電子發燒友網報道（文/李彎彎）近日，百度飛槳總架構師于佃海公開談到，AI預訓練大模型是深度學習崛起以來，最重要的一次技術變革。

大模型不只是模型參數規模大，同時也對應著學習機制和AI開發應用范式的改變。自監督學習模式突破了數據標注的困境，可以從海量數據中學習到豐富的通用知識。

基于大模型，只需要通過模型的微調或提示等方式，就可以在廣泛的下游任務中取得優異的效果，極大的降低了AI開發和應用的成本。

大語言模型的涌現能力

在自然語言處理領域，過去這些年模型的規模越來越多。之前模型參數大概在千萬級別、億級別，現在已經跳到了千億級別。基本上游研究這些大模型的使一些計算資源比較豐富的企業和機構，有了這些預訓練模型之后，下游可以把它放在一些自然語言處理的任務中。

在全球人工智能開發者先鋒大會上，復旦大學計算機學院教授邱錫鵬在《ChatGPT能力分析與應用》主題演講中表示，大型語言模型是ChatGPT的基座。

邱錫鵬教授談到，當模型從小規模發展到大規模的時候，當發展到一定階段，它會涌現出一些之前在小模型上觀測不到的能力，也就是大家說的能力涌現。比如給幾個樣例，讓模型學習這個任務，一個百億級別參數規模的模型和一個千億級別參數的模型，這兩個模型的能力差異會相當大，邱錫鵬教授認為，從百億到千億參數規模，模型發生了能力的突變。

考察大模型的幾個能力：數學建模能力、多任務理解的能力、上下文的學習理解能力，在百億規模之后，就會發生突變。它的能力不再是線性增長。

模型使用的方式也發生了變換，因為有了大模型之后，調參非常難，它的使用范式也會發生變化。比如，早期使用預訓練，調它的參數；現在語言模型很大的時候，要做什么任務，就是提示，告訴它要做什么，變成了另外一種使用范式。

舉個例子，我們把要完成的任務，用一句話描述出來，輸入給語言模型，語言模型就按產生下一句話的方式，生成你要的答案。這就是大型語言模型的使用方式。邱錫鵬教授認為，在Transformer這種架構下，大型語言模型標志性的分水嶺是百億規模參數。

以ChatGPT為例，在大模型下，ChatGPT涌現出的三種能力：情景學習、思維鏈和指令學習。這三個能力對ChatGPT最終的成功起到了重要作用。

情景學習：大模型調參不是很方便，如果要它在一個上下文語境中完成學習，這就叫情景學習。也就是給它一個任務，再給它幾個例子，讓它學習。情景學習賦予了大模型非常強的交互能力，情景學習也可以大幅降低下游的開發成本。

思維鏈：思維鏈的關鍵是打破了Scaling Law，一般而言，模型規模的放大通常會帶來能力的提升。而思維鏈的出現，使得在一定規模之后，可以通過思維鏈繼續放大模型的能力，而不需要進一步擴大參數規模。

指令學習：大模型達到一定規模之后，只需要給它少數的指令，它就學會了，對于沒見過的指令，它也會。這些就是大模型的涌現能力，它的泛化能力會變得非常強。

文圖生成主要技術路線

在ChatGPT出現之前，大模型最火的應用就是AI作畫，也就是文圖生成。事實上，文圖生成技術從2015年到現在，一直在不斷演進。據百度深圳自然語言處理部技術總監何徑舟在上述大會上介紹，這之間，文圖生成技術大概經歷了三個技術流派。



第一個是以對抗生成網絡GAN-based為主的早期技術；第二個是序列生成 VQ-token-based這種方式 ；第三個是從去年開始大熱的Diffusion-based擴散網絡這種方案。現在常見的、在很多產品中使用的，都是這三個技術流派的延續或結合。

基于GAN的文本-圖像生成模型，是四五年前最火的文圖生成技術。它的優點是，整個模型的生成過程很快，在當時來看，生成的圖像質量相當不錯；然而它致命的缺點是，網絡特別難訓練，稍不小心就會訓練壞，或者難以得到理想的效果。因此在之后的工作中，大家就不太實用了。

基于圖像量化的序列建模。它是把圖像基于離散化的方式，壓縮成離散視覺token的序列，這樣可以跟文本用類似的方式基于Transformer自回歸生成，建模文本序列和圖像序列間的關系。通過這樣的方式，做文圖轉換，也可以做圖像文本的生成。何徑舟表示，文心大模型ERNIE-ViLG第一個版本就是基于VQ-token-based這種方式做的，在當時ERNIE-ViLG能夠完成雙向的生成和建模。

基于擴散模型的文本-圖像生成模型，是現在文圖生成技術的主流。它是把一個圖像通過加高斯噪聲的方式，一直到純隨機序列高斯噪音的分布。再通過UNet，不斷反復調用它，把這個圖像還原回來。這時候可以把文本的encoder加進去，指導圖像還原過程。這樣就實現了從文本到圖像的生成過程。這是現在絕大多數最新產品和技術都采用的方案，效果非常好。

小結

過去這些年，國內外在大模型技術的研究方面不斷取得突破，最近ChatGPT的出現及其體現出的驚人能力，更是讓人們體會到了大模型對于人工智能發展的重要意義。從種種跡象來看，疊加情景學習、指令微調、人類反饋、強化學習等機制，可以使大模型實現超出想象的能力涌現，讓人們期待的通用人工智能的實現加速。