OneFlow编译
翻译｜杨婷、贾川、徐佳渝
三十年前，互联网（Web 1.0）年代开启。人们只能在笨重的电脑上用鼠标点击由HTML编写的网页文本，随后开端支撑插入图片，可以上传视频，于是有了网络新闻、搜索、电子邮件、短信、网游……互联网带来了全新的商业模式，深入改动了人们的生产日子。
三十年后的当下，以ChatGPT为代表的大模型面世了。起先人们拿它当玩具，直到ChatGPT的诞生与人类完成惊艳交互，主动生成文本信息，而刚刚发布的GPT-4更是进化成支撑文本和图画的多模态大模型，还能了解图画、代码，现在现已接入到微软Office全家桶……
看到两者的共性了吗？
比尔盖茨说，ChatGPT不亚于互联网的诞生。而OpenAI总裁、联合创始人Greg Brockman更开门见山：“咱们会拿下Web 4.0。”在上一年ChatGPT发布前与ScaleAI CEO Alexandr Wang的对话中他这样谈到。而在3月10日举办的SXSW 23大会的另一场对话上，他称：咱们正在创立新型互联网或相似的东西。
多模态GPT-4更像往这一方向演化的雏形。在ChatGPT发布后，仅仅经过四个月的大约五次更迭，这个升级版模型展现出更震慑的效果和更大影响力。
这让一向在研讨人类大脑运作机制的 “深度学习教父”Geoffrey Hinton（mp.weixin.qq.com/s/ryxvfA9ho… 也不免感到激动：“毛毛虫提取营养物质，然后破茧成蝶。而人们现已萃取了数十亿了解的精华，GPT-4便是人类的’蝴蝶’（humanity’s butterfly）。”他还点评了让ChatGPT大获成功的秘密武器（mp.weixin.qq.com/s/sDeBYMvAw… ：人类反应的强化学习（RLHF）是在教育一个超自然早熟的孩子。
这使得人类与机器完成了动态互动，让机器的智能特征体现得更明显，不同于人类与传统互联网交互的静态办法。在Brockman看来，咱们正走在一个充溢生机的国际，AI将改动人们与信息互动的办法，它会了解并协助你。换句话说，GPT模型在真实改动人机交互的办法。
GPT模型所获得的效果令人艳羡，不过这树立在OpenAI数年的技能探究和坚定信仰上。
作为深度参加了GPT模型从0到1生产进程（mp.weixin.qq.com/s/E1_30D9Jw… ，以及推进GPT研讨和工程落地的主要“暗地推手”，Brockman对此深有体会，“它并非试图画快速致富那样昙花一现，而是一向在缓慢积累价值，才有了指数级增长带来的巨大报答。 ”
人们好奇包括GPT-4、ChatGPT在内的模型在爆发前所阅历的蛰伏和执着，尤其是有志于打造类GPT模型的研讨者们很想知道，GPT模型是怎样从开端的胚胎主意逐渐被OpenAI培育成孩子的？这个孩子又将怎样长成AGI？它在可预见的未来对这个国际会带来哪些变革？
关于这些疑惑，问Brockman再适宜不过了。此前，在SXSW 23以及与Alexander Wang的两场对话中，他对此进行了具体阐述，OneFlow按QA形式进行了编译收拾。（内容转载请联络OneFlow获得授权。）
1
ChatGPT的爆火
Q：ChatGPT是怎样发生的？GPT模型开端发布时显得有些违背常识，但却在某种程度上掀起了最新的AI浪潮，这与你们开端构建这些技能时的预期是否共同?
