GoogleDeepMind最近發現的一項新結果在Transformer領域引起了廣泛爭議：
它的泛化能力，無法擴展到訓練資料以外的內容。
目前這一結論還沒有進一步得到驗證，但已經驚動了一眾大佬，比如Keras之父Francois Chollet表示，如果消息為真，將成為大模型界的一件大事。
GoogleTransformer是今天大模型背後的基礎架構，我們所熟悉的GPT裡的「T」指的就是它。
一系列大模型表現出強大的上下文學習能力，可以快速學習範例並完成新的任務。
但現在，同樣來自Google的研究人員似乎指出了它的致命缺陷──超越訓練資料也就是人類已有知識之外，全都無能為力。
一時間，不少從業人員認為AGI又變得遙不可及。
有些網友指出，論文中還有一些被忽略的關鍵細節，例如實驗只涉及了GPT-2的規模，訓練資料也不夠豐富
隨著時間的推移，更多認真研究了這篇論文的網友則指出，研究結論本身沒什麼問題，但人們卻基於此做出過度的解讀。
在論文引發網友熱議後，其中一位作者也公開進行了兩點澄清：
#首先，實驗中採用的是簡單的Transformer，既不是「大」模型，也不是語言模型；
其次，模型是可以學習新任務的，只是無法泛化到新類型的任務
此後，又有網友在Colab中重複了這項實驗，卻得到了完全不同的結果。
那麼，我們就先來看看這篇論文，還有提出不同結果的Samuel，到底都說了什麼。
在這個實驗中，作者使用基於Jax的機器學習框架訓練了一個規模接近GPT-2的Transformer模型，該模型僅包含解碼器部分
這個模型包含12層，8個注意力頭，嵌入空間維度為256，參數量約為950萬
為了測試它的泛化能力，作者選擇了函數作為測試對象。他們將線性函數和正弦函數作為訓練資料輸入模型中
這兩個函數對於此時的模型來說是已知，預測的結果自然也很好，但當研究者把線性函數和當正弦函數進行了凸性組合時，問題就出現了。
凸性組合並沒有那麼神秘，作者建構出了形如f(x)=a·kx (1-a)sin(x)的函數，在我們看來不過是兩個函數按比例簡單相加。
我們之所以會這麼認為是因為我們的大腦具備這種泛化能力，而大規模模型則不同
對於只學過線性和正弦函數的模型來說，簡單的相加看起來很新穎
針對這種新函數，Transformer的預測幾乎沒有任何準確性（見圖4c），因此作者認為該模型在函數上缺乏泛化能力
为了进一步验证自己的结论，作者调整了线性或正弦函数的权重，但即使这样Transformer的预测表现也没有显著的变化。
只有一点例外——当其中一项的权重接近1时，模型的预测结果和实际就比较吻合了。
如果权重为1，则表示陌生的新函数直接变成了训练时已经见过的函数，这种数据对于模型的泛化能力显然没有什么帮助
进一步实验还显示，Transformer不仅对于函数的种类十分敏感，甚至同种函数也可能变成陌生条件。
研究人员发现，在改变正弦函数的频率时，即使是简单的函数模型，预测结果也会出现线束变化
只有当频率接近训练数据中的函数时，模型才能给出比较准确的预测，当频率过高或过低时，预测结果出现了严重的偏差……
据此，作者认为，条件只要稍微有点不一样，大模型就不知道怎么做了，这不就是说明泛化能力差吗？
作者在文中也自述了研究中存在的一些局限性，如何将函数数据上的观察应用到token化的自然语言问题上。
团队也在语言模型上尝试了相似的试验但遇到一些障碍，如何适当定义任务族（相当于这里的函数种类）、凸组合等还有待解决。
然而，萨缪尔的模型规模较小，只有4层，在Colab上训练5分钟后就可以适用于线性与正弦函数的组合
根据整篇文章的综合内容来看，Quora CEO在这篇文章中的结论非常狭隘，只有在许多假设成立的情况下才能成立
斯隆奖得主、UCLA教授顾全全说，这篇论文本身的结论不存在争议，但不应该被过度解读。
根据之前的研究，Transformer模型只有在面对与预训练数据明显不同的内容时才无法泛化。事实上，大型模型的泛化能力通常是通过任务的多样性和复杂性来评估的
如果仔细追究Transformer的泛化能力，恐怕要让子弹再飞一会儿了。
但是，就算真的缺乏泛化能力，又能怎么样呢？
英伟达AI科学家Jim Fan就说，这种现象其实没啥奇怪的，因为Transformer本来就不是万金油，大模型表现得好，是因为训练数据刚好是我们关心的内容。
Jim进一步补充道，这就好像是在说，用一千亿张猫狗的照片训练视觉模型，接着让模型去识别飞机，然后发现，哇，居然真的不认识诶。
人类在面对一些未知任务时，不仅仅是大规模模型，也未必能够找到解决方案。这是否也暗示了人类缺乏泛化能力呢？
因此，在以目标为导向的过程中，不论是大型模型还是人类，最终的目的都是解决问题，而泛化只是一种手段
將這個表達方式換成中文，既然泛化能力不足，那就將其訓練到沒有訓練樣本之外的數據為止
那麼，對於這項研究，你有什麼看法呢？
論文網址：https://arxiv.org/abs/2311.00871
以上是谷歌大模型研究引發激烈爭議：訓練資料以外的泛化能力受到質疑，網友表示AGI奇點或被延後的詳細內容。更多資訊請關注PHP中文網其他相關文章！
