赚钱机器,如何利用机器学习赚取收入

对话机器人不是个新技术,以往的机器人产品很多,为什么这次OpenAI公司推出的Cha**PT能这么火?因为以前的机器人只能做简单且有限的事,问天气、放音乐还行,问个复杂一些的事就有点“人工智障”了。Cha**PT可以说技术上的量变引起了效果上的质变,在三个方面让我感觉很惊艳:

有上下文记忆能力,多轮对话衔接得很好,很难看出是机器生成的;有学习纠错能力,在它回答错误之后,如果你纠正了它,第二次就不会再答错;有思维链推理能力,具备一些常识知识,能做复杂一些的算数题。Cha**PT背后的关键技术是什么?

在Cha**PT背后起关键作用的是一种被称为大规模语言模型(Large Language Model,LLM)的东西,Cha**PT用的这款语言模型命名为GPT-3.5,GPT是生成式预训练(Generative Pre-Training)的缩写,目前的版本号是3.5版。此外,在GPT-3.5之上,Cha**PT还通过基于人类反馈的强化学习(Reinforcement Learning from Human Feedback,RLHF),使GPT能够记住之前的对话、承认错误、在连续的多轮对话中给人很顺畅的感觉。大规模语言模型顾名思义,大规模语言模型就是非常大的语言模型。什么是语言模型呢?语言模型简单说来,语言模型的作用就是根据已知句子的一部分,来预测下一个单词或者空缺部分的单词是什么。比如,给你前半句:“国庆前夕,天安门广场前伫立起一个____”,你会预测出空白部分大概率会是“大花篮”。其实,你天天都在用语言模型,当你使用手机或电脑里的输入法回复消息时,它就在推荐你下一个单词。Cha**PT使用的GPT-3.5可比输入法中的语言模型要大很多。输入法语言模型占用的存储空间可能只有50MB,而GPT-3.5有800GB。神经网络GPT为什么会那么大?因为它内部是神经网络的结构。大规模语言模型的基础单元叫做感知机,它模拟了人脑中神经元的结构。这些感知机组织成庞大的网络结构,用来“山寨”人脑的神经网络。一般情况下,一个正常人的大脑约有800~1000亿个神经元,以及约100万亿个突触。神经科学家Paul Maclean提出的三元脑(triune brain)模型,将大脑结构分为三类:爬行脑、哺乳脑、人类脑。爬行脑最早进化出来,负责呼吸、心跳、血压等,完全自动运作。哺乳脑负责情感、记忆、习惯形成等,能够做出非常快的决策。人类脑最晚形成,负责一些复杂的分析推理,是做慢决策,即所有需要深思熟虑的事物。GPT-3.5的参数总量达到1750亿,虽然距离人脑突触的量级还有差距,但也已经显现出之前小规模模型所不具备的推理能力。要想足够智能,网络规模足够大是个必要条件。Transformer大模型的核心是一个叫Transformer的组件,Transformer在这里可不是”变形金刚”的意思,也许翻译成”变压器”意思更接近些。想想我们国家的西电东输工程,西部利用水力、风力、日光所转化的电能,经过变压器压缩成高压甚至特高压,再在电网上传输,到了东部之后再逐级降压,然后才能使用。变压器在其中先升压再降压,有效降低了能量在传输过程中的损耗。我们人类在交流过程中也有类似的过程,同事A跟你说了一件事,你并没有逐字逐句的记在脑子里,而是理解了其中的语义,在脑子里形成一种意识流,这是一种压缩编码的过程。你脑子里保留的意识流具体是什么,你也说不清楚—也不需要说清楚。当你向同事B复述这件事的时候,你重新把它组织成语言,保留了其中的各项重点内容,通过一系列的发音或文字表达给对方,这是解码的过程。这种先编码再解码的过程,就是Transformer的工作原理。另外,在实际当中,有些语言模型只用到堆叠多层的编码器,有些只用到堆叠多层的解码器;堆叠的层数也多有不同,少的有6层、12层,多的有48层。如果你有一些计算机基础,听说过词袋模型(Bag of Words,BOW)、循环神经网络(Recurrent Neural Network,RNN),那么对Transformer就更容易理解了。

BOW完全丢弃了词的位置信息,没有把文本当作有顺序的序列,因此语义理解能力较差。例如,“不,我很好”和“我很不好”,两句话虽然用词一样,但词的位置不同,语义上差别巨大。RNN能较好的保留词的位置信息,可以考虑到词的先后顺序对预测的影响,但是,如果处理的文本长度很长,关键的词之间距离较远时,效果会显著下降。Transformer中引入“注意力”机制,多个组件分别关注句子中不同方面的重点,而且随着网络层次的增加,能够提取出更高级更抽象的语义信息,理解能力更强。Transformer除了语义提取能力强,还能从无标注的数据中学习,而且场景迁移能力好。

