来源：量子位
2020 年注定是不平凡的一年。除了新冠疫情之外，今年还可能是 " 天网元年 "。
因为在这一年诞生了 " 比特币之后人类最重大发明 "、显卡毁灭者——史上最全能的 AI 模型。
现在你只要对它发号施令：
请帮助设计一个和 XX 网站一样的网页来介绍我的产品。
输入完仅仅几秒，它立刻就能输出一个美观的网页设计。
遥想 6 月初，这个模型刚刚发布时，外界认为它 " 不过就是炫富而已 "，和前代相比没有太大的技术更新。
然而，内测试用后，风评立马 180 度大转弯，体验过的程序员们纷纷表示：" 真香 "。
事实证明，" 微软的钞票 + 英伟达的核弹 " 的确是可以为所欲为的。
是的，这就是 OpenAI 的 GPT-3，原来只能用来生成文字，一周之内被脑洞大开的程序员们开发出了 30 多种功能：数据库工程师、会计、运维、智能客服……俨然一副取代人类的架势。
现在，它已经成为一名 " 真 · 全栈工程师 "。
全能选手 GPT-3
在后端，AI 模型 GPT-3 成功 " 套娃 "，能自己编写 AI 模型。只要给 GPT-3 提出具体的需求：
构建一个图像分类模型，把图片分成 5 类，训练数据集共有 2.5 万张图片，输入图片尺寸为 500 × 500。
很快 GPT-3 就输出了模型的完整代码：
GPT-3 甚至连代码的注释都写好了，生怕你看不懂。
作为一个会写 AI 模型的 AI，懂一点数据库总是必不可少的，SQL 语言自然不在话下。
现在用 SQL 实现数据的统计查找，基本就是一句话的事情，提出需求，GPT-3 几秒内快速给出 SQL 查询代码。
既然是全栈工程师，只会后端代码显然是不够的。
前面，我们已经见识过 GPT-3 设计网页的能力。HTML 前端工程师的事，GPT-3 也会做。
GPT-3 能根据描述生成网页 CSS 代码，稍加改动就能直接用在网页设计里。
还有运维的活儿，GPT-3 也懂一点。
另外，程序员不会的事情，GPT-3 也能做。
在没有任何财务知识的情况下，告诉它你的每一笔开销，GPT-3 自动生成符合规范的财务报表。有了 GPT-3，就能帮老板省下请会计的钱。
工作娱乐两不误。学习了一段棋谱后，GPT-3 又掌握了国际象棋技能，不知道何时能与 AlphaGo 对战。
还有人对 GPT-3 进行了图灵测试，结果看起来真的很像人在回答。试用者说：" 如果在十年前用同样的问题做测试，我一定会认为答题者是人类。"
看到这里，你是不是有一丝丝恐惧？不会天网真的要上线了吧？
深度学习之父、图灵奖得主 Hinton 看得更远，他认为 GPT-3 的未来不仅仅是取代人类，而是更遥远的星辰大海，也许用它就能破解宇宙终极秘密。
从 GPT-3 惊人的性能可以推测：生命、宇宙和万物的答案，只是 4.398 万亿个参数而已。
" 钞能力 " 的 GPT-3
这 " 都怪 "OpenAI 最近内测了 GPT-3 的 API，让程序员得以脑洞大开，让普通人感到 " 害怕 "。
GPT-3 能力超强，一方面是因为在激烈竞争中各家 NLP 技术突飞猛进，更主要原因还是 OpenAI 够暴力、够多金。
要知道，去年 OpenAI 发布的 GPT-2（GPT-3 的前辈）只有15 亿参数，而今年 GPT-3 参数量已经暴增到1750 亿个，是前者的 100 多倍！
参数的暴增无疑会给模型性能带来明显的改进，但问题是多出来的计算资源从哪来。
成立不到 5 年的 OpenAI 能让 GPT-3 在一年内实现飞跃，其中当然少不了金主爸爸的支持。
去年，微软10 亿美元投资 OpenAI，让原本拮据的 OpenAI 终于可以放开手脚开发更为强大的 AI 模型。
GPT-3 采用了两阶段的思路。
首先，用海量语料库对 GPT-3 进行无监督预训练，数据集大约含有 3000 亿个 token，训练目标是让模型去预测下一个单词。
如果模型预测结果是错误的，那么就计算误差并更新模型，以便在下一次做出更好的预测。这一过程要重复数百万次，直到模型能生成正确的句子。
这一步是最最烧钱的。谷歌开发的 BERT，" 只有 "3 亿参数，英伟达用 1400 多个 V100 GPU 组成的计算集群算了近 1 小时才完成训练。
何况数据集规模超过 500GB 的 GPT-3 预训练模型，还有 1750 亿参数，训练难度就可想而知了。
为了训练 GPT-3，微软花钱攒了台超级计算机。
今年 5 月，微软官方公布推出一台全球前五的超级计算机，专门用于 OpenAI 的模型训练。它总共有28.5 万个 CPU 核心、1 万个英伟达 V100 GPU。（黄仁勋看到这个配置，应该露出了笑容。）
