专门做油画交流的网站,做动漫网站侵权吗,.net网站开发后编译,快速做网站教程来源#xff1a;立委NLP频道图灵测试的实质就是要让人机交互在限定时间内做到真假莫辨。玩过GPT3的同学们都清楚#xff0c;其实这一点已经做到了。从这个角度看#xff0c;图灵测试已经过时了。区别人和机器#xff0c;需要寻找其他的标准。今天就唠一唠正在风口上的预训练… 来源立委NLP频道图灵测试的实质就是要让人机交互在限定时间内做到真假莫辨。玩过GPT3的同学们都清楚其实这一点已经做到了。从这个角度看图灵测试已经过时了。区别人和机器需要寻找其他的标准。今天就唠一唠正在风口上的预训练语言大模型。大模型标志着NLP的新方向。这是只有大投资或大厂才能玩得起的游戏目前推出了30多款大模型。咱们先从 GPT3 谈起。GPT3 是 OpenAI 推出的自然语言生成模型是语言超大模型潮流中的比较成熟的一款。生成模型擅长的应用领域主要在人机对话的场合。最为人乐道的是它的“善解人意”貌似可以听懂人给它的指令。这就是所谓 prompt提示接口人不需要编程代码而是可以直接通过自然语言的提示和样例告诉它想生成什么无论是回答问题、机器翻译、生成对联还是聊天它都蛮擅长。可以说GPT3 的 prompt 已经部分实现了白硕老师所说的 NL2X 至少在任务X是语言生成类的场景的闭环。自从 GPT3 发布以来有很多令人惊艳的表现被用户录屏在网上流传。已经形成了用户粉丝群体了。当然很快就有人找到某个角度让模型露怯表明模型并不真“理解”背后的逻辑。但这并不影响还有很多看似 open-ended 的语言任务它真是听了就能做。例如有人要它就某个话题帮助写一篇英文文章。这可算是流畅自然的对话了听懂了似的虽然还没有去具体执行任务 lol 接着用户重复这个要求它果然就立即执行了文章写得好坏再论人家反正是听从了指令跟个切身小蜜似的。因为是生成模型所以人机交互的时候它的应对具有随机性。有时候让人惊艳有时候也会露怯。但交互本身总是很流畅给人感觉通过图灵测试已经不在话下。老友说这不过是噱头。我不大同意。噱头是人为的模型并不懂什么叫噱头也不会刻意为之。当然也可以说是测试者挑拣出来的噱头。不过好在模型是开放的、随机的可以源源不断制造这种真假莫辨的人机交互噱头。在知识问答、翻译、讲故事、聊天等方面就是图灵再生也不大容易找到这一类人机交互的破绽。又因为其随机性每次结果都可能不同就更不像是只懂死记硬背的机器了。机器貌似有了某种“灵性”。再看看 GPT3 模型中的中文表现。词做得不咋样尤其是对于大词人辛老他老人家应该是字字珠玑。但这里的自然语言对话模型对于自然语言提示的“理解”以及按照要求去做词这一切让人印象深刻。这种人机交互能力不仅仅是炫技、噱头就能无视的。当然现在网上展示出来的大多是“神迹”级别的很多是让人拍案叫绝的案例。生成模型随机生成的不好的结果通常被随手扔进垃圾桶不见天日。这符合一切粉丝的共性特点。但慢慢玩下来有几点值得注意1. 有些任务靠谱的生成居多。例如知识问答几乎很少出错。IBM沃伦当年知识问答突破背后的各种工程费了多大的劲儿。现在的超大模型“降维”解决了。同时解决的还有聊天。2. 随机性带来了表现的不一致。但如果应用到人来做挑选做判官的后编辑场景则可能会有很大的实用性。以前说过人脑做组合不大灵光毕竟记忆空间有限但人脑做选择则不费力气。结果是好是坏通常一眼就可以看出来。结果中哪些部分精彩哪些部分需要做一些后编辑这都是人的长项。人机耦合大模型不会太远就会有实用的东西出来。例如辅助写作。3. 超大模型现在的一锅烩和通用性主要还是展示可行性。真要领域规模化落地开花自然的方向是在数据端做领域纯化工作牺牲一点“通用性”增强领域的敏感性。这方面的进展值得期待。老友说我还觉得应该在硬件(模型架构上有一些设计)不仅仅是为了lm意义上的还要有知识的消化和存储方面的。不错目前的大模型都是现场作业基本没有知识的存贮知识也缺乏层次、厚度和逻辑一致性。这不是它的长项。这方面也许要指望今后与知识图谱的融合。图谱的向量化研究据说目前很火。听懂人话首先要有解析能力吧。大模型中的另一类就是主打这个的以 BERT 为代表。BERT 实际上就是个 parser只不过结果不是以符号结构图表示而已。认清这一点咱们先看看 parser 本身的情况。