正文
机器学习就是机器寻找一种函数，将输入转换为输出：
- ChatGPT 接受用户的输入，输出回答的答案
- Midjourney 接受用户的文本提示，输出画出的图片
- AlphaGo 接受当前的棋局状态，输出下一步下出的棋子
对于回归，输出的是一个数值。
对于分类，输出的是一个类别（让机器做选择题）。
之前的机器学习问题主要都是在 Regression 和 Classification 上。现在的一大热点是生成式学习（Generative Learning）。
ChatGPT 的生成学习可以看作是多个分类问题，每次输出一个 token。
机器学习的三步骤：
- 设定范围：定出候选涵式的集合 Model
- 设定标准：订出 评量涵式好坏 的标准 Loss
- 达成目标：找出最好的涵式（Loss 最小）→ 最佳化 Optimization
深度学习中各种神经网络架构的组合成一个 Model。
设定标准：订出 评量涵式好坏 的标准，用在有监督学习、半监督学习、强化学习等等。
为了达成目标，在 Model 上可以做出：
- Residual Connection 残差连接
- Batch Normalization 批次正则化
Loss 函数选择 Cross-entropy loss 等。
想办法使得损失函数的值变小，各种梯度下降。
设置超参数也可使训练效果更好，好训练的模型对超参数不敏感。
对于生成式网络，可以生成有结构的复杂物件：
- 文句：由 token 组成
- 影像：由像素组成
- 语音：由采样点组成
输入文本提示，生成影片：
演示：Imagen Video (research.google)
论文：[2210.02303] Imagen Video: High Definition Video Generation with Diffusion Models (arxiv.org)
根据文本提示的语境，生成不同声音。
演示：AudioLDM: Text-to-Audio Generation with Latent Diffusion Models - Speech Research
论文：[2301.12503] AudioLDM: Text-to-Audio Generation with Latent Diffusion Models (arxiv.org)
对于生成式模型，策略一，各个击破：Autoregressive (AR) model
生成文本：一个 token 一个 token 地生成
生成影像：一个像素一个像素地生成
用一次只生成一个像素的方式让机器自己画宝可梦。ML Lecture 17: Unsupervised Learning - Deep Generative Model (Part I) - YouTube
策略二：一次到位：Non-autoregressive (NAR) model
需要固定输出长度，要让输出长度不同，可以预先设定 [END] 标记。
一次到位的生成速度要比各个击破快很多。
各个击破的生成品质要更好。对于一次到位，可能会出现多个分布杂揉起来的结果。
| 各个击破 (Autoregressive, AR) | 一次到位 (Non-autoregressive, NAR) | |
|---|---|---|
| 速度 | 胜 | |
| 品质 | 胜 | |
| 应用 | 常用于文字 | 常用于影像 |
取各个击破和一次到位的优点。
将一次到位改成多次到位，是扩散模型的思想。
与 ChatGPT 不同，New Bing 可以从网上搜索知识。
但就是从网页中搜索知识，机器还是可能瞎编。
New Bing 原理的示意图，使用了定制的 GPT 模型。Building the New Bing | Search Quality Insights
New Bing 跟 WebGPT 很像，也可以使用搜索引擎来获取答案。
WebGPT 也在文字接龙。
自动爬取各大网站的信息。
搜索的策略也需要人类介入。
预训练-督导式学习-增强式学习
产生资料的方法：用另一个语言模型来产生
然后验证语言模型生成的结果是否有效。
Toolformer 不仅可以使用网络搜索，还可以使用计算器、翻译器等：[2302.04761] Toolformer: Language Models Can Teach Themselves to Use Tools (arxiv.org)
有些问题上比 GPT3 好使。
