要啥给啥的写作AI：新闻评论小说都能编，题材风格随便选，真假难辨，16亿参数模型已开源

鱼羊 乾明 发自 凹非寺 量子位 报道 | 公众号 QbitAI

AI编故事，一模更比一模秀。

这里“一模”，自然是OpenAI横空出世的GPT-2。但今日更秀的另一模型，来自Salesforce——全球最大的SaaS提供商，虽然之前AI能力展露不多，但这一次，绝对一鸣惊人。

作家知道会沉默，评论水军看了要流泪。因为定向化编故事、生成文案评论的能力，实在太强了！

话不多说，直接看“作品”。

定向化编故事，真假难辨

给它一把刀，它编出了这样的“恐怖故事”：

刀柄从洞里拔了出来。当刀击中我时，我吓了一跳，惊恐地睁大了眼睛。除了呜咽声，我只听到她的尖叫声。 蜘蛛准备挖她上面的拱顶时，碰到了她的脚，小家伙的眼泪开始流下来。蜘蛛抬头看着她，回望着我，眼里充满了热泪。我的心开始狂跳……

有情景、有逻辑、有细节，还有故事性，写作功力简直职业作家水平。

还能编出“买家好评”：

刀是一种工具，这个很好用。这是我买给我丈夫的。他拿到它们之后就一直用它们来切肉。 他说它们很锋利，所以使用时要小心，但这似乎不是什么大问题。从鸡胸肉到牛里脊肉，他都切过……

相比无脑好评的水军，AI给出的结果很难想象是机器写的，核心信息点、细节，全都有了。

但写得好、写得真假难辨，还不是重点！

更关键的是，这个模型的独特之处——只需要给出条件，它就能“定向”编故事，写命题作文，指哪打哪，想写什么风格就写什么风格。

与脑洞过于天马行空的GPT-2相比，它更能够被人驯服利用。

于是模型放出后，很快就引起了业内人士的关注。也有人给出评价：

这太酷了！能够以更结构化的方式控制文本生成非常有价值。

而且，这个NLP模型具有16亿参数，比之前最大的GPT-2还要多一个亿。

虽然同样担心模型被滥用，但在研究人员看来，开放可能会更好，能让更多的人参与进来，一起抵抗。

所以，他们直接在GitHub上放出了多个全尺寸的、经过训练的 CTRL 版本。而不是像GPT-2一样，挤牙膏开源。

而且，它还是个全能选手，不仅能编故事，比如在Reddit论坛健身、理财板块发表不同的评论。

它还有很多正经用途：编写维基百科词条、回答各类常识问题、翻译文字等等。

那么这是一个怎样的NLP模型？

16亿参数的语言模型

这个模型，有一个非常有“灵性”的名字：CTRL，全称为Conditional Transformer Language，基于条件的Transformer语言模型。

自从有了Transformer，文本生成领域的大前辈就一个接着一个，这厢BERT开创先河，那厢GPT-2都能写论文了。

但是，与人类的创作方法不同，生成的文本再以假乱真，语言模型前辈们也不能按照特定的主题来写作内容。

于是，CTRL诞生了。

这是一个拥有多达16亿参数的条件Transformer语言模型（GPT-2模型参数15亿），采用无监督学习，并且正如其名，能够对文本生成的内容进行更精准的控制。

比如给出一个商品评分：1.0。

GPT-2生成的内容是这样的：

而CTRL，会生成这样的结果：

我为我儿子买了这个，他是这个节目的忠实粉丝。在拿到它之前，他非常期待。但当他打开它时，我们都非常失望。产品质量太差了。它看起来就像是一元店里的东西。 这玩意儿状况很差。前盖上有几处划痕以及其他一些轻微磨损……

