于是，咱们也照猫画虎来给GPT系列做一个这样的提交史，不光能回顾一下GPT的发展史，还能更好理解GPT3模型的细节。

初步提交：GPT

- Transformer 编码器

模型: 0.11B参数, 12层，768隐层大小，12头，64头大小，512上下文长度

数据：BooksCorpus，1B Word Benchmark

词表：BPE 40000

训练目标：单向语言模型

提交：Improving Language Understanding by Generative Pre-Training

作者：Radford, Alec, et al

日期：Mon June 11 10: 46: 37 2018 0000

里程碑提交：GPT2

模型：1.54B参数, 48层，1600隐层大小，25头，64头大小，1024上下文长度

数据：WebText，抓取 Reddit 上3星以上链接，40GB

词表：50,257

疯狂PR，Too Dangerous Too Release，阶段性饥饿营销

提交：Language Models are Unsupervised Multitask Learners

作者：Radford, Alec, et al.

日期：Thu Feb 14 17: 35: 48 2019 0000

最近提交：GPT3

模型：175B参数, 96层，12288隐层大小，96头，128头大小，2048上下文长度

模型：没说细节的 sparse attention layers

数据：60% Common Crawl (清洗过的)，22% WebText2，8% Books1，8% Books2，3% Wikipedia，合计 700 GB

提交：Language Models are Few-Shot Learners

作者：Brown, Tom B., et al.

日期：Thu May 28 15: 43: 40 2020 0000

可以看到GPT3相比起GPT2的变化可能就是给模型增大，数据增多，这和GPT1到GPT2的变化差不多。而从GPT1到GPT2时发生这样的变化还是很值得关注的，因为之前没人知道给单向Transformer语言模型量级提高很大，再用高质量语料来训，就能获得很好的生成模型。这也是为什么GPT都没啥人关注，直到被BERT点名出来吊打，才有人知道有GPT这东西，一看还就只是一个Transformer解码器。

那么 GPT3值得关注的地方到底在什么地方呢，那就在它厚厚的实验分析和细节内容里了。

总结一下目前对于GPT3持赞同和反对态度的两方意见，接下来文摘菌带大家详细看看这个模型的优劣势。

对于GPT3全面的实验分析，大部分人还是买账的。

特别GPT3主要在三个设定下进行的大量 NLP 实验，其中包括Zero-Shot（没有样本，只是在上下文给出一段自然语言描述），One-shot（在上下文中给出一个样本），还有Few-Shot（在上下文中给出一些样本）。而一般大家比较关心的预训练模型精调，论文里根本都没怎么做，直接留给未来研究了。

论文中一个最关键的结论就是，开篇说的那句，大家都知道的，The Bigger The Better. 对于所有的测试评估，几乎都是越大模型表现越好，而且随着模型的大小连续跨越4个量级都还没有停下来的趋势。而对比起来，精调只在一个任务上有提高，甚至会导致过拟合和灾难性遗忘。

之后一个很有意思的点是，GPT2就已经有提到过的，生成虚假文本的实验。论文中发现当模型参数量提高到175B这个量级时，人们基本上就不太能分别出是一条新闻是GPT3生成的还是真正的新闻了。看图上就能看到50%相当于蒙着眼瞎猜，而GPT3则差不多52-53%左右，对比起来GPT2体量的差不多在62-63%左右。

这样的结论无疑让之前就引起的GPT2生成虚假信息担心更加剧，因此文中也对GPT2放出一年后，其被用于散播虚假信息相关进行了分析。结果发现当然不是最早说的 “Too Dangerous Too Release“，即使放出来也没发生什么大事，因为GPT2可控生成太难了。当然文中，也提到现在语言模型已经强到这个地步，真的要用起来也只是时间问题，怎么找到更好方法利用强大的生成能力。

除了上面两点，GPT3最让人impressive的还是它整体表现出来的泛化性，其中无论是Zero-Shot，One-Shot，还是Few-Shot，都没有任何训练过程。

也就是说实际测试中，完全在训练没看过的数据上进行预测，而同时还能表现出来一定性能。而且它展示出只要提高模型大小，这个过程可能还没到个头。这就不尽让人开始想，如果继续不断增大，是不是最终能够达到人类的泛化性。

最近微软又给OpenAI造了台超级计算机，恐怕OpenAI还要一条路走到黑。不过这也非常有意思，可以实际验证一下The Bitter Lesson，还有语言模型通往智能的极限。

