终极人体姿态搜索工具：快速实现动作识别与分析的完整指南
2025/12/18 0:01:30
引言
2022 年 11 月，ChatGPT 横空出世，瞬间引爆了全球对 AI 的关注。很多人第一次发现，原来 AI 可以写诗、写代码、写论文，甚至可以陪你聊天解闷。
但当你问"ChatGPT 是怎么工作的"，得到的回答往往是一堆让人头大的术语：Transformer、Self-Attention、RLHF……
今天这篇文章，我们用最通俗的语言，把 GPT 的技术原理讲清楚。读完之后，你不仅知道 GPT 是什么，还能理解它为什么能做到"像人一样说话"。
GPT 是什么？三个字母的秘密
GPT 的全称是Generative Pre-trained Transformer，翻译过来就是"生成式预训练转换器"。
听起来很复杂？别急，我们把这三个词拆开来看。
G - Generative（生成式）
一句话解释：给定一些字，预测人类接下来会写什么字。
这就像"顺口溜"——当你听到"锄禾日当____“，你会自然而然地接上"午”。不是因为你脑子里想象了一幅农民在烈日下劳作的画面，而是因为你读过太多遍这首诗，形成了语言记忆。
GPT 的工作原理类似。它读了海量的文本数据后，发现某些语言模式是反复出现的。当你输入一段话，它会基于"语感"预测下一个最可能的词。
**重要提醒**：GPT 不是在"思考"，而是在"押韵"。比如你问它3457 * 43216 = ?，它可能回答149575912（错误，正确答案是 149397712）。为什么最后一位 2 是对的？因为它"隐约感觉"到 7 结尾的数乘以 6 结尾的数，结果应该是 2 结尾——这是从语料中学到的"押韵感"，而不是真正的计算。
P - Pre-trained（预训练）
一句话解释：先训练一个通用的模型，用的时候再微调。
以前的 AI 模型大多是"专用的"——给 1000 张猫的图片，训练出一个识别猫的模型；给 1000 条垃圾邮件，训练出一个过滤垃圾邮件的模型。每个任务都要从头训练。
而预训练的思路是：先训练一个"什么都懂一点"的通用模型，需要做具体任务时，再在这个基础上微调（Fine-tuning）。
打个比方：
这就像家里请了个阿姨。她已经被劳务公司"预训练"了整理家务的知识，被小学老师"预训练"了中文对话能力。到了你家，你只需要稍微"微调"一下她对你家特定要求的理解就行了，而不需要从教汉语开始把她彻底教一遍。
GPT 的预训练给了所有人一个现成的"语言基础"。这个模型的语言能力无可挑剔——无论内容多么离谱，至少行文通顺。这就是预训练的价值。
T - Transformer（转换器）
一句话解释：把输入的文字转换成数字，处理后再转换回文字。
Transformer 是整个自然语言处理的核心架构，它的工作流程是：
输入文字 → Encoder（编码器）→ 数字表示 → 处理转换 → Decoder（解码器）→ 输出文字具体来说：
编码（Encode）：把文字变成数字向量。比如 GPT 用 1536 个浮点数（1536 维向量）来表示任意一个词、一个句子、甚至一整段文章。
转换（Transform）：在数字空间里进行运算和处理。
解码（Decode）：把处理后的数字重新变回文字。
举个例子：
如果你输入"Apple"这个词，GPT 会把它变成这样一串数字：
[0.0077999732,-0.02301609,-0.007416143,-0.027813964,-0.0045648348,0.012954261,...,0.006107009]这 1536 个数字就是"Apple"的数字化表示。其中某些维度的组合代表了"甜"的含义，另一些代表了"圆"的含义，还有一些代表了"红"的属性……至于具体哪些数字代表哪些含义，连设计者也不完全清楚。
然后这堆数字交给 Decoder：
- 如果限定输出中文，就解码成"苹果"
- 如果限定输出西班牙语，就解码成"manzana"
- 如果限定输出 emoji，就输出"🍎"
这就是 Transformer 的魔力：通过编码、转换、解码，完成从一种语言序列到另一种语言序列的转化。
三合一：GPT 的完整定义
把上面三部分组合起来，GPT 就是：
一个预先训练好的，用生成的方式，把输入文字转化成输出文字的模型。
它做的事情远不止翻译，但核心就是"把一个语言序列转换成另一个语言序列"。这个任务完成得如此之好，以至于让人产生了"它有思想"的错觉。
从 GPT 到 ChatGPT：人类反馈的力量
理解了 GPT 的基本原理后，你可能会问：GPT 这么厉害，为什么还需要 ChatGPT？
答案是：GPT 太"野"了，需要"驯服"。
问题：模型与用户没有"对齐"
GPT 的预训练数据是海量的互联网文本，里面什么内容都有。这导致几个问题：
| 问题类型 | 具体表现 |
|---|---|
| 精细度不够 | 训练数据有几十上百亿词，具体有什么我们根本看不过来 |
| 可控性低 | 模型的行为取决于它"碰巧"学到了什么 |
| 有效性问题 | 如果某个任务在训练数据里没出现过，模型就不会 |
| 安全性问题 | 模型可能输出不当、敏感、甚至有害的内容 |
从学术角度看，模型只要能在 benchmark 上刷高分就算成功。但在实际商业场景中，用户体验才是核心——如果模型输出让用户感到冒犯的内容，后果会很严重。
这就引出了一个关键概念：对齐（Alignment）。
就像公司里各个团队之间需要"对齐"目标一样，AI 模型也需要和人类的期望"对齐"。
解决方案：RLHF（基于人类反馈的强化学习）
ChatGPT 背后的核心技术叫做InstructGPT，它通过 RLHF（Reinforcement Learning from Human Feedback）让模型学会"听人话"。
整个训练过程分为三步：
第一步：监督微调（SFT）
收集一批"问题-答案"对
- 问题示例：“给 6 岁的小朋友解释什么是登月”
- 答案示例：“一些人坐着很大很大的火箭，飞到了天上那个亮亮的月亮上面……”
把问题和答案拼接成一段话，在这些数据上微调 GPT-3
微调出来的模型叫做SFT（Supervised Fine-tuned）模型
问题：人工标注"问题-答案"对成本极高。如果每个问题都要人来写答案，根本标不过来。于是有了第二步。
第二步：训练奖励模型（RM）
这一步的思路是：让标注变简单——从"写答案"变成"给答案打分"。
用第一步训练好的 SFT 模型，对每个问题生成多个答案（比如 A、B、C、D 四个）
让人来给这些答案排序（比如：D 比 C 好，C 比 A 好，A 和 B 差不多）
用这些排序数据，训练一个奖励模型（Reward Model，RM）
奖励模型的任务很简单：给定一个问题和一个答案，输出一个分数，分数要符合人类标注的排序关系（D > C > A = B）。
为什么这样做？
因为"给答案排序"比"写答案"容易太多了。同样的标注成本，可以得到更多的训练数据。
第三步：强化学习优化（PPO）
继续微调第一步的 SFT 模型
模型生成答案后，用第二步的 RM 模型打分
根据分数更新模型参数，让它学会生成"高分答案"
使用 PPO（Proximal Policy Optimization）算法进行优化
这一步完成后，得到的模型就是InstructGPT，也就是 ChatