關于這點，在一篇采訪OpenAI 總裁Greg Brockman 的報道中提到了：

“Q：ChatGPT是如何產生的？GPT模型當初發布時顯得有些違反常識，但卻在某種程度上掀起了最新的AI浪潮，這與你們當初構建這些技術時的預期是否一致?

A：ChatGPT、GPT-3、DALL·E 2這些模型看似一夜成名，但其實構建這些模型耗費了整整五年時間，飽含多年的心血。GPT模型的構建要從2017年發布的情感神經元論文（Neural Sentiment Neuron: A novel Neural Architecture for Aspect-based Sentiment Analysis）說起，這篇論文的思想很新穎，不過很多人可能已經忘了。

....“

于是好奇去查了這篇文章，很遺憾，并不是上面提到的這篇文章，而是官網Learning to Generate Reviews and Discovering Sentiment這篇文章。這篇文章的作者很激動、誠懇甚至有點卑微的表達了它的意外發現，那就是單純訓練LSTM 模型的去預測下一個單詞，模型中的某個神經元意外對應著情感狀態，用Greg Brockman的原話說就是：

“我們發現LSTM模型中的單個神經元有助于開發出SOTA情感分析分類器（sentiment analysis classifier），可以告知你文本情感（正面評價或負面評價），這一發現聽起來平平無奇，但我們非常清楚地知道，這是一個超越語法并轉向語義的時刻。”

關于為何會出現這種涌現行為，文章的作者提出了他的思路：

“情緒作為條件特征可能對語言建模具有很強的預測能力。(It is possible that sentiment as a conditioning feature has strong predictive capability for language modelling.)“

這個思路是典型的達爾文進化思維：

即模型本身有生成各種能力的潛力，當某項能力有利于模型完成任務（完不成的參數被調整，等駕馭被任務淘汰），這項能力就能自發進化出來。

神經網絡在訓練的時候，采用的隨機梯度下降算法，一定程度上等效于物種的基因突變，本質是有一定方向的隨機摸索，在強大的生存壓力下，錯誤的摸索被淘汰，久而久之，積累越來越多的正確摸索，某些高層的功能就這么涌現出來了。

這種思路是不同于還原論的，ChatGPT 的出現讓很多這個行業的老人困惑：“似乎原理上沒有任何創新，為何能力出現巨大提升呢？”“涌現這個詞本身就是個模棱兩可的詞，我并不知道具體的細節，那就是偽科學?！薄癈hatGPT 具備的推理能力不過是另一種歸納，永遠無法替代演繹”。

還原論的思想講究從底層到高層的逐漸構建，每行代碼都有清晰的含義，這樣寫出來的系統才叫系統，但進化論的思想完全不同，進化論需要構建一個萬能生成器，然后建立一個淘汰機制，對萬能生成器生成的各種可能進行篩選淘汰，這樣進化出來的系統，就能很好的完成任務，至于里面形成的微結構，那并不是重點，甚至都無法用簡單的語言描述，因為本身就是全局共同起作用的。

所謂上下文推理，不過就是給定前文，準確給出后文的能力，這其實就是語言模型預訓練時候就在做的事情，為了能做到這點，在訓練的過程中，各種有助于提高預測能力的高層能力，都會自然而然的進化出來，所謂的高層能力，不過是一種函數，而神經網絡本身可以擬合一切函數，同時隨機梯度下降，又讓神經網絡具備了參數自動填充的能力。當然，進化的過程中，神經網絡總會嘗試找到更好的解法，比如死記硬背，但這些解法往往跟我們預期的解法不一致，這時候任務的合理構建就很重要了，需要巧妙的設計，讓我們預期的解法是神經網絡進化的唯一解。

其實換個角度想，人為什么有推理能力？人的一切能力也是進化而來的，人的各種生存壓力，配合基因的隨機突變和大自然的定向篩選，導致推理等能力的出現，換句話說，當推理能力的出現有助于人這個群體生存的時候，這個能力就會出現，跟GPT 涌現的各種能力的原理一樣。

不要總拿著還原論思想去看待世界，幾百年前，就出現了進化論思想，因為進化論思想沒有寫進義務教育的教材，導致太多人沒有深刻理解這個工具。

審核編輯 ：李倩