为什么ChatGPT模型大了就有上下文联系能力？

关于这点，在一篇采访OpenAI 总裁Greg Brockman 的报道中提到了：

“Q：ChatGPT是如何产生的？GPT模型当初发布时显得有些违反常识，但却在某种程度上掀起了最新的AI浪潮，这与你们当初构建这些技术时的预期是否一致?

A：ChatGPT、GPT-3、DALL·E 2这些模型看似一夜成名，但其实构建这些模型耗费了整整五年时间，饱含多年的心血。GPT模型的构建要从2017年发布的情感神经元论文（Neural Sentiment Neuron: A novel Neural Architecture for Aspect-based Sentiment Analysis）说起，这篇论文的思想很新颖，不过很多人可能已经忘了。

....“

于是好奇去查了这篇文章，很遗憾，并不是上面提到的这篇文章，而是官网Learning to Generate Reviews and Discovering Sentiment这篇文章。这篇文章的作者很激动、诚恳甚至有点卑微的表达了它的意外发现，那就是单纯训练LSTM 模型的去预测下一个单词，模型中的某个神经元意外对应着情感状态，用Greg Brockman的原话说就是：

“我们发现LSTM模型中的单个神经元有助于开发出SOTA情感分析分类器（sentiment analysis classifier），可以告知你文本情感（正面评价或负面评价），这一发现听起来平平无奇，但我们非常清楚地知道，这是一个超越语法并转向语义的时刻。”

关于为何会出现这种涌现行为，文章的作者提出了他的思路：

“情绪作为条件特征可能对语言建模具有很强的预测能力。(It is possible that sentiment as a conditioning feature has strong predictive capability for language modelling.)“

这个思路是典型的达尔文进化思维：

即模型本身有生成各种能力的潜力，当某项能力有利于模型完成任务（完不成的参数被调整，等驾驭被任务淘汰），这项能力就能自发进化出来。

神经网络在训练的时候，采用的随机梯度下降算法，一定程度上等效于物种的基因突变，本质是有一定方向的随机摸索，在强大的生存压力下，错误的摸索被淘汰，久而久之，积累越来越多的正确摸索，某些高层的功能就这么涌现出来了。

这种思路是不同于还原论的，ChatGPT 的出现让很多这个行业的老人困惑：“似乎原理上没有任何创新，为何能力出现巨大提升呢？”“涌现这个词本身就是个模棱两可的词，我并不知道具体的细节，那就是伪科学。”“ChatGPT 具备的推理能力不过是另一种归纳，永远无法替代演绎”。

还原论的思想讲究从底层到高层的逐渐构建，每行代码都有清晰的含义，这样写出来的系统才叫系统，但进化论的思想完全不同，进化论需要构建一个万能生成器，然后建立一个淘汰机制，对万能生成器生成的各种可能进行筛选淘汰，这样进化出来的系统，就能很好的完成任务，至于里面形成的微结构，那并不是重点，甚至都无法用简单的语言描述，因为本身就是全局共同起作用的。

所谓上下文推理，不过就是给定前文，准确给出后文的能力，这其实就是语言模型预训练时候就在做的事情，为了能做到这点，在训练的过程中，各种有助于提高预测能力的高层能力，都会自然而然的进化出来，所谓的高层能力，不过是一种函数，而神经网络本身可以拟合一切函数，同时随机梯度下降，又让神经网络具备了参数自动填充的能力。当然，进化的过程中，神经网络总会尝试找到更好的解法，比如死记硬背，但这些解法往往跟我们预期的解法不一致，这时候任务的合理构建就很重要了，需要巧妙的设计，让我们预期的解法是神经网络进化的唯一解。

其实换个角度想，人为什么有推理能力？人的一切能力也是进化而来的，人的各种生存压力，配合基因的随机突变和大自然的定向筛选，导致推理等能力的出现，换句话说，当推理能力的出现有助于人这个群体生存的时候，这个能力就会出现，跟GPT 涌现的各种能力的原理一样。

不要总拿着还原论思想去看待世界，几百年前，就出现了进化论思想，因为进化论思想没有写进义务教育的教材，导致太多人没有深刻理解这个工具。

审核编辑 ：李倩