ChatGPT作为最接近强人工智能的系统，具有强大的信息理解和信息抽象总结能力，在这个信息过剩的时代，为我们提供了一个非常好的智能辅助工具。在我们日常的工作中，怎么充分的利用ChatGPT等类似的智能系统，会给我们生活和工作带来不一样的体验。

后面我们将从chatGPT算法流程作为切入点，分别介绍ChatGPT背后的三个深度学习模型，正是这三个基础的模型铸就了ChatGPT强大的文本信息理解表达能力。

书归正传，让我们来体验下chatGPT大道至简的神奇算法。

首先从数据库中采样一批prompt提示，然后让人工标注人员编写对应prompt答案。我们利用<prompt，prompt答案>来微调预训练好的GPT-3模型，微调后的模型SFT模型。
第二步，随机采样的一个prompt，让我们微调好的GPT-3模型预测多个答案【<prompt, 答案1>, <prompt, 答案2>…】，人工对比排序同一个prompt好坏情况，然后排序。在利用微调后的GPT-3模型构造一个RM奖励模型，利用人工标注答案顺序，训练RM奖励模型，类似于LambdaRank思想。
第三步，构造一个双头PPO模型，对于一个新采样的prompt提示，生成对应的答案，然后利用RM奖励模型，评测当前生成答案的得分score，并用score反向更新优化PPO模型。
SFT监督模型
SFT模型是微调后的GPT模型，说到GPT模型就不能介绍下大名鼎鼎的Transformer模型，Transformer模型是一个典型的encode-decode模型结构，模型是为了解决LSTM等序列生成模型训练速度慢的问题。

GPT模型和BERT模型是一对孪生兄妹，BERT模型使用了Transformer模型的encoder部分，而GPT模型使用的正好是Transformer模型的decoder部分（改造去掉了第二层multi-head attention），为什么GPT要使用decoder部分而不是encoder部分呢？这就要说到GPT设计之初要解决的问题，和BERT用来抽取文本序列信息不同，GPT生来就是为了生成序列，为了结合前序提示，生成我们后续的答案，所以我们要用Masked Attention，不能让模型看到答案，这就是GPT和BERT的本质区别。

GPT模型结构如下图所示，GPT-3将模型层数升级到了百层，模型参数升级到几千亿，在这千亿的参数中，总会储存想要的信息。

RM模型
如果我们是有SFT模型，那模型对于我们输入的prompt提示或者问题，是不会给出我们满意答案的，为什么呢？因为SFT模型训练的目标并不是让人类满意，所以他诞生和成长之初，压根也没有打算让人类满意，他训练自身的目的就是更大概率的生成下一个字符，这显然不能完全代表人类的喜好。

那我们怎么解决这样的一个问题呢？那就构造一个可以代替人来评估生成结果好坏的RM模型，这个模型结构和SFT模型是完全一样的，只不过将输出层改造成输出张量的模型层。对于同一个prompt输出的多个答案，人工评测排序后，使用lambdarank的思想，优化RM奖励模型。RM模型学习的就是对于一个prompt，人类对答案的喜好程度。

PPO模型
上面我们花了这么大力气，训练了代表人类喜好的RM模型，这样一个喜好函数有什么用呢？这就要说到我们的PPO模型，我们之前微调的SFT模型，虽然也能够生成prompt answer，但是这是一个没有感情的answer，完全是根据海量文本中上下文共现概率生成的，没有加入任何的人类喜好和意志。

怎么让这个SFT模型按照人类的喜好，生成人类喜欢的prompt呢？这就我们RM模型的作用，RM模型通过上一步人工排序标注的方式，学习到了每对<prompt, prompt answer>人类评测的好坏程度。我们利用SFT模型对输出进行改造，构造一个双头PPO模型，模型一头输出一个张量，代表生成序列每个元素的价值value；另一头将输出映射成prompt answer词典答案。

我们将<prompt, prompt answer>输入到RM模型中，获得一个评估当前prompt对的奖励R，然后用R作为奖励，反向更新每个元素的价值value，这也就是所谓的PPO强化学习算法。

以上就是ChatGPT基本的模型算法和背后的三个主要的算法模型，其实模型基本的结构和背后的算法并是不第一次提出和应用，但是ChatGPT创新的应用，将强化学习和NLP文本生成很好的结合在了一起，将生成的文本序列融入了人类的喜好，生成的内容更像是一个人在回答我们的prompt，这也就是为什么生成的内容，让我们看起来更舒服更自然。