通過交流，我們創造并改變了(le)我們生活的世界——其中既包括我們的價值觀，也(yě)包括我們的工(gōng)具。大(dà)型語言模型是強大(dà)的工(gōng)具，可以幫助我們自(zì)動化和(hé)簡化複雜(zá)的任務，并有可能(néng)徹底改變我們與技術交互的方式。然而，它們并非沒有限制和(hé)風(fēng)險。

交流離不開(kāi)語言。與其他(tā)人工(gōng)智能(néng)應用(yòng)相比，語言是一個更加棘手的問題，它的風(fēng)險也(yě)更高(gāo)。自(zì)然語言處理(lǐ)（NLP， natural language processing）與一些(xiē)互聯網巨頭的核心業務密切相關，例如谷歌的搜索與Meta的社交媒體參與。作(zuò)爲一個社會(huì)，我們也(yě)許從(cóng)未如此清醒的意識到(dào)語言造成傷害和(hé)貶低(dī)的危險，也(yě)從(cóng)未如此清醒地意識到(dào)我們的語言中微妙的、結構性的、往往是無意地将人予以他(tā)者化的形式。

ChatGPT正在被過億用(yòng)戶使用(yòng)，其中許多人沒有接受過任何關于如何合倫理(lǐ)地使用(yòng)這(zhè)樣的系統，或如何确保系統不會(huì)造成傷害的教育。除了(le)區(qū)分人類和(hé)機器的困難，我們也(yě)需要更多的研究來(lái)幫助我們了(le)解人工(gōng)智能(néng)将會(huì)怎樣影響我們與其他(tā)人的互動。

這(zhè)一切将帶來(lái)一個全新的交流環境。在一個日益由可以模仿人類自(zì)然語言能(néng)力的人工(gōng)智能(néng)工(gōng)具主導的世界中，真實和(hé)信任意味着什(shén)麽？偏見和(hé)錯誤信息又将導緻什(shén)麽？很(hěn)多問題超越了(le)技術範圍。傳播學者需要成爲有關人工(gōng)智能(néng)技術發展的對(duì)話(huà)的中心。

由于ChatGPT爆火的緣故，大(dà)型語言模型（LLM， large language model）集萬千寵愛于一身。但(dàn)它們是什(shén)麽呢(ne)？簡單地說，LLMs是一種計(jì)算(suàn)機系統，被設計(jì)用(yòng)來(lái)學習文(wén)本語料庫的統計(jì)屬性，以生成模仿原始文(wén)本風(fēng)格和(hé)内容的新文(wén)本。換言之，LLMs能(néng)夠生成現(xiàn)實而較爲準确的新文(wén)本，看(kàn)起來(lái)像是由一個真實的人撰寫的。

LLMs的核心基于一種強大(dà)的機器學習技術，即深度學習。深度學習是人工(gōng)智能(néng)的一個子集，能(néng)夠自(zì)動學習數據中的複雜(zá)模式。深度學習算(suàn)法的靈感來(lái)自(zì)于大(dà)腦(nǎo)從(cóng)經驗中學習的能(néng)力，它們通常使用(yòng)神經網絡來(lái)實現(xiàn)——計(jì)算(suàn)系統的結構與大(dà)腦(nǎo)非常相似。事(shì)實上(shàng)，如果不使用(yòng)先進的水(shuǐ)印策略，就不可能(néng)準确區(qū)分由人類頭腦(nǎo)所寫的文(wén)本和(hé)由高(gāo)度可并行的人工(gōng)神經網絡所産生的文(wén)本，後者的神經連接數要少得多。

傳統機器學習算(suàn)法和(hé)深度學習算(suàn)法之間的一個關鍵區(qū)别是，深度學習算(suàn)法可以擴展到(dào)更大(dà)的數據集，它們可以從(cóng)非結構化或未标記的數據中學習。這(zhè)使得它們非常适合于自(zì)然語言處理(lǐ)等任務，這(zhè)也(yě)是LLMs的用(yòng)途。大(dà)型語言模型現(xiàn)在被認爲是人工(gōng)智能(néng)的前沿，因其有可能(néng)執行需要創造力、推理(lǐ)和(hé)理(lǐ)解自(zì)然語言的任務。

大(dà)型語言模型于2017年在谷歌大(dà)腦(nǎo)（Google Brain）開(kāi)始使用(yòng)，研究人員推出了(le)transformer（轉換器）架構，它是自(zì)然語言處理(lǐ)中使用(yòng)的一個基于深度學習模型的神經網絡，訓練可以實現(xiàn)并行化，這(zhè)爲訓練真正的大(dà)模型首次提供了(le)機會(huì)。此後，大(dà)型語言和(hé)文(wén)本-圖像模型在領先的技術公司中激增，包括谷歌（BERT、GLaM、LaMDA、Chinchilla、PaLM）、Facebook/Meta（OPT-175B、Galactica、BlenderBot、LLaMA）、英偉達和(hé)微軟（Megatron-Turing），當然還有OpenAI，微軟是主要的投資者（GPT-3/4用(yòng)于文(wén)本，DALL-E2用(yòng)于圖像，Whisper用(yòng)于語音(yīn)）。在線社區(qū)，如Midjourney，以及Hugging Face等開(kāi)源供應商，也(yě)創造了(le)生成模型。

新的玩(wán)家還在不斷進場。2023年3月，彭博社推出BloombergGPT（Bloomberg Professional Services， 2023），系根據專有來(lái)源的金(jīn)融數據訓練的LLM，“在金(jīn)融任務上(shàng)比現(xiàn)有的模型有明(míng)顯的優勢，而不影響一般LLM的基準性能(néng)”（Wu， 2023）。4月，資助開(kāi)發“穩定擴散”（Stable Diffusion）等開(kāi)源生成式人工(gōng)智能(néng)模型的Stability AI宣布推出StableLM語言模型套件。在爲多個領域（包括圖像、音(yīn)頻、視(shì)頻、3D和(hé)生物學）開(kāi)發模型之後，這(zhè)是該開(kāi)發商首次加入目前由技術大(dà)腕主導的語言模型遊戲（Dey， 2023）。同在4月，亞馬遜在AWS中推出Bedrock服務，在一個平台上(shàng)提供多種生成式人工(gōng)智能(néng)模型。例如，Stability AI的Stable Diffusion圖像生成器，可以将文(wén)本變成圖像；AI21實驗室的Jurassic-2模型是一個多語言LLM，可以生成德語、西班牙語、法語、葡萄牙語、荷蘭語和(hé)意大(dà)利語文(wén)本；Anthropic的Claude是ChatGPT的一個對(duì)手，可以使工(gōng)作(zuò)流程自(zì)動化、回答(dá)問題，并與用(yòng)戶進行交流。與微軟和(hé)Alphabet相比，亞馬遜可能(néng)看(kàn)起來(lái)姗姗來(lái)遲，但(dàn)它的做法相當精明(míng)。通過Bedrock，亞馬遜不隻是提供對(duì)上(shàng)述第三方平台的訪問，也(yě)提供對(duì)其專有的大(dà)型語言模型Titan的訪問，這(zhè)可能(néng)使亞馬遜變成那些(xiē)希望使用(yòng)LLMs并根據其需求構建應用(yòng)程序的企業的首選平台（Chauhan， 2023）。

