ChatGPT 是 OpenAI 開發的大型語言模型，以其強大的生成能力和對話能力而聞名。 ChatGPT 的訓練過程主要分為兩個階段：預訓練和微調。
預訓練階段使用大量的文字數據來訓練模型，使其掌握語言的基本規律。 ChatGPT 的預訓練模型是 GPT-3，它是一個由 1750 億個參數組成的巨型語言模型。 GPT-3 的訓練數據包括了書籍、文章、程式碼等各種形式的文字。
微調階段使用特定領域的數據來調整模型，使其能夠更好地滿足特定需求。 ChatGPT 的微調過程使用了 RLHF（Reinforcement Learning from Human Feedback）技術。
RLHF 是一種利用人類反饋來強化學習的技術。 在 ChatGPT 的微調過程中，人類評估人員會對模型生成的內容進行評分，並提供反饋。 模型根據人類的反饋來調整自己的輸出，從而提高生成內容的質量。
RLHF 技術可以有效地提高 ChatGPT 的生成能力。 在經過 RLHF 微調之後，ChatGPT 可以生成更加符合人類預期的內容，並且能夠更好地完成各種任務。
Reward function 示意
RLHF 的具體流程
RLHF 的具體流程如下：
- 模型生成內容。
- 人類評估人員對內容進行評分，並提供反饋。
- 模型根據反饋調整輸出。
RLHF 的優點
RLHF 具有以下優點：
- 可以有效地提高模型生成內容的質量。
- 可以使模型更好地滿足特定需求。
- 可以提高模型的魯棒性。
RLHF 的挑戰
RLHF 也存在一些挑戰：
- 需要大量的人工反饋。
- 人工反饋可能存在偏差。
- 可能會強化模型的偏見。
RLHF 的未來
RLHF 是一種很有潛力的技術，可以有效地提高語言模型的性能。 隨著人工智慧技術的發展，RLHF 技術將會得到進一步的完善，並在更多領域得到應用。
總結
這樣的架構是從Reinforcement Learning(Q-Learning)所衍伸出來的，過去在這項技術的發展上通常會藉由設計一個適當的Rewared Function好讓模型推論出來的結果在反應到Action後會加分或是扣分的一個機制。有這樣的設計可以輕易地將模型的推論結果評估錯誤率，再將這個錯誤值透過back propagation的方法使模型在訓練過程中調整網路架構中的權重值。過去常看到一些大神在遊戲領域上有大量的應用，因為遊戲中有相當多的資訊能夠作為sensor input, 且遊戲的reward function也相對好設計。
有意思的地方是人工智慧的背後其實還是有不少的工人智慧，但幸運的是這些工人智慧我們是將其稱作資料前處理。
