【Lecture1】清华大学大模型公开课——大模型绪论

#清华大模型公开课第二季 #OpenBMB

目录

1. The Evolution of Artificial Intelligence --History 人工智能的演变--历史

1.1 Definition of AI --定义

1.2 Conceptualization of AI -- 概念

1.3 Birth of AI as a Discipline

1.4 Development of AI

1.4.1 Symbolic Intelligence --符号智能(1950-1980)

1.4.2 Narrow Intelligence --专用智能

1.4.3 Genral Intelligence--通用智能

2. The Evolution of Artificial Intelligence --Present 人工智能的演变--现在

What to do —— 大语言模型要做啥??

How to do —— 大语言模型怎么做??

How to trianing and inference —— 大语言模型怎么训练和推理 ??

3. 模型训练的具体过程

3.1 Self-supervised Pre-training

3.2 Supervised Fine-Tuning(STF)

3.3 Reinforcement learning from human feedback(RLHF)

3.4 总结——LLMs 究竟怎么学习知识

3.5 LLMs的“emergent abilities”——大语言模型的涌现能力

3.5.1 In-context learning

3.5.2 Instruction following

3.5.3 Chain-of-thought

4. Potential and Challenges of LLMs

4.1 信息污染:

4.2 劳动力市场的变化

4.3 伦理和法律问题

5. 未来之路


笔者注:该篇笔记是清华大学 X Open BMB社区大模型公开课第二季的课程笔记,下面附有课程链接:

【清华大模型公开课第二季回归!全球顶级开源社区梦幻联动【每周更新中】】https://www.bilibili.com/video/BV1pf421z757?vd_source=9c952252ce8bcaca7d3380ab92c74afb

由于笔者也是初学者,后续也会继续跟进学习,欢迎大家与我进行探讨,如有错误,请不吝赐教!!

感悟:

通过对于这节课的学习,我更加系统全面的了解了大语言模型的前世今生,众所周知,当下,大语言模型正经历着快速迭代时期,可是我们应该一味的追求训练量的增大,模型参数的增大吗?

通过清华大学刘知远教授的大模型第一课讲授,我们可以知道,并不是这样的,可以类比于芯片领域的摩尔定律,通过对大模型近几年的迭代发展,我们可以观察总结出这样的规律:

大模型的知识密度每8个月就会增加一倍

4年前的1750亿参数的GPT3,我们现在只需要24亿参数就可以实现类似的功能

因此,对于大模型的提升,根本性的问题是提升知识密度

1. The Evolution of Artificial Intelligence --History 人工智能的演变--历史

1.1 Definition of AI --定义

人工智能是对计算机系统的应用,通过与计算机等学科的深度融合,使得计算机变得更加智能,让计算系统具备智能能力,像人一样行动和思考的学科。

1.2 Conceptualization of AI -- 概念

计算机科学和人工智能之父——阿兰图灵在1950年发表的一篇论文中提出,“Can machines think?”首次提出 了对于人工智能核心命题的思考。

Turing Test (Imtation game-模仿游戏)-图灵测试

1.3 Birth of AI as a Discipline

1956年,Dartmouth Workshop

1.4 Development of AI

人工智能的核心目标:使得机器具有完成复杂任务的知识

1.4.1 Symbolic Intelligence --符号智能(1950-1980)

  • 现代句法理论(Noam Chomsky):面向人类语言的句法规则,从而帮助计算机更好的理解人类语言的相关成分,从而理解真正含义。

  • 专家系统(Edward Feigenbaum):其中的一个重要模块就是知识库,其中涵盖了专家手工总结出来的一系列实质性知识和规则。

该阶段,知识库的构建需要专家按照特定的规则,通过自然语言或者其他编程语言进行手工总结,最终通过符号的形式将不同专业领域的知识进行表示。

挑战:1. 我们很难通过专家手工总结的方式,穷尽所有可能性。2. 很多任务的特殊和复杂性,使得专家很难通过特定规则进行描述。

1.4.2 Narrow Intelligence --专用智能

构建了一个自动化的知识提取的方案,只需自动从数据中进行学习,无需专家手动总结

挑战:我们必须预先定义一些任务,比如机器翻译的数据得到的模型,只能去做机器翻译,比如人脸识别的数据(如果只用了中国人的信息做数据标注),那么只能识别中国人的脸。所以,正如该时期的总结narrow(意为狭窄的),泛化能力比较差,只能完成指定的任务。

