01.發(fā)源于OpenAI，成名于生成式語言

OpenAI 是一家世界領(lǐng)先的非營利性人工智能研究公司。OpenAI 于 2015 年在舊金山成立，是一家非營利的人工智能研究公司，公司的目標是以最有可能造福全人類的方式推進人工智能，而不受財務(wù)回報需求的約束。OpenAI 創(chuàng)始人背景深厚，由埃隆·馬斯克與硅谷孵化器 Y Combinator 投資人山姆·阿爾特曼等人聯(lián)合創(chuàng)立。公司研究人員經(jīng)驗豐富，包括前Google Brain 研究科學家伊利亞·蘇茨凱弗與前 Stripe 首席技術(shù)官格雷格·布羅克曼等世界一流研究工程師與科學家。

2018 年，隨著特斯拉對 AI 的應用深入，為避免潛在利益沖突，馬斯克主動離任董事會，僅保留捐資人和顧問的身份。由于 AI 訓練花費金額巨大，2019 年公司從非營利性公司轉(zhuǎn)向部分盈利公司，成立了 OpenAI LP 利潤上限子公司，即任何對 OpenAI LP 投資的收益都將統(tǒng)一轉(zhuǎn)移至一家非盈利公司，回報達到投資的 100 倍后進行利潤分配。

同年，OpenAI 收到微軟注資 10 億美元，就 Azure 業(yè)務(wù)開發(fā)人工智能技術(shù)。2020 年發(fā)布 GPT-3 語言模型，由微軟獲得獨家授權(quán)。2022 年發(fā)布 ChatGPT 的自然語言生成式模型，帶來更大潛在應用空間。2023 年，微軟擬對 OpenAI 追加數(shù)十億美元投資，利用自身算力基礎(chǔ)設(shè)施資源發(fā)揮與 OpenAI 業(yè)務(wù)協(xié)同效應，深入布局生成式 AI 技術(shù)。

2016 年，推出用于開發(fā)和比較強化學習算法的工具包 OpenAI Gym，加速公開社會中 RL 研究進度。同時推出 Universe 軟件平臺，用于測試和訓練 AI 在全球游戲、網(wǎng)站和其他應用程序中的智能程度。2019 年，OpenAI 推出深度神經(jīng)網(wǎng)絡(luò) MuseNet，可以使用 4 種不同的樂器生成 10分鐘的音樂作品以及最終模型版本的 GPT-2。2020 年，研發(fā)團隊在 GPT-2 的基礎(chǔ)上拓展參數(shù)，發(fā)布了 GPT-3 語言模型。2021 年，發(fā)布了轉(zhuǎn)換器語言模型 DALL·E，從文本描述生成圖像。2022 年，OpenAI 在 GPT-3.5 的基礎(chǔ)上推出了 ChatGPT，強化了人工智能的語言對話能力，引起社會廣泛關(guān)注。

▲OpenAI 產(chǎn)品

OpenAI 當前盈利主要通過付費 API 接口，并嘗試拓展盈利模式。目前，OpenAI 提供 GPT-3、Codex 以及 DALL·E 的 API 數(shù)據(jù)接口，分別執(zhí)行用戶自然語言任務(wù)、自然語言轉(zhuǎn)換為代碼的任務(wù)以及創(chuàng)建和編輯圖像的任務(wù)。API 接口根據(jù)類型不同以流量收費，比如圖像模型以分辨率分類按張數(shù)收費，語言模型則以基于的子模型型號按字符數(shù)收費。OpenAI API 盈利情況較好，據(jù)路透社數(shù)據(jù)，OpenAI 2022 年收入數(shù)千萬美元，公司預計 2023 與 2024 年收入分別為 2 億美元和 10 億美元。同時，OpenAI 正嘗試拓展自身盈利模式，2023 年 1 月試點推出訂閱制 ChatGPT Plus，收取每月 20 美元的會員費以得到各類優(yōu)先服務(wù)。

▲OpenAI API 價格

ChatGPT 使用來自人類反饋的強化學習 (RLHF) 來訓練該模型。首先使用監(jiān)督微調(diào)訓練了一個初始模型：人類 AI 訓練員提供對話，他們在對話中扮演雙方——用戶和 AI 助手。其次，ChatGPT 讓標記者可以訪問模型編寫的建議，以幫助他們撰寫回復。最后，ChatGPT 將這個新的對話數(shù)據(jù)集與原有數(shù)據(jù)集混合，將其轉(zhuǎn)換為對話格式。具體來看，主要包括三個步驟：