思维链此外,大规模语言模型还带给人们的一项意外的惊喜,那就是让人细思极恐的思维链(Chain-of-Thought,CoT)能力。简单地说,思维链就是让LLM将一个问题拆解为多个步骤,最后给出答案,而不是让LLM直接给出答案。直接给答案的出错率更高。比如,你给LLM出了一个题目:“张三养了10条狗,每天照顾每条狗都要花半小时,请问他照顾这些狗要花费多长时间?”LLM直接给答案的话可能会出错,当你提示LLM要“一步步地回答”时,它会告诉你:“张三养了10条狗,每天照顾每条狗都要花半小时,那就是10 x 0.5 = 5小时/天。5小时/天 x 7天/周 = 35小时/周。答案是每周35小时。”这项能力并不是设计者的初衷(初衷只是学习如何说人话),而是在随后的代码训练、提示学习中挖掘出来的,这些能力原本就已经存在于大模型之中,它从代码、书籍、网页中学到了一些常识知识并具备了一定的推理能力。基于人类反馈的强化学习人类问问题的方式对于LLM而言不是最自然的理解方式,为了让Cha**PT给出的答案更贴近人类的问题、更符合公序良俗,它在发布前采取了一种叫做“基于人类反馈的强化学习”(Reinforcement Learning by Human Feedback,RLHF)的训练策略。简单来说,就是花钱找人给模型提出各种可能的问题,并对模型反馈的错误答案进行惩罚、对正确的答案进行奖励,从而实现提升Cha**PT回复质量的目的。光有海量的、无标注的数据还不够,还要有少量的、高质量的标注数据才行。前者用来训练语言模型,让它学会说人话,后者用来训练对话模型,让它别啥都瞎说,比如:回答中不能含有种族歧视和性别歧视的内容,拒绝回答不当问题和知识范围之外的问题。

我能训个Cha**PT吗?

简单地回答:极大概率是不能的。起码在现阶段,这不是招几个人、花些钱就能做成的事,能训出Cha**PT的人可能比做出4纳米芯片的人还要少。这其中的原因是什么?咱先来捋捋Cha**PT超能力的来源,再对比看看自己手中的家底。算力算力,也就是数据的处理能力,与数据、算法,并称为AI三要素。据估计,仅仅训练一次GPT-3,Open AI可是花费了460万美元。对于Cha**PT而言,支撑其算力基础设施至少需要上万颗英伟达A100的GPU,一次模型训练成本超过1200万美元。然而,在这些必要非充分条件中,算力是最容易解决的。数据模型要足够深、足够大,才能解决远距离的语义理解能力、才能产生抽象的推理能力,这些高级的基础的能力具有很好的通用性。因此,高级的能力可能只存在于大型模型中,而训练大模型,需要足够的数据量。全球高质量文本数据的总存量在4.6万亿到17.2万亿个字符之间。这包括了世界上所有的书籍、科学论文、新闻文章、**、公开代码以及网络上经过筛选的达标数据,例如网页、博客和社交媒体。最近的一项研究数据显示,数据总数大约为3.2万亿个字符。DeepMind的Chinchilla模型是在1.4万亿个字符上训练的。也就是说,在这个数量级内,我们很有可能耗尽世界上所有有用的语言训练数据。此外,反观中文网站的数据资源,大致占全世界总资源的1.3%。中文内容相比英文有四五十倍的差距,人工智能脱离不了人类知识的土壤,这方面的先天条件不是短期内花钱或凭一己之力就能解决的。人才Cha**PT公开出来的少量材料中,披露出了一系列训练技巧,比如:代码训练、指令微调、上下文学习等。更多的细节目前还没有公开,即便公开了也不见得是全部,即便全部公开也未必能重现。因为整个过程链条非常长,有大量的工程技巧在里边。俗话说魔鬼藏在细节里,具体的实现和工程技巧才是重头戏,好比刚学做菜的人,即便有足够的食材,照着菜谱也不可能做出一套满汉全席。今年2月初,谷歌已向人工智能初创公司Anthropic投资约3亿美元,并获得该公司10%股份。该公司2021年创立,目前团队规模仅在40人左右,初创期的11位核心成员都曾经参与过GPT-2、GPT-3模型的研发。可见,业界对于人才的重视程度以及人才的稀缺性。

如何用Cha**PT赚钱?

Cha**PT似乎打破了人们关于AI模型的一项固有认知:“通用的不好用,好用的不通用。”大模型革命的一个关键趋势就是,通用大模型比专用小模型表现得更好。对于定位在垂直细分领域里的初创公司来说,既不能自研出大模型,效果上又失去了竞争力,因此是不是就没有活路了?我觉得不是,Cha**PT的能力可以分成chat和GPT两部分来看,即上层的对话和图片的生成能力、底层的语言和推理能力。在ToC类内容消费市场,未来可能会出现大量的、碎片化的AIGC应用,比如生成头像、诗文、甚至短视频等,重点是在有趣的细分场景里发挥创造性和想象力。在消费电子市场里,有对话能力的智能音箱、智能家电在去年的出货量有所下滑,借助更强的对话能力,也许还能挽回一些颓势。在ToB类企业服务市场,AI不再只是替代简单重复性的体力劳动,还将替代简单规律性的脑力劳动,并在逻辑复杂的脑力劳动中辅助员工提升工作效率。简单的脑力劳动,比如营销文案撰写、初级程序员和插画师等。复杂的脑力劳动,可能会围绕具体业务的推理能力,以虚拟工作助手的形式出现。对于处于ToB赛道的科技公司而言,中间层可能会越来越薄,对于行业KnowHow的积累会成为越来越重要的竞争门槛。这其中可能会遇到很多挑战,比如:如何在使用强大的通用模型和构建自己的垂直模型之间进行迭代,如何将通用无标注的大规模数据和领域小规模知识相结合,如何将领域事实知识注入到LLM中使得LLM的输出内容可控。在目前的研究范式下,领域内高质量的标注数据 领域推理能力,两者如何形成“飞轮效应”是非常重要的问题。