很久以来一直想不明白做语言解析parsing怎么可能靠训练做出好的系统出来。按照以前对于解析的理解这是要把自然语言消化成结构和语义。而结构和语义是逻辑层面的东西没有外化的自然表现它发生在人脑里。训练一个 parser机器学习最多是用 PennTree 加上 WSD 的某些标注来做那注定是非常局限的因为标注代价太高标注语言结构和语义需要语言学硕士博士才能做普通人做不来。这就限定死了 parser 永远没法通用化可以在指定语料例如新闻语料中做个样子出来永远训练不出来一个可以与我们这些老司机手工做出来的 parser 的高质量和鲁棒性。因此让机器去做符号parsing输出符号结构树是没有实用价值的。迄今为止从来没有人能成功运用这类训练而来的 parsers 例如谷歌的 SyntaxNet斯坦福parser等 做出什么像样的应用来就是明证。现在看来这个问题是解决了。因为根本就不要用人工标注用语言本身就好。parsing 也不必要表示成显性结构和语义符号内部的向量表示就好。把语言大数据喂进去语言模型就越来越强大大模型开始显示赋能下游NLP任务的威力。黄金标准就是随机选取的语言片段的 masks遮蔽起来让训练机器做填空题所学到的语言知识比我们传统的符号 parser 不知道丰富多少虽然牺牲了一些可解释性和逻辑一致性。看得见摸不透的中间向量表示终于靠语言模型与实际原生语料的预测落地了。这个意义怎么高估也不过分。所以昨天我把我的博客大标题“deep parser 是NLP的核武器”悄悄改了加了个限定词成了因为 BERT/GPT3 里面的语言模型特别是所谓编码器 encoders才是更普适意义上的 NLP 核武器。我们语言学家多年奋斗精雕细刻的parsers是小核见大核不服还真不行。从语言学习语言以前感觉这怎么能学好只有正例没有反例啊。顺便一提乔姆斯基当年论人类语言的普遍文法本能依据是没有天生的普遍文法单靠暴露在语言环境中儿童怎么可能学会如此复杂的自然语言毕竟所接触的语言虽然全部是正例但却充满了口误等偏离标准的东西。其实一般而言语言模型只要有正例即可。从语言学习语言的模型训练通常用对于next word 的预测或者对于被遮蔽的随机片段masks 的预测来实现。正例就是原文而“反例”就是一切偏离正例ground truth的随机结果。通过梯度下降把这些随机结果一步步拉回到正例就完成了语言模型的合理训练。语言模型乃至一切预测模型从本性上说是没有标准唯一答案的每一个数据点的所谓 ground truth 都只是诸多可能性之一。语言模型的本质是回归regression任务而不是分类classification任务只有正例就好 因为整个背景噪音实际上就是反例。有意思的是BERT 除了语言的句子模型外还要学习篇章discourse知识这歌任务被定义为简单的二分类问题回答的是两个句子是否具有篇章连续性。这里没有反例就自动创造反例出来。语料中任意两个相邻的句子就成为正例而随机拼凑的两个句子就成了反例。一半正例一半反例这么简单的 classifier 就把这个难题破解了使得语言模型超越了句子的限制。看看 BERT 大模型是如何训练并被成功移植去支持下游NLP任务的这就是所谓迁移学习transfer learning。本图采自谷歌的DL视屏讲座版权归原作者所有左边的 encoder 的训练。落地到 LM 的原生数据因此完全符合监督学习的 input –》output 模式。到了NLP应用的时候右图不过就是把 encoder 拷贝过来把落地的目标改成特定NLP任务而已。加一层 output layer 也好加 n 层的 classifier 也好总之前面的语言问题有人给你消化了。Transfer learning 也嚷嚷了好多年了一直感觉进展不大但现在看来是到笑到最后的那刻了。未来智能实验室的主要工作包括建立AI智能系统智商评测体系开展世界人工智能智商评测开展互联网城市大脑研究计划构建互联网城市大脑技术和企业图谱为提升企业行业与城市的智能水平服务。每日推荐范围未来科技发展趋势的学习型文章。目前线上平台已收藏上千篇精华前沿科技文章和报告。  如果您对实验室的研究感兴趣欢迎加入未来智能实验室线上平台。扫描以下二维码或点击本文左下角“阅读原文”