1.4.3 Genral Intelligence--通用智能

2018年,openAI 产出了GPT,Google 产出了BERT,unified model architectures for NLP tasks——自此产生了统一的对于NLP任务的模型结构

优势:Unlabeled data is cost-effective, easily accessible ; large-scale parameters facilitate the learning and storage of general knowledge

2. The Evolution of Artificial Intelligence --Present 人工智能的演变--现在

AGI: Artificial General Intelligence

从专用智能迈向通用智能,体现为3个转变:

  • 针对不同领域的统一结构:从特殊领域架构转移到统一的Transformer架构

在2018年以前:

对于文本、语音或者其他的序列化的数据,我们使用Recurrent Neural Network (RNN)模型进行处理

对于图片、视频等二维的数据,我们使用卷积神经网络进行处理

对于结构化、半结构化的数据,会使用图神经网络进行处理

大模型时代下针对不同领域的架构转变

在2018年以后,对于不同类型的数据,都可以使用Transformer架构

  • 针对不同任务的统一模型:从特定任务的小模型到统一的大模型

在2018年以前:

针对机器翻译任务,我们需要训练一个模型,模型的输入是一个语言,输出是另一个语言。

针对数学推理任务:我们输入数学问题,模型输出推理过程和结果。

2018年以后:

所有的任务都可以通过大模型进行解决。

大模型时代下针对不同任务的模型转变

  • 针对不同模态的统一模型:从不同的模型数据到被输入到大模型中的统一标记序列

不论是自然语言,图像,DNA 等等模态的数据,都可以通过大模型进行建模。

大模型时代下针对不同模态的模型转变

What to do —— 大语言模型要做啥??

Next Token Prediction--- 看到前面的词,要有能力去预测下面的词是什么。

autoregressive generation ---自回归生成

这里需要注意的是,并不是只依赖第一次我们给出的Token,而是不断包含生成的Token,使之也作为已知信息。

How to do —— 大语言模型怎么做??

对于不同的任务,例如,机器翻译,自动问答等,都可以看做是Next Token Prediction

大语言模型解决不同类型任务的通用范式

How to trianing and inference —— 大语言模型怎么训练和推理 ??

使用互联网上收集到的,我们认为是正确答案的文本,作为大语言模型学习的对象,只要模型预测的Token 和标准答案不一样,我们就要更新模型的参数。

实际上,对于海量的训练集,不可能只有一种正确的输出,但是最终我们只需要一个输出,那就面临着一种概率分布的选择,比如,对于下图而言,我们输入Tsinghua University ,在我们的训练集中Next Token 会有三个输出,我们能做的,就是运用一定的方法,选择出最有可能的Next Token,也就是概率最大的。

训练好的模型进行推理

3. 模型训练的具体过程

从自监督预训练——>有监督微调——>从人类反馈中学习

大语言模型学习知识的三个阶段

3.1 Self-supervised Pre-training

  • Self-supervised: 学习的数据不需要人工标注

  • Pre-training :有监督之前的训练

该阶段用尽可能多的高质量的数据进行Next Token Prediction,经过该阶段,模型可以生成完整、流畅的句法结构,但是也停留在机械地进行续写的状态,不能够理解问题的含义,也无法更好的利用学到的知识进行回答,也就是答非所问的情况。

3.2 Supervised Fine-Tuning(STF)

  • 需要我们提供人工标注的问答数据进行微调

  • 值得注意的是,当我们不希望模型回答负面问题时也给出引导性回答时,需要在微调问答数据中给出。

面临的问题是,显而易见,一个问题不可能只对应一个答案,当我们只做Next Token Prediction时,当发现给出的结果和训练集不一样是,我们就会调整参数,但是这个答案也有几率是正确的合理的。

3.3 Reinforcement learning from human feedback(RLHF)

我们不再给定一个固定的标准答案,而是给定一个输入,让模型产生多个输出,并不需要模型强制输出标准答案。而是根据Preforence的反馈,通过人工进行反馈,是对的还是错的。

3.4 总结——LLMs 究竟怎么学习知识

大语言模型如何学习知识——三个阶段


第一个阶段:自监督预训练:学习大量的不同领域的无标注数据

第二个阶段:有监督微调:充分利用高质量标注数据,学习如何理解人类自然语言的意图以及给出更高效的反馈

第三个阶段:反馈机制:输入人类对于模型偏好的反馈


3.5 LLMs的“emergent abilities”——大语言模型的涌现能力

(1)怎么出现的涌现能力:

