自然语言模型

自然语言生成 或许是现在最知名的的生成式人工智能应用， 毕竟 ChatGPT 是最近的焦点。 大多数围绕文本生成的人工智能话题 都涉及了一个模型，即 GPT-3。 GPT 代表生成式预训练变换器。 这是美国一家公司开发的语言模型， 它专攻开发和推广易于使用的人工智能。 预训练语言模型 并在特定任务数据集上微调并不是新概念。 它在几十年前已经存在， 在 GPT 之前的几个模型中也应用过。 但是，GPT 规模庞大、 使用变换器架构且能够生成类似人类的文本， 这些特点让它声名鹊起。 所以在这一领域获得广泛应用并备受欢迎。 想想有个写作助理 帮你写邮件、文章，甚至小说。 GPT-3 可以接受一个提示， 比如一个主题或一个句子， 然后根据提示生成文本。 甚至它还可以延续之前开始的故事或对话。 接下来我们谈谈工业应用。 首先已经有软件源代码托管平台 向用户提供了生成式人工智能助手服务。 它应用了一个语言模型， 可以在代码编辑器中 实时修改代码和整个函数。 用户可以减少使用外部方案， 同时更智能的代码补全 也减少了需要输入的代码量。 还有微软的必应。 它把 ChatGPT 应用到搜索功能中， 让它能够在更短的时间里获得更精炼的信息。 2022年11月30日， ChatGPT 一经推出， 不到一周就获得了 100 万用户。 注意，“不到一周”。 我们可以比较其它公司 要花多少时间才达到这个数字。 网飞用了 49 个月。 推特用了 24 个月。 爱彼迎用了 30 个月， 脸书用了 10 个月， 最后这个也用了 2.5 个月。 而 ChatGPT 却只用了一周。 这些数据表明， 与生成式人工智能工具 和服务协同创作的工作流程很容易上手。 太惊人了。 但它也有几个缺点， 比如缺乏常识、创意、 不能理解自己生成的文本、 数据库存在偏见 以及在创意写作中 可能存在内容泛化平庸的问题。 自然语言模型 虽然能以合成方式模仿人类的能力， 但显然， 开发生成式人工智能工具之前需要深思熟虑。 这类工具能很好地处理事实性 和可计算的信息。 但在涉及创作或撰写观点时， 我建议保持谨慎。