实现的关键，在于控制代码（control codes）。

CTRL以控制代码c为条件，学习分布 p ( x | c )。这一分布可以用概率链规则分解，并通过考虑控制代码的损失来进行训练。

控制代码能使用户意图为语言模型所理解。

通过标注训练数据集的特定标签，CTRL模型中大部分控制代码能指定生成文本的整体样式。

即使给出的提示（prompt）相同，控制代码也允许生成多样化的内容。并且，就算不给提示，CTRL一样能生成特定风格的文本。

△在有控制代码的情况下，开头也不用给

而将控制代码添加到标签代码中，可以进一步限制生成。

比如在OpenWebText版本中，在每一个文档后面加入URL地址，作为输入序列的开头。

这样，CTRL在训练过程中，就会学习这些URL的结构和文本之间的关系。在推理过程中，URL可以指定各种功能，包括域，子域，实体，实体关系，乃至日期。

除此之外，还有一小部分控制代码是与问答、翻译这样的特定任务相关的。这些控制代码相对复杂。

好玩的是，混合控制代码会产生一些有意思的文本。

比如把翻译控制代码混合到饮食这个标签中，生成的文本就拥有了两种不同语言的版本：

再比如说把政治和法语提示混到一起：

这些组合，在此前的训练中都没有出现过。

值得一提的是，CTRL的训练文本数据多达140GB，包括维基百科，Gutenberg上的书籍，OpenWebText2数据集（GPT-2网页文本数据集克隆版），大量新闻数据集，亚马逊评价，来自ELI5的问答，以及包括斯坦福问答数据集在内的MRQA共享任务等等等等。

数据集虽然没有开源，但Salesforce表示，他们会发布与数据收集相关的代码。

以及，由于控制代码和用于训练模型的文本之间存在直接关系，CTRL能判断出新文本生成时对其影响最大的数据源是哪一个。

全球最大的SaaS服务提供商出品

这篇论文来自Salesforce——全球最大的SaaS服务提供商。

最近最为人关注的是一次大规模商业并购：豪掷157亿美元收购大数据公司Tableau。

Salesforce Research是其内部的研究部门，核心目标是用AI来解决业务中的问题，已经在NLP领域颇有建树。

目前，这一部门由Salesforce的首席科学家Richard Socher领导。

他博士毕业于斯坦福大学计算机系。2016年，自己创办的公司被Salesforce收购后，加入Salesforce。

根据他个人网站信息，仅在2019年他就发布了11篇顶会论文，其中ACL 2019 3篇；ICLR 2019 6篇；CVPR 2019 1篇；ICML 2019 3篇。

他也是这篇论文的作者之一。这篇论文的其他作者，都是Salesforce Research的研究员。第一作者有两位，分别是Nitish Shirish Keskar和Bryan McCann。

其中，Nitish Shirish Keskar是Salesforce的高级研究员，博士毕业于西北大学，研究方向为深度学习及其在自然语言处理和计算机视觉方面的应用。他的个人页面显示，已经发表了14篇论文，其中不乏ICLR等顶会。

Bryan McCann也是Salesforce高级研究员，毕业于斯坦福大学，曾经担任过吴恩达机器学习课程的助理，研究方向是深度学习及其在自然语言处理方面的应用。个人网站显示，他发表过7篇论文，不乏ACL、NeurIPS、EMNLP等AI顶会。

引发参数热议

这一研究成果，也引起了大家对模型参数的讨论。

有人说，15亿参数也好，16亿参数也罢，要是英伟达的Megatron放出来，80亿参数肯定都通通碾压。

但也有人给出冷思考，表示参数很多并不是优点，而是一个弱点。阿姆斯特丹大学的助理教授Willem Zuidema说：

为什么规模大是一个卖点？我理解人们为建立了一个非常好的模型而自豪，甚至为找到了在有限的计算资源上训练大型模型的方法而自豪。 但在我看来，16亿参数本身似乎是一个弱点，而不是优势。

对此，Richard Socher也给出了回应：

确实，假设性能相同，较小的模型更好。但事实证明，只要你在大量的训练数据上训练它，语言模型的性能和记忆事实的能力与大小是密切相关的。

Jelle Zuidema再度回应，给出了进一步的解释：

令我惊讶的是，“最大”是声明中的第一个形容词，而“高质量”只是最后一点。 我认为有必要提醒人们，理想的方法仍然是更少的参数、更少的培训和更好的性能。

你怎么看？

传送门

最后，如果你对这个研究感兴趣，请收好传送门：

项目地址： https://github.com/salesforce/ctrl

论文地址： https://einstein.ai/presentations/ctrl.pdf

博客文章： https://blog.einstein.ai/introducing-a-conditional-transformer-language-model-for-controllable-generation/