1）第一階段：訓練監(jiān)督策略模型。在 ChatGPT 模型的訓練過程中，需要標記者的參與監(jiān)督過程。首先，ChatGPT 會從問題數(shù)據(jù)集中隨機抽取若干問題并向模型解釋強化學習機制，其次標記者通過給予特定獎勵或懲罰引導 AI 行為，最后通過監(jiān)督學習將這一條數(shù)據(jù)用于微調(diào) GPT3.5 模型。

2）第二階段：訓練獎勵模型。這一階段的主要目標，在于借助標記者的人工標注，訓練出合意的獎勵模型，為監(jiān)督策略建立評價標準。訓練獎勵模型的過程同樣可以分為三步：1、抽樣出一個問題及其對應的幾個模型輸出結(jié)果；2、標記員將這幾個結(jié)果按質(zhì)量排序；3、將排序后的這套數(shù)據(jù)結(jié)果用于訓練獎勵模型。

3）第三階段：采用近端策略優(yōu)化進行強化學習。近端策略優(yōu)化（Proximal Policy Optimization）是一種強化學習算法，核心思路在于將 Policy Gradient 中 On-policy 的訓練過程轉(zhuǎn)化為Off-policy，即將在線學習轉(zhuǎn)化為離線學習。具體來說，也就是先通過監(jiān)督學習策略生成 PPO模型，經(jīng)過獎勵機制反饋最優(yōu)結(jié)果后，再將結(jié)果用于優(yōu)化和迭代原有的 PPO 模型參數(shù)。往復多次第二階段和第三階段，從而得到參數(shù)質(zhì)量越來越高的 ChatGPT 模型。

▲ChatGPT 模型原理

從 ChatGPT 的訓練原理中，我們不難發(fā)現(xiàn)，這一訓練過程存在幾個特點：

1）采用的是單一大模型。在 GPT 模型興起之前，大多數(shù) AI 模型主要是針對特定應用場景需求進行訓練的小模型，存在通用性差、訓練數(shù)據(jù)少、適應范圍小的弊端。而我們看到，ChatGPT 雖然在過程中使用了獎勵模型等輔助手段，但最終用于實現(xiàn)自然語言理解和生成式功能的主模型只有一個，但卻在語義理解、推理、協(xié)作等方面表現(xiàn)出了更強能力。因此，ChatGPT 的成功，驗證了參數(shù)增長、訓練數(shù)據(jù)量增大，對 AI 模型的重要意義。

2）采用的是小樣本學習方法。在小樣本學習（Few-shot Learning）方法下，AI 預訓練模型在不必使用大量標記的訓練數(shù)據(jù)，就可以建立起比較通用的泛化能力。簡單來說，小樣本學習即是在給定有限信息和較少訓練數(shù)據(jù)的情況下，嘗試對總體規(guī)律進行理解和預測，這一過程類似于“學習如何去學習”。對于小樣本學習在 ChatGPT 中的應用，我們認為，這一方法解決了大模型數(shù)據(jù)標注工作量巨大的問題，是模型得以迅速迭代的基礎(chǔ)。

3）采用人類反饋微調(diào)監(jiān)督學習。ChatGPT 是從 GPT3.5（即 InstructGPT）改進而來的版本，相比于前代，ChatGPT 主要變化在于采用了人類反饋機制，對監(jiān)督學習過程進行微調(diào)。本質(zhì)上來說，無論是大模型還是小樣本學習，解決的目標都是提升訓練的效率，但真正令ChatGPT 實現(xiàn)結(jié)果準確、合理的關(guān)鍵技術(shù)，還是在于加入了人類反饋。據(jù) Long Ouyang等人 2022 年發(fā)表的《Training language models to follow instructions with humanfeedback》，InstructGPT 僅用 13 億個參數(shù)就實現(xiàn)了比 1750 億個參數(shù)的 GPT-3 更優(yōu)的輸出解雇，顯著提升了真實性、減少了有害信息的輸出。02.三大維度拆解GPT模型特征