有了这台超算，OpenAI 就能实现 " 更大胆的想法 "。
有专业人士推测过，训练一个 GPT-3 模型需要 "355 个 GPU 年 "（一块 GPU 运行 355 年的运算量），光是训练费用就高达 460 万美元。
在微软和 OpenAI 的努（chao）力（piao）下，GPT-3 终于被训练出来。
以上只是第一阶段，预训练模型还不能直接用于具体任务，接下来只要对刚刚的模型进行微调，就能处理各种负责的 NLP 任务。
而这一部分的运算量要小得多，普通用户也可以承受。于是我们就看到了 GPT-3 被用来写代码、做设计。
颇具争议的 GPT-3
GPT-3 成为网红，当然也少不了网友的激烈讨论。
有 reddit 网友认为，GPT-3 的出现证明了通用人工智能不会太遥远。GPT-3 已经做了可以做的一切，我们甚至不需要做得更好，只要再等几年，等算力增强，把数据集再扩大 10 倍。
也有人觉得，我们对 GPT-3 是否过于了乐观，说它是 " 天网 " 太过夸张。GPT-3 本质上还是个 NLP 模型，和 GPT-2 具有相同的结构，唯一的区别只是规模更大。
和其他神经网络模型一样，GPT-3 还是个黑箱子，我们不能知道它为什么做出这样的推理，而且它只有文本预测，没有逻辑推理、没有思想，在训练集之外的概括能力很差。
比如之前提到的写代码，可能更多的原因是技术论坛里有相关内容，被 GPT-3 拷贝了下来。
面对网友的赞美，OpenAI 的 CEO 倒是非常谨慎，他认为现在关于 GPT-3 的炒作实在太多了。GPT-3 仍然存在严重缺陷，有时候会犯一些低级的错误，还有很多需要改进的地方。
因为已经有人用来自互联网的内容训练出了一些带有偏见的结果，在国外的氛围中，一旦负面影响扩大化，对 OpenAI 将是个巨大的打击，恐怕这也是 OpenAI 不敢扩大测试范围的原因之一。
本来，OpenAI 因为觉得 GPT-3" 实在太危险 " 选择不开源。现在开放 API 应该也是处于试水状态，出现任何问题都能快速关闭 API，防止问题蔓延。
△OpenAI 官方提示，GPT-3 接受网络内容训练，可能有令人反感的内容
正因如此 GPT-3 API 现在相当稀缺的资源，申请到的难度不下于北京车牌摇号，只能试试运气了。
如何申请试用
如果你也对 GPT-3 感兴趣，不妨去 OpenAI 官网申请试用。填写下面这样一份表格，静静等待官方通知吧。
如果申请成功，你将获得一串 API 的试用密钥，只需要会 Python 3，并安装 yarn，按照 GPT-3 沙箱项目的指导，就能在 Web 端体验它的种种 " 钞能力 " 了。
这是一段将自然语言转化为 LaTeX 格式的代码：
# Construct GPT object and show some examples
gpt = GPT ( engine="davinci",
temperature=0.5,
max_tokens=100 )
gpt.add_example ( Example ( 'Two plus two equals four', '2 + 2 = 4' ) )
gpt.add_example ( Example ( 'The integral from zero to infinity', '\int_0^{\infty}' ) )
gpt.add_example ( Example ( 'The gradient of x squared plus two times x with respect to x', '\nabla_x x^2 + 2x' ) )
gpt.add_example ( Example ( 'The log of two times x', '\log{2x}' ) )
gpt.add_example ( Example ( 'x squared plus y squared plus equals z squared', 'x^2 + y^2 = z^2' ) )
# Define UI configuration
config = UIConfig ( description="Text to equation",
button_text="Translate",
placeholder="x squared plus 2 times x" )
demo_web_app ( gpt, config )
现在，你是个成熟个 AI，应该能自动写出 " 牛顿 - 莱布尼兹公式 " 了。
怎么样，你想去试试吗？
