在ChatGPT走红之后，国内有很多的媒体和人一下子慌了神。特别是自媒体上，铺天盖地的都是说“为什么中国没有诞生ChatGPT”、“美国将要爆发一场新的技术革命”之类的文章。很多的一些研究机构和企业都宣称，我们马上就要推出自己的ChatGPT了。还有很多人觉得，ChatGPT给自己带来了新机会。（嘲讽）
但是，实际上，要实现一个ChatGPT既不必要，也不可能。为什么呢？不必要性，我们后面会慢慢展开讲。这一讲，先来谈谈不可能性。
我们前面讲到，ChatGPT的核心是语言模型，而语言模型是需要用大量的数据来训练的，有了数据后，还需要强大的算力支持，然后还需要有足够高水平的并行计算和机器学习的算法支持。数据、算力、算法三道坎，只有极少的互联网超级大厂能够越过去。
接下来我们分别从数据、算力和算法这三个方面来看看。
- 首先，数据是训练语言模型的首要资源。之前的Google训练自动问答的模型时，就用到了互联网上能找到的几乎所有高质量的数据，而现在的ChatGPT所用的数据量是极其庞大的，包括自媒体和社交网络上的数据。但是并不是每个企业都能得到所有这些数据，所以在这一点上就存在限制。
- 其次，是算力。训练语言模型需要强大的算力支持，这包括数据处理和训练过程。算力的需求在不断增加，即使使用了大量GPU等硬件，所需的计算资源也非常庞大，超过了大多数企业的能力范围。
早期的语言模型算法非常简单，主要是基于文本的统计和简单数学公式，用于计算词在不同上下文条件下的概率，并预先保存这些信息。然而，随着人们意识到简单统计无法覆盖所有语言现象，尤其是之前未见过的现象，开始着手深度挖掘语言中的语法和语义信息，这需要更大的计算量。
具体来说，计算量需要增加100万倍到1亿倍是合理的估计。虽然摩尔定律让计算成本逐渐下降，但人工智能的要求和所需算力不断提高，算力始终是一个瓶颈。
为了开发复杂的语言模型，研究者们甚至争取到了美国国家科学基金会（NSF）和美国国防部的经费支持，并获得了大量超级服务器的帮助。今天的ChatGPT采用的语言模型参数数量是早期模型的10万倍，比Google构建的模型大了1000倍。开发它所需的算力甚至可能是上百亿倍。
例如，开发GPT-3时，公司OpenAI的硬件成本超过了一亿美元，使用了约10万个GPU，提供超100PFLOPS（PFLOPS每秒所执行的浮点运算次数）的算力。这样的资源投入使得它可以为用户提供高质量的服务，但近期还不得不关闭付费用户的注册，以节约计算资源。而GPT-4的开发则需要更多的计算资源，包括使用了微软云计算的大量计算资源。
总之，训练语言模型需要强大的算力，这是ChatGPT成功的关键部分。
- 最后，我们来看算法。算力固然重要，但只有有配套的优质算法，才能发挥算力的作用。现今深度学习等算法已经是智能化数据中心的标配，而训练语言模型所需的机器学习算法十分复杂。除了算力，基础的自然语言处理技术也是实现ChatGPT的必要条件。
最直观的例子，你想让计算机回答问题，至少要让它懂得问题。你要想让它从上千亿的文本中知道哪些可能是答案，需要做到问题和答案的匹配。这个工作不是一年半载就能完成的。
今天，很多机器学习的算法已经开源了，有些应用已经有公司和研究机构投入科研力量开发过，比如基本的图形识别和语音识别技术，但是深度的自然语言理解其实还不属于这个范畴。在这些领域所具有的技术积累，其实也是一种资源。
有一些公司和研究机构在这个领域长期投入，拥有技术积累，比如：Google、微软，中国的百度、字节跳动等，它们或许能在较短时间内做出类似ChatGPT的产品。但是对于没有足够技术资源的人来说，跟风ChatGPT很可能是无知者无畏或纯粹的炒作。
今天，训练语言模型用到的机器学习算法要复杂很多。
2010年的时候，Google推出了一个基于云计算平台深度学习的工具——Google大脑。采用这个工具，语言模型的效果可以大幅提升，在其它条件不变的情况下，语音识别和机器翻译的相对错误率可以降低10%以上。深度学习的基本算法和支持它的基础架构，已经是智能化的数据中心，有些地方也称之为“智算平台”的标配。如果只是用一个由处理器，包括GPU，堆砌起来的数据中心训练语言模型，得到的结果会差很多。
综上所述，训练语言模型的三个限制分别是数据、算力和算法。所以，要实现一个ChatGPT，并不是简单的事情，需要巨大的资源支持。而对于一般企业或个人来说，可能并不具备这些条件，所以盲目跟风可能并不明智。
总结一下：训练语言模型的三个限制，分别是数据、算力和算法：
1、数据：训练语言模型所需的数据量是极其庞大的。不是每个企业都能得到所有的这些数据。
2、算力：随着时间的推移，人们对人工智能的要求也在不断提高，需要的算力也在不断增加。
3、算法：除了算力之外，基础的自然语言处理技术，也就是算法，也是实现ChatGPT这些产品必不可少的条件。
