【Lecture1】清华大学大模型公开课——大模型绪论

2024-08-23 00:04

本文主要是介绍【Lecture1】清华大学大模型公开课——大模型绪论,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

#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

这篇关于【Lecture1】清华大学大模型公开课——大模型绪论的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1097781

相关文章

大模型研发全揭秘:客服工单数据标注的完整攻略

在人工智能(AI)领域,数据标注是模型训练过程中至关重要的一步。无论你是新手还是有经验的从业者,掌握数据标注的技术细节和常见问题的解决方案都能为你的AI项目增添不少价值。在电信运营商的客服系统中,工单数据是客户问题和解决方案的重要记录。通过对这些工单数据进行有效标注,不仅能够帮助提升客服自动化系统的智能化水平,还能优化客户服务流程,提高客户满意度。本文将详细介绍如何在电信运营商客服工单的背景下进行

Andrej Karpathy最新采访:认知核心模型10亿参数就够了,AI会打破教育不公的僵局

夕小瑶科技说 原创  作者 | 海野 AI圈子的红人,AI大神Andrej Karpathy,曾是OpenAI联合创始人之一,特斯拉AI总监。上一次的动态是官宣创办一家名为 Eureka Labs 的人工智能+教育公司 ,宣布将长期致力于AI原生教育。 近日,Andrej Karpathy接受了No Priors(投资博客)的采访,与硅谷知名投资人 Sara Guo 和 Elad G

Retrieval-based-Voice-Conversion-WebUI模型构建指南

一、模型介绍 Retrieval-based-Voice-Conversion-WebUI(简称 RVC)模型是一个基于 VITS(Variational Inference with adversarial learning for end-to-end Text-to-Speech)的简单易用的语音转换框架。 具有以下特点 简单易用:RVC 模型通过简单易用的网页界面,使得用户无需深入了

透彻!驯服大型语言模型(LLMs)的五种方法,及具体方法选择思路

引言 随着时间的发展,大型语言模型不再停留在演示阶段而是逐步面向生产系统的应用,随着人们期望的不断增加,目标也发生了巨大的变化。在短短的几个月的时间里,人们对大模型的认识已经从对其zero-shot能力感到惊讶,转变为考虑改进模型质量、提高模型可用性。 「大语言模型(LLMs)其实就是利用高容量的模型架构(例如Transformer)对海量的、多种多样的数据分布进行建模得到,它包含了大量的先验

图神经网络模型介绍(1)

我们将图神经网络分为基于谱域的模型和基于空域的模型,并按照发展顺序详解每个类别中的重要模型。 1.1基于谱域的图神经网络         谱域上的图卷积在图学习迈向深度学习的发展历程中起到了关键的作用。本节主要介绍三个具有代表性的谱域图神经网络:谱图卷积网络、切比雪夫网络和图卷积网络。 (1)谱图卷积网络 卷积定理:函数卷积的傅里叶变换是函数傅里叶变换的乘积,即F{f*g}

秋招最新大模型算法面试,熬夜都要肝完它

💥大家在面试大模型LLM这个板块的时候,不知道面试完会不会复盘、总结,做笔记的习惯,这份大模型算法岗面试八股笔记也帮助不少人拿到过offer ✨对于面试大模型算法工程师会有一定的帮助,都附有完整答案,熬夜也要看完,祝大家一臂之力 这份《大模型算法工程师面试题》已经上传CSDN,还有完整版的大模型 AI 学习资料,朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费

【生成模型系列(初级)】嵌入(Embedding)方程——自然语言处理的数学灵魂【通俗理解】

【通俗理解】嵌入(Embedding)方程——自然语言处理的数学灵魂 关键词提炼 #嵌入方程 #自然语言处理 #词向量 #机器学习 #神经网络 #向量空间模型 #Siri #Google翻译 #AlexNet 第一节:嵌入方程的类比与核心概念【尽可能通俗】 嵌入方程可以被看作是自然语言处理中的“翻译机”,它将文本中的单词或短语转换成计算机能够理解的数学形式,即向量。 正如翻译机将一种语言

AI Toolkit + H100 GPU,一小时内微调最新热门文生图模型 FLUX

上个月,FLUX 席卷了互联网,这并非没有原因。他们声称优于 DALLE 3、Ideogram 和 Stable Diffusion 3 等模型,而这一点已被证明是有依据的。随着越来越多的流行图像生成工具(如 Stable Diffusion Web UI Forge 和 ComyUI)开始支持这些模型,FLUX 在 Stable Diffusion 领域的扩展将会持续下去。 自 FLU

SWAP作物生长模型安装教程、数据制备、敏感性分析、气候变化影响、R模型敏感性分析与贝叶斯优化、Fortran源代码分析、气候数据降尺度与变化影响分析

查看原文>>>全流程SWAP农业模型数据制备、敏感性分析及气候变化影响实践技术应用 SWAP模型是由荷兰瓦赫宁根大学开发的先进农作物模型,它综合考虑了土壤-水分-大气以及植被间的相互作用;是一种描述作物生长过程的一种机理性作物生长模型。它不但运用Richard方程,使其能够精确的模拟土壤中水分的运动,而且耦合了WOFOST作物模型使作物的生长描述更为科学。 本文让更多的科研人员和农业工作者

线性因子模型 - 独立分量分析(ICA)篇

序言 线性因子模型是数据分析与机器学习中的一类重要模型,它们通过引入潜变量( latent variables \text{latent variables} latent variables)来更好地表征数据。其中,独立分量分析( ICA \text{ICA} ICA)作为线性因子模型的一种,以其独特的视角和广泛的应用领域而备受关注。 ICA \text{ICA} ICA旨在将观察到的复杂信号