大模型是怎么被训练出来的具有人类智慧的
- 阶段一训练-自我学习-具备知识
-
- 训练资料
-
- [self-supervised learning（自督导式学习）](#self-supervised learning（自督导式学习）)
- 阶段二-怎么让模型具备人的智慧
-
- [supervised learning 督导式学习](#supervised learning 督导式学习)
- 预训练pretrain
- 参考
一个语言模型是怎么训练出来的呢？它是怎么具备人类智慧的呢？ 它被训练的过程中到底有些什么困难？
阶段一训练-自我学习-具备知识
我们之前就已经讲过，实际上我们要做的就是寻找一个函数，来实现一个文字接龙的功能：
它的做法，它会寻找要给函数：
- 输入：中国最高的山是，输出：珠
- 输入：中国最高的山是珠，输出：穆
- ...
- 输入：中国最高的山是朗玛峰，输出：结束符
现在我们知道要实现这个功能我们使用的是一个类神经网络，这个网络有上亿个参数，来实现这样的功能。这上亿个参数是怎么得到的呢，就是通过大量的资料学习到的，就像是人的大脑一样，很难解释每个神经元是怎么作用的，但他们确实可以和谐办公。接下来的要给问题就是到底需要多少的资料才能学会人类的语言呢，又是怎么获取这些资料的呢？
训练资料
要让一个语言模型学会对话，必须具备文法知识以及世界知识，学会文法知识才会知道，"这是一个"这样的表达后面跟的是个名词，而仅仅只有文法知识，还是不够的，所以还需要知道一些世界知识，比如体重的衡量是用公斤数，温度使用摄氏度，不同压力下水的沸点不一样等等。
这篇论文里面可以看得出来，知道文法知识1亿个参数足够了，但是了解世界知识至少需要300亿个以上，那这么多的资料是怎么喂给大模型的呢
self-supervised learning（自督导式学习）
实际上资料的获取并不复杂，因为网络上的资料足够了，但是怎么喂给大模型呢。通常情况下，我们需要的资料是这样的：
输入：今天天气很好 输出：情感正面
也就是说这些数据是带有标签的，但是现在这么多数据我们是无法进行人工标注的。所以今天我们用的技术就是self-supervised learning（自督导式学习）。我们使用网络上爬到的资料，不需要人工标注，处理成如下格式：
比如我们搜到的是中国最高的山是珠穆朗玛峰，我们可以简单的写一个函数，把这个句子处理成：
- 输入：中国最高的山是，输出：珠
- 输入：中国最高的山是珠，输出：穆
- ...
- 输入：中国最高的山是朗玛峰，输出：结束符
这种不需要人工标注的方式，我们就称为自督导式学习。
阶段二-怎么让模型具备人的智慧
学习了那么多资料，真的就可以有很好的答案了么？
答案是否定的。在GPT-3学习了580G的资料，参数有1750亿，但是答案依然是很难尽如人意，你问它一个问题，它甚至有可能会反问你一个问题，完全没有人类的智慧，跟现在的GPT-4是完全没法比。
其实我们想想也可以知道，从网络上爬来的资料，本身就没有告诉模型，怎么样的回答才是符合人类回复的。
supervised learning 督导式学习
为了让模型具备人类回答的智慧，必须要收集人类对话，进行资料标注，来教会模型该怎么回答。
这种人类标注的训练方法，我们就叫做督导式学习，这个过程就叫做Instructing Fine-tuning
比如从人类收集到的资料：
对于模型来说的输入输出就是：
那你可以说，我们完全使用人力标注的资料那不是更好么？答案确实是，但是人力能够标注的资料有限的，有限的资料训练出来的参数结果可能就会很奇怪。比如你问模型，中国最高的山是什么？ 它很有可能告诉你是：姚明。为什么会出现这样奇怪的答案呢？很有可能是因为资料太少，它只看过这样一个资料。篮球队里最高的人是姚明。
预训练pretrain
那我们有没有更好的方式既能有大量的知识，又能够接受人类的智慧呢？
那就是pretrain，我们使用第一阶段自督导式学习得到的参数，在这个基础上再使用人类标注的数据进行督导式学习，对参数进行微调。
为什么要用预训练的模型？
因为经过预训练的模型具备很强的能力，它甚至能够达到举一反三的效果：
BERT模型上，如果它看过104种语言的资料，如果我们只用英文做Fine-tune，模型竟然可以做中文的QA，正确率可以达到78.7！！
但还是有一个问题，参数这么多微调一次也很费时间，另外微调过程种参数不会被修改太多，导致失去这些已经学会的知识了呢？Adapter技术就是来解决这个问题的。
Adapter
Adapter，就是字面的意思，我在原模型的基础上，我还要再加上一个适配器，适配器的参数比原来的参数要少很多，微调的过程就会变的很快，且不会影响原来的参数。整个模型的输出就是在原来模型参数的基础上，又加上了少量Adapter的参数
LoRA就是一种Adapter技术，Adapter其实包括了很多种可以在https://arxiv.org/abs/2210.06175上找到很多种实现
LLAMA在它的论文中，曾指出自己只需要2万多笔资料，就可以训练好一个模型了,但是还有一个问题，有了它就能训练好一个大模型了么？
答案是不能。因为我们依然还是需要优质的微调资料。
逆向工程
显然不是随便标注就可以得到这些微调需要的优质资料，因为我们不知道用户会怎么问问题，那么怎么获取这部分数据呢？现在有种方法就叫做逆向工程，反问GPT，让他帮忙想问题，想答案，用反向生成出来的内容来微调模型。当GPT是不太喜欢这样的。
有了微调的资料，那参数也是很大的训练成本呀，别着急，有开源的参数
开源的Pre-train参数
Meta 23年开源了LLaMA的参数，我们可以用它来初始化自己的模型。由这个开源的参数，迅速衍生出了一系列的模型，可以说事半功倍
参考
李宏毅-生成式人工智能导论