ChatGPT自从2022年底发布以来引起了很大反响，子弹已经飞了两个月了，今天重新整理一下ChatGPT以及个人的一些理解。
TL;DR: ChatGPT的内核是InstructGPT[1]。随着language model（LM）越做越大，InstructGPT的作者们发现这些LMs其实经常和用户的意图不完全一致/对齐，这引发作者们的思考：如何得到能与用户意图更一致的LM？于是InstructGPT横空出世，其目标是“Align language models to humans”，具体的对齐方法采用Reinforcement Learning from Human Feedback（RLHF）[2]。简单说就是在训练LM时要“human in the loop”，用人类的示例/评价/比较等反馈信号调整LM，让LM输出的结果往人类意图方向靠拢。
个人ChatGPT体验报告
ChatGPT在哪些地方帮到我了？
有些中文文档需要很官方的文书表达（比如基金申请书），通过巧妙的提问可以让ChatGPT输出很多思路甚至有些可以直接拿来用；帮助我快速了解一个大的领域，虽然看不太准，但是也提供了一点借鉴。
ChatGPT技术上还存在哪些缺陷？
ChatGPT经常一本正经地胡说八道；ChatGPT经常很啰嗦；ChatGPT给出的信息我经常需要用Google double check；ChatGPT每次输出的结果“不一致”（本质原因是因为它是概率模型，每次采样的结果都不一样）。
Background
我首先对ChatGPT做了简单的测试，直观感受一下。
ChatGPT可以和用户“chat”，能根据聊天历史调整输出。
ChatGPT可以写代码。
ChatGPT能写paper。
ChatGPT能做一些一般语言模型能做的任务，比如翻译。
ChatGPT functions/pros/cons一览。
InstructGPT
对比一下ChatGPT和InstructGPT，方法几乎一模一样。
InstructGPT其实就三步：用人写的样本（问答）finetune pretrained GPT3，得到supervised finetuning （SFT）model；用人类反馈（比较回答好坏）训练一个reward model（RM）；借助训好的RM，用RL算法进一步提升SFT。
这里展开一下GPT模型的介绍，关键词：Transformer Decoder，生成式，自回归，因果掩码和概率模型。
言归正传，对于InstructGPT的第一步：采集人类标注的demo，监督式finetune pretrained GPT。
第二步，训练reward model。
注意RM的输入和输出
最后一步，用RL提升SFT model。
Experiment
Discussion
写在结尾：DeepMind的工作总让人觉得很smart/novel，而OpenAI的工作总让人觉得很有用（sometimes很粗暴，有点“大力出奇迹”的意思）。读这两个机构的paper总是赏心悦目。
参考
^Ouyang, L., Wu, J., Jiang, X., Almeida, D., Wainwright, C.L., Mishkin, P., Zhang, C., Agarwal, S., Slama, K., Ray, A. and Schulman, J., 2022. Training language models to follow instructions with human feedback. arXiv preprint arXiv:2203.02155. https://cdn.openai.com/papers/Training_language_models_to_follow_instructions_with_human_feedback.pdf^Reinforcement learning from human feedback（RLHF） https://huggingface.co/blog/rlhf
相关文章
