最近，GPT-3火了！相信你已经在网上看到各种有关GPT-3的演示。这个由OpenAI创建的大型机器学习模型，它不仅可以自己写论文，还会写诗歌，就连你写的代码都能帮你写了。
下面还是先让你看看GPT-3的威力吧，首先来看看GPT3在问答任务上的表现：
无论你的问题是天马行空的脑筋急转弯，还是有逻辑性极强的数学问题，它都能对答如流。
开发者Sharif Shameem用GPT-3做了一个生成器，你只要输入你所需的布局，它就能为你生成JSX代码，如视频所示。
还有人在 Google 表格里开发了一个新的 GPT3 函数，除了简单的数学运算之外，它还可以自动查找美国各州的人口以及创建年份：
除此之外，它还能查到Twitter账号：
遗憾的是，如果你想试用GPT-3，你得先拿到体验资格才行，但是此模型创建的应用程序似乎有无限可能，通过它你可以使用纯英语查询SQL数据库，自动注释代码，自动生成代码，编写热门文章标题，甚至帮助猿妹我写出一篇爆文。
GPT-3是什么？
GPT-3是一种神经网络驱动的语言模型。与大多数语言模型一样，GPT-3在未标记的文本数据集上进行了大量的训练（训练数据包括Common Crawl和Wikipedia），从文本中随机删除单词或短语，并且模型必须学会仅使用周围的单词作为上下文来填充单词或短语。这是一个简单的培训任务，可以产生功能强大且可推广的模型。
GPT-3模型架构本身就是一个基于单向transformer语言模型。这种架构在2-3年前开始流行，流行的NLP模型BERT和GPT-3的前身GPT-2都是基于transformer构建。从架构的角度来看，GPT-3实际上并不是很新颖!
它之所以会这么火，是因为GPT-3的模型尺寸增大到了1750亿，并且使用45TB数据进行训练，是有史以来创建的最大语言模型。源于它的参数模型巨大，因此可以完成许多其他模型无法完成的事情，就像前面所说的，你可以让它成为一名翻译家、作家、诗人、程序员等。
如果你对GPT-3的模型参数1750亿感到有些抽象，那么，我举个例子，你应该就懂了：
- BERT模型有3亿参数
- GPT-3模型的前身GPT-2有15亿个参数
- 英伟达的Megatron-BERT有80亿参数
- 微软Turing NLP，有170亿参数
就连排名第二的微软Turing NLP的数据参数和GPT-3都不是一个量级的。
值得一提的是，这次的GPT-3论文作者足足有31位，论文体量更是高达72页，网友都惊呼，现在PTM的工作是要开始pk论文页数了吗？
和往常一样，GPT-3立即放出了GitHub项目页面，你可以在上面找到各种各样有趣的demo，最后附上Github地址：https://github.com/openai/gpt-3。