A： ChatGPT、GPT-3、DALLE 2这些模型看似一夜成名，但其实构建这些模型耗费了整整五年时刻，浸透多年的心血。
GPT模型的构建要从2017年发布的情感神经元论文（Neural Sentiment Neuron: A novel Neural Architecture for Aspect-based Sentiment Analysis）说起，这篇论文的思维很新颖，不过很多人或许现已忘了。
OpenAI研讨员Alec Radford对言语十分感兴趣（mp.weixin.qq.com/s/Q1G0Yv11W… ，并致力于聊天机器人的研讨。咱们真的很喜爱Alec，十分支撑他在咱们去调研严厉项目时做任何他想做的事。
其时他负责的一个项目一向在练习LSTM模型，以此来猜测亚马逊产品点评中的下一个字符。该模型能猜测下一个字符，了解点评类型，还会像机器人相同学习，不过它也并非一窍不通。
咱们发现LSTM模型中的单个神经元有助于开发出SOTA情感分析分类器（sentiment analysis classifier），可以告知你文本情感（正面点评或负面点评），这一发现听起来平平无奇，但咱们十分清楚地知道，这是一个逾越语法并转向语义的时刻。
咱们有必要不断去推进。2017年底，Transformer面世，其时OpenAI联合创始人Ilya Sutskever当即发现这正是OpenAI一向在期待的模型（mp.weixin.qq.com/s/Q1G0Yv11W… 因而，尽管其时Transformer还并不完善，但咱们依据它相继研制了GPT模型，依据对好的和糟糕的实际进行练习，以猜测给定单词序列的下一个词。然后运用强化学习，让人类引导模型找到正确的答案。
咱们内部作业的算法便是经过这些小办法来获取生计痕迹（signs of life） 。关于特定的数据集，有必要十分当心才干区分出真实的生计痕迹，不然就难以获得开展。但假如你的直觉精确，就会知道是时分加大算力和研讨人员的投入，进行模型扩展了。
GPT-2的面世明显令人眼前一亮，经过函数曲线就知道模型越大，需求投入的算力和数据就越多，一起获得的工程细节就越多，曲线就变得更好了。咱们的方针仅仅打破现有范式，不断改善模型，直到曲线趋于稳定。
一向到研制ChatGPT，咱们所做的额定作业便是让模型更有“生机（alive）”，并创立了一个超级简单易用的交互界面，免费供给给一切人。
Q：ChatGPT是在上一年11月底上线的，为什么会在这个节点发布？
A： 预备发布ChatGPT时，我一向告知团队，咱们可以十分保守，比方回绝做任何看起来有点草率的作业，最重要的是，不能在发布后的三天内就由于陷入舆论麻烦而关闭ChatGPT。
咱们稀有百个测试人员花了好几个月去做测试，但这与让它彻底暴露在充溢多样性和对抗性的真实用户运用环境中十分不同。
从2020年6月开端，咱们现已做了很长时刻的迭代部署，第一次开放产品的API给普通用户必定很紧张，但我坚信团队能应付自如。
Q：ChatGPT正式上线两个月内用户超过1亿，成为历史上增长最快的运用，而Facebook用了4.5年，TikTok用了9个月到达相似的效果。现在一切人都在评论ChatGPT，为什么它会成为杀手级运用？
A： 实践上，我经常考虑这个问题，ChatGPT背面的模型大约是在一年前研制的，所以并不是新技能，但它的不同在于对话更具共同性，你真的可以和它对话，它会做你想要做的事。其次，咱们让用户很简单就可以体会它的才能。
十分风趣的是，跟着ChatGPT真实开端流行起来，人们可以看到，适当长一段时刻内技能或许做到的作业以及实践能做的作业之间的差距。保证人们知道事物的开展方向真的很重要。对我来说，这或许是最大的收获。
Q：你以为生成式AI最风趣和最具颠覆性的用例是什么？
A： 我想讲一个个人轶事。医疗诊治绝对是一个高危险范畴。几年前，我妻子得了一种奥秘的疾病，她的腹部右下方感到疼痛，会是阑尾炎吗？咱们看了两个医师都以为是细菌感染，开了不同的抗生素，但都无济于事。第四个医师做了超声波检测才找到了病因。
