開源雙語對話模式在GitHub上熱度高漲，主張AI無需修正胡說八道

本文經AI新媒體量子位元（公眾號 ID: QbitAI）授權轉載，轉載請聯絡來源

國產對話機器人ChatGLM，和GPT-4誕生於同一天。

由智譜AI和清華大學KEG實驗室共同推出，開啟alpha內測版。

這個巧合讓智譜AI創始人兼CEO張鵬有一種說不清的複雜感覺。但看到科技被OpenAI做到這麼牛，這名被AI新進展轟炸麻了的科技老兵又猛然亢奮起來。

特別是在追GPT-4發表會直播時，他看一下螢幕裡的畫面，就埋頭笑一陣，再看一段，又咧嘴笑一會兒。

從成立起，張鵬帶隊的智譜AI就是大模型領域的一員，定下「讓機器像人一樣思考」的願景。

但這條路坎坷不斷。和幾乎所有做大模型的公司遇到的問題一樣，缺數據、缺機器，同時還缺錢。還好一路走來，有一些機構和公司提供無償支持。

去年8月，公司聯合一眾科研院所，開源的雙語預訓練大語言模型GLM-130B，能在準確性和惡意性指標上與GPT-3 175B （davinci） 接近或持平，也就是後來ChatGLM的基座。和ChatGLM同時開源的還有個62億參數版本ChatGLM-6B，千元單卡就可跑的那種。

除了GLM-130B，智譜另一個有名的產品是AI人才庫AMiner，學界大佬都在玩：

##這一回和GPT-4撞到同一天，OpenAI的速度和技術，讓張鵬和智譜團隊都有些壓力山大。

「一本正經的胡說八道」需要被修正嗎？

ChatGLM內測後，量子位元在第一時間拿到名額， 出了一波

人肉測評。

先不說別的，幾輪測試下來就不難發現，ChatGLM身上有著包括ChatGPT、新必應在內都擁有的一項本領：

一本正經胡說八道，包括但不限於在雞兔同籠問題中算出-33隻小雞崽。

對大多數把對話AI當「玩具」或辦公室助理的人來說，怎麼才能提高準確度，是格外被關注和重視的一點。

對話AI一本正經胡說八道這回事，可以修正嗎？又真的需要糾正嗎？

△ChatGPT的經典胡說八道語錄

張鵬在表達個人意見時說，要去糾正這個“頑疾”，是一件本身就很奇怪的事情。

（保證說的每一句話都正確）這件事連人自己都做不到，卻想讓一個人造的機器不犯這樣的錯。

關於這個主題的不同看法與不同人對機器的理解息息相關。張鵬看來，抨擊AI有這一行為的人，可能一直以來對機器的理解都是一絲不苟的，它們非0即1，嚴苛而精確——持有這種觀念的人，潛意識認為機器不應該也不能犯錯。

