note

一、引言

• 语言模型最初是在信息理论的背景下研究的，可以用来估计英语的熵。
  • 熵用于度量概率分布：$$H(p)=\sum _{x}p(x)\log \frac{1}{p(x)}.$$
  • 熵实际上是一个衡量将样本$x\sim p$ 编码（即压缩）成比特串所需要的预期比特数的度量。举例来说，“the mouse ate the cheese” 可能会被编码成 “0001110101”。熵的值越小，表明序列的结构性越强，编码的长度就越短。直观地理解，$\log \frac{1}{p(x)}$ 可以视为用于表示出现概率为$p(x)$的元素$x$的编码的长度。
  • 交叉熵H(p,q)上界是熵H§：$$H(p,q)=\sum _{x}p(x)\log \frac{1}{q(x)}.$$，所以可以通过构建一个只有来自真实数据分布$p$的样本的（语言）模型$q$来估计$H(p,q)$
• N-gram模型在计算上极其高效，但在统计上效率低下。
• 神经语言模型在统计上是高效的，但在计算上是低效的。
• 大模型的参数发展：随着深度学习在2010年代的兴起和主要硬件的进步（例如GPU），神经语言模型的规模已经大幅增加。以下表格显示，在过去4年中，模型的大小增加了5000倍。

二、大模型的能力

三、大模型的有害性（上）

四、大模型的有害性（下）

五、大模型的数据

Reference

[1] 斯坦福大学CS324课程：https://stanford-cs324.github.io/winter2022/lectures/introduction/#a-brief-history
[2] CS224N lecture notes on language models