主要是由于大规模的训练集和大规模的参数

(2)目前大语言模型具有怎样的涌现能力:

  • In-context learning

  • Instruction following

  • Chain-of-thought

3.5.1 In-context learning

我们可以输入一些小规模的案例,大语言模型可以从中学习到解决该任务的能力

3.5.2 Instruction following

对于输入的全新复杂指令(这里的全新指的是并没有在训练集中出现过的),大模型能够理解并执行它。

3.5.3 Chain-of-thought

不仅仅只是提供答案,还可以进行详细的步骤分解推导。

4. Potential and Challenges of LLMs

4.1 信息污染:

大语言模型可能会产生一些错误的信息,一旦进行传播,会造成严重的社会危害。

4.2 劳动力市场的变化

4.3 伦理和法律问题

比如说学术诚信,版权归属等

5. 未来之路

在集成电路领域,有一个神乎其神的定律,摩尔定律(1965):一个芯片的电路密度(计算能力),每两年会增加一倍

对于大模型而言,我们可以认为,需要不断提高的不是模型训练数据量,而是知识密度

对于2020年的GPT-3,是1750亿的参数,但是四年后,我们只需要24亿的参数便能实现近乎同等的效果,这是为什么呢?

这是因为大模型的知识密度,呈现着每8个月增加一倍的现象


三大战场:

  • 人工智能科学化

  • 智能计算系统

  • 不同行业的广泛应用

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.rhkb.cn/news/406941.html

如若内容造成侵权/违法违规/事实不符,请联系长河编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

有哪些好用的AI工具?这些AI工具让工作学习更高效!

大家好!今天我要给大家介绍一些非常酷的AI工具,它们可以帮助你在不同领域发挥创意和提高效率。让我们一起来探索吧! 我们有AI绘画工具。想象一下,你只需要描述一下你想要的画面,AI就能帮你生成各种风格的艺术作品。无论…

Prometheus 服务发现

目录 1.基于文件的服务发现 2.基于 Consul 的服务发现 3.基于 Kubernetes API 的服务发现 1.基于文件的服务发现 基于文件的服务发现是仅仅略优于静态配置的服务发现方式,它不依赖于任何平台或第三方服务,因而也是最为简单和通用的实现方式。 Prometh…

8月21日笔记

Frp Frp(Fast e Reverse ) Proxy) 是一款简单,好用,稳定的隧道工具。Frp 使用 Go语言开发,支持跨平台,仅需下载对应平台的二进制文件即可执行,没有额外依赖。它是一款高性能的反向代理应用,可以轻松地进行…

解决k8s分布式集群,子节点加入到主节点失败的问题

1.问题情况 Master主节点在 使用 kubeadm init 成功进行初始化后,如下所示 Your Kubernetes control-plane has initialized successfully!To start using your cluster, you need to run the following as a regular user:mkdir -p $HOME/.kubesudo cp -i /etc/k…

CMakeLists.txt模板

#设置编译该CMakeLists.txt文件所需要的最低cmake版本 CMAKE_MINIMUM_REQUIRED(VERSION 最低版本号)# 该项目名称 PROJECT(项目名称)SET(CMAKE_CXX_STANDARD 11)SET(CMAKE_C_STANDARD 11)# 此行可以理解为将路径下所有的文件装载到自定义集合filelist中 FILE(GLOB filelist &q…

黑神话·悟空修改器免费下载

《黑神话:悟空》是一款备受期待的动作角色扮演游戏,由中国独立游戏开发团队Game Science(游戏科学)开发。 一、修改器下载地址 通过百度网盘分享的文件:黑神话悟空修改器.zip 链接:https://pan.baidu.com/s…

IO进程(7)

目录 1.信号 1.1信号函数 1.1.1信号处理函数 信号的处理过程 2.共享内存 2.1概念 2.2特点 ​​​​​​​​​​​​​​2.3步骤 ​​​​​​​2.4函数接口创建 2.4.1key值 ​​​​​​​​​​​​​​2.4.2创建或打开共享内存 ​​​​​​​​​​​​​​2.4.3映射共享内…

pat1074 k个一组反转链表

是我的错觉吗 直接把%d赋值给数组小标,不能把值副进去? 可是这样可以? 乱套了这 同样的代码 所以暂时将你眼睛闭了起来 所以还是好好老实两次赋值 。。。 写糊了已经 注意这句话 链表中部翻转: 不带dummy真的好麻烦且头…

