這篇文放草稿太久了，放到連GPT4都生出來了。不過沒差，內容通用。
在系列文第一篇，就提到了GPT框架中有對人類語意回饋的學習機制。這機制有個專有名詞，叫強化學習 (Reinforcement Learning)。這讓機器不純粹依著既有資料模式，優化並生成預測；反而讓機器有更強的能力，去因應不同環境﹝狀態﹞，作出最優的選擇與回應 ﹝在GPT案例，被獎勵的目標，是作出和人類對語意理解相似的文字生成﹞。
不過仔細想想，他還是面對著正確性﹝這個詞並不準確，暫想不到別的﹞和即時性的問題。關於正確性問題，畢竟ChatGPT最為擅長的，是文字接龍，其模型強化學習標的──例如怎樣才是好的回答──是由人類提供的樣本與標註 (label) 而來；其目標並不是做出最正確的回答。例如，我上次詢問他是否知道我在某個網路媒體寫過文章。他非但說自己知道，而且還說我是知名的經濟學家和前財政部長──唉！我差點就信了。
而關於時效性問題，當前所使用的訓練數據只到2021年，也就是說其後的事情，要不是不知道，要不就亂回答。
當通才變成專家
然而，ChatGPT本身還是很堪用，除前面提到的生產力用途，模型的微調﹝fine tune﹞也是重點。目的主要是讓GPT模型，成為特定領域之專家。目前大家都有概念，他是一個大語料基底的通用模型，但相對地，也意味著在特定領域則未必那麼專擅。
舉例來說，或許GPT熟知蜂蜜這個東西──他能回答蜂蜜是什麼，有甚麼種類。但他可能沒有蜂農來的專業，因為蜂農還知道蜂蜜的前期、中期和後期的風味差異、商業價值和成本結構；且或許能具體推薦消費者適合的茶飲搭配。
所以這fine tune可以讓我們透過小量的資料，讓GPT更像某個專家。這算是我認為有意義的東西。試想，可能不只蜂農，也許他也可以被微調成一個深諳自家公司運作和產品的小客服，或者某位很有策略頭腦的商業顧問。
客服或許不難想像，不過關於顧問，我還保持一個開放與想像的空間。畢竟為不同商業問題做分析和策略規劃，背後的邏輯和所需資訊連結度似乎還更高﹝我認為是很高創意、高度應環境和人情而異的互動﹞。
而且做為一個顧問，他或許還需要透過提問，來獲取資訊，挖掘洞見或是重新定義問題。
而且更進一步想，如果這樣的顧問模型要存在，我不禁懷疑只使用語料訓練夠嗎？用什麼語料訓練才對？用什麼訓練/互動機制來持續增進資料完整度呢？
資料面的突破
考慮一個語料模型的訓練，我們需要語料。而我們確實有很多方式，可以收集一個人的生活與思想的側面資訊﹝訪談、錄音、寫作等﹞，也有豐富的工具能將之轉換為語料。
但不論如何，很明顯人類文字是有限的。你講這個東西的同時，你講不了另外一個東西。你說這是圓的，他就不是方的。但事物的狀態，卻經常是介在我們的語彙之間的模糊地帶。所以，光是訓練素材的選擇，就還存有諸多讓AI強大的可能性。
我們與AI的界線
因此我們可以預見，我們會需要不同的sensor，大量儲存空間，更快的網速還有更強的運算力。這一切，要用以收集和處理如聲音和影像等，與「人」有關的資訊。之後再更多生活應用層面上，AI跟人的界線又模糊一些。
不過說再多，還是回到經典老問題：AI會取代人類嗎？我感覺該換個方向想。假如我們最在意飯碗，那我更好奇AI能取代/加速我工作的哪一部分。這樣思考，才將真正與技術共存，將冗餘費時的事項用機器處理掉。
我本職是資料科學家，我也像GPT的開發者一樣，在訓練一些模型。工作內容為處理資料，然後訓練出可用來預測未來的模型。嗯，這聽起來不會被AI取代，但實際上卻有可能。
不用AI，現存很多自動化套件/方案，就可以讓開發者產製出大量模型，我們只需要考慮刪減和整合模型們。況且現在訓練模型所用的程式，又非常好入門！簡單幾行，就能產出模型。
那這樣，這份工作的意義又在哪裡呢？
是觀察和思考。
理想的資料科學家 ﹝至少我們Team有共識的那種理想﹞，是會明白他手上資料的特性，也知道他工具﹝模型﹞本身的特質與優劣。綜合對資料和工具的理解，可以對資料一定程度的處理，進一步提升預測。
有點抽象，用自己當例子。我曾在工作中發現一個機器學習演算法G模型，吃入某些金融變數去做預測，效果特別好。於是我把所用的變數數量降到極低 ﹝只有同事的10分之1﹞，專注在特定幾類金融數據，並且把資料強制扭轉成常態分布，結果預測效果優異且穩定。
總之是：﹝1﹞我發現一個工具的特質，﹝2﹞用一些技巧把資料轉換成模型喜歡的樣子。如果要靠機器發現，得花不少工，更別說是機器自己產生此類洞見。
事實上，很可能因為G模型太有個性，不好訓練，早早就成遺珠。
如果真仰賴AI，或某種高度自動化的技術。我們洞見是最重要的。因為我們腦中有的資訊量不會差，天外飛來一筆的想法也很珍貴。因為強大的演算力不會成就創意，洞見不是根據「什麼想法是最優化」而產生的。
但我明白，都有我們對AI浪潮有著不可掌控的隱憂。自己成長速度不足、發揮空間變少等等。我想，這又是另外的故事了。