拆解GPT模型可以幫助理解ChatGPT之所以強大的原因。從前面的討論中，我們發(fā)現(xiàn)，ChatGPT 的成功離不開 AI 大模型的加持，強大的算法訓練模型，使得 ChatGPT 在迭代中獲得實現(xiàn)接近自然語言的表達能力。而這一切的核心，都來自一個模型：GPT 模型。因此，以 GPT 模型為核心，從三個維度出發(fā)去拆解 GPT 模型，以此進一步挖掘 ChatGPT 強大背后的原因。

維度一：單一大模型：ChatGPT使用單一大模型，積累強大底層通用能力。對于 ChatGPT 所用到的訓練模型，從模型體量來看，屬于 AI 單一大模型的范疇。對比傳統(tǒng) AI 訓練模型，單一大模型的“大”體現(xiàn)在：1）更多的模型參數(shù)量；2）更大的數(shù)據(jù)處理量；3）更大的訓練計算量。模型體量的增大，帶來的最直接變化，在于 AI 模型通用能力的跨越式提升。傳統(tǒng)的 AI 訓練方法，大多以單一知識領(lǐng)域的應用為目標，主要使用特定領(lǐng)域有標注的數(shù)據(jù)進行模型訓練，模型通用性差，如果更換使用場景，往往需要進行重新訓練。而大模型的訓練，一是能使用的數(shù)據(jù)來源更加廣泛，可用數(shù)據(jù)量更大；二是對標注要求更低，只需要對數(shù)據(jù)進行微調(diào)甚至不調(diào)就可以用于訓練；三是輸出的能力更加泛化通用，在語義理解、邏輯推理、文本表達等方面能力更出眾。

從通用到特殊，單一大模性具備豐富的垂直領(lǐng)域應用潛力。基于對底層能力的訓練，AI 大模型積累了對于數(shù)據(jù)背后特征和規(guī)則的理解，因此在進行垂直領(lǐng)域的時候，可以做到“舉一反三”。這一過程，與人類學習知識的過程類似，都是先學習如何去學習，再構(gòu)建聽說讀寫能力，最后在不同學科深入探索。AI 大模型也是一樣，在完成通用能力積累之后，可以將學習能力移植到需要應用的特定領(lǐng)域，通過投喂垂直領(lǐng)域數(shù)據(jù)，可以使模型達到目標場景所需的性能。

▲單一大模性具備豐富的垂直領(lǐng)域應用潛力

從大模型自身的發(fā)展過程來看，參數(shù)量的變化是一個非常值得關(guān)注的指標。從最早的 ResNet、Inception 等模型，到如今的 GPT，模型參數(shù)量不斷增長。2018 年前后 OpenAI 先后推出 Transformer 和GPT-1 模型，參數(shù)量來到 1 億級別。隨后谷歌提出 3 億參數(shù)的 BERT 模型，參數(shù)量再次增長。2019、2020 年，OpenAI 加速追趕，陸續(xù)迭代出 GPT-2、GPT-3 模型，參數(shù)量分別為15 億、1750 億，實現(xiàn)模型體量質(zhì)的飛躍。另一方面，參數(shù)運算需要大規(guī)模并行計算的支持，核心難點在于內(nèi)存交換效率，取決于底層 GPU 內(nèi)存容量。以英特爾為例，從 2017 年 V100的 32GB 內(nèi)存到 2020 年 A100 的 80GB 內(nèi)存，GPU 內(nèi)存容量的提升量級與模型參數(shù)相比顯然不在同一量級。而 ChatGPT 的解決方法，則是與微軟聯(lián)手，借助 Azure 強大的基礎(chǔ)算力設(shè)施，為 ChatGPT 提供訓練支持。

▲單一大模型的參數(shù)量快速增長

2021 年 8 月，李飛飛等學者于 arXiv 發(fā)表《On the Opportunities and Risk of Foundation Models》，將大模型統(tǒng)一命名為 Foundation Models，即基礎(chǔ)模型或基石模型。此外，論文還提出基礎(chǔ)模型面臨的兩大問題：1）同質(zhì)化。盡管基礎(chǔ)模型基于標準的深度學習和遷移學習，但其規(guī)模導致了新能力的涌現(xiàn)，其在眾多任務(wù)中的有效性激勵了同質(zhì)化的產(chǎn)生；2）特性涌現(xiàn)。盡管基礎(chǔ)模型即將被廣泛部署，但目前研究者對其如何工作、何時失效以及其涌現(xiàn)的特性衍生了何種能力尚缺乏清晰的理解。舉例來看，如機器學習的引入，使得算法從數(shù)據(jù)案例中學會了如何執(zhí)行（自動推斷）；深度學習的引入，涌現(xiàn)了用于預測的高級特征；基礎(chǔ)模型的引入，涌現(xiàn)了上下文學習等高級功能。但在這一過程中，機器學習使學習算法變得同質(zhì)化（例如，邏輯回歸），深度學習使模型架構(gòu)同質(zhì)化（例如，卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)），大模型使得下游模型同質(zhì)化（例如，下游模型一定會繼承上游模型缺陷）。