用Python解决预测问题_多元线性回归模板

多元线性回归是一种统计学方法,用于分析两个或多个自变量(解释变量)与一个因变量(响应变量)之间的关系。在最简单的线性回归模型中,只有一个自变量和一个因变量,它们之间的关系可以用一条直线来…

绿色能源的应用与节约,低碳生活方式指南

在这个全球化的时代,环境问题越来越严重,大家都关注的绿色能源和节约成了热门话题。怎样在日常生活中用好绿色能源,实现低碳生活,是每个环保人士都需要了解的关键问题。这篇文章会详细告诉你绿色能源的使用、优点、节约方法以及低…

msxml*.dll 错误 ‘80072f7d‘ 安全频道支持出错 解决方案

诡异的 msxml6.dll错误 80072f7d安全频道支持出错,用 SSLTools.exe 修复的方法无效!!! ’--------------------------------------------------------------- 有如下简要 ASP 代码,用于获取网页链接返回内容&#xf…

window系统开代理在Conda环境中导致pip安装python包出现timeout

文章目录 1: 临时性配置 pip 代理文件2. 永久性配置 pip 代理文件 在使用 Conda 时,如果你设置了代理,但 pip 仍然无法工作,可能需要确保代理配置正确并适用于 pip。以下是几种可能的解决方法,先看一下报错 WARNING: Retrying (Re…

物联网设备字符串转串口指令-SAAS本地化及未来之窗行业应用跨平台架构

一、指令转换作用 现在服务器一般采用json数据格式 但是终端底层都是二进制指令 直接从服务器传输的指令就无法执行,因此需要转换 二、转换源码 void StringToHandleCommand(byte *byteArray, const char *hexString) {bool oddLength strlen(hexString) &…

【威锋网-注册安全分析报告-无验证方式导致安全隐患】

前言 由于网站注册入口容易被黑客攻击,存在如下安全问题: 1. 暴力破解密码,造成用户信息泄露 2. 短信盗刷的安全问题,影响业务及导致用户投诉 3. 带来经济损失,尤其是后付费客户,风险巨大,造…

实战Kubernetes之快速部署 K8s 集群 v1.28.0

文章目录 一、前言二、主机准备三、系统配置3.1. 关闭防火墙及相关配置3.2. 修改主机名3.3. 主机名DNS解析3.4. 时间同步3.5. 配置网络3.6. 重启服务器 四、安装软件4.1. 安装 Docker4.2. 安装 cri-dockerd4.3. 添加国内YUM源4.4. 安装 kubeadm、kubelet 和 kubectl 五、Master…

jmreport积木报表实战中的设计要点(实时更新)

目录 前言1. 配置数据源2. 数据字典3. excel设计4. 带参数查询 前言 以下为文章记录,主要记录报表工具的使用法则 更加详细的要点推荐阅读: 《数据分析-JiMuReport》积木报表详细入门教程积木报表操作手册 以下为实战中主要的总结要点 1. 配置数据源…

记录一次搭建uniapp-vue3的基础项目

1.使用 HBuilder X 创建uniapp vue3的基础项目 2.安装 自动导包插件 unplugin-auto-import npm install unplugin-auto-import或者 pnpm install unplugin-auto-import2.1 根目录下创建 vite.config.js 复制粘贴以下内容 import { defineConfig } from vite import uni fro…

【握奇数据招聘(北森)-注册/登录安全分析报告】

前言 由于网站注册入口容易被黑客攻击,存在如下安全问题: 1. 暴力破解密码,造成用户信息泄露 2. 短信盗刷的安全问题,影响业务及导致用户投诉 3. 带来经济损失,尤其是后付费客户,风险巨大,造…

[ 全部搞定 - 发票导出表格 ] PDF发票提取到表,图片发票提取到表格,扫描件发票提取到表格,全电发票PDF,全电发票扫描件识别导出EXCEL表格

最近很多朋友说找PDF发票提取Excel表格的,找到了图片识别Excel表格的,有的找图片识别Excel表格的,找到了PDF发票提取表格的,所以就很难搞,还有的说都想要 今天一篇文章,全部搞定所有发票【电子发票&#x…

【计算机组成原理】三、存储系统:1.存储器的分类、层次化结构、性能指标、基本组成(半导体、存储芯片基本原理)

三、存储系统(存储器层次结构) 文章目录 三、存储系统(存储器层次结构)1.存储器的分类1.1按在计算机中的作用(层次)❗多级存储结构(层次化结构)1.2按存储介质1.3按存取方式1.4按信息…