時(shí)至今日，除了(le)蘋果之外(wài)，美(měi)國每家主要科技公司都宣布了(le)自(zì)己的LLM。中國的科技公司當然亦不甘落後：2023年3月，百度推出文(wén)心一言并在官宣後爲新浪财經、澎湃新聞、愛奇藝、美(měi)的集團、東風(fēng)日産等一系列企業提供接入服務；2022年，阿裏達摩院發布通義大(dà)模型，并在2023年4月正式推出通義千問；再加上(shàng)2022年騰訊對(duì)外(wài)披露的混元大(dà)模型和(hé)2021年華爲發布的盤古大(dà)模型等等，不一而足，人稱“萬模大(dà)戰”。在TB級文(wén)本數據上(shàng)訓練的大(dà)型語言模型成爲高(gāo)科技行業最熱門(mén)的一角。

LLMs對(duì)大(dà)型科技公司很(hěn)重要，因爲它們可以實現(xiàn)新的産品和(hé)服務，從(cóng)而吸引更多的用(yòng)戶，産生更多的收入，并創造更多的價值。例如，LLMs可用(yòng)于改進搜索引擎、社交網絡、雲計(jì)算(suàn)、數字助理(lǐ)、電子商務、遊戲、教育、醫(yī)療保健等。此外(wài)，科技公司可以用(yòng)LLMs來(lái)改進企業的現(xiàn)有産品線。例如，無論是語音(yīn)數字助理(lǐ)還是爲營銷人員自(zì)動投放(fàng)廣告，谷歌都将人工(gōng)智能(néng)作(zuò)爲未來(lái)的突破性技術，使下(xià)一代服務和(hé)設備更加智能(néng)化、功能(néng)更強。

生成式模型的重要價值之一是它們與生産力應用(yòng)程序的整合。例如，微軟在企業Office套件市場中有明(míng)顯的優勢，正在将生成式模型整合到(dào)Word、Outlook和(hé)Teams等應用(yòng)程序中。中國科技巨頭阿裏巴巴在生成式人工(gōng)智能(néng)方面的最新努力，在某種程度上(shàng)讓人聯想到(dào)微軟，即通過讓人們用(yòng)自(zì)然語言來(lái)描述他(tā)們想要建立的東西，令各種應用(yòng)程序變得更容易使用(yòng)。阿裏巴巴宣布，通義千問将被整合到(dào)公司的各項業務中，以改善用(yòng)戶體驗，客戶和(hé)開(kāi)發人員可以通過利用(yòng)該模型創建定制的人工(gōng)智能(néng)功能(néng)。

同時(shí)，人工(gōng)智能(néng)初創企業經常以超過10億美(měi)元的估值籌集資金(jīn)。例如，6月13日，英國人工(gōng)智能(néng)初創公司Synthesia表示，它從(cóng)風(fēng)險投資公司Accel和(hé)Nvidia旗下(xià)NVentures牽頭的一輪融資中籌集了(le)約9000萬美(měi)元，估值爲10億美(měi)元。該公司的技術幫助包括亞馬遜在内的5萬多家企業創建用(yòng)于教學和(hé)企業視(shì)頻的定制AI化身。這(zhè)表明(míng)，大(dà)量企業希望将傳統視(shì)頻制作(zuò)轉變爲數字工(gōng)作(zuò)流程（Reuters， 2023）。Synthesia隻是一個人工(gōng)智能(néng)初創企業快(kuài)速獲得獨角獸地位的例子。在利率上(shàng)升和(hé)高(gāo)通脹導緻的更廣泛的融資放(fàng)緩中，人工(gōng)智能(néng)初創企業已經成爲2023年投資的一個亮(liàng)點。

就這(zhè)樣，大(dà)型通用(yòng)人工(gōng)智能(néng)模型被業界宣傳爲“基礎性的”，是該領域科學進步的主要轉折點。這(zhè)類叙述分散了(le)“規模病症”的注意力，這(zhè)些(xiē)病症每天都變得更加根深蒂固：大(dà)規模的人工(gōng)智能(néng)模型主要由大(dà)科技公司控制，因爲它們需要巨大(dà)的計(jì)算(suàn)和(hé)數據資源，并且還引發了(le)圍繞歧視(shì)、隐私和(hé)安全漏洞以及負面環境影響等多方面的擔憂。

例如，GPT-3最初是在45TB的數據上(shàng)訓練的，并采用(yòng)了(le)1750億個參數來(lái)進行預測；GPT-3的一次訓練就花(huā)費了(le)1200萬美(měi)元（Davenport， Mittal， 2022）。另據報(bào)道(dào)，OpenAI使用(yòng)1萬個英偉達GPU訓練ChatGPT（Goldman， 2023），而ChatGPT每天給OpenAI帶來(lái)70萬美(měi)元的成本（Gardizy， Ma，2023）。而最新的GPT-4的訓練耗資超過1億美(měi)元（Knight， 2023）。大(dà)多數公司沒有數據中心能(néng)力或雲計(jì)算(suàn)預算(suàn)來(lái)從(cóng)頭開(kāi)始訓練這(zhè)類模型，許多現(xiàn)成的、預訓練的人工(gōng)智能(néng)模型，作(zuò)爲雲人工(gōng)智能(néng)服務的一部分提供，而此市場本已集中在大(dà)科技公司手中，如AWS（亞馬遜）、GCP（谷歌雲平台）和(hé)Azure（微軟）。這(zhè)些(xiē)雲供應商每年總共花(huā)費超過1000億美(měi)元的資本，以确保擁有最全面、最可靠和(hé)最具成本競争力的平台。特别是在生成式人工(gōng)智能(néng)方面，它們也(yě)受益于供應限制，因爲它們可以優先獲得稀缺的硬件（如Nvidia A100和(hé)H100 GPU）（Bornstein， Appenzeller， Casado， 2023）。