知其然與知其所以然同樣重要，「這可能源自於大家對整個科技的演進與變化，以及科技的本質沒有深入理解。」

張鵬用人的學習作為類比：

AI技術的邏輯和原理，其實還是在模擬人的大腦。

面對學習過的東西，一是知識本身可能有錯，或有更新迭代（如珠穆朗瑪峰的海拔）；二是學習的知識之間也存在互相衝突的可能了；三是人也總有犯錯、犯迷糊的時候，

AI犯錯好比人犯錯，原因是缺少知識，或錯誤運用了某項知識。

總之，這是很正常的事。

同時，智譜當然也關注了OpenAI向CloseAI的默默轉身。

從GPT-3選擇閉源，到GPT-4進一步掩蓋架構層面的更多細節，OpenAI對外回應的兩個原因，一是競爭，二是安全。

OpenAI的用心，張鵬表示理解。

「那走開源路線，智譜沒有競爭和安全方面的考慮嗎？」

「肯定也會有。但難道閉源就一定能解決安全問題嗎？我看未必。而且我相信世界上聰明人很多，競爭是促進整體產業和生態快速往前推進的優質催化劑。」

例如和OpenAI同台競技，哪怕只是奮起追趕，也是競爭中的一環。

這裡的追趕是在陳述過程，建立在認為OpenAI研究方向是通往更遠目標路徑上的必經之路，但追趕上OpenAI並不是最終目的。

追趕上，不代表可以停下；追趕過程，不代表要原樣照搬矽谷模式，甚至可以發揮中國調動頂層設計集中力量辦大事的特色和優勢，才有可能去彌補發展速度上的差異。

雖然有2019年至今4年多的經驗，但智譜還不敢給什麼避坑指南。不過，智譜了解大致對的方向，這也是智譜透露的正在和CCF聊的共同想法——

大模型技術的誕生，是一個非常全面、複雜的系統化工程。

它不再是幾個聰明的腦袋在實驗室裡琢磨，掉幾根頭髮，做點實驗，發點paper就了事。除了原始的理論創新，還需要很強的工程實現和系統化能力，甚至還需要很好的產品能力。

就像ChatGPT這樣，選擇適合場景，設定並封裝一個上到80歲、下到8歲都能接觸使用的產品。

算力、演算法、數據，具體到背後都是人才，尤其是系統工程的從業者，重要程度遠大於往日。

基於這種認知，張鵬透露道，在大模型領域中加入知識系統（知識圖譜），讓二者像左右腦一樣系統工作，是智譜在研究和實驗當中的下一步。

GitHub最火雙語對話模型

ChatGLM整體參考了ChatGPT的設計想法。

也就是在千億雙語基座模型GLM-130B中註入程式碼預訓練，透過有監督微調等技術，實現人類意圖對齊（就是讓機器的回答符合人類價值、人類期望）。

背後1,300億參數的GLM-130B，由智譜和清華大學KEG實驗室共同研發。不同於BERT、GPT-3以及T5的架構，GLM-130B是一個包含多目標函數的自迴歸預訓練模型。

去年8月，GLM-130B對外發布，同時開源。 Standford報告中，它的表現在多項任務上可圈可點。

對開源的堅持，源自於智譜不想做通往AGI道路上孤獨的前行者。

這也是繼開源GLM-130B後，今年繼續開源ChatGLM-6B的原因。

ChatGLM-6B是模型的“縮小版”，62億參數大小，技術基底與ChatGLM相同，初具中文問答和對話功能。

持續開源，理由無外乎兩點。

一個是希望把預訓練模型的生態做大，吸引更多人投入大模型研究，解決現存的許多研究性問題；

#另一個是希望大模型作為基礎設施沉澱下來，以幫助產生更大的後續價值。

加入開源社群確實很吸引人。 ChatGLM內測的幾天內，ChatGLM-6B在GitHub上已有8.5k星標，一度躍升trending排行榜上的第一位。

從本次對話中，量子位元也從眼前這位從業者身上聽到這樣的聲音：

同樣bug頻出，但人們對OpenAI推出的ChatGPT，和對谷歌對話機器人Bard、百度文心一言的容忍程度差異明顯。

這既公平，又不公平。

從純技術的角度來說，評判標準不一，這是不公平所在；但谷歌、百度之類的大廠，佔據更多資源，大家天然覺得它們技術實力更強，做出更好的東西的可能性更高，期待值就更高。

「希望大家可以給更多的耐心，無論是對百度，對我們，還是其他機構。」

除了上述內容，在本次談話中，量子位也和張鵬具體聊了聊ChatGLM的體驗感受。

下面附上對話實錄。為了方便閱讀，我們在不改變原意的基礎上做了編輯整理。

對話實錄

量子位元：內測版本給自己打的標籤好像沒那麼“通用”，官網給它的適用領域框定了三個圈，教育、醫療和金融。

張鵬：這跟訓練資料沒什麼關係，主要是考慮到它的應用場景。

ChatGLM和ChatGPT類似，是一個對話模型。哪些應用領域天然更接近對話場景？像客服，像醫生問診，或例如線上金融服務。在這些場景下，更適合ChatGLM的技術去發揮作用。

