能聊天、會學習，遠不是GPT的終局_風聞

自然語言處理（NLP）技術的發展和運用，使得計算機性能增長速度一舉躍過摩爾定律瓶頸，將AI拱入屬於它的高光時代。而象徵技術融合的ChatGPT一夜爆紅，彷彿給整個商業社會帶來了一次“技術革命”。

微軟、谷歌、百度、華為、阿里…全球範圍內的科技巨頭，爭先恐後真金白銀地押注，掀起了一場以資本和技術為基礎的生態競速。

無疑，GPT模型在這場革命中扮演了一個舉足輕重的角色。從GPT-3到GPT-3.5，再到現在的GPT-4，我們已經見證了這個模型能力的驚人飛躍。

然而，這是否意味着我們已經看到了GPT的終局？接下來，本文將從垂直、個人、離線三個維度，對GPT的發展趨勢、未來前景進行一些基於客觀現實的大膽猜想。

垂直GPT百花齊放

3月的最後一天，彭博新聞社發佈了專門為金融領域打造的大型語言模型(LLM)——BloombergGPT，引發金融圈“地震”。

基於LLM的生成式人工智能，已經在許多領域展示了令人興奮的新應用場景。但是，金融領域的複雜性和獨特的術語，意味着其需要特定的語言模型。作為全球最大的財經資訊公司，彭博社在這方面恰好擁有巨大優勢。

在過去40年裏，彭博收集了海量的金融市場數據，擁有廣泛的金融數據檔案，涵蓋一系列的主題。使用該公司數據終端的客户遍佈全球，包括交易員、投行、美聯儲、美國其他官方機構以及全球各大央行等。

這些特有數據，使得BloombergGPT比ChatGPT擁有更專業的訓練語料。據彭博社發佈的報告中可以看出，研究人員利用彭博社現有的數據，對資源進行創建、收集和整理，構建了一個3630億個標籤的數據集，並基於通用和金融業務的場景進行混合模型訓練，以支持金融行業內各種各樣的自然語言處理(NLP)任務。

除了金融領域，醫療、教育也均有更為垂直的GPT產品湧現。例如，IBM Watson Education推出了一款名為“Teacher Advisor with Watson”的教育GPT，可以為教師提供個性化的教學建議和支持；Kheiron Medical推出的“MIA”醫療GPT，可以為醫生提供乳腺癌篩查和診斷支持。

相對於“廣而泛”的ChatGPT，垂直GPT的發展優勢十分明顯。

首先就是成本上，垂直GPT針對特定領域或行業進行優化，只需利用該領域內的專業數據進行訓練，避免了ChatGPT那樣數據採集的高成本和高難度。

另外對比通用的GPT產品，垂直GPT的訓練成本和應用成本更低。由於垂直GPT針對特定領域進行優化，訓練數據更加專業化和精細化，可以通過更少的數據和更短的訓練時間，獲得更好的效果。

而垂直GPT在特定領域的應用效果更好，能夠更準確地理解和處理領域內的語言數據，從而減少了後續的人工修正和調整成本。

更低的訓練成本、更短的訓練時間、更精細的訓練內容，能夠為企業提供更高效、準確、具有定製性的自然語言處理服務，優化企業的業務流程和數據分析能力，從而為企業帶來更多的商業價值和競爭優勢，這也使得垂直GPT在商業化上更加出色，資本市場和相關企業也更加看好這一方向。

值得一提的是，更垂直的GPT也意味着企業需要有更專業、更精準、更安全的數據語料，未來企業的競爭點也將圍繞專業數據、清洗和標註數據的能力、用户隱私安全三點展開。

不可否認，隨着各行各業對自然語言處理技術的需求不斷增長，GPT模型被應用到更多的垂直領域中已被提上日程，未來將會看到更多專業的垂直GPT產品出現。

個人GPT並不遙遠

因為與通用GPT的模型存在一定不同，垂直GPT的獨特性、定製性在未來也可能促進個人GPT的出現。

個人GPT是指為個人用户提供個性化的自然語言處理服務的GPT模型。個人GPT可以學習用户的語言習慣、興趣愛好、生活方式等信息，從而為用户提供更加個性化、貼近用户需求的自然語言處理服務。

這看起來非常不可思議，但並非無法實現。

從底層實現邏輯技術來看，GPT的核心是基於Transformer架構，結合預訓練模式、多層結構、無監督學習和Fine-tuning微調等特點，通過對輸入語料的學習得到進化。也就是説，如果能夠在個人PC上實現這些步驟，那麼就有構建GPT的可能。

目前市面上已經出現了大量開源大模型、公開語料包，基於這些模型可以快速進行語料訓練，而其中的難點無非在於處理數據的能力、以及對訓練好的模型進行評估和優化。簡單來講，如果PC上安裝了足夠優秀的GPU、CPU等核心處理器，完全能夠實現個人GPT的訓練。

當然，訓練個人GPT模型所需的硬件配置取決於許多因素，例如模型的規模、數據集的大小、訓練算法和優化器的選擇等。

以下是ChatGPT給到的一些通用建議和參考：

CPU：訓練大型的GPT模型需要強大的CPU計算能力，建議使用多核心的CPU處理器，例如Intel Xeon、AMD EPYC等型號的服務器級別CPU。

GPU：GPU是訓練大型GPT模型必不可少的重要組件，建議使用高性能、內存大的GPU，例如NVIDIA Tesla V100、A100等型號，以提高模型訓練速度和效率。