大(dà)科技公司可能(néng)會(huì)保持先發優勢，因爲它們有時(shí)間和(hé)市場經驗來(lái)磨練基礎語言模型，并發展寶貴的内部專業知(zhī)識。因此，較小(xiǎo)的企業或初創公司可能(néng)難以成功進入這(zhè)一領域，從(cóng)而使得LLM的巨大(dà)處理(lǐ)能(néng)力集中在少數幾家大(dà)科技公司手中。

2021年，埃米莉·本德（Emily M. Bender）博士、蒂姆尼特·蓋布魯（Timnit Gebru）博士、安吉麗(lì)娜·麥克米蘭-梅傑（Angelina McMillan-Major）和(hé)瑪格麗(lì)特·米切爾（Margaret Mitchell）博士在一篇題爲《論随機鹦鹉的危險》的論文(wén)中對(duì)LLM的潛在成本和(hé)危害提出警告（Bender et al.， 2021），這(zhè)篇論文(wén)導緻谷歌将蓋布魯和(hé)米切爾從(cóng)人工(gōng)智能(néng)倫理(lǐ)團隊的共同領導位置上(shàng)趕走（Metz， Wakabayashi， 2020；Metz， 2021）。該論文(wén)在确定困擾LLM的規模病症方面有先見之明(míng)。當公衆讨論被圍繞着ChatGPT和(hé)其他(tā)LLMs的令人窒息的炒作(zuò)所吞噬之際，這(zhè)項研究提出了(le)清醒的警告：我們需要讨論社會(huì)是否應該建立這(zhè)類技術，而不是如何建立，更不是不加批判地将其作(zuò)爲進步的同義詞而加以全盤接受。本德等人問道(dào)：“越來(lái)越大(dà)的語言模型是不可避免的還是必須的？這(zhè)一研究方向有什(shén)麽成本，我們在追求它之前應該考慮什(shén)麽？”

擇其要者，大(dà)型語言模型可見的成本就有：

環境和(hé)财務成本

LLMs的訓練需要大(dà)量的能(néng)源，并産生大(dà)量的二氧化碳排放(fàng)。在GPU上(shàng)訓練一個BERT基礎模型所需的能(néng)量與一次橫跨美(měi)國的飛(fēi)行一樣多（Bender et al.， 2021）。大(dà)多數雲計(jì)算(suàn)供應商的能(néng)源不是來(lái)自(zì)可再生能(néng)源，而且世界上(shàng)許多能(néng)源也(yě)不是碳中和(hé)的。此外(wài)，哪怕是可再生能(néng)源，對(duì)環境來(lái)說仍然是昂貴的。數據中心爲了(le)滿足越來(lái)越多的計(jì)算(suàn)需求，占用(yòng)了(le)綠色能(néng)源的其他(tā)潛在用(yòng)途，爲此，迫切需要節能(néng)型的模型架構和(hé)訓練模式。

環境問題與種族問題的交彙，意味着被邊緣化的人和(hé)來(lái)自(zì)多數世界/全球南方的人更有可能(néng)體驗到(dào)能(néng)源消耗和(hé)二氧化碳排放(fàng)增加所帶來(lái)的傷害，盡管他(tā)們也(yě)是最不可能(néng)體驗到(dào)這(zhè)種模型的好(hǎo)處的一群。碳足迹将取決于能(néng)源的使用(yòng)和(hé)正在使用(yòng)的能(néng)源的碳強度。不僅僅是LLMs有很(hěn)大(dà)的能(néng)源影響，而且其中的碳影響将首先爲那些(xiē)沒有從(cóng)這(zhè)項技術中受益的人帶來(lái)成本。所以，當我們做成本效益分析時(shí)，重要的是要考慮到(dào)誰在得到(dào)好(hǎo)處，誰在支付成本，因爲兩者不是同一批人。

此外(wài)，進入和(hé)訓練這(zhè)些(xiē)模型的成本很(hěn)高(gāo)，這(zhè)意味着隻有一小(xiǎo)部分全球精英能(néng)夠發展并受益于LLMs。由于其複雜(zá)的性質，它們的建立和(hé)維護可能(néng)是困難和(hé)昂貴的。它們還需要大(dà)量的訓練數據，而這(zhè)些(xiē)數據可能(néng)很(hěn)難獲得，處理(lǐ)起來(lái)也(yě)非常昂貴。由此，大(dà)規模算(suàn)力會(huì)将LLMs限制于隻有資源最豐富的公司和(hé)研究者才能(néng)使用(yòng)，而把小(xiǎo)型開(kāi)發商排除在外(wài)。所以，環境和(hé)财務成本應該成爲自(zì)然語言處理(lǐ)研究中的首要考慮因素。

不負責任的訓練數據 

使用(yòng)大(dà)量未經整理(lǐ)的訓練數據集有可能(néng)創造出鞏固主導性、霸權性觀點的語言模型。這(zhè)些(xiē)訓練數據集的龐大(dà)規模并不能(néng)保證多樣性，因爲它們往往是從(cóng)網站(zhàn)上(shàng)抓取來(lái)的，而這(zhè)些(xiē)網站(zhàn)由于互聯網接入不足、代表性不足、過濾或騷擾等問題而排除了(le)邊緣化人群的聲音(yīn)。這(zhè)些(xiē)數據集有“價值鎖定”的風(fēng)險，或許會(huì)将有害的偏見編碼到(dào)難以徹底審計(jì)的語言模型中。

如果模型是在過濾有限的大(dà)量互聯網數據上(shàng)訓練出來(lái)的，它們就會(huì)吸收事(shì)實和(hé)錯誤信息、有偏見的内容和(hé)公平的内容、有害的材料和(hé)無害的材料。如果沒有辦法在回答(dá)提示之前評估這(zhè)些(xiē)标準，LLMs就有可能(néng)陷入複制、放(fàng)大(dà)和(hé)傳播有問題的内容和(hé)錯誤信息的危險。

“随機鹦鹉”的誕生

本德等人進一步警告說，對(duì)語言模型的追求可能(néng)是一個誤導性的研究方向。她(tā)們觀察到(dào)，語言模型就好(hǎo)比“随機鹦鹉”（stochastic parrot），“根據關于如何組合的概率信息，胡亂地将它在龐大(dà)的訓練數據中觀察到(dào)的語言形式序列[縫合]在一起，但(dàn)沒有任何對(duì)意義的參考”（Weil， 2023）。也(yě)就是說，大(dà)型語言模型善于生成令人信服的語言，但(dàn)實際上(shàng)并不理(lǐ)解它所處理(lǐ)的語言的含義。

