GPT-2 大战 GPT-3：OpenAI 内部的一场终极对决

由于在训练过程中使用的数据集的多样性，我们可以为来自不同领域的文本获得足够的文本生成。GPT-2 的参数和数据是其前代 GPT 的 10 倍。而 GPT-3 又是 GPT-2 的 10 倍。那么问题来了，应该选择那个 Transformer 呢？

我应该选哪个 Transformer：GPT-2 还是 GPT-3

生成式预训练 Transformer（GPT）是 OpenAI 开发在自然语言处理（NLP）领域的创新之举。这些模型被认为是同类模型中最先进的，甚至在坏人手中也可能是很危险的。它是一种无监督的生成模型，也就是说，它接收句子等输入信息，并尝试生成一个适当的响应，而用于其训练的数据是不带标签的。

GPT-2 是什么？

GPT-2 是 OpenAI 在 2019 年 2 月创建的一种基于 Transformer 的无监督深度学习语言模型，其目的只有一个，就是预测句子中的下一个单词。GPT-2 是“Generative Pretrained Transformer 2”的缩写。该模型是开源的，在超过 15 亿个参数上进行训练，以便为给定句子生成下一个文本序列。

由于在训练过程中所用数据集的多样性，我们能够获取足够的来自不同领域的文本生成。而 GPT-2 的参数和数据是其前代 GPT 的 10 倍。

语言任务，如阅读、摘要和翻译，可以通过 GPT-2 学习原始文本，而不需要使用特定领域的训练数据。

自然语言处理的一些局限性

当处理自然语言生成时，必须考虑到某些局限性。它是一个非常活跃的研究领域，但它还处于起步阶段，还不能克服它的局限性。限制条件包括重复的文本，对技术性和专业性很强的主题的误解，以及对上下文短语的误解。

语言和语言学是一个复杂而庞大的领域，通常需要人们经过多年的训练和接触，不仅包括理解词语的含义，而且还包括上下文如何构成句子、如何给出答案以及使用恰当的俚语。它还可以为不同的领域创建自定义和可扩展的模型。OpenAI 提供的一个例子就是使用 Amazon Reviews 数据集来训练 GPT-2，并教授模型如何根据星级和类别等为条件编写评论。

GPT-3 是什么？

简而言之，GPT-3 就是“生成式预训练 Transformer”，它是 GPT-2 的第 3 个发行版，也是一个升级版。第 3 版将 GPT 模型提升到了一个全新的高度，因为它的训练参数达到了 1750 亿个（这是前代 GPT-2 的 10 倍以上）。

GPT-3 是在一个名为“Common Crawl”的开源数据集上进行训练的，还有来自 OpenAI 的其他文本，如维基百科（Wikipedia）条目。

GPT-3 的创建是为了比 GPT-2 更强大，因为它能够处理更多的特定主题。GPT-2 在接受音乐和讲故事等专业领域的任务时表现不佳，这是众所周知的。现在，GPT-3 可以更进一步地完成诸如答题、写论文、文本摘要、语言翻译和生成计算机代码等任务。它能够生成计算机代码，本身就已经是一个重大的壮举了。你可以在这里查看一些 GPT-3 的例子。

长期以来，很多程序员都在担心被人工智能所取代，而现在看来，这一担心正在成为现实。随着 Deepfake 视频的普及，由人工智能驱动的语音和文字也开始模仿人类。不久，当你打电话或在网上交流时（例如聊天应用），可能很难判断你是在和真人交谈还是与人工智能交谈。

GPT-3 可称为序列文本预测模型

虽然它仍然是一种语言预测模型，但更精确的描述可能是一种序列文本预测模型。GPT-3 的算法结构已被认为是同类模型中最先进的，因为它使用了大量的预训练数据。

GPT-3 通过语义学的方法理解语言的含义，并尝试输出一个有意义的句子给用户，从而在接受输入后生成句子。因为不使用标签化的数据，模型就不会知道什么是对的，什么是错的，这是一种无监督学习。

因为这些模型可以自动完成许多基于语言的任务，所以当用户使用聊天机器人与公司进行通信时，它们就变得越来越知名和流行。GPT-3 目前处于私有 beta 测试阶段，这意味着如果用户想要使用这个模型，他们必须登录到等待列表中。它作为通过云访问的 API 提供。现在看来，这些模型只适用于那些拥有 GPT 模型资源的个人 / 企业。

当我们给出 “I want to go output to play so I went to the____”的句子时，可以看到这种模式在发挥作用的一个例子。在这个例子中，一个好的响应可以是诸如 park 或 playground 之类的，而不是诸如 car wash 之类的。

因此，在提示文本的条件下，park 或 playground 的概率高于 car wash 的概率。当模型被训练时，它被输入数百万个样本文本选项，并将其转换为数字向量表示。这是一种数据压缩的形式，模型用它把文本转换成有效的句子。压缩和解压的过程可以提高模型计算词的条件概率的准确性。它开启了一个充满可能性的全新世界，但也有其局限性。

GPT-2 和 GPT-3 的一些局限性

尽管生成式预训练 Transformer 在人工智能竞赛中是一个伟大的里程碑，但是它没有能力处理复杂和冗长的语言形式。举例来说，如果你想像一个句子或一段包含文学、金融或医学等专业领域的词汇，如果事先没有进行足够的训练，模型就不能做出恰当的反应。

鉴于计算资源和功耗的巨大需求，在当前情况下，这并非一种可行的大众解决方案。数十亿的参数需要大量计算资源才能运行和训练。

那又是一个黑盒模式。在一个业务环境中，用户最需要的是理解下面的过程。目前 GPT-3 仍不能向公众开放，因为只有少数人可以独占。潜在的使用者必须登记他们的兴趣，并等待邀请，这样才能亲自测试模型。这么做是为了防止滥用如此强大的模型。一种可以复制人类语言模式的算法，对于整个社会来说有很多道德意义。

GPT-3 优于 GPT-2

由于 GPT-3 更强的性能和明显更多的参数，它包含了更多的主题文本，显然比它的前代要好。这一模型非常先进，即便存在局限性， OpenAI 仍然决定保持其安全性，并仅发布给提交推理使用这一模式的选定个人。最后，他们可能会考虑将其作为 API 发布，这样就可以控制请求，并最小化对模型的滥用。

另外需要注意的是：微软在 2020 年 9 月宣布了 GPT-3 的“独家”使用许可；其他人仍然可以使用公共 API 来接收输出，但只有微软自己拥有源代码的控制权。由于这个原因，EleutherAI一直在研究它自己的基于 Transformer 的语言模型，这种模型是根据 GPT 架构松散地设计的。他们的目标之一是使用自己的 GPT-Neo 来复制一个 GPT-3 规模的模型，并将其免费开源给公众。你可以在这里查看 GitHub repo 上的 GPT-Neo 进展。

人工智能在对语言生成领域造成致命一击之前，还有很长的路要走，因为这些模型还不能完善人类语言的细微差别。需要学习处理的任务的精确度和类型仍比当前的能力要高。但是，新的 GPT 模型的快速发展，使得下一个重大突破可能就在眼前。

作者介绍：

Kevin Vu，管理 Exxact Corp 博客，并与许多有才华的写手合作，他们都撰写深度学习的不同方面。

原文链接：

https://www.exxactcorp.com/blog/Deep-Learning/gpt2-vs-gpt3-the-openai-showdown