內存：訓練大型GPT模型需要極高的內存消耗，建議使用大容量的內存，例如64GB以上的服務器內存。

存儲：訓練大型GPT模型需要大量的存儲空間，建議使用高速、大容量的SSD或NVMe硬盤，以提高數據讀寫速度和效率。

網絡：訓練大型GPT模型需要大量的數據傳輸和通信，建議使用高速、穩定的網絡連接，例如千兆以上的以太網或InfiniBand網絡。

需要注意的是，訓練個人GPT模型需要極高的計算資源和時間成本，建議使用雲計算服務或租用高性能計算資源進行訓練，以提高效率和降低成本。同時，還需要選擇合適的訓練算法、優化器和超參數等，以提高訓練效果和準確性。

值得一提的是，前不久王健林獨子王思聰再次對家中的“百萬服務器”進行新一輪網絡改造，有業內人士推測主要目的就是提高服務器算力，以訓練個人GPT。

不過如果想要建立高質量的GPT模型，需要大量的高質量訓練數據語料，但是除了公開語料包外，個人用户很難獲得大規模的高質量訓練數據，因此需要花費大量的時間和精力採集和處理數據，這也是個人在搭建GPT時的難點。

還需要注意的是，在個人PC上創建獨立的GPT需要大量的計算資源和時間，並且需要具備一定的機器學習和自然語言處理技術知識。除此之外，還需要關注大模型的可擴展性，以及數據隱私和安全問題，確保訓練數據和模型的高效性和保密性。

當然，對於普通用户來説，構建訓練環境、調用開源大模型、尋找訓練語料等等幾乎每一步都是一個門檻。但在「科技新知」嘗試後發現，除了不能幫助直接購買所需的硬件外，ChatGPT可以協助解決搭建過程中幾乎80%的問題。

近期，OpenAI暫停ChatGPT Plus付費服務的消息傳得火熱，加上前幾天部分地區普通賬號大面積封號，雖然問題暫時得到解決或緩解，但ChatGPT計算資源供不應求的問題還是浮現出水面。

業內人士統一認為這是因為算力不足導致GPT-4的響應速度變慢，錯誤答案增加，微軟作為ChatGPT的金主，曾大力投入資源提升其算力並承諾繼續提升，但現在似乎還不太夠。

這也更加突出個人GPT的必要性。另外從底層邏輯來看，個人GPT除了個性化定製、隱私安全性更高、使用更高效外，還有一個更值得關注的優勢，就是離線使用。而在「科技新知」看來，離線GPT也是未來發展的一個主要方向。

離線GPT不無可能

GPT模型的訓練和推理，需要大量的計算資源和存儲空間，這使得雲端環境成為了主流選擇。但是，在一些特定場景下，如邊緣計算、無網絡環境等，離線GPT模型的需求也並不少。

更為實際的，比如採礦等特殊環境行業，離線GPT可以結合監控系統和數據分析技術，分析礦山環境、工人健康狀況等信息，從而實現安全管理和風險預警，減少礦難和事故的發生，保障礦工的生命和財產安全。

通用GPT顯然無法實現在有限的存儲空間內，給到無限可能的答案。因此，「科技新知」認為“離線+專業”是GPT未來極可能實現的發展方向。

微軟剛剛發佈了一款代號“賈維斯”的人工智能虛擬助手，它是一個集成了大型語言模型（LLM）和專家模型的框架，用於處理任何模式或領域中的複雜任務。

簡單來講，賈維斯類似AI與AI之間的協作系統，可以通過大型語言模型組織模型之間的合作，來處理任何模式或領域的任務。通過大型語言模型的規劃，可以有效地指定任務過程並解決更復雜的問題。

不妨設想一下，將礦業行業的GPT模型與賈維斯結合，再通過機器狗作為運行載體，由賈維斯作為中颱，向機器狗傳遞GPT模型所提供的信息，可以實現一定程度上的自主作業。

具體而言，機器狗可以通過搭載各種傳感器、控制器和執行器等設備，收集、處理和執行礦業作業所需要的各種數據和指令。

賈維斯作為中颱，可以實時監控機器狗的運行狀態、礦產資源的勘探和開採情況等信息，通過離線GPT模型分析和預測礦產資源的位置、規模和開採效率等指標，向機器狗傳遞智能化的勘探和開採指令，實現對機器狗的自主控制和作業。

客觀來講，這樣的模式也可以復刻到高空機器人、醫療機器人等特殊領域中。

不過在這個過程中，也需要解決客觀存在的技術難題。而其中最為關鍵的就是訓練中的語料數據存儲。

除了訓練好的垂直GPT需要佔用大量內存外，賈維斯系統也需要處理大量的語音和文本數據，包括語音識別、自然語言處理、知識圖譜等任務，以實現語音輸入、文本輸出、任務執行等功能。如果全部在本地進行訓練，則需要大量的計算資源和存儲空間，以保證賈維斯系統的準確性和效率。

值得一提的是，賈維斯系統非常強大，但官方給出的電腦最低配置要求是：

NVIDIA GeForce RTX 3090 顯卡一張

16GB 內存 最低配置

42GB以上內存 理想配置

也就是説，如果能夠解決訓練語料的存儲問題，或者訓練方法有簡化突破後，離線GPT甚至離線“賈維斯”也不無可能。

最後，AI的快速發展已經讓各行各業感受到了“工具在進步”，甚至一部分人已經喊出“The future has arrived”，但這仍只是個開始，更多的技術創新和應用場景將會不斷湧現，好戲還會逐漸上演。

（本文系作者與ChatGPT聯合撰寫）