“随機鹦鹉”的比喻突出了(le)兩個重要的局限性：第一，學習機器所作(zuò)的預測基本上(shàng)是在重複數據的内容，加上(shàng)一些(xiē)由模型的限制造成的噪音(yīn)（或随機性）。第二，機器學習算(suàn)法并不了(le)解它所學習的問題。它無法得知(zhī)自(zì)己什(shén)麽時(shí)候在重複一些(xiē)不正确的、脫離上(shàng)下(xià)文(wén)的或令社會(huì)感覺不适的東西。由于這(zhè)些(xiē)局限性，學習機器可能(néng)會(huì)産生“危險的錯誤”（Lindholm et al.， 2022）。

ChatGPT的不可靠性會(huì)給任何使用(yòng)它來(lái)生成相應文(wén)本的機構帶來(lái)相當大(dà)的法律、财務和(hé)聲譽風(fēng)險。正如沃倫·巴菲特（Warren Buffett）所說：“建立聲譽需要20年，而毀掉聲譽隻需要5分鐘(zhōng)。”如果LLM用(yòng)于重要任務，它可能(néng)會(huì)創建一種新的職業（LLM事(shì)實檢查員）和(hé)一種新的保險範圍（爲了(le)彌補LLM 錯誤）。

進一步地說，随機鹦鹉的問題可以被看(kàn)作(zuò)是人工(gōng)智能(néng)和(hé)機器學習的一個更普遍的挑戰：如何确保模型是真正的學習和(hé)推理(lǐ)，而不是僅僅去記憶數據當中的模式？随着模型的規模和(hé)複雜(zá)性不斷增長，以及它們越來(lái)越多地被用(yòng)于醫(yī)療保健、金(jīn)融和(hé)運輸等高(gāo)風(fēng)險的應用(yòng)中，這(zhè)一挑戰顯得尤爲突出。

由此觀之，當模型過于依賴複制語言模式而并不真正理(lǐ)解其含義時(shí)，随機鹦鹉問題就會(huì)出現(xiàn)。如果不加以控制，随機鹦鹉會(huì)對(duì)人工(gōng)智能(néng)的發展和(hé)部署，以及依賴這(zhè)些(xiē)技術完成重要任務的用(yòng)戶産生嚴重後果。這(zhè)凸顯了(le)通過仔細的模型設計(jì)、評估和(hé)持續監測來(lái)解決此問題的重要性。

最終，我們需要問自(zì)己，爲什(shén)麽要把人工(gōng)智能(néng)的未來(lái)全部押注在大(dà)型語言模型一條路上(shàng)？紐約大(dà)學教授兼Meta首席AI科學家楊樂昆（Yann LeCun）就認爲LLM是“一條下(xià)坡路”，遠離了(le)通往更強大(dà)的AI的道(dào)路（The Economist， 2023）。“大(dà)型語言模型能(néng)有多聰明(míng)，能(néng)有多準确，都是有限度的，因爲它們沒有現(xiàn)實世界的經驗，而這(zhè)确實是語言的基本現(xiàn)實”。他(tā)指出，人類所學的大(dà)部分内容都與語言無關。“我們學習如何投擲籃球，讓它穿過籃圈”，深度學習的另一位先驅者傑弗裏·辛頓（Geoffrey Hinton）說：“我們根本不使用(yòng)語言來(lái)學習。我們從(cóng)試驗和(hé)錯誤中學習。”（Smith， 2023）

就算(suàn)語言是發展人工(gōng)智能(néng)的重要途徑，事(shì)情也(yě)很(hěn)明(míng)顯：無論LLMs及其訓練數據集變得多麽龐大(dà)，它們也(yě)永遠無法像我們一樣學習和(hé)理(lǐ)解我們的語言。吊詭的是，語言模型的限制導緻了(le)一種研究趨勢，即專注于研究這(zhè)類模型的知(zhī)識和(hé)行爲。換言之，人類正在學習LLMs的語言，并尋找更好(hǎo)地與它們溝通的方法。

這(zhè)是因爲，語言模型是神經網絡，根據從(cóng)網絡收集的數據進行訓練。經過訓練後，模型可以接收提示并預測其後的單詞。神經網絡越大(dà)，模型的學習能(néng)力就越強。數據集越大(dà)，模型接觸不同單詞序列的機會(huì)就越大(dà)，生成文(wén)本時(shí)就越準确。

可問題是，人類語言不僅僅是文(wén)本。事(shì)實上(shàng)，語言是一種将信息從(cóng)一個大(dà)腦(nǎo)傳輸到(dào)另一個大(dà)腦(nǎo)的壓縮方式。我們的談話(huà)經常忽略共享知(zhī)識，例如視(shì)覺和(hé)聽覺信息、世界的物理(lǐ)體驗、過去的談話(huà)、我們對(duì)人和(hé)物體行爲的理(lǐ)解、社會(huì)結構和(hé)規範等。

正如楊樂昆和(hé)紐約大(dà)學計(jì)算(suàn)機科學系博士後雅各布·布朗甯（Jacob Browning）在最近的一篇文(wén)章中所寫到(dào)的，“僅靠語言訓練的系統永遠不會(huì)接近人類智力，即使從(cóng)現(xiàn)在開(kāi)始訓練直到(dào)宇宙熱寂”。雖然兩位科學家也(yě)指出，如果我們停留在表面上(shàng)，語言模型“無疑會(huì)接近（人類智能(néng)）。而且，在許多情況下(xià)，表面就足夠了(le)”，但(dàn)是我們絕不應該把LLMs擁有的淺層理(lǐ)解與人類從(cóng)觀察世界景象、探索世界、在世界中進行實驗以及與不同文(wén)化和(hé)其他(tā)人互動中獲得的深層理(lǐ)解相混淆（Browning， LeCun， 2022）。

所以，假如我們用(yòng)“語言的統計(jì)模型”而不是“大(dà)型語言模型”來(lái)描述這(zhè)種人工(gōng)智能(néng)技術，是否會(huì)帶來(lái)更清楚的認知(zhī)？這(zhè)樣會(huì)使我們認識到(dào)，統計(jì)推理(lǐ)肯定不是人類合作(zuò)、創造、協調和(hé)競争的全部故事(shì)。

