吳恩達ChatGPT課爆火：AI放棄了倒寫單詞，但理解了整個世界
沒想到時至今日，ChatGPT竟還會犯低級錯誤？
吳恩達大神最新開課就指出來了：
ChatGPT不會反轉單詞！
比如讓它反轉下lollipop這個詞，輸出是pilollol，完全混亂。
哦豁，這確實有點大跌眼鏡啊。
以至于聽課網(wǎng)友在Reddit上發(fā)帖后，立馬引來大量圍觀，帖子熱度火速沖到6k。
而且這不是偶然bug，網(wǎng)友們發(fā)現(xiàn)ChatGPT確實無法完成這個任務，我們親測結果也同樣如此。
△實測ChatGPT（GPT-3.5）
甚至包括Bard、Bing、文心一言在內(nèi)等一眾產(chǎn)品都不行。
△實測Bard
△實測文心一言
還有人緊跟著吐槽， ChatGPT在處理這些簡單的單詞任務就是很糟糕。
比如玩此前曾爆火的文字游戲Wordle簡直就是一場災難，從來沒有做對過。
誒？這到底是為啥？
關鍵在于token
之所以有這樣的現(xiàn)象，關鍵在于token。token是文本中最常見的字符序列，而大模型都是用token來處理文本。
它可以是整個單詞，也可以是單詞一個片段。大模型了解這些token之間的統(tǒng)計關系，并且擅長生成下一個token。
因此在處理單詞反轉這個小任務時，它可能只是將每個token翻轉過來，而不是字母。
這點放在中文語境下體現(xiàn)就更為明顯：一個詞是一個token，也可能是一個字是一個token。
針對開頭的例子，有人嘗試理解了下ChatGPT的推理過程。
為了更直觀的了解，OpenAI甚至還出了個GPT-3的Tokenizer。
比如像lollipop這個詞，GPT-3會將其理解成I、oll、ipop這三個部分。
根據(jù)經(jīng)驗總結，也就誕生出這樣一些不成文法則。
- 1個token≈4個英文字符≈四分之三個詞；
- 100個token≈75個單詞；
- 1-2句話≈30個token；
- 一段話≈100個token，1500個單詞≈2048個token；
單詞如何劃分還取決于語言。此前有人統(tǒng)計過，中文要用的token數(shù)是英文數(shù)量的1.2到2.7倍。
token-to-char（token到單詞）比例越高，處理成本也就越高。因此處理中文tokenize要比英文更貴。
可以這樣理解，token是大模型認識理解人類現(xiàn)實世界的方式。它非常簡單，還能大大降低內(nèi)存和時間復雜度。
但將單詞token化存在一個問題，就會使模型很難學習到有意義的輸入表示，最直觀的表示就是不能理解單詞的含義。
當時Transformers有做過相應優(yōu)化，比如一個復雜、不常見的單詞分為一個有意義的token和一個獨立token。
就像annoyingly就被分成“annoying”和“l(fā)y”，前者保留了其語義，后者則是頻繁出現(xiàn)。
這也成就了如今ChatGPT及其他大模型產(chǎn)品的驚艷效果，能很好地理解人類的語言。
至于無法處理單詞反轉這樣一個小任務，自然也有解決之道。
最簡單直接的，就是你先自己把單詞給分開嘍~
或者也可以讓ChatGPT一步一步來，先tokenize每個字母。
又或者讓它寫一個反轉字母的程序，然后程序的結果對了。（狗頭）
不過也可以使用GPT-4，實測沒有這樣的問題。
△實測GPT-4
總之，token就是AI理解自然語言的基石。
而作為AI理解人類自然語言的橋梁，token的重要性也越來越明顯。
它已經(jīng)成為AI模型性能優(yōu)劣的關鍵決定因素，還是大模型的計費標準。
甚至有了token文學
正如前文所言，token能方便模型捕捉到更細粒度的語義信息，如詞義、詞序、語法結構等。其順序、位置在序列建模任務（如語言建模、機器翻譯、文本生成等）中至關重要。
模型只有在準確了解每個token在序列中的位置和上下文情況，才能更好正確預測內(nèi)容，給出合理輸出。
因此，token的質量、數(shù)量對模型效果有直接影響。
今年開始，越來越多大模型發(fā)布時，都會著重強調token數(shù)量，比如谷歌PaLM 2曝光細節(jié)中提到，它訓練用到了3.6萬億個token。
以及很多行業(yè)內(nèi)大佬也紛紛表示，token真的很關鍵！
今年從特斯拉跳槽到OpenAI的AI科學家安德烈·卡帕斯（Andrej Karpathy）就曾在演講中表示：
更多token能讓模型更好思考。
而且他強調，模型的性能并不只由參數(shù)規(guī)模來決定。
比如LLaMA的參數(shù)規(guī)模遠小于GPT-3（65B vs 175B），但由于它用更多token進行訓練（1.4T vs 300B），所以LLaMA更強大。
而憑借著對模型性能的直接影響，token還是AI模型的計費標準。
以OpenAI的定價標準為例，他們以1K個token為單位進行計費，不同模型、不同類型的token價格不同。
總之，踏進AI大模型領域的大門后，就會發(fā)現(xiàn)token是繞不開的知識點。
嗯，甚至衍生出了token文學……
不過值得一提的是，token在中文世界里到底該翻譯成啥，現(xiàn)在還沒有完全定下來。
直譯“令牌”總是有點怪怪的。
GPT-4覺得叫“詞元”或“標記”比較好，你覺得呢？
參考鏈接：
[1]https://www.reddit.com/r/ChatGPT/comments/13xxehx/chatgpt_is_unable_to_reverse_words/
[2]https://help.openai.com/en/articles/4936856-what-are-tokens-and-how-to-count-them
[3]https://openai.com/pricing
