从 GPT 的发展看大模型的演进

这是一个技术爆炸的时代。一起来看看 GPT 诞生后，与BERT 的角逐。

BERT 和 GPT 是基于 Transformer 模型架构的两种不同类型的预训练语言模型。它们之间的角逐可以从 Transformer 的编码解码结构角度来分析。

BERT（Bidirectional Encoder Representations from Transformers）：

Bert 主要基于编码器结构，采用了双向 Transformer 编码器的架构。它在预训练阶段使用了大量的无标签文本数据，通过 Masked Language Model（MLM）任务来学习双向上下文表示。Bert 只使用编码器，不包含解码器部分，因此在生成文本方面有一定局限性。
Bert 的优势在于能够更好地理解句子中的上下文信息，适用于各种自然语言处理任务，如文本分类、语义理解和命名实体识别等。

GPT（Generative Pre-trained Transformer）：

GPT 则是基于 Transformer 的解码器结构，采用了自回归的方式来进行预训练。它通过语言模型任务来学习生成文本的能力，可以根据输入文本生成连续的文本序列。GPT 在预测下一个词的过程中，考虑了所有前面的词，从而能够逐步生成连贯的文本。
GPT 在生成文本方面表现出色，能够生成流畅的语言并保持一致性。但由于没有编码器部分，GPT 不擅长处理双向上下文信息。

BERT 和 GPT 在编码解码结构方面有着明显的差异。BERT 更适用于需要双向上下文信息的任务，而 GPT 则擅长生成连贯的文本。在实际应用中，可以根据任务需求选择合适的模型进行使用。

GPT（Generative Pre-trained Transformer）诞生于2018年，采用解码器架构，以无监督学习方式预训练。它通过大规模文本数据的学习，能够生成自然流畅的文本，并在多项自然语言处理任务中取得了较好的成绩。然而，虽然GPT在生成型任务上表现卓越，但在理解和联系信息方面相对较弱。

相比之下，BERT（Bidirectional Encoder Representations from Transformers）于2018年底问世，采用编码器架构，通过双向训练方式将上下文信息有效地融入到语言表示中。BERT的出现引领了预训练技术的新浪潮，迅速成为自然语言处理领域的一匹黑马。其优势在于对上下文信息的充分利用，使得在理解和推断任务上有着出色的表现。

不可否认，BERT家族的发展壮大，吸引了众多研究者和工程师的关注，取得了许多重要的突破。然而，GPT作为一种全新的生成式模型，也顺利地在自然语言处理领域站稳了脚跟。它在生成任务上展现出的出色表现，逐渐赢得了更多人的喜爱和认可。

在两个顶尖模型之间的角逐中，GPT虽然起步较晚，但其独特的架构和颠覆性的设计，使得它在自然语言处理的发展中扮演着不可或缺的角色。BERT的强大并不意味着GPT的失败，两者各有所长，相互之间的竞争与合作将推动自然语言处理技术的不断进步和创新。在未来的发展中，无论是GPT还是BERT，都将在人工智能领域继续书写属于自己的辉煌篇章。

从 GPT 的发展来看技术的演进过程。

GPT-1：学会微调（Finetune）

GPT-1的训练数据是从哪里获取的呢？GPT-1是基于海量的无标签数据，通过对比学习来进行训练的。这个思路来源于从 Word2Vec 到 ELMo 的发展过程中积累的经验。它们都通过在大规模文本数据上进行无监督预训练，学习到了丰富的语言知识。

GPT-1的微调方法是，使用预训练好的模型来初始化权重，同时在 GPT-1 的预训练模型后面增加一个线性层，最后只要根据下游具体 NLP 任务的训练数据来微调更新模型的参数就可以了。

下图展示了四个经典 NLP 场景的改造方法，分别是文本分类、蕴含关系检测、相似性检测和多项选择题的改造方式。通过这样的微调策略，GPT-1能够迅速适应各种NLP任务，而无需重新训练整个模型。

GPT-1的模型结构其实就是 Transformer 的架构。与 Transformer 不同的是，GPT-1 使用了一个只包含解码器部分的架构。它是一个单向的语言模型，通过自回归地生成文本，来模拟序列生成的过程。自回归指的是使用前面的观测值，来预测未来的值，GPT模型一个词一个词往外“蹦”，就是源于它的特性。

Transformer层	类比的语言层级	具体功能示例
第1层	单词/局部语法	- 识别词性（动词/名词） - 捕捉邻近词关系（如“吃”→“苹果”）
第2~3层	句子结构	- 分析主谓宾关系 - 处理短距离指代（如“他”→“医生”）
深层（4~6+层）	篇章/语义	- 理解长程依赖（如跨句指代） - 把握情感倾向或逻辑连贯性