所有人類的知(zhī)識最終都能(néng)被抓進機器的說法是沒有意義的。我們隻能(néng)把可以用(yòng)比特串表示的知(zhī)識放(fàng)入機器。像體育、音(yīn)樂、木(mù)匠(jiàng)大(dà)師或創意寫作(zuò)這(zhè)樣的技能(néng)是無法精确描述和(hé)記錄的，技能(néng)的描述并不就能(néng)夠賦予表演的能(néng)力。即使它們可以被代表，表演技能(néng)的形式也(yě)是無法被記錄的——它包括表演者的想法和(hé)思考，他(tā)們的神經元記憶狀态，以及他(tā)們的神經肌肉化學模式。所有這(zhè)些(xiē)沒有記錄的和(hé)無法記錄的信息的數量遠遠超出了(le)可能(néng)存儲在機器數據庫中的範圍。與人類的能(néng)力相比，大(dà)型語言模型所能(néng)執行的任何功能(néng)都是很(hěn)小(xiǎo)的。

我們是否已經被大(dà)型語言模型迷住了(le)，以至于沒有看(kàn)到(dào)我們利用(yòng)語言所做的其他(tā)事(shì)情？我們建立關系。我們互相關照。我們認識并駕馭我們的情緒。我們建立并行使權力。我們做出承諾，并貫徹執行。我們創建組織和(hé)社會(huì)。我們創造傳統和(hé)曆史。我們爲行動負責。我們打造信任。我們培養智慧。我們愛。我們想象以前從(cóng)未想象過的東西。所有這(zhè)些(xiē)都不是統計(jì)學上(shàng)的。大(dà)型語言模型的能(néng)力與人類的能(néng)力之間存在着巨大(dà)的鴻溝。

像LLMs這(zhè)樣的大(dà)規模人工(gōng)智能(néng)模型在過去一段時(shí)間裏中受到(dào)了(le)最多的炒作(zuò)，也(yě)帶來(lái)了(le)最大(dà)的恐懼。圍繞這(zhè)些(xiē)系統的興奮和(hé)焦慮都有助于強化如下(xià)概念，即這(zhè)些(xiē)模型是“基礎性的”，盡管它們無法對(duì)人類提示作(zuò)出有意義的回應的例子數不勝數。值得注意的是，這(zhè)些(xiē)模型之所以作(zuò)爲“基礎性”的技術被引入，其實意是在将它們等同于無可置疑的科學進步，成爲“通用(yòng)人工(gōng)智能(néng)”（這(zhè)是另一個模糊的術語，讓人聯想起科幻小(xiǎo)說中關于取代或超越人類智能(néng)的概念）道(dào)路上(shàng)的踏腳石，從(cóng)而使其被廣泛采用(yòng)成爲必然。

在最近的一次采訪中，OpenAI首席執行官山姆·阿爾特曼（Sam Altman）說：“我認爲我們正處于巨大(dà)模型時(shí)代的終結，我們将以其他(tā)方式讓模型變得更好(hǎo)。”（Miller， 2023）言下(xià)之意是，未來(lái)的進展不會(huì)來(lái)自(zì)于将模型做得更大(dà)。

而這(zhè)些(xiē)“其他(tā)方式”是什(shén)麽？一個可能(néng)的途徑是在更多的高(gāo)質量數據上(shàng)對(duì)模型進行微調，創造更好(hǎo)的訓練技術。人工(gōng)管策的數據集可能(néng)是非常有價值的，但(dàn)創建成本高(gāo)，速度慢。根據大(dà)型語言模型的現(xiàn)狀，筆(bǐ)者認爲，有四大(dà)發展趨勢值得高(gāo)度關注：

第一，我們需要緻力于教會(huì)語言模型表達不确定性

在大(dà)多數情況下(xià)，人類知(zhī)道(dào)自(zì)身的局限性（即使他(tā)們不直接承認）。他(tā)們可以表達不确定和(hé)懷疑，并讓對(duì)話(huà)者知(zhī)道(dào)他(tā)們對(duì)自(zì)己所傳授的知(zhī)識有多自(zì)信。而與此相對(duì)照，語言模型總是對(duì)任何提示都給出現(xiàn)成的答(dá)案，即使它們的輸出是毫無意義的。神經網絡通常提供某個預測正确概率的數值。然而就語言模型而言，這(zhè)些(xiē)概率分數并不代表模型對(duì)提示響應的可靠性的信心。

OpenAI和(hé)牛津大(dà)學的研究人員發表的一篇論文(wén)表明(míng)，可以通過教LLMs“用(yòng)語言表達它們的不确定性”來(lái)彌補這(zhè)一缺點。可對(duì) LLMs進行微調，以使用(yòng)自(zì)然語言表達認知(zhī)上(shàng)的不确定性，研究者将之描述爲“語言化概率”（verbalized probability），即用(yòng)語言表達出來(lái)的概率。這(zhè)是一個重要的發展方向，尤其是在用(yòng)戶希望将語言模型的輸出轉化爲某個動作(zuò)的應用(yòng)程序中。研究人員建議(yì)，表達不确定性可以令語言模型誠實。“如果一個誠實的模型出現(xiàn)一個誤導或惡意的内部狀态，那麽它可以将這(zhè)種狀态傳達給可采取相應行動的人類”（Lin et al.， 2022）。

第二，與其緻力于模型之大(dà)，不如專攻特定模型

鑒于LLMs不理(lǐ)解它們所處理(lǐ)的語言，也(yě)不理(lǐ)解所收到(dào)的提示和(hé)自(zì)己的回應，所以補救辦法一是靠規模的力量，即訓練數據和(hé)模型參數的巨大(dà)規模，二是靠專業的力量，即在爲特定行業或領域（如醫(yī)療保健和(hé)醫(yī)學）定制開(kāi)發更專門(mén)的模型的情況下(xià)，有針對(duì)性地管策訓練數據，這(zhè)将有助于解決LLMs在涉及特定問題時(shí)的某些(xiē)局限性。

想象一下(xià)，像ChatGPT這(zhè)樣的LLM已經在最好(hǎo)的醫(yī)學文(wén)獻上(shàng)接受了(le)訓練，但(dàn)訓練數據當中也(yě)有讨論健康問題的Reddit線程。人工(gōng)智能(néng)有時(shí)可以通過檢索和(hé)參考高(gāo)質量的信息來(lái)回應，但(dàn)其他(tā)時(shí)候它通過使用(yòng)完全不可靠的Reddit信息來(lái)回應。事(shì)實上(shàng)，假如醫(yī)學文(wén)獻中沒有這(zhè)些(xiē)信息（例如一種非常罕見的疾病），它更有可能(néng)編造這(zhè)些(xiē)信息（此即人工(gōng)智能(néng)行業常說的幻覺）。比爾·蓋茨（Bill Gates）曾預想過，ChatGPT或類似的大(dà)型語言模型有一天可以爲沒有機會(huì)看(kàn)醫(yī)生的人提供醫(yī)療建議(yì)（Trang， 2023），然而你(nǐ)如何能(néng)相信一個容易産生幻覺的機器的建議(yì)？