從本質(zhì)上來說，上下游模型同質(zhì)化的問題無法被完全解決，OpenAI 選擇的方向是盡可能填補缺陷漏洞。從 GPT-3.5版本開始，OpenAI 團隊在模型中引入了監(jiān)督學習過程。在監(jiān)督學習模式下，人類反饋機制開始加入到模型訓練過程，從而不斷糾正模型生成結(jié)果，逐步提升輸出結(jié)果的準確性和真實性。隨著大模型朝著越來越符合人類期望的方向演進，對話邏輯和表達方式逐漸逼近人類水平，才最終達到我們今天所看到的樣子。

▲基礎(chǔ)模型帶來特性涌現(xiàn)和模型同質(zhì)化

通過拆解單一大模型的原理、特征及發(fā)展歷程，我們發(fā)現(xiàn)單一大模型的引入，是 ChatGPT 強大語言的根本來源。展望未來，我們認為ChatGPT 或?qū)⒃诖竽Ｐ图映窒录铀俚饕驗椋?）大模型訓練效果取決于數(shù)據(jù)量，目前 ChatGPT 僅使用 2021 年之前的數(shù)據(jù)，隨著更多數(shù)據(jù)的加入，模型底層語言能力有望進一步加強；2）大模型具備能力遷移潛力，垂直領(lǐng)域應用或?qū)⒓铀?ChatGPT 進化；3）OpenAI 背靠微軟，大算力資源為模型演進提供保障；4）隨著軟件用戶規(guī)模持續(xù)擴張，用戶自身的反饋又會帶來類似監(jiān)督學習的效果，或?qū)?ChatGPT 加速迭代。基于此，看好 AI 大模型及 ChatGPT 未來應用前景，商業(yè)化落地或?qū)⒓涌臁?/p>

維度二：預訓練語言模型。拆解模型來看，主要關(guān)注預訓練語言模型和Transformer特征抽取器。前面討論了ChatGPT 背后所使用的 AI 大模型及其迭代過程，但如果我們將拆解動作繼續(xù)深入，在更細顆粒度的視角下，其實可以將訓練模型做進一步的拆解。實際上，GPT（General Pre-Training）即通用預訓練語言模型，簡單來說就是一種利用 Transformer 作為特征抽取器，基于語言模型進行預訓練的模型。因此，接下來我們從模型的兩個關(guān)鍵特征出發(fā)，分別從預訓練語言模型和 Transformer 特征抽取器的角度來分析 GPT 模型的迭代過程。

預訓練語言模型無需人工標簽，為NLP研究帶來質(zhì)變。預訓練屬于遷移學習的范疇，其思想是在利用標注數(shù)據(jù)之前，先利用無標注的數(shù)據(jù)，即純文本數(shù)據(jù)訓練模型，從而使模型能夠?qū)W到一些潛在的跟標注無關(guān)的知識，最終在具體的任務(wù)上，預訓練模型就可以利用大量的無標注數(shù)據(jù)知識，標志著自然語言處理模型進入了大規(guī)模復制階段。從實現(xiàn)原理上來看，預訓練語言模型是通過計算某個詞句 w 的出現(xiàn)概率，即 p(W)，在給定詞句的情況下，可以自行計算出后一個詞或句出現(xiàn)的概率。因此，GPT 的訓練可以在無人工標簽的基礎(chǔ)上進行，通過連續(xù)不斷地預測、迭代參數(shù)、再預測，模型最終實現(xiàn)語言能力的學習。

在大多數(shù)基于統(tǒng)計方法和神經(jīng)網(wǎng)絡(luò)的自然語言處理模型中都需要大量已標注的數(shù)據(jù)集來滿足模型訓練，但并非所有的訓練任務(wù)都能獲取足夠的標注信息。同時，隨著模型復雜度和參數(shù)數(shù)量的增加，大多數(shù)數(shù)據(jù)集的大小難以支持訓練。而預訓練模型能先通過利用無標注的數(shù)據(jù)訓練模型，解決傳統(tǒng)模型無法解決的實際問題。而且由于預訓練語言模型可以利用現(xiàn)實世界中大量的純文本數(shù)據(jù)訓練，擴大了其訓練范圍和規(guī)模，擁有發(fā)掘大模型（Foundation Models）的潛力。

