和可控，將是通往AGI的一個大挑戰。

4. ChatGPT效率（efficiency）不足。

在ChatGPT聲明的不足中并沒重視這點。效率包括參數效率，數據效率，能耗效率等。ChatGPT通過使用超大數據，訓練超大模型，不斷拉升規模，取得了一個出彩的性能。但是，在同等規模下（同等的模型參數個數，同等的數據標注量或標注成本，同等的算力，同等的能耗），ChatGPT是否代表了最先進的技術呢？答案很多時候是否定的。例如，最近的研究報道[19]，參數個數13B的LLaMA 模型在多個基準測試中性能優于175B的GPT-3模型，因此13B的LLaMA具有更好的參數效率。近期我們自己的工作也表明，一個良好設計的知識檢索對話模型僅用100M，性能顯著超過1B的大模型。

能耗效率好理解，我們來看數據效率。目前的智能系統構建，困于依賴大量人工標注下有監督學習范式，數據效率低。基于自回歸的大型語言模型，人們發現可以先在大量（無需標注的）文本上訓練，然后使用微調或提示技術，部分緩解了目前深度學習技術數據效率低的不足，但仍需要任務相關的標注數據。模型愈大，對標注量要求愈大。如何進一步高效協同利用有標數據和無標數據，是實現數據高效的一個挑戰。

5. 多模態具身智能，是探索AGI的重要內容。

ChatGPT僅限于文本輸入輸出，其所犯的許多錯誤也說明了它對語義、知識和因果推理的嚴重缺乏。單詞的意義似乎在于它們在統計學上的共現性，而非現實世界的基礎。所以即使未來的語言模型越來越大，它們在一些基本的物理常識方面還是表現不佳。

智力遠不止語言能力，生物智能的基本要素在于動物與世界進行感覺運動交互的能力[20]。未來的智能機器不一定具有人形，但是機器在聽、說、讀、寫、思考、操縱物體、行動等若干方面，通過具身與環境進行多模態互動，將極大促進機器智能的發展，也將助力機器智能超越文本單一模態局限，更好地幫助人類。

總結：從語言學看，語言知識包括單詞的結構和特性——形態學（morphology）和詞匯（lexicon），單詞如何構成短語和句子——句法學（syntax），詞素、單詞、短語、句子和語篇的意義——語義學（semantics）[21]。ChatGPT通過超大模型，學習到了相當的語言知識（特別是語義層次之下的知識），具備一定的語言理解能力，生成通順的句子，但是也存在明顯的不足：

1. ChatGPT會隨機編造，在知識建模及利用上存在明顯不足。
2. ChatGPT在多輪對話交互上存在明顯不足，缺乏規劃能力。
3. ChatGPT行為不可控（uncontrollable）。
4. ChatGPT效率（efficiency）不足。
5. 多模態具身智能，是探索AGI的重要內容。

針對這些不足，我們梳理了從ChatGPT往未來看，邁向通用人工智能（AGI）所面臨的若干挑戰，如圖8所示，也指出若干重要的研究內容。值得指出的是，各塊研究的范疇并不是孤立的，而是彼此有交集。比如，在可信賴和可控研究中，希望系統輸出符合社會規范，那么在系統的效用中如何體現這種社會規范，從而系統規劃的輸出，能夠符合社會規范。因此，系統可控的研究與提高系統規劃能力的研究，是有交集的。又比如，在系統的規劃決策中，如何融合知識？

圖8：邁向AGI的挑戰

04 結束語

ChatGPT是人工智能研究中的一個重要事件，嚴謹認識其進步，不足及邁向AGI的未來挑戰，非常重要。我們相信，求真務實，不斷創新，推動人工智能發展到一個新的高度未來可期，歡迎大家多探討指正，謝謝！