所以我們需要通過使用(yòng)較小(xiǎo)和(hé)較高(gāo)質量的數據集對(duì)特定的知(zhī)識領域進行訓練。例如，擁有數十億參數的大(dà)型臨床語言模型可以利用(yòng)電子健康記錄中的非結構化文(wén)本，幫助提取醫(yī)學概念和(hé)回答(dá)醫(yī)學問題，預測疾病或再入院風(fēng)險，并總結臨床文(wén)本。而一個專門(mén)爲法律行業設計(jì)的模型可以接受法律術語和(hé)行話(huà)的訓練，使其更好(hǎo)地處理(lǐ)法律文(wén)件。

像BloombergGPT這(zhè)樣的例子表明(míng)，紮根于特定領域的企業能(néng)夠使用(yòng)免費提供的、現(xiàn)成的人工(gōng)智能(néng)方法，處理(lǐ)大(dà)量的專有數據。與OpenAI的GPT3/4這(zhè)樣的“基礎性”模型不同，彭博社的模型是爲特定任務而設計(jì)的。它在公司多年來(lái)收集的大(dà)量金(jīn)融文(wén)本上(shàng)專門(mén)訓練，爲的是創建一個對(duì)金(jīn)錢(qián)和(hé)商業能(néng)夠産生特别流利的認知(zhī)的模型。在用(yòng)于創建彭博社模型的數據中，約有一半來(lái)自(zì)網絡上(shàng)的非金(jīn)融來(lái)源，包括GitHub、YouTube字幕和(hé)維基百科。但(dàn)彭博社還爲自(zì)己的模型添加了(le)1000多億單詞，來(lái)自(zì)一個名爲FinPile的專有數據集，其中包括該公司在過去20年中積累的金(jīn)融數據，内含證券文(wén)件、企業新聞發布、彭博社新聞報(bào)道(dào)、其他(tā)出版物的報(bào)道(dào)，以及專注于金(jīn)融網頁的網絡爬行等。事(shì)實證明(míng)，添加特定的培訓材料可以提高(gāo)金(jīn)融任務的準确性和(hé)性能(néng)。彭博社正計(jì)劃将其GPT整合到(dào)通過公司終端産品訪問的功能(néng)和(hé)服務中，盡管彭博社還未有計(jì)劃推出ChatGPT式聊天機器人（Leswing， 2023）。

第三，高(gāo)質量的數據将成爲LLM稱霸的新戰場

限制LLM持續改進的最重要限制是可用(yòng)的訓練數據量。《經濟學人》報(bào)道(dào)說，2022年10月發表的一篇論文(wén)得出的結論是，“高(gāo)質量語言數據的存量将很(hěn)快(kuài)耗盡，可能(néng)就在2026年之前”（The Economist， 2023）。肯定有更多可用(yòng)的文(wén)本，但(dàn)它們被一小(xiǎo)塊一小(xiǎo)塊地鎖定在公司數據庫或個人設備上(shàng)，無法以Common Crawl允許的規模和(hé)低(dī)成本加以訪問。這(zhè)種數據稀缺對(duì)LLM的進一步發展提出了(le)挑戰。

2023年4月18日，Reddit宣布，它将開(kāi)始對(duì)其API的訪問收費（Isaac， 2023）。這(zhè)一決定是在Twitter對(duì)其API實施類似限制之後做出的（Mehta，2023）。近年來(lái)，Reddit的系列聊天成爲谷歌、OpenAI和(hé)微軟等公司的免費教具。這(zhè)些(xiē)公司使用(yòng)Reddit的對(duì)話(huà)來(lái)幫助開(kāi)發巨型人工(gōng)智能(néng)系統。然而現(xiàn)在，Reddit聯合創始人兼首席執行官史蒂夫·赫夫曼（Steve Huffman）稱：“我們不需要把所有這(zhè)些(xiē)價值免費提供給世界上(shàng)最大(dà)的一些(xiē)公司。”

随即，程序員問答(dá)網站(zhàn)Stack Overflow也(yě)宣布将開(kāi)始對(duì)其 API收費。首席執行官普拉桑斯·錢(qián)德拉塞卡爾（Prashanth Chandrasekar）表示：“我們非常支持 Reddit 的做法”，“爲LLM提供動力的社區(qū)平台絕對(duì)應該因其貢獻而得到(dào)補償，這(zhè)樣像我們這(zhè)樣的公司就可以重新注資到(dào)社區(qū)，讓其繼續蓬勃發展。”（Dave，2023）

Reddit和(hé)Stack Overflow等平台爲微調LLM提供了(le)快(kuài)速訪問具體主題和(hé)問題的寶貴數據，而這(zhè)些(xiē)平台的所有者正意識到(dào)它們所掌握的數據的價值。數據市場日益激烈的競争可能(néng)推動行業走向更少的共享和(hé)更多的貨币化。不幸的是，激進的貨币化将進一步增強能(néng)夠負擔API成本的大(dà)型科技公司的能(néng)力。相應地，小(xiǎo)型實驗室和(hé)資金(jīn)緊張的初創公司将不得不處理(lǐ)手頭可用(yòng)的低(dī)質量數據。

第四，開(kāi)源模型可以成爲大(dà)科技公司封閉服務的替代品

最先進的LLM需要巨大(dà)的計(jì)算(suàn)預算(suàn)和(hé)深厚的機器學習專業知(zhī)識，所以很(hěn)少有機構能(néng)夠從(cóng)頭開(kāi)始訓練它們。然而，那些(xiē)擁有資源和(hé)專業知(zhī)識的機構越來(lái)越多地不開(kāi)放(fàng)模型（無論是數據、源代碼或深度學習的秘方——模型權重）供公衆監督，而是依靠API分發。

這(zhè)就是開(kāi)源人工(gōng)智能(néng)可以介入的地方，它使獲得LLM的機會(huì)民主化。各種社區(qū)平台正在努力創建開(kāi)源的模型，以替代大(dà)科技公司提供的封閉的專有服務。這(zhè)些(xiē)努力是爲了(le)防止少數富有的公司在快(kuài)速增長的生成式人工(gōng)智能(néng)市場上(shàng)擁有過多的權力。