第一代預訓練模型是靜態(tài)詞向量模型，經(jīng)訓練給每一個詞賦予靜態(tài)詞向量，讓相似的詞聚集在一起，實現(xiàn)了符號空間到向量空間的映射，經(jīng)典結(jié)構(gòu)有 Continuous Bag-of-Words(CBOW)和 Skip-Gram(SG)等。而由于第一代模型的詞向量靜態(tài)性，使其不能結(jié)合上下文，進而有無法分辯同義詞等缺陷。最新的第二代預訓練模型，包括 BERT、GPT 等則在此基礎(chǔ)上允許靜態(tài)詞向量與上下文交互，這種動態(tài)詞向量優(yōu)化了同義詞問題。目前，第二代預訓練模型的標準范式是“預訓練+微調(diào)”：首先在大量的文本上訓練出一個預訓練語言模型，再根據(jù)實際情況對得到的預訓練語言模型進行微調(diào)，加強了模型對下游應用場景的契合度。

維度三：Transformer特征抽取器。Transformer是大模型高效運行的根基。前面我們從單一大模型出發(fā)，對預訓練語言模型進行了 。但如果我們繼續(xù)深入，會發(fā)現(xiàn)語言模型仍然不是 GPT 模型的最底層，語言模型之下還需要有具體的調(diào)度架構(gòu)和運算邏輯，來實現(xiàn)最終的計算。我們認為，Transformer特征抽取器在 GPT 模型中，就承擔了這樣的一個角色，直接決定了 AI 大模型能否實現(xiàn)高效率的運算和學習。

Transformer 模型最早由谷歌在 2017 年提出，屬于深度學習模型架構(gòu)的一種，特點是在學習中引入了注意力機制。對比循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)來看，Transformer 與 RNN 均對輸入數(shù)據(jù)，如自然語言等，進行順序處理，并主要應用于翻譯和文本摘要等工作。但 Transformer 與 RNN 不同的是，Transformer 中的注意機制可以為輸入序列中的任何字符提供上下文，因此可以一次處理所有輸入，而不是一次只處理一個詞。因此，與 RNN 相比，Transformer 可以實現(xiàn)更大規(guī)模的并行計算，大大減少了模型訓練時間，使得大規(guī)模 AI 模型得以被應用。

▲Transformer 解碼模塊拆解

在 GPT 模型中，解碼模塊相當于基本架構(gòu)單元，通過彼此堆疊的方式，拼湊成最終我們看到的 GPT 模型底層架構(gòu)。這里有兩個值得關(guān)注的要點：1）解碼模塊的數(shù)量決定了模型的規(guī)模，GPT-1 一般有 12 個模塊，GPT-2有 48 個，GPT-3 則有 96 個模塊；2）針對模塊輸出的結(jié)果還需要進行 Finetune（對模型進行調(diào)優(yōu)）。

▲解碼模塊堆疊形成 GPT 模型完整架構(gòu)

03.生成式AI應用于創(chuàng)造性工作

AI 可分為生成式 AI 和分析型 AI，其中分析型 AI（Analytical AI），主要在給定數(shù)據(jù)的情況下，通過分析找出規(guī)律和關(guān)系，并在此基礎(chǔ)上生成報告或給出建議。比如通過追蹤客戶行為以刻畫用戶畫像，并基于此進行個性化推薦，實現(xiàn)精準營銷；通過收集城市中傳感器的大量數(shù)據(jù)并分析，預測天氣及環(huán)境污染情況，從而幫助相關(guān)部門進行政策制定。不同于分析型 AI 局限于分析已有內(nèi)容，生成式 AI（Generative AI）可以通過學習已有數(shù)據(jù)和信息生成多種形式的新的內(nèi)容，在創(chuàng)造性工作的領(lǐng)域進行應用，目前生成式 AI 的應用主要包括生成文本、圖像、對話、音視頻、代碼、3D 等。