而当我把那些症状输入到ChatGPT中，给出的答案是：第一，保证不是阑尾炎；第二，卵巢囊肿破裂，而这正是确诊的病因。但我不想让它替代医师，也不想让它告知我去服用这种超级罕见的抗生素。
Q：ChatGPT有时会一本正经地胡言乱语，就像醉酒的疯子。
A： 的确，所以在运用进程中更要有信息鉴别才能。其实ChatGPT的精确性很高，仅仅咱们在练习进程中损坏了一些信息。我很高兴人们经过与其交流来缕清思路，只将其作为一种全天候待命的认知辅佐东西。
Q：你能共享一下关于GPT模型未来版别的主意吗？它是否会更谨慎、更具发明力？
A： 先解释下咱们是怎样构建这些体系的。第一步，咱们需求练习一个基础模型，它的方针仅仅猜测下一个单词。 咱们会给这个模型供给很多的文本数据，但并不会告知它哪些信息是正确的。这个模型需求在这些文本数据中学习，并且在这个进程中有必要考虑一切上下文信息来猜测下一个词。所以这个模型一起也会习得成见、意识形态和思维等信息。
第二步是进行人类反应的强化学习（RFHL），也被称为后期练习（post training）。 在这一阶段，咱们会从很多的文本数据中挑选有用的数据，告知它怎样正确地处理数据。
但是，还存在一个十分重要一起又十分扎手的问题，那便是AI应该做些什么？谁来作出这个决议？这是一个十分不同的议题，咱们正在不懈尽力让它具有合法性（legitimacy）。咱们发现，基础模型自身实践上是依据其不确认性进行校准的，但这对后期练习来说是一项需求解决的工程性难题。
自上一年12月以来，咱们现已发布了四到五个不同版别的ChatGPT，例如实际精确性和错觉问题均已得到了改善。这得益于经过后期练习不断改善。
我信任，未来咱们将会具有愈加精确、可以自我检查作业质量、知道何时回绝、何时供给协助的GPT体系，一起还能协助人类完成愈加艰巨的使命。
2
构建GPT模型的信仰
Q：很多人在初度运用GPT-3时就深受震慑，尤其是模型的定性新行为（qualitatively new behaviors），而不仅仅模型在既定使命上的杰出体现。你看到前期模型效果时是否会感到这很神奇？
A： 其时的效果令我十分振奋。咱们只需求写出函数称号和文档字符串就能真实编写出函数，尽管不是十分杂乱的函数，但它可以依据要求写出代码，做一些小小的修正就能满足需求。
风趣的是，曾经咱们以为模型只在特定数据分布中体现出色，一旦超出分布规模就会呈现问题，而GPT-3的范式可以运用于不同的数据分布。你会发现模型具有泛化才能，并且对已知的数据，泛化才能更强。
那模型关于不知道的数据的泛化才能怎样样？人类不太擅长未涉足的范畴，而模型可以从很多不同配置中学习并提取有用信息，这简直难以幻想。
Q：在开发GPT-3的进程中，需求投入很多的核算资源，并且实验也纷歧定能成功，这需求很大的决心和决心。在整个进程中，你是否置疑过自己，或者是否信任只要不断进行测验就能获得成功？
A： 完成模型扩展并不是想当然的事，需求不断测验才干找到最佳解决方案。风趣的是，当咱们得到首个扩展效果时，坚信这是正确的办法，可以一向推进，直至获得最佳效果。
咱们研讨DOTA这款游戏整整三年。一开端，咱们对这款游戏一窍不通，经过不断尽力打败了游戏开发商内部的团队，最终成功打败作业团队。期间，咱们进行模型扩展，并且解决一切bug，在每一个维度上不断迭代，从而获取更好的报答。这相同适用于GPT-2模型扩展，其迭代进程适当杂乱，为此还需求分配出很多的核算资源，这需求具备坚定的信仰。
另一方面，模型扩展是迭代的进程，因而你不用考虑会做出不可逆转的决议，由于每一步都能从实际中得到反应，这样就可以从全局考虑“假如这个方案成功了会怎样”。一起，还能保证你已为成功做好了预备。
不过，也不要盲目将一整年时刻都花在或许不会获得预期效果的事上。平衡这两者才是要害所在。
Q：从DOTA和情感神经元中学到的东西是你们制胜的要害。尽管从外部看，这些零散的常识不是很直观，但将其整合在一起就为扩展和构建GPT-3指明了方向。这如同便是立异的办法：将各种实验效果整合在一起，就构建出了新事物。
A： 这便是第一性原理的实践。
3
为何看好AI的开展
Q：2017年左右，AI算法还十分弱，但你就坚信AI的才能会逐渐进步，具有很好的开展前景，为什么你会对AI有如此达观的态度？