例如，我們開(kāi)始看(kàn)到(dào)Anthropic、Cohere和(hé)Character.ai等公司建立的LLMs更接近OpenAI的性能(néng)水(shuǐ)平，它們在類似的數據集上(shàng)訓練，并采用(yòng)類似的模型架構。“穩定擴散”的例子表明(míng)，如果開(kāi)源模型的性能(néng)和(hé)社區(qū)支持達到(dào)了(le)足夠的水(shuǐ)平，那些(xiē)封閉的大(dà)型模型未必能(néng)與其競争。

“穩定擴散”隻需較少的計(jì)算(suàn)能(néng)力就可以工(gōng)作(zuò)。與在OpenAI強大(dà)的服務器上(shàng)運行的DALL-E 2不同，穩定擴散可以在良好(hǎo)的個人電腦(nǎo)上(shàng)運行。創造力的爆發和(hé)新應用(yòng)程序的快(kuài)速發展在很(hěn)大(dà)程度上(shàng)是由于“穩定擴散”：既是開(kāi)源的，程序員可以自(zì)由地改變它，在它的基礎上(shàng)發展，并從(cóng)中賺錢(qián)；又足夠輕巧，人們可以在家中運行。

谷歌的一位高(gāo)級軟件工(gōng)程師認爲，不管是OpenAI還是谷歌，在人工(gōng)智能(néng)競賽中都沒有勝算(suàn)，構成威脅的“第三派”将是開(kāi)源社區(qū)。開(kāi)源技術開(kāi)發者沒有所有權，他(tā)們将自(zì)己的作(zuò)品發布給任何人，讓他(tā)們根據自(zì)己的需要使用(yòng)、改進或改編。開(kāi)源的曆史例子包括Linux操作(zuò)系統和(hé)LibreOffice，這(zhè)是微軟Office的替代品。

這(zhè)位谷歌工(gōng)程師說，開(kāi)源人工(gōng)智能(néng)開(kāi)發者“已經在搶占先機”，他(tā)舉出的例子包括Meta公司開(kāi)發的大(dà)型開(kāi)源語言模型LLaMA。2023年2月底發布的LLaMA因其優于GPT-3等模型的性能(néng)而立即受到(dào)歡迎，盡管其參數隻有650億（Meta AI， 2023）。7 月 18 日，LlaMa2發布包含了(le) 70 億、130 億和(hé) 700 億參數的模型，它對(duì)于人工(gōng)智能(néng)應用(yòng)，就像安卓操作(zuò)系統之于手機APP開(kāi)發一樣，目的就是讓應用(yòng)層開(kāi)發者可以直接以最低(dī)成本獲得大(dà)模型的基礎設施使用(yòng)。有了(le)這(zhè)樣的模型，從(cóng)事(shì)人工(gōng)智能(néng)模型的門(mén)檻已經“從(cóng)某一個主要研究機構的總産出降至一個人、一個晚上(shàng)和(hé)一台強大(dà)的筆(bǐ)記本電腦(nǎo)”。一個LLM現(xiàn)在可以在幾個小(xiǎo)時(shí)内以100美(měi)元的價格進行微調。憑借其快(kuài)速移動、協作(zuò)和(hé)低(dī)成本的模式，開(kāi)源模型有一些(xiē)谷歌或OpenAI無法複制的顯著優勢（Milmo， 2023）。而當免費的或低(dī)價的、不受限制的替代品在質量上(shàng)與封閉的大(dà)型模式不相上(shàng)下(xià)時(shí)，人們不會(huì)爲一個設限的人工(gōng)智能(néng)模型付費。

當然，像任何事(shì)情一樣，這(zhè)同時(shí)具有積極和(hé)消極的影響。從(cóng)正面看(kàn)，它使少數公司壟斷控制人工(gōng)智能(néng)的可能(néng)性大(dà)大(dà)降低(dī)，也(yě)将使獲得人工(gōng)智能(néng)的成本大(dà)大(dà)降低(dī)，加速整個領域的創新，并使研究人員更容易分析人工(gōng)智能(néng)系統的行爲（因其對(duì)專有模型的訪問是有限的），提高(gāo)透明(míng)度和(hé)安全性。但(dàn)是，更容易獲得人工(gōng)智能(néng)，也(yě)意味着不良行爲者将可以出于自(zì)身的邪惡目的而對(duì)系統進行微調，例如生産虛假信息。這(zhè)将使人工(gōng)智能(néng)更難于監管，因爲精靈已經逃出了(le)瓶子。

大(dà)型語言模型已經徹底改變了(le)我們與計(jì)算(suàn)機互動的方式。它們能(néng)夠理(lǐ)解自(zì)然語言并對(duì)複雜(zá)的問題做出反應。随着人工(gōng)智能(néng)驅動的LLMs（如ChatGPT）的發展，它們已經變得越來(lái)越有用(yòng)并走向通用(yòng)。

然而，它們的迅速進展也(yě)不是沒有争議(yì)的。許多人擔心如此強大(dà)的技術所帶來(lái)的反響，憂慮這(zhè)些(xiē)模型可能(néng)被用(yòng)來(lái)操縱信息或替代人類的經驗。爲了(le)充分了(le)解它們的範圍和(hé)力量，探索LLMs如何影響社會(huì)的不同方面非常重要。

鑒于這(zhè)些(xiē)開(kāi)創性的模型的廣泛采用(yòng)所帶來(lái)的巨大(dà)可能(néng)性和(hé)潛在風(fēng)險，社會(huì)已經對(duì)其使用(yòng)産生了(le)不同的反應。例如，在開(kāi)發和(hé)分發這(zhè)些(xiē)模型的源代碼時(shí)，是采取開(kāi)源還是閉源方式？

總的來(lái)說，開(kāi)源是指任何人都可以免費使用(yòng)、修改和(hé)發布的源代碼，而閉源是指不能(néng)在創造它的機構之外(wài)修改或發布的專有代碼。在GPT-3之前，大(dà)多數大(dà)型語言模型都是開(kāi)源的，但(dàn)目前，越來(lái)越多的公司将他(tā)們的模型變成閉源的，例如PaLM、LaMDA和(hé)GPT-4。在OpenAI宣布GPT-4模型的文(wén)件中，該公司說它不會(huì)提供關于架構、模型大(dà)小(xiǎo)、硬件、訓練計(jì)算(suàn)、數據構建或用(yòng)于開(kāi)發GPT-4的訓練方法的細節，隻是指出它使用(yòng)了(le)從(cóng)人類反饋中強化學習的方法，聲稱這(zhè)是由于競争和(hé)安全方面的考慮（AI Now Institute， 2023）。

