*近人工智能很火热，人工智能涉及自然语言，深度学习模型。Toby老师也是从事机器学习模型工作，特别关注了一下，顺便分享人工智能相关知识。
人工智能概述
人工智能（全名：ChatGenerativePre-trainedTransformer）是由OpenAI开发的一个人工智能聊天机器人程序，于2022年11月推出。该程序使用基于GPT-3.5架构的大型语言模型并通过强化学习进行训练。
人工智能目前仍以文字方式交互，而除了可以通过人类自然对话方式进行交互，还可以用于相对复杂的语言工作，包括自动文本生成、自动问答、自动摘要等在内的多种任务。如：在自动文本生成方面，人工智能可以根据输入的文本自动生成类似的文本（剧本、歌曲、企划等），在自动问答方面，人工智能可以根据输入的问题自动生成答案。还具有编写和调试计算机程序的能力。在推广期间，所有人可以免费注册，并在登录后免费使用人工智能实现与AI机器人对话。
人工智能可以写出相似于真人程度的文章，并因其在许多知识领域给出详细的回答和清晰的答案而迅速获得关注，证明了从前认为不会被AI取代的知识型工作它也足以胜任，对于金融与白领人力市场的冲击相当大，但其事实准确性参差不齐被认为是一重大缺陷，其基于意识形态的模型训练结果并被认为需要小心地校正。人工智能于2022年11月发布后，OpenAI估值已涨至290亿美元。上线两个月后，用户数量达到1亿。
Toby老师登录openAI官网实测，确实网页视觉效果比较好。
官网阐述是：人工智能是用于对话的优化语言模型。我们训练了一个叫做人工智能的模型，它以对话方式进行交互。对话格式使人工智能能够回答后续问题、承认错误、质疑不正确的前提和拒绝不适当的请求。人工智能是InstructGPT的兄弟模型，它被训练为在提示中遵循指令并提供详细的响应。
OpenAI
OpenAI（开放人工智能）是美国一个人工智能研究实验室，由营利组织OpenAILP与母公司非营利组织OpenAIInc所组成，目的是促进和发展友好的人工智能，使人类整体受益。OpenAI成立于2015年底，总部位于加利福尼亚州旧金山，组织目标是通过与其他机构和研究者的“自由合作”，向公众开放专利和研究成果。创始人伊隆·马斯克以及山姆·柯曼的动机是出于对强人工智能潜在风险的担忧。至2018年，OpenAI的总部坐落于旧金山的米慎区，与伊隆·马斯克的另一座公司Neuralink在同一办公室大楼。
下图是OpenAI旧金山总部的先驱大楼。
2016年，OpenAI宣称将制造“通用”机器人，希望能够预防人工智能的灾难性影响，推动人工智能发挥积极作用。
2019年3月1日成立OpenAILP子公司，目的为营利所用。
2019年7月22日微软投资OpenAI10亿美元，双方将携手合作替Azure云端平台服务开发人工智能技术。2020年6月11日宣布了GPT-3语言模型，微软于2020年9月22日取得**授权。
2022年11月30日，OpenAI发布了一个名为人工智能的自然语言生成式模型，它以对话方式进行交互。在研究预览期间，用户注册并登陆后可免费使用人工智能。该项目对一些包括很多地区不可用。
模型训练
人工智能使用基于人类反馈的监督学习和强化学习在GPT-3.5之上进行了微调。这两种方法都使用了人类训练员来提高模型的性能,通过人类干预以增强机器学习的效果，从而获得更为逼真的结果。在监督学习的情况下，模型被提供了这样一些对话,在对话中训练师充当用户和AI助理两种角色。在强化步骤中，人类训练员对模型在先前对话中创建的响应进行评级。这些级别用于创建“奖励模型”,使用近端策略优化(ProximalPolicyOptimization-PPO)的多次迭代微调,。这种策略优化算法比信任域策略优化（trustregionpolicyoptimization）算法更为高效。这些模型是与Microsoft合作,在其MicrosoftAzure超级计算基础设施上训练的。
OpenAI继续从人工智能用户那里收集数据，这些数据可用于训练和微调人工智能。允许用户对他们从人工智能收到的回复投赞成票或反对票；在投赞成票或反对票时，他们还可以填写一个带有额外反馈的文本字段。
人工智能的训练数据包括各种文档以及关于互联网、编程语言等各类知识，如BBS和Python编程语言。
关于人工智能编写和调试计算机程序的能力的训练，由于深度学习模型不懂编程，与所有其他基于深度学习的语言模型一样，只是在获取代码片段之间的统计相关性。
斯坦福大学的研究发现，GPT3已经可以解决70%的心智理论任务，相当于7岁儿童；至于GPT3.5（人工智能的同源模型），更是解决了93%的任务，心智相当于9岁儿童。但这并不意味着，人工智能就真正具备了心智理论。可能它不被设计到AI系统中，也可以作为“副产品”通过训练得到。相比探究GPT3.5是不是真的有了心智还是像有心智，更需要反思的是这些测试本身。
官网对模型训练描述为：
我们使用与InstructGPT相同的方法，使用来自人类反馈的强化学习(RLHF)来训练该模型，但数据收集设置略有不同。我们使用监督微调训练了一个初始模型：人类AI训练员提供对话，他们在对话中扮演双方——用户和AI助手。我们让培训师可以访问模型编写的建议，以帮助他们撰写回复。我们将这个新的对话数据集与InstructGPT数据集混合，我们将其转换为对话格式。
为了创建强化学习的奖励模型，我们需要收集比较数据，其中包含两个或多个按质量排序的模型响应。为了收集这些数据，我们收集了AI培训师与聊天机器人的对话。我们随机选择了一条模型编写的消息，抽取了几个备选的完成方式，并让AI培训师对它们进行排名。使用这些奖励模型，我们可以使用近端策略优化来微调模型。我们对这个过程进行了几次迭代。
人工智能是从GPT-3.5系列中的一个模型进行微调的，该模型于2022年初完成训练。您可以在此处了解有关3.5系列的更多信息。人工智能和GPT3.5在AzureAI超级计算基础设施上进行了训练。
特点和局限
聊天机器人的核心功能是模仿人类对话者，但人工智能用途广泛。例如，具有编写和调试计算机程序的能力；创作音乐、电视剧、童话故事和学生论文；回答测试问题（在某些测试情境下，水平高于普通人类测试者）；写诗和歌词；模拟Linux系统等。
人工智能局限性
人工智能有时会写出看似合理但不正确或荒谬的答案。解决这个问题具有挑战性，因为：
（1）在RL训练期间，目前没有真实来源；
(2)训练模型更加谨慎导致它拒绝可以正确回答的问题；
(3)监督训练会误导模型，因为理想的答案取决于模型知道什么，而不是人类演示者知道什么。
人工智能对输入措辞的调整或多次尝试相同的提示很敏感。例如，给定一个问题的措辞，模型可以声称不知道答案，但只要稍作改写，就可以正确回答。
该模型通常过于冗长并过度使用某些短语，例如重申它是OpenAI训练的语言模型。这些问题源于训练数据的偏差（训练者更喜欢看起来更全面的更长答案）和众所周知的过度优化问题。
理想情况下，当用户提供模棱两可的查询时，模型会提出澄清问题。我们当前的模型通常会猜测用户的意图。
我们已努力使模型拒绝不当请求，但它有时会响应有害指令或表现出有偏见的行为。我们正在使用ModerationAPI来警告或阻止某些类型的不安全内容，但我们预计它目前会有一些漏报和漏报。我们渴望收集用户反馈，以帮助我们正在进行的改进该系统的工作。