A： 在某种程度上来说，这其实是一种直觉。我在上学时就对NLP十分感兴趣，还找了一位这方面的专家，请求与他做NLP方面的研讨，他附和了。他给我讲解了一些NLP范畴的相关内容，但听完后觉得，NLP不是我想要的东西，由于它没有正确的特性（properties），就如同咱们在NLP体系中投入了很多精力，做了很多作业，但却无法说清楚言语到底是怎样作业的，仿佛缺少了某种内涵的东西。相反，神经网络的运作就十分清晰，神经网络体系就像海绵相同很多吸收数据、算力，它有正确的形状因子（form factor）。
但咱们疏忽了一件事，那便是这个神经网络能否被练习，要考虑是否有满足的数据、算力、是否有满足的才能等。
2012年，Alex的论文让神经网络重获关注，我以为这是神经网络范畴获得的第一个重大效果。人们在核算机视觉研讨方面花了几十年的时刻，但CNN的呈现让这一范畴有了质的腾跃。
这就如同是一些本来彼此阻隔的部分的阻隔状况一天天被打破，清楚地标明某些作业行将发生，有某种巨大的潜力正在等候被发掘。
Q：你们是否置疑过技能方面的挑选，仍是说一向都很有决心，从未动摇过？
A： 在这个进程中，咱们难免会质疑所做的挑选，置疑战略是否正确，所做的事是否正确。比方咱们会进行屡次核算以确认模型巨细，由于犯错在所难免，有必要找出这背面的原因，毕竟不能盼望AI去找原因。
扩展定律（scaling law）便是一个很好的比如，咱们做这个研讨是为了更科学地了解模型在各个函数图轴上的进步办法，咱们不断给模型供给算力和数据，但终究有限。多年今后，咱们忽然意识到对这条函数曲线的了解有误，因而，咱们又投入了很多的token和数据去练习模型。
从下游结论来看，练习数据太少，所以得出的结论就不太对。之后在某个时刻，你会忽然意识到原来问题出在基本假定上，这样一切就都说得通了。
我一向有一种感觉，在作业中假如坚持不懈，不断探究，做到极致，将是最激动人心的时刻，这意味着咱们触及到技能范畴的极限，真实做成了一些作业，一起也意味着终于能看清下一步的方向。
Q：这让我想到了Stripe公司的运营准则之一：微观上达观，微观上悲观。这句话很能引起共鸣，在面对技能问题时，咱们有必要要做好最坏的打算，但明显，从长期来看，你对自己的作业一向很有决心。
A： 是的，这是一个充溢热情与生机，具有强壮力气的范畴，咱们要怀有敬畏。
这些模型开端仅仅一堆随机数字，在数字的基础上人们开展出了超级核算机，海量数据集，咱们做了算法开发等很多的工程作业，然后再进行整合。
神经网络是独一无二的技能范畴，从根本上来说，它就像是一块海绵，咱们只需求喂入数据，就能练习出模型，这个模型可以重复运用，可以处理跨范畴的作业。而传统软件需求人工去写下一切规矩，从这些规矩中得到反应，人们或许可以使用Spark集群来处理一些事务，但我并不想这样做，我对神经网络更感兴趣。
Q：在兴办OpenAI之前，你担任过Stripe首席技能官，这两家企业可以说都是业内标杆，但它们有何异同？
A： 很风趣的一点是，当这两家公司面对问题时，采纳的思维办法都是第一性原理思维。
Stripe在产品预发布时激起了必定的浪花，究其实质是咱们在前期就具有必定的客户。其时，一位做危险投资的朋友想知道产品预发布成功的诀窍。当我告知他不过是改善了付款办法，他一脸的难以幻想，但那其实便是秘密武器。
咱们从第一性原理出发，即事物的实质出发去从头考虑干事的办法，而非一味地照搬别人做法。咱们会问自己：应该怎样做？难点在哪儿？有必要这样做吗？
OpenAI在AI范畴干事的办法与之前相似。为了进军AI界，咱们雇佣了很多接触过该范畴的职工，不过也有人从未涉足过Ai，而是以初学者的身份进入AI界。在我看来，以这种办法进入一个不知道范畴能免受其常规做法的捆绑，一切从零开端，排除外在要素的影响。
两家公司之间也存在差异。对Stripe而言，它开发了传统的Playbook，在考虑出立异点后，就对产品进行构建、打磨，并且在构建产品的第一天就有方针客户。OpenAI则需求研讨客户是谁，从2015年底开端，到2020年咱们才具有了第一款真实意义上的产品。
因而，要弄清楚做什么以及能做好什么，而对这些作业的考虑都源于组织内部而非外部。
4
达观看待AI的潜在危险
Q：人们对OpenAI的研讨也有很多担忧，比较忧心技能方面潜在的负面影响。人们说AI将替代咱们的作业。那么，哪些作业的危险最高？
A： 曩昔，人们以为AI将首先替代那些从事体力劳动的作业，但实践状况并非如此。现在，AI在认知方面的开展现已获得了巨大进步（例如写诗），但在物理性质的事物开展上却没有十分大的进步。
这标明，AI的开展进程与人们的预期相差甚远。此外，仍有一些作业无法完成主动化，这标明人类的才能比咱们幻想得更强壮。
作为一名程序员，我的期望是可以凭借东西进步作业效率。现在，咱们运用的AI代码助手Copilot可以主动补全代码，关于一些不太熟悉编程言语或特定的库函数的人来说十分有用。而ChatGPT更强壮，可以协助咱们编写整个函数，或者依据需求编写聊天机器人结构。
未来的编码进程将会变得愈加简化，咱们只需做出设计决策，而不用亲身编写每一行代码，这将大大进步作业效率，一起也可以协助咱们在作业上更进一步。
Q：假如将认知才能都外包给AI，那么人类的智力会不会有下降危险？
A： 这也是最让我彻夜难眠的事。放在曾经，这种趋势或许会令人振奋，但我发现，人们逐渐不再喜爱阅览和考虑。所以在这项新技能来临之前，咱们要保证怎样使其成为人类的“智力倍增器”而非“减少器”。
人类真实需求的是能为咱们分化问题的“导师”，而不是帮咱们全盘解决问题的AI。正所谓授人以鱼不如授人以渔，只要这样咱们才干走得更远。
Q：跟着数据、算法和核算规模的不断增长，大公司会竞相构建更大、性能更好的超级核算机，而具有更大的超级核算机就意味着比其他超级核算机更具优势，这种状况会成为未来的开展趋势吗？是否能找到一种更开放、更有用的办法，防止它成为大公司之间的竞争东西？
A： 未来的开展趋势就像核算技能在更多范畴的重演。未来仍然会呈现只要少数人掌握的越来越庞大的超级核算机，能创立出常人无法构建的超级大模型，但这并不会削弱人们使用这些模型所做作业的价值。
我以为，超级强壮的、具有两层用途的、极度杂乱的体系，像风力涡轮机那样将涣散在各处的、愈加简单掌控的体系之间进行权衡是很重要的。关于十分强壮的新式技能，有必要采纳两层解决方案。
跟着技能的开展，人们对AI的观点也发生了改动，开端发现AI真的有用。朋友们，是时分开端构建（AI）了。
Q：有研讨标明，当时科学开展的脚步整体上在放缓，而AI相对在逐渐加速乃至正走向复兴。你是否担心AI的开展在未来也会放缓？
A：事物总是呈S型曲线开展，并且一般会有范式改动。 Ray Kurzweil的《奇点接近》一书介绍了核算机不同职业的开展曲线，展现了各种性能的时刻改动。100年来，咱们差不多阅历了五次不同的范式改动，才发明出了当时的核算机。咱们当下在做的作业也会是S形曲线，并呈现范式改动，这体现了人类的发明力。
另一方面，范式是否发生改动并不重要。 现在AI的重点是它的用途，咱们期望经过AI来进步核算机的才能，让核算机发挥更大的效果，当然，它也带来了一些新问题，但总的来说，它解决的问题要比发明的问题多得多，并且改动了人类的交互办法。
在AI范畴，咱们获得了一些新的打破，以GitHub Copilot为例，它能在很低的时延下完成代码的主动编写，但假如时延超过了1500毫秒，那么该东西就没有人会运用。
现在有些作业人类完成不了，但可以用机器来辅佐咱们完成，这才是重点。假如咱们正在做的作业开展进入阻滞，也并不影响它们能发明的价值。
Q：你对AI开展的最大顾忌是什么？
A： 人们关于AI的观点一向都比较有意思。假如回到十年前，你翻开任何一篇文章，或者说问街上的任何一个人关于AI的观点，必定都是负面的，人们关于AI的观点一向都比较杂乱，混合着恐惧的情绪。人们有时能看到AI的潜力，有时看不到，但是咱们一向在试图看清AI。
我彻底附和人们所说的，既要看到AI好的一面，也要看到坏的一面，不能做一个盲目的达观主义者，也不能彻底悲观，如同人类快要走向消亡相同，这两种观点都是有问题的。
AI开展将阅历不同的开展阶段。现在面对的最大应战是乱用问题，体系自身还不是那么强壮，但其实问题的根源在于背面的人心，尽管文字具有强壮的力气，但不会直接影响这个国际，问题出在人们的行动上。咱们要在社会和技能层面找到防止乱用的办法并对体系进行监督，这至关重要。