同樣，出于大(dà)型語言模型的競争格局和(hé)安全問題，OpenAI向客戶提供的付費訪問，也(yě)有許多法律和(hé)技術限制。這(zhè)使得學術研究人員更難進行LLM訓練實驗。對(duì)研究界來(lái)說，最直接的問題之一是缺乏透明(míng)度。ChatGPT及其前身的基礎訓練集和(hé)LLMs是不公開(kāi)的，科技公司可能(néng)會(huì)隐瞞其對(duì)話(huà)式AI的内部運作(zuò)。這(zhè)與透明(míng)度和(hé)開(kāi)放(fàng)科學的趨勢背道(dào)而馳。在這(zhè)種情況下(xià)，有關人工(gōng)智能(néng)的模型能(néng)力的主張無法被其他(tā)人驗證或複制，客戶也(yě)不可能(néng)下(xià)載ChatGPT背後的模型。

相比之下(xià)，開(kāi)源工(gōng)作(zuò)涉及創建一個模型，然後将其發布給任何人，讓他(tā)們根據自(zì)己的需要使用(yòng)、改進或改編。業界推動開(kāi)源LLM的工(gōng)作(zuò)，承諾多方合作(zuò)和(hé)權力共享，而這(zhè)正是互聯網的最初理(lǐ)想。它顯示了(le)不同的社區(qū)如何能(néng)夠相互幫助，攜手推進大(dà)型語言模型的下(xià)一步發展。

圍繞着LLMs的另一個關鍵問題是它們的倫理(lǐ)含義。随着這(zhè)些(xiē)系統變得越來(lái)越複雜(zá)，有關操縱人類行爲或公衆輿論的問題日益凸顯。此外(wài)，LLMs有可能(néng)被用(yòng)作(zuò)惡意行爲者或組織獲取私人數據或傳播虛假信息的工(gōng)具。出于對(duì)偏見和(hé)準确性的擔憂，人們也(yě)擔心它們在醫(yī)療診斷、法律決定甚至政府政策中的使用(yòng)。

“深度僞造”（deepfake），由人工(gōng)智能(néng)創造的圖像和(hé)視(shì)頻，已經在媒體、娛樂和(hé)政治中出現(xiàn)了(le)。在此之前，創造深度僞造的内容需要相當多的計(jì)算(suàn)技能(néng)，然而，現(xiàn)在幾乎任何人都能(néng)創造它們。OpenAI已經試圖通過在每張DALL-E 2的圖像上(shàng)“打上(shàng)水(shuǐ)印”來(lái)控制虛假圖像，但(dàn)未來(lái)可能(néng)需要更多的控制手段——特别是當生成式視(shì)頻創作(zuò)成爲主流時(shí)。

生成式人工(gōng)智能(néng)還提出了(le)許多有關何爲原創和(hé)專有内容的問題。由于創建的文(wén)本和(hé)圖像與以前的任何内容都不完全一樣，AI系統供應商認爲人工(gōng)智能(néng)生成内容屬于提示的創造者。但(dàn)它們顯然是用(yòng)于訓練模型的先前文(wén)本和(hé)圖像的衍生品。不用(yòng)說，類似技術将在未來(lái)幾年爲知(zhī)識産權律師提供大(dà)量工(gōng)作(zuò)。

在隐私方面，LLMs本質上(shàng)是個人化的，它收集大(dà)量的用(yòng)戶數據，以便能(néng)夠有效地預測對(duì)話(huà)的長度、主題和(hé)軌迹。此外(wài)，每次與 ChatGPT 這(zhè)樣的工(gōng)具的互動都有一個唯一的标識符——有使用(yòng)它的人的登錄軌迹。因此，個人對(duì) ChatGPT 的使用(yòng)并非真正的匿名，這(zhè)就引發了(le)有關 OpenAI 保留敏感數據的問題。圍繞着數據的收集、存儲和(hé)使用(yòng)，必須進行一系列的深思熟慮，以便安全地使用(yòng)LLMs。

LLMs與其他(tā)人工(gōng)智能(néng)技術一樣受到(dào)監管和(hé)合規框架的約束，但(dàn)随着它們變得越來(lái)越普遍，可能(néng)會(huì)提出新的問題：如何以符合《通用(yòng)數據保護條例》（GDPR）和(hé)其他(tā)法規的方式使用(yòng)此類工(gōng)具。由于 ChatGPT 處理(lǐ)用(yòng)戶數據以生成響應，OpenAI 或者出于自(zì)身目的而依賴 ChatGPT 的實體可能(néng)被視(shì)爲 GDPR 下(xià)的數據控制者，這(zhè)意味着它們應該獲得處理(lǐ)用(yòng)戶個人數據的合法依據（例如用(yòng)戶的同意），并且必須告知(zhī)用(yòng)戶它們在從(cóng)事(shì)何種由ChatGPT支持的數據處理(lǐ)活動。

所有這(zhè)些(xiē)潛在的問題強調了(le)爲什(shén)麽科學家、研究人員和(hé)其他(tā)使用(yòng)LLMs的人或組織在将其投入實際使用(yòng)之前，從(cóng)多個角度積極審查大(dà)型語言模型的影響是至關重要的。如果深思熟慮地考量倫理(lǐ)方面的影響，再加上(shàng)嚴格的安全措施，大(dà)型語言模型就可以成爲有價值的工(gōng)具，而不會(huì)破壞用(yòng)戶的信任或損害完整性。

此外(wài)，雖然大(dà)型語言模型的趨勢仍在繼續，但(dàn)重要的是要注意，更大(dà)并不總是意味着更好(hǎo)。大(dà)型語言模型可以很(hěn)好(hǎo)地進行随心所欲的創造性互動，但(dàn)過去十年的發展告訴我們，大(dà)型深度學習模型是高(gāo)度不可預測的，使模型更大(dà)、更複雜(zá)并不能(néng)解決這(zhè)個問題。

像ChatGPT這(zhè)樣的大(dà)型語言模型，具有與用(yòng)戶進行類似語言交流的能(néng)力，有可能(néng)成爲交流和(hé)教育以及其他(tā)許多領域的強大(dà)工(gōng)具。然而，一方面其對(duì)社會(huì)的影響是巨大(dà)的；另一方面其被濫用(yòng)的可能(néng)性也(yě)是非常真實的。因此，需要更多的研究來(lái)認識大(dà)型語言模型的社會(huì)後果及對(duì)我們生活的影響。随着人工(gōng)智能(néng)和(hé)數據科學越來(lái)越多地融入日常生活中，重要的是要加強這(zhè)類技術的倫理(lǐ)考量，并尊重我們的數據和(hé)隐私賦予我們的個人權利。該領域的領導者必須共同努力，确保大(dà)型語言模型的使用(yòng)是負責任的，符合人類的最佳利益。