当然，既然有看完浮想联翩的，也有看完GPT3失望无比的：什么玩意儿，又没有什么大的创新，得出的结论也是大家差不多都知道的，简直味如嚼蜡。

其中最重要的一点，GPT3相比起GPT2没有什么本质上的突破，模型架构还是一样，训练目标也都一样。变化的只是模型大小，数据多少，而这些在这个后BERT时代并不是什么新奇创举。当然在GPT2的时候还是很让人感到很新鲜，因为没什么人这么做。

GPT3这样并没有给AI底层技术带来任何推动，毫无疑问让人看得很乏味。

打个比方就是，比如某些石油大国很有钱，可以投入很多钱和工程能力去修超级高楼，虽然刷新了最高楼记录，但对于修楼技术可能并没带来什么推动，也没有人会质疑没有修出这个高楼的美国就没有能力去修。

这种单纯的堆量级而带来的所谓SOTA提高，意义不大，反而会让人忽视很多更底层值得去研究的问题。

最近就有文章指出，很多引人注目的AI领域进展其实都是虚的。比如今年MLSys对81种剪枝算法调研发现，十年间可能并没有什么提升。还有去年关于搜索引擎中信息检索算法调研发现，真正里程碑其实在2009年就提出。此外最近一篇关于损失函数对比的论文发现，准确率自2006年其实就没有提高。

同样的，如果从模型架构，损失函数，优化策略来看GPT3，难免会感到失望，因为几乎没有太多变化。况且在GTP2这么高调的情况下，对GPT3期望也不免过高。

此外，还有有些其他点，比如说过度强调参数量级与指标的对比，而没有对few-show这些里面的一些参数K做足够探索，还有GPT3在一些Benchmark上的表现的并不好，比如说在SuperGLUE上。

整体来说，我个人对GPT3持有的观点还是比较正向，因为研究有很多方向，而GPT3相当于给模型大小这个方向推到了极致，而且它也在验证The Bitter Lesson里提到的观点，一个简单可放大的算法，加上大量算力就可以产生不一样的效果。事实上，它在这篇论文中展示的泛化能力分析，就可以看到这样一种将语言模型推到极致后带来的不同。让人不禁想，再推下去，是否能够真正到达人类级别的泛化力。

虽然很多大牛认为这条所谓AGI路走不太通，所以现在都在提倡自监督学习或神经生物学启发的方法。但这也并不说明这条路的探索是无意义的，即使失败，从中获得的知识也必定有助于找到正确的方向。

至于对GPT3反面的一些观点，这并不只是GPT3这个模型的问题，这是当前整个NLP预训练语言模型时代的问题，大家发现与其一顿操作猛如虎，定睛一看原地杵的提出一些新算法，还不如直接在预训练模型这样基本上能一定保证收益的方向上发力，收益更明显。但这带来的也是算力需求的飙升，只有大实验室和大公司才有钱来研究，而没钱没设备的就只能坐在下面看神仙打架流口水（没错说的就是我）。

但这也有好处，会让那些没资源的小实验室去更深地思考为什么这些技巧架构有用，同时能否想出替代的方法。

此次OpenAI重金砸出GPT3，到底是一桌美味佳肴，还是一碗糠咽菜？你有什么看法，欢迎在评论区讨论~

相关报道：

https://www.lesswrong.com/posts/ZHrpjDc3CepSeeBuE/gpt-3-a-disappointing-paper

https://leogao.dev/2020/05/29/GPT-3-A-Brief-Summary/

https://www.reddit.com/r/MachineLearning/comments/gsivhg/r_language_models_are_fewshot_learners/

https://singularityhub.com/2020/05/31/microsoft-just-built-a-world-class-supercomputer-exclusively-for-openai/

https://web.archive.org/web/20200603035349/https://venturebeat.com/2020/06/01/ai-machine-learning-openai-gpt-3-size-isnt-everything/

https://web.archive.org/web/20200529051002/https://www.sciencemag.org/news/2020/05/eye-catching-advances-some-ai-fields-are-not-real

https://www.gwern.net/newsletter/2020/05#

https://dl.acm.org/doi/abs/10.1145/3331184.3331340

https://proceedings.mlsys.org/book/296.pdf

https://arxiv.org/abs/2003.08505