划重点

说了这么多,总结一下重点,不管你能记住多少,起码下次在电梯里遇到老板或者在饭局上遇到同学时,在聊起Cha**PT的时候,你能插上几句话。

关于大规模语言模型:训练时要用到万亿级的数据、花费百万美元的算力,才能使它能说人话,并具有一定的“思维链”推理能力。大模型的超能力:模型要足够深、足够大,才能产生抽象的推理能力,这些高级的基础能力具有很好的通用性。大模型革命的一个关键趋势就是,通用大模型比专用小模型表现的更好,打破了人们一项固有认知:“通用的不好用,好用的不通用。”应用场景:ToC类应用要找准细分的内容生成场景,ToB类应用要围绕推理能力去发挥,让它成为脑力工作者的辅助,替代一部分简单的脑力工作,辅助员工的做创造性工作。

本站部分内容由互联网用户自发贡献,该文观点仅代表作者本人,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。

如发现本站有涉嫌抄袭侵权/违法违规等内容,请联系我们举报!一经查实,本站将立刻删除。

相关推荐

  • 广告联盟怎么赚钱,广告联盟有哪些赚钱方式

    有很多人对广告联盟这个行业存在很多疑惑,不明白广告联盟到底是什么样的一个平台,已经它能做什么,怎么样赚钱。那么今天我来详细给大家分享一下。 利用网站赚钱的方式特别多,其中一种就是广告联盟。相信大家经常浏览网页时,会发现侧面或者底部都有广告,其实这都是网站的一种盈利方式,个人想要赚钱也可以搭建自己的一个网站,无数的草根站长都是依靠广告联盟日赚几百到几千,怎么做…

    2022-04-22 投稿
  • 写文章赚钱也是网上赚钱门路

    我经常感慨,在网上只要会说会写就能赚钱,这不是空话,随着自媒体爆发以来真正切切的见识到了会说会写是多么的赚钱,看看那些大咖一篇文章件简简单单就能收款几十上百万。 话说,写文章赚钱也算是打字赚钱的一种吧,都是属于用键盘码字,但是打字赚钱和写文章又有很明显的区别,打字赚钱只要你会打字即可,而写文章更多的是内容。 打字赚钱是人人能做,但是写文章赚钱却不是人人能做,…

    2020-02-20
  • 100种赚钱的方法书,可以帮助你挣钱方法的书

    现如今,赚钱越来越难,为什么网上看到的那些人获得金钱如此容易,是因为我们很多时候只在想如何赚钱,而忽略了如何理财,俗话说“你不理财,财不理你”,理财其实比赚钱更重要! 我们在寻找赚钱方法的同时,可以学习那些金融界大佬的知识,思考他们是如何为自己带来财富的? 今天给大家带来的四本理财入门书籍就能让你从最基础的方面开始学会理财,从此打开财富之门! 《小狗钱钱》—…

    2022-04-27 投稿
  • 开淘宝店手机下什么软件,手机淘宝开店用什么软件

    开淘宝店因为门槛低、收益大,成为众多年轻人创业的首选。很多新手朋友们都想开一家属于自己的网店,但是苦于没有经验,所以不知道从何下手。鉴于此,小编为大家整理出2021最新版手机淘宝APP开店流程,图文并茂,简明易懂,大家只要按下面的步骤操作,轻松几步就能创建淘宝店铺。   第一步:打开淘宝APP,点击我的淘宝,找到中间的“更多”选项   &…

    2022-04-28 投稿
  • 如何网上赚钱?选择一个卖点使劲做流量

    1、选卖点,一定要有共鸣。   2、内容就是流量,好的内容里面一定有案例。   3、成功案例就是卖焦虑,现在市面上几乎都是成功案例。当1000人往东边走的时候,你一个人往西边走,流量就来了。   4、做差异化,然后对标同行,做出自己的特点。   5、能够引起别人共鸣的内容就是好内容,能够撬动他人的情绪点。  …

    2022-04-20
  • 零门槛赚钱小红书派单项目,副业**赚钱项目小红书派单

    今天来分享一个副业**赚钱项目小红书派单。 门槛低,比较清闲,而且容易产生复利,利润也还不错,非常适合做副业和创业的项目。 一、项目底层逻辑 1、需求 小红书由于种草属性,所以具备接商单的属性。 2、解决方案 成为中间商,上接商家商单,下放小红书博主。 3、收益构成 上下游价格中间的差价 二、具体执行 寻找商家——收集商家需求——寻找匹配博主——联系博主确定…

    2023-02-06