另外，将来体系自身会变得十分强壮，假定体系在没有监控的状况下与多人互动，将发生什么样的影响？关于这种状况OpenAI现已有所警觉，咱们要建造与全人类价值观相符的体系，有挑选性地让特定价值观进入到体系傍边。当然，要做到这一点并不简单。
5
AI的未来开展方向
Q：AI在哪些方面有值得期待的运用场景？
A： AI真实能做的是增强人类现有的才能，在写作、编程和文娱等常识作业方面便是如此。最令我感到振奋的是，技能门槛将会降低。关于那些有构思并想付诸实践的人来说，AI会为他们供给一个“完好的构思作业室”。专业人士也将有时机发明出比任何业余人士都更好的东西。
AI不仅不会使人们的技能消失，反而还会使生产力倍增。 比方激发人们的发明力，不会画画的人现在可以经过模型发明出各种图画，现在咱们可以让自己脑海中的画面真实呈现在纸面上。比方3D设计师们可以先使用DALLE对他们想要的东西进行烘托，然后再开端制作。
很多人都看过《权利的游戏》，但我知道结局却没能遂每个人的愿。有了AI，人们就可以制作自己想要的结局，乃至将自己作为主角代入其中。有人或许会说“我并不需求”，但这就像口袋里的手机，你可以不用，但需求的时分，它就能派上用场。
Q：你怎样看待AI的未来？
A： AI仍然会是一个活跃且多变的范畴，它的开展或许会出乎一切人的预料。咱们的使命是尽或许地为AI开展供给便利。
最早一批使用GPT-3供给服务的客户估值现已到达了数十亿美元。看着模型为如此多的人发明巨大价值，是一件很有效果感的作业。
未来十年，这些模型将快速开展，运用将无处不在。AI的开展会和互联网相似， 1990年，人们对互联网还知之甚少，21世纪初，人们开端对互联网感兴趣，这时机遇与应战并存。现在，互联网现已成为商业开展中不可分割的一部分。
咱们的使命便是开发通用人工智能，去建造出一种可以处理一切使命的全能机器，并将这一技能开发到极致，让它们在最具经济价值的作业上到达逾越人类的体现。 要做到这种程度仅仅时刻问题，当这些东西真的开展到了如此有发明性的境地，且可以逾越人类的时分，它们乃至会自发地开端作业。
未来，咱们还不知道AI的价值会怎样分配，也不知道该怎样使用AI来解决人们现在难以应对的应战，例如气候改动、大学教育等等。
Q：这些技能呈现的时机也很有意思，上一年，人人都在评论Web 3.0是加密货币（crypto），但如今看来，AI才是真实的Web 3.0。
A： 咱们会拿下Web 4.0。
Q：你提到两个十分有意思的方向，一是GPT模型等现存技能的进步，它们在商业上的运用越来越广泛，二是通用人工智能算法的继续进步。现在来看，AGI的开展方向会是怎样的？
A： 人类很早曾经就开端了对通用人工智能的研讨，这点仅从神经网络的开展历史就可以看出。2012年是改动国际的一年，算力需求每年增长10倍，并且还在继续增长。报答开端变得可预期，所以咱们要投入更多的资金来建造大规模的超级核算机。
经过注入更多算力、更好地使用反向传播神经网络技能，构建更强壮的模型，这个流程是很固定的。但其中的细节或许会有所改动，比方你想要开发GPT模型仍是Whisper、注入语音数据仍是从互联网注入文本数据，这些细节或许很重要，这联系到你要做什么，要下载什么资源。但假如放大视角看待这项技能，这又没那么重要。
咱们学会了使用扩展定律来进行一切的科学调整，务必要保证这些模型不仅聪明，并且与人类的目的保持共同。咱们的方针是每年都做一些曾经不或许做成的作业。
咱们正在构建的东西就跟构建核算机相同。 在摩尔定律的光辉时期，新芯片层出不穷。由于要想树立最好的核算机，只需求不断构建下一个最好的芯片，并继续对技能中的各部分进行改善。
相关链接：
[1]. aibusiness.com/nlp/sxsw-23…
[2]. www.youtube.com/watch?v=Rp3…
[3]. www.youtube.com/watch?v=YNk…
欢迎 Star、试用 OneFlow 最新版别：
github.com/Oneflow-Inc…