▲生成型 AI 應用領(lǐng)域

ChatGPT 通過學習大量語料并通過生成模型生成文本回答，其基礎(chǔ) GPT-3 是一個大型語言模型。該模型通過對大量語料的預訓練，學習了語言的語法、語義、語用等特征，并通過對語言的生成任務(wù)進行微調(diào)，以適應各種應用場景。目前，除了 ChatGPT 外，有大量 AIGC 應用產(chǎn)品基于 GPT-3 模型。

▲基于 GPT-3 的 AI 產(chǎn)品

據(jù)各公司官網(wǎng)，ChatGPT 從 0 到 100 萬用戶數(shù)僅花費 5 天，速度遠超其他平臺。從活躍用戶角度，據(jù)Similarweb，2023 年 1 月期間，ChatGPT 平均每天約有 1300 萬獨立訪客，超出 22 年 12月一倍。用戶數(shù)量的快速擴大反映了 ChatGPT 具備較強的商業(yè)化潛力。

▲ChatGPT 從 0 到 100 萬用戶速度遠超其他平臺

AIGC（AI Generated Content）指由人工智能生成的內(nèi)容，包括文本、圖像、音頻、3D 等多種類型，具有高效及自動化生產(chǎn)的特點。近年來谷歌、亞馬遜、百度等國內(nèi)外巨頭持續(xù)布局 AIGC。2014 年，谷歌以超 5 億美元的價格收購人工智能公司 DeepMind；2023 年 3 月，谷歌宣布向人工智能初創(chuàng)公司 Anthropic 投資約 3 億美元，建立新的合作伙伴關(guān)系；2022 年 11 月，亞馬遜宣布與 AI 制圖平臺 Stability AI 合作，成為其首選云合作伙伴，同時為其提供亞馬遜 Tradium 芯片；2021 年 4 月，華為諾亞方舟實驗室聯(lián)合多部門推出首個 2000 億參數(shù)中文預訓練模型盤古α；2023 年 2 月，百度官宣類 ChatGPT 大模型新項目文心一言（英文名 ERNIE Bot）。

▲AIGC 領(lǐng)域產(chǎn)品

微軟發(fā)布基于 OpenAI 模型的全新搜索引擎 Bing 和 Edge 瀏覽器。在 FY23Q2 電話會議上，微軟表示將增加對 ChatGPT 的支持，使得客戶能夠很快在自己的應用程序上調(diào)用它。隨后，公司宣布擴大與 OpenAI 的合作伙伴關(guān)系，將向 OpenAI 進行一項為期多年、價值數(shù)十億美元的投資，以加速其在人工智能領(lǐng)域的技術(shù)突破。2 月 7 日，公司召開發(fā)布會推出基于新的 OpenAI 模型搜索引擎 Bing 和 Edge 瀏覽器，將搜索、瀏覽器、聊天功能結(jié)合起來，用戶既可以選擇傳統(tǒng)搜索結(jié)果與聊天對話框并排顯示，也可以選擇直接與聊天機器人進行對話。在新版的 Bing 之下，用戶搜索直接給出答案，而非網(wǎng)頁鏈接，結(jié)果相關(guān)性更強、更加智能化。目前新版 Bing 已經(jīng)開放有限預覽，預計在未來幾周推出移動版本。

谷歌、百度積極跟進，商業(yè)應用有望加速。1 月 27 日，美國數(shù)字媒體公司 BuzzFeed 率先宣布計劃使用 OpenAI 提供的技術(shù)來協(xié)助創(chuàng)作個性化內(nèi)容。谷歌方面，近期向 OpenAI競爭對手之一的 Anthropic 投資約 3 億美元，獲得該公司 10%股份，Anthropic 將用投資從谷歌的云計算部門購買大量計算資源；2 月 6 日，谷歌透露計劃推出一款聊天機器人 Bard 以應對 ChatGPT，該服務(wù)將開放給受信任的測試人員，并在未來的幾周向更廣泛的公眾開放服務(wù)。百度方面，2 月 7 日宣布將推出類 ChatGPT 項目文心一言（英文名為ERNIE Bot），預計將在 3 月份完成內(nèi)測，面向公眾開放。隨著微軟將 ChatGPT 整合至自身產(chǎn)品中，谷歌、百度等 AI 領(lǐng)軍企業(yè)也宣布推出聊天機器人，未來有望將聊天機器人整合至搜索引擎甚至辦公軟件等業(yè)務(wù)當中，商業(yè)化應用有望加速落地。

審核編輯 ：李倩