跳到主要内容

第5章：预训练范式——从有监督到自监督

核心问题：深度学习模型越大越强，但标注数据太贵——互联网上有万亿级无标注文本，能否直接利用？

前四章我们看到了神经网络和 Transformer 的崛起。但有一个现实问题一直没有解决：数据从哪里来？

训练一个情感分析模型，需要十万条人工标注的评论。训练一个问答系统，需要成千上万对问答对。每扩展一个新任务，就要重新收集、重新标注——这不仅昂贵，而且速度极慢。

这一章讲述的，是 NLP 领域一场安静却彻底的革命：从"为每个任务单独训练模型"，到"先在海量无标注文本上学习通用语言知识，再针对具体任务微调"。

5.1 深度学习的数据困境​

标注数据有多贵？​

一个典型的 NLP 数据集需要多少钱？

任务典型数据集标注规模大致成本
情感分析SST-267K 句子数万美元
问答SQuAD100K 问答对十余万美元
自然语言推理SNLI570K 对数十万美元
机器翻译WMT数百万句对难以估计

而且，每个任务的标注数据只能用于那个任务——情感分析的数据无法直接帮助问答系统。

互联网：一座待发掘的金矿​

与此同时，互联网上每天产生海量文本：

  • Wikipedia：约 60 亿词（英文）
  • Common Crawl：数万亿词的网页文本
  • Books corpus：数十亿词的书籍文本
  • GitHub、Reddit、新闻……

这些文本没有任何人工标注，但它们包含着丰富的语言知识：语法结构、词义关系、世界常识、推理模式。

关键问题变成了：能不能设计一种学习任务，让模型从无标注文本中自动学习？

迁移学习的思路​

计算机视觉领域已经找到了答案：先在 ImageNet（130 万张标注图片）上预训练，学到通用的视觉特征（边缘、纹理、形状……），然后针对具体任务只需微调最后几层。

这就是**迁移学习（Transfer Learning）**的思路：

通用预训练→少量任务数据任务微调\text{通用预训练} \xrightarrow{\text{少量任务数据}} \text{任务微调}

NLP 的挑战在于：视觉有 ImageNet 这样的大型标注数据集，但文本的"预训练任务"是什么？模型该学什么？

答案从词向量开始。

5.2 词向量：预训练的先声​

为什么需要词向量？​

在此之前，NLP 系统用 One-Hot 编码表示单词：10 万个词汇就是 10 万维的稀疏向量，每个词与其他词"距离相等"——模型无从知道"猫"和"狗"比"猫"和"飞机"更相似。

Word2Vec（2013，Google） 提出了一个优雅的想法：用上下文预测词。

Word2Vec：两种训练方式​

CBOW（Continuous Bag of Words，连续词袋）：用上下文预测中间词。

给定句子："The quick [?] fox jumps"，让模型预测 [?] 是 brown。

Skip-gram（跳字模型）：反过来，用中间词预测上下文。

给定 brown，预测周围出现 quick、fox 的概率。

两种方式都逼迫模型把语义相近的词映射到相近的向量空间。训练完成后，神奇的事情发生了：

king⃗−man⃗+woman⃗≈queen⃗\vec{\text{king}} - \vec{\text{man}} + \vec{\text{woman}} \approx \vec{\text{queen}}

词向量空间里出现了语义算术！

GloVe：全局共现统计​

GloVe（Global Vectors，2014，Stanford） 从另一个角度切入：统计整个语料库中词与词的共现矩阵 XX，其中 XijX_{ij} 表示词 ii 在词 jj 的上下文中出现的次数。

GloVe 的目标函数：

J=∑i,j=1Vf(Xij)(w⃗i⋅w⃗j+bi+bj−log⁡Xij)2J = \sum_{i,j=1}^{V} f(X_{ij}) \left( \vec{w}_i \cdot \vec{w}_j + b_i + b_j - \log X_{ij} \right)^2

其中 f(Xij)f(X_{ij}) 是权重函数，让高频共现对和低频共现对都有合理贡献。

GloVe 同样能学到语义关系，且训练更快、更稳定。

静态词向量的根本局限​

Word2Vec 和 GloVe 都很成功，但有一个致命问题：每个词只有一个固定向量。

考虑这两个句子：

  • "I went to the river bank to fish."（银行：河岸）
  • "I deposited money at the bank."（银行：金融机构）

bank 这个词在两句话中含义完全不同，但在 Word2Vec 的词典里，它只有一个向量——只能是两种含义的"平均"，两头不讨好。

:::warning 静态词向量的问题 一词一义的假设从根本上就是错的。英语中有大量一词多义（polysemy）现象，这类词向量无法正确表示。 :::

这个问题，需要一种能根据上下文动态生成词向量的方法来解决。

5.3 ELMo（2018）：上下文相关的词向量​

解决一词多义​

ELMo（Embeddings from Language Models，2018，AI2） 的核心思想很直接：不要给每个词一个固定向量，而是根据它出现的上下文动态计算向量。

