沒想到時至今日，ChatGPT竟還會犯低級錯誤？

吳恩達大神最新開課就指出來了：

ChatGPT不會反轉單詞！

比如讓它反轉下lollipop這個詞，輸出是pilollol，完全混亂。

哦豁，這確實有點大跌眼鏡啊。

以至于聽課網友在Reddit上發帖后，立馬引來大量圍觀，帖子熱度火速沖到6k。

而且這不是偶然bug，網友們發現ChatGPT確實無法完成這個任務，我們親測結果也同樣如此。

△實測ChatGPT（GPT-3.5）

甚至包括Bard、Bing、文心一言在內等一眾產品都不行。

△實測Bard

△實測文心一言

還有人緊跟著吐槽， ChatGPT在處理這些簡單的單詞任務就是很糟糕。

比如玩此前曾爆火的文字游戲Wordle簡直就是一場災難，從來沒有做對過。

誒？這到底是為啥？

關鍵在于token

之所以有這樣的現象，關鍵在于token。token是文本中最常見的字符序列，而大模型都是用token來處理文本。

它可以是整個單詞，也可以是單詞一個片段。大模型了解這些token之間的統計關系，并且擅長生成下一個token。

因此在處理單詞反轉這個小任務時，它可能只是將每個token翻轉過來，而不是字母。

這點放在中文語境下體現就更為明顯：一個詞是一個token，也可能是一個字是一個token。

針對開頭的例子，有人嘗試理解了下ChatGPT的推理過程。

為了更直觀的了解，OpenAI甚至還出了個GPT-3的Tokenizer。

比如像lollipop這個詞，GPT-3會將其理解成I、oll、ipop這三個部分。

根據經驗總結，也就誕生出這樣一些不成文法則。

• 1個token≈4個英文字符≈四分之三個詞；
• 100個token≈75個單詞；
• 1-2句話≈30個token；
• 一段話≈100個token，1500個單詞≈2048個token；

單詞如何劃分還取決于語言。此前有人統計過，中文要用的token數是英文數量的1.2到2.7倍。

token-to-char（token到單詞）比例越高，處理成本也就越高。因此處理中文tokenize要比英文更貴。

可以這樣理解，token是大模型認識理解人類現實世界的方式。它非常簡單，還能大大降低內存和時間復雜度。

但將單詞token化存在一個問題，就會使模型很難學習到有意義的輸入表示，最直觀的表示就是不能理解單詞的含義。

當時Transformers有做過相應優化，比如一個復雜、不常見的單詞分為一個有意義的token和一個獨立token。

就像annoyingly就被分成“annoying”和“ly”，前者保留了其語義，后者則是頻繁出現。

這也成就了如今ChatGPT及其他大模型產品的驚艷效果，能很好地理解人類的語言。

至于無法處理單詞反轉這樣一個小任務，自然也有解決之道。

最簡單直接的，就是你先自己把單詞給分開嘍~

或者也可以讓ChatGPT一步一步來，先tokenize每個字母。

又或者讓它寫一個反轉字母的程序，然后程序的結果對了。（狗頭）

不過也可以使用GPT-4，實測沒有這樣的問題。

△實測GPT-4

總之，token就是AI理解自然語言的基石。

而作為AI理解人類自然語言的橋梁，token的重要性也越來越明顯。

它已經成為AI模型性能優劣的關鍵決定因素，還是大模型的計費標準。

甚至有了token文學

正如前文所言，token能方便模型捕捉到更細粒度的語義信息，如詞義、詞序、語法結構等。其順序、位置在序列建模任務（如語言建模、機器翻譯、文本生成等）中至關重要。

模型只有在準確了解每個token在序列中的位置和上下文情況，才能更好正確預測內容，給出合理輸出。

因此，token的質量、數量對模型效果有直接影響。

今年開始，越來越多大模型發布時，都會著重強調token數量，比如谷歌PaLM 2曝光細節中提到，它訓練用到了3.6萬億個token。

以及很多行業內大佬也紛紛表示，token真的很關鍵！

今年從特斯拉跳槽到OpenAI的AI科學家安德烈·卡帕斯（Andrej Karpathy）就曾在演講中表示：

更多token能讓模型更好思考。

而且他強調，模型的性能并不只由參數規模來決定。

比如LLaMA的參數規模遠小于GPT-3（65B vs 175B），但由于它用更多token進行訓練（1.4T vs 300B），所以LLaMA更強大。

而憑借著對模型性能的直接影響，token還是AI模型的計費標準。

以OpenAI的定價標準為例，他們以1K個token為單位進行計費，不同模型、不同類型的token價格不同。

總之，踏進AI大模型領域的大門后，就會發現token是繞不開的知識點。

嗯，甚至衍生出了token文學……

不過值得一提的是，token在中文世界里到底該翻譯成啥，現在還沒有完全定下來。

直譯“令牌”總是有點怪怪的。

GPT-4覺得叫“詞元”或“標記”比較好，你覺得呢？

參考鏈接：
[1]https://www.reddit.com/r/ChatGPT/comments/13xxehx/chatgpt_is_unable_to_reverse_words/
[2]https://help.openai.com/en/articles/4936856-what-are-tokens-and-how-to-count-them
[3]https://openai.com/pricing