GPT和更多：LLM的技术基础
GPT and more The technical foundation of LLM
在短短几个月的时间里，大型语言模型从专业研究人员的领域进入了全球各地数据和机器学习团队的日常工作流程。在这个过渡期中，我们在TDS看到，很多关注点都转向了实际应用和实际解决方案。
直接跳入调试模式对于在工业界工作的数据专业人员来说是很有道理的，时间毕竟是宝贵的。不过，建立对我们使用和处理的技术内部工作原理的牢固掌握总是一个好主意，这正是我们每周亮点所关注的。
我们推荐的阅读内容既涵盖了LLMs的理论基础，特别是GPT系列，也涉及到了它们的到来引发的高层次问题。即使你只是这些模型的偶尔用户，我们认为你也会喜欢这些深思熟虑的探索。
- Transformer架构是使GPT模型首次成为可能的突破性创新。正如Beatriz Stollnitz所说，“了解它们的工作细节对于每个人工智能从业人员来说都是一项重要技能”，而且你会通过她详细的解释对Transformer的能力有一个清晰的理解。
- Lily Hughes-Robinson提供了一种不同的学习Transformer的方法：专注于源代码，这样你可以从基础开始直观地建立知识。
- 当涉及到LLMs的性能时，大小有多重要？Gadi Singer深入探讨了这个问题，他调查了最新一批紧凑型生成型AI模型。这些竞争者旨在在准确性上与GPT-4竞争，但成本更低，且更有可能实现可扩展性。
- 在围绕ChatGPT和类似工具的激烈辩论中，可能没有一个问题比关于LLMs所谓的智能更有争议。Lan Chu直截了当地解决了这个问题，并为这个话题带来了一种令人耳目一新、实事求是的观点。（剧透警告：不，AI没有意识；是的，它很复杂。）
- “那么，我们如何超越将LLMs像ChatGPT一样视为神奇黑盒的观念呢？物理学可能提供了一个答案。”Tim Lou博士的最新文章提出了一个发人深省的思想：即使语言模型的方程式类似于物理定律，它们统治着粒子和力的方式。
我们最近有很多关于其他主题的精彩文章；以下只是我们不得不强调的一些内容。
- 谁说夏日阅读一定要轻松愉快？我们的八月版集结了一系列引人入胜、启发人心和耐热的文章。
- 你营销策略中可能缺少的元素也许就是机器学习，Elena K.在她的首篇TDS故事中提供了充满实际行动的技巧和诀窍。
- 如果你对另一个以业务为重点的主题感兴趣，那么你很幸运：Matteo Courthoud回归了，他的新作品关注流失和收入的相互作用。
- 回到与LLMs的实际工作方面，Felipe de Pontes Adachi概述了监控它们行为的七个策略，以确保一致的性能。
- Anna Via的新文章鼓励产业数据从业人员在启动以机器学习为中心的项目之前退一步，询问是否真的需要一个机器学习模型来解决手头的问题。
感谢您对我们作者的支持！如果您喜欢在TDS上阅读的文章，请考虑成为VoAGI会员——它可以解锁我们的整个存档（以及VoAGI上的其他所有帖子）。
我们希望你们中的许多人也计划参加8月12日的VoAGI Day，庆祝这个社区和使它特殊的故事——注册（免费）现已开放。
在下一个Variable出现之前，
TDS编辑们