量子位：但醫療領域，要看病的人對AI的態度還是比較謹慎的。

張鵬：肯定不能直接拿大模型往上懟啊！ （笑）想要完全取代人類，還是要慎重。

現階段不是用它去代替人工作，更多的是輔助作用，給從業者建議來提升工作效率。

量子位元：我們把GLM-130B的論文連結丟給ChatGLM，讓它簡單概括一下主題，它 約照半天，結果說的根本不是這篇。

張鵬：ChatGLM的設定就是無法取得連結的東西。倒不是技術上的困難，而是系統邊界的問題，主要是從安全角度考慮，不希望它任意存取外部連結。

可以試試看把130B的論文文字copy下來丟給輸入框，一般不會瞎說。

量子位元：雞兔同籠我們也丟給它了，算出了-33隻雞。

張鵬：在數學處理、邏輯推理方面，它確實還有一定缺陷，做不到那麼好。內測說明裡我們其實寫了這件事。

量子位元：知乎有人做了測評，寫程式碼能力好像也普通。

張鵬：至於寫程式的能力，我覺得還好？不知道你們的測試方式是什麼。但具體要看跟誰比了，和ChatGPT比的話，ChatGLM本身在程式碼資料的投入可能就沒有那麼多。

就像ChatGLM和ChatGLM-6B比，後者只有6B（62億）的參數，整體能力，例如整體的邏輯性、回答時的幻覺和長度上，縮小版和原版的差距就很明顯。

但是「縮小版」能在普通電腦上部署，帶來的是更高的可用性和更低的門檻。

量子位元：它有個優點，對新資訊的掌握度不錯，知道推特現在的CEO是馬斯克，也知道何愷明3月10日回歸學界的事情－雖然不知道GPT- 4已經發布了，哈哈。

張鵬：我們做了一些特殊的技術處理。

量子位元：是什麼？

張鵬：具體細節就不展開講了。但對時間比較近的新訊息，是有辦法處理的。

量子位元：那透露下成本？ GLM-130B訓練一次的成本還是有幾百萬，ChatGLM進行一輪問答的成本目前壓到什麼程度？

張鵬：我們大概測試估算了一下，和OpenAI倒數第二次公佈的成本差不多，比他們略低一些。

但OpenAI的最新報價縮減到原來的10%，只有0.002美元/750個單詞，這就比我們更低了。這個成本確實是很驚人的，估計他們做了模型壓縮、量化、最佳化等工作，否則不可能降到這麼低。

我們也在做相關的事情，期望能把成本壓下去。

量子位元：假以時日，能和搜尋成本一樣低嗎？

張鵬：什麼時候可以降到這麼低？我也不知道。還需要一點時間。

我之前看過每次搜尋價格平均成本的計算，其實與主營業務相關。例如搜尋引擎主要業務就是廣告，所以要用廣告總收入作為上限來計算成本。這樣計算的話，其實要考慮的不是消耗的成本，而是企業獲利收益的平衡點。

做模型推理需要的是AI算力，肯定比搜尋這類只用CPU算力的成本是要更高的。但大家也在努力吧，很多人提出一些想法，像是持續去做模型的壓縮量化。

甚至有人想把模型做一些轉化，讓它在CPU上跑，因為CPU更便宜，量更大，跑起來的話，成本下降就會很明顯。

量子位元：最後還想聊兩句人才方面的話題，現在大家都在搶大模型人才，智譜怕招不到人嗎？

張鵬：我們從清華KEG的技術計畫孵化出來，和各大學的關係一直都不錯。而且公司對年輕人來說氣氛比較open，75%的同事都是年輕人，我這種已經算老傢伙了。大模型人才現在確實奇貨可居，但我們還沒什麼招人的擔憂。

反過來，其實我們現在比較擔心被別人撬牆角（狗頭）。

以上是開源雙語對話模式在GitHub上熱度高漲，主張AI無需修正胡說八道的詳細內容。更多資訊請關注PHP中文網其他相關文章！