没想到时至今日，ChatGPT 竟还会犯低级错误？

吴恩达大神最新开课就指出来了：

(资料图片仅供参考)

ChatGPT 不会反转单词！

比如让它反转下 lollipop 这个词，输出是 pilollol，完全混乱。

哦豁，这确实有点大跌眼镜啊。

以至于听课网友在 Reddit 上发帖后，立马引来大量围观，帖子热度火速冲到 6k。

而且这不是偶然 bug，网友们发现 ChatGPT 确实无法完成这个任务，我们亲测结果也同样如此。△实测 ChatGPT（GPT-3.5）

甚至包括 Bard、Bing、文心一言在内等一众产品都不行。

△实测 Bard

△实测文心一言

还有人紧跟着吐槽， ChatGPT 在处理这些简单的单词任务就是很糟糕。

比如玩此前曾爆火的文字游戏 Wordle 简直就是一场灾难，从来没有做对过。

诶？这到底是为啥？

关键在于 token

之所以有这样的现象，关键在于token。token 是文本中最常见的字符序列，而大模型都是用 token 来处理文本。

它可以是整个单词，也可以是单词一个片段。大模型了解这些 token 之间的统计关系，并且擅长生成下一个 token。

因此在处理单词反转这个小任务时，它可能只是将每个 token 翻转过来，而不是字母。

这点放在中文语境下体现就更为明显：一个词是一个 token，也可能是一个字是一个 token。针对开头的例子，有人尝试理解了下 ChatGPT 的推理过程。为了更直观的了解，OpenAI 甚至还出了个 GPT-3 的Tokenizer。比如像 lollipop 这个词，GPT-3 会将其理解成I、oll、ipop这三个部分。

根据经验总结，也就诞生出这样一些不成文法则。

1 个 token ≈ 4 个英文字符≈四分之三个词；

100 个 token ≈ 75 个单词；

1-2 句话≈ 30 个 token；

一段话≈ 100 个 token，1500 个单词≈ 2048 个 token；

单词如何划分还取决于语言。此前有人统计过，中文要用的 token 数是英文数量的1.2 到 2.7 倍。

token-to-char（token 到单词）比例越高，处理成本也就越高。因此处理中文 tokenize 要比英文更贵。

可以这样理解，token 是大模型认识理解人类现实世界的方式。它非常简单，还能大大降低内存和时间复杂度。

但将单词 token 化存在一个问题，就会使模型很难学习到有意义的输入表示，最直观的表示就是不能理解单词的含义。

当时 Transformers 有做过相应优化，比如一个复杂、不常见的单词分为一个有意义的 token 和一个独立 token。

就像annoyingly就被分成"annoying" 和 "ly"，前者保留了其语义，后者则是频繁出现。

这也成就了如今 ChatGPT 及其他大模型产品的惊艳效果，能很好地理解人类的语言。

至于无法处理单词反转这样一个小任务，自然也有解决之道。

最简单直接的，就是你先自己把单词给分开喽 ~

或者也可以让 ChatGPT 一步一步来，先 tokenize 每个字母。又或者让它写一个反转字母的程序，然后程序的结果对了。（狗头）不过也可以使用 GPT-4，实测没有这样的问题。

△实测 GPT-4

总之，token 就是 AI 理解自然语言的基石。

而作为 AI 理解人类自然语言的桥梁，token 的重要性也越来越明显。

它已经成为 AI 模型性能优劣的关键决定因素，还是大模型的计费标准。

甚至有了 token 文学

正如前文所言，token 能方便模型捕捉到更细粒度的语义信息，如词义、词序、语法结构等。其顺序、位置在序列建模任务（如语言建模、机器翻译、文本生成等）中至关重要。

模型只有在准确了解每个 token 在序列中的位置和上下文情况，才能更好正确预测内容，给出合理输出。

因此，token 的质量、数量对模型效果有直接影响。

今年开始，越来越多大模型发布时，都会着重强调 token 数量，比如谷歌 PaLM 2 曝光细节中提到，它训练用到了 3.6 万亿个 token。

以及很多行业内大佬也纷纷表示，token 真的很关键！

今年从特斯拉跳槽到 OpenAI 的 AI 科学家安德烈 · 卡帕斯（Andrej Karpathy）就曾在演讲中表示：

更多 token 能让模型更好思考。

而且他强调，模型的性能并不只由参数规模来决定。

比如 LLaMA 的参数规模远小于 GPT-3（65B vs 175B），但由于它用更多 token 进行训练（1.4T vs 300B），所以 LLaMA 更强大。

而凭借着对模型性能的直接影响，token 还是 AI 模型的计费标准。

以 OpenAI 的定价标准为例，他们以 1K 个 token 为单位进行计费，不同模型、不同类型的 token 价格不同。

总之，踏进 AI 大模型领域的大门后，就会发现 token 是绕不开的知识点。

嗯，甚至衍生出了 token 文学……

不过值得一提的是，token 在中文世界里到底该翻译成啥，现在还没有完全定下来。

直译 " 令牌 " 总是有点怪怪的。

GPT-4 觉得叫 " 词元 " 或 " 标记 " 比较好，你觉得呢？

参考链接：

[ 1 ] https://www.reddit.com/r/ChatGPT/comments/13xxehx/chatgpt_is_unable_to_reverse_words/

[ 2 ] https://help.openai.com/en/articles/4936856-what-are-tokens-and-how-to-count-them

[ 3 ] https://openai.com/pricing