具体层数分配因模型规模和任务而异，例如BERT-base有12层，GPT-3多达96层。

在自回归生成的过程中，GPT-1 会为序列开始后的每个时刻生成一个词，并把它当作下一个时刻生成的上下文。

GPT-1 在训练过程中则会根据海量数据，统筹考量不同上下文语境下生成的文本在语法和语义上的合理性，来动态调整不同词的生成概率，这个能力主要由它所使用的 12 个 Transformer 共同提供。

这便是 GPT-1 所提供的一整套完备的预训练加微调的 NLP PTM 方法论，它也是第一个提出这种方法的。从这个角度说，GPT-1 的创新度是在 BERT 之上的。

GPT-2：放下微调（Zero-shot）

BERT 是在 GPT-1 诞生后不久发布的，BERT 使用了与 GPT-1 类似的思想和更大数据集，达到了比它更好的效果，所以 OpenAI 团队一直在憋着想要打赢这场翻身仗，他们的反击，就是 GPT-2。

GPT-2 第一次推出了 WebText 这个百万级别的数据集。BERT 你的数据多是吧？我比你还多。而且，GPT-2 还使用了比 BERT 更大的 15 亿参数的 Transformer，BERT 你模型大吧？我比你还大。有了更大的数据集和参数，GPT-2 就能更好地捕捉复杂的语言特征和更长距离的上下文语义关系。

事实证明，GPT-2在各种标准任务中表现出色。然而，OpenAI团队并没有满足于在标准任务上取得的进步，而是想到既然已经投入了大量资源来构建这个“小怪物”，为什么还需要下游任务进行微调呢？

零样本学习就此诞生。

那什么是零样本学习呢，就是创造一个通用的、不需要任何额外样本，就能解决所有下游任务的预训练大模型。

于是，这次 OpenAI 索性就把所有可能用到的下游任务数据汇集成了一个多任务学习（MTL）的数据集，并将这些数据都加入到了 GPT-2 模型的训练数据当中，想要看看到底能合成出一个什么样的“新物种”。

这个想法很有吸引力，但是如果不进行下游任务的微调，模型要怎么知道自己该做什么任务呢。这时，OpenAI 提出了一种影响了后续所有语言模型工作的方法，那就是通过提示词（prompt）的方式，来告知模型它需要解决什么问题。

OpenAI 在预训练过程中，将各类 NLP 任务的数据都放到 GPT-2 的训练数据中，帮助大模型更好地理解和生成文本。在经过这些步骤以后，GPT-2 的预训练模型在未经过任何微调的情况下，就能战胜许多下游任务的最佳结果。

它不仅在很多 NLP 任务上超越了 BERT，还成功地提出并完成了 “零样本学习” 这个更为困难的任务。

GPT-3：超越微调（in-Context Learning）

“零样本学习”的方式仍然存在一定的局限性，因为下游的使用者，很难把新的下游数据注入到模型中，因为 GPT-3 预训练模型的规模已经变得非常庞大了，它是当时规模最大的模型之一，具有惊人的 1750 亿个参数，很少有机构有能力承担微调所需的巨大算力成本。

于是，OpenAI 提出了一个更新的理念，也就是全新的“少样本学习”（Few-Shot Learning）的概念。这和传统意义上模型微调的“少样本学习”是不一样的。GPT-3 所提出的方式是，允许下游使用者通过提示词（prompt）直接把下游任务样本输入到模型中，让模型在提示语中学习新样本的模式和规律，这种方法的学名叫做in-context learning。

def translate(text, model):instruction = "Translate the following English text to French:\n"example = "sea otter => loutre de mer\n"task = text + " => "# Construct the promptprompt = f"{instruction}{example}{task}"translation = model.generate_text(prompt)return translation

这种方法也存在缺点，其中最明显的问题是，注入样本的数量完全受限于模型能接收的最大提示词长度。这就导致 GPT 向着参数规模越来越大、训练数据越来越多，还有提示词输入长度越来越长这样的趋势发展。你在 GPT-4 的各项参数中，一定也发现了这个规律。

正是 GPT-3 这种基于提示词的开放输入方式，让用户可以直接与大语言模型（LLM）进行互动，逐渐开始感受到了大模型的"涌现"和"思维链"等能力的魅力和价值。

GPT-3 的问世也引发了中小企业的担忧，这么高昂的训练成本可能会导致大公司在技术方面形成垄断，这让全球各公司逐渐认识到当中蕴含的价值，纷纷开始加入这场技术军备竞赛，这直接导致了 NVIDIA 的公司股价持续攀升。