具体方法：用双向 LSTM（Bidirectional LSTM） 训练语言模型。

  • 正向 LSTM：从左到右，预测下一个词
  • 反向 LSTM：从右到左，预测上一个词

ELMo(wk)=γ∑j=0Lsjhk,j\text{ELMo}(w_k) = \gamma \sum_{j=0}^{L} s_j \mathbf{h}_{k,j}

其中 hk,j\mathbf{h}_{k,j} 是第 jj 层 LSTM 对第 kk 个词的隐层状态，sjs_j 是可学习的权重，γ\gamma 是缩放因子。

这样，同一个词 bank 在不同句子中，会因为前后文不同，得到不同的向量表示。

ELMo 的历史意义​

ELMo 在 6 项 NLP 任务上取得了显著提升，首次大规模证明了：

大规模语言模型预训练 + 下游任务微调 这条路是行得通的。

:::info ELMo 命名的由来 ELMo 是《芝麻街》里的一个红色毛怪角色。后来的 BERT（《芝麻街》里的另一个角色）、ERNIE 也延续了这个传统——NLP 研究者们的幽默。 :::

然而，ELMo 基于 LSTM，速度慢、难以并行，也不够深。2018 年，Transformer 已经横扫机器翻译领域，自然而然地，下一步是把 Transformer 用于预训练。

5.4 BERT（2018，Google）：理解路线的集大成者​

问题：如何让 Transformer 做预训练？​

自回归语言模型（预测下一个词）有天然的不对称性：为了预测第 tt 个词，只能看前面的词，不能"作弊"看后面——这是生成任务的合理限制，但对于理解任务（如判断情感、提取答案），我们希望模型能同时利用上下文两侧的信息。

BERT（Bidirectional Encoder Representations from Transformers，2018，Google） 的方案：设计一个专门用于预训练的任务，让 Transformer Encoder 能双向编码。

核心创新：掩码语言模型（MLM）​

Masked Language Model（MLM，掩码语言模型）：随机遮住输入中 15% 的词，让模型预测这些词是什么。

输入：The quick [MASK] fox jumps over the lazy dog
目标：预测 [MASK] = "brown"

与自回归不同，MLM 允许模型在预测 [MASK] 时，同时看左边的 The quick 和右边的 fox jumps。这就实现了真正的双向编码。

数学上，BERT 的预训练目标：

LMLM=−∑i∈Mlog⁡P(wi∣w∖M;θ)\mathcal{L}_{\text{MLM}} = -\sum_{i \in \mathcal{M}} \log P(w_i \mid \mathbf{w}_{\setminus \mathcal{M}}; \theta)

其中 M\mathcal{M} 是被遮住的位置集合，w∖M\mathbf{w}_{\setminus \mathcal{M}} 是其余未遮住的词。

BERT 还引入了第二个预训练任务——Next Sentence Prediction（NSP，下句预测）：给模型两段文本，预测第二段是否是第一段的下一句，帮助模型理解句子间关系。

BERT 的规模与效果​

BERT 有两个版本：

版本层数隐层维度注意力头数参数量
BERT-Base1276812110M
BERT-Large24102416340M

2018 年 10 月发布后，BERT 在 11 项 NLP 基准任务上同时刷新 SOTA，震惊了整个学界。

预训练-微调范式的确立​

BERT 的使用方式非常统一：

  1. 预训练阶段：在 BooksCorpus + Wikipedia（33 亿词）上用 MLM 训练，学习通用语言表示
  2. 微调阶段：在具体任务的少量标注数据上，调整全部参数
[预训练 BERT]
      ↓
加一个任务专用的输出层
      ↓
用任务数据微调（通常只需几千到几万条）
      ↓
[任务专用模型]

这个范式的威力在于：BERT 的 Transformer 层学到的是通用的语言知识，大量计算都发生在预训练阶段，微调的成本极低。

:::tip BERT 的局限 BERT 是 Encoder-only 架构。它擅长"理解"——分类、抽取、判断——但不擅长"生成"。你没法让 BERT 续写一段文章。 :::

BERT 奠定了 NLP 预训练-微调的主流范式，但它不是这条路上唯一的选择。与此同时，另一条路线正在悄悄崛起。

5.5 GPT 系列：生成路线的崛起​

GPT-1（2018，OpenAI）：自回归路线​

就在 BERT 发布的同年，OpenAI 发布了 GPT（Generative Pre-trained Transformer）。

GPT 的思路更简单：用 Transformer Decoder，以自回归方式训练语言模型——给定前 t−1t-1 个词，预测第 tt 个词：

LLM=∑tlog⁡P(wt∣w1,w2,…,wt−1;θ)\mathcal{L}_{\text{LM}} = \sum_{t} \log P(w_t \mid w_1, w_2, \ldots, w_{t-1}; \theta)

这是最朴素的语言模型目标，无须任何特殊设计。GPT-1 的参数量约为 117M，效果良好，但不如同期的 BERT 引人注目。

然而，OpenAI 坚持了这条路。

GPT-2（2019）：Zero-shot 能力初现​

GPT-2 将参数量扩大到 1.5B，训练数据换成了从 Reddit 爬取的高质量网页文本（WebText，约 40GB）。

结果令人惊讶：GPT-2 不需要任何微调，仅凭提示（prompt），就能完成翻译、摘要、问答等任务。这叫做 Zero-shot（零样本） 能力。

更令人印象深刻的是它的生成质量——GPT-2 生成的新闻文章，人类评估者只有 52% 的概率能识别出是机器写的（接近随机猜测）。

:::warning "太危险，不敢发布" OpenAI 最初以"担心被滥用于生成假新闻"为由，只发布了 GPT-2 的小版本，数月后才逐步放出完整模型。这一决定引发了学界关于 AI 安全与开放性的大讨论，也让 GPT-2 获得了极大的媒体关注。 :::

GPT-3（2020）：规模带来质变​

2020 年，GPT-3 横空出世。参数量：175B，训练数据：约 570GB 文本，训练成本估计超过 460 万美元。

GPT-3 带来了一个全新的概念：In-context Learning（上下文学习）。

不需要更新模型参数，只需在 prompt 中给几个例子，GPT-3 就能理解任务并泛化：

翻译任务示例：

英语：The cat sat on the mat.
中文：猫坐在垫子上。

英语：She is reading a book.
中文：她在读一本书。

英语：The weather is nice today.
中文：[GPT-3 自动补全→ 今天天气很好。]

这叫做 Few-shot Learning（少样本学习）。GPT-3 在数百项任务上展示了惊人的泛化能力，而这一切都不需要针对任务的梯度更新。

涌现能力：规模带来质变​

GPT-3 最令人震惊的特性，是涌现（Emergence）：当模型规模超过某个阈值，某些能力会突然出现，而不是随着规模线性增长。

一个直觉类比：水分子在 99°C 是液体，在 100°C 变成气体——温度的连续增加，在某个临界点引发了质的变化。GPT-3 的多步推理、类比能力、代码生成等，都呈现出类似的"阈值效应"。

研究者绘制出了能力与模型规模的关系曲线，许多能力曲线呈现出明显的折线形：在小模型上几乎随机，超过某个参数量后突然跳升。

能力≈{随机参数量<Nc显著提升参数量≥Nc\text{能力} \approx \begin{cases} \text{随机} & \text{参数量} < N_c \\ \text{显著提升} & \text{参数量} \geq N_c \end{cases}

能力强但"不听话"​

GPT-3 暴露了自回归语言模型的根本矛盾：

语言模型的目标是预测下一个 token（完形填空），用户的目标是得到有用的回答。

这两者并不等价。

如果你问 GPT-3："如何制作炸弹？"，作为一个"完形填空机器"，它可能真的把制作步骤补全出来——因为这在训练数据中是合理的续写。

同样，GPT-3 可能生成有毒内容、虚假信息，或者在对话中"跑题"，因为它根本没有被训练去"回答问题"，只是被训练去"续写文本"。

:::info 预训练 ≠ 对齐 GPT-3 这一阶段揭示了一个关键问题，后来被称为对齐问题（Alignment Problem）：如何让模型的行为与人类的意图、价值观对齐？这正是后来 InstructGPT、RLHF、ChatGPT 要解决的问题——我们将在后续章节详细讨论。 :::

本章小结​

里程碑时间核心创新局限
Word2Vec / GloVe2013–2014静态词向量，语义算术一词一义，静态
ELMo2018双向 LSTM，动态词向量LSTM 慢，不够深
BERT2018Transformer + MLM，双向理解Encoder-only，不擅长生成
GPT-1/22018–2019自回归预训练，Zero-shot 初现规模小，能力有限
GPT-32020175B 参数，In-context Learning，涌现能力能力强但不听话，对齐问题

两条技术路线的对比：

维度BERT（理解路线）GPT（生成路线）
架构Transformer EncoderTransformer Decoder
预训练目标掩码语言模型（MLM）自回归语言模型
编码方向双向单向（从左到右）
擅长任务分类、抽取、理解生成、续写、对话
使用方式预训练 + 微调预训练 + Few-shot

GPT-3 证明了规模即能力，但也留下了一个悬而未决的问题：一个只会"续写文本"的模型，如何变成真正有用的助手？

下一章，我们将看到 OpenAI 如何用**人类反馈强化学习（RLHF）**驯服 GPT，让它从"预测机器"进化为"对话助手"——这正是 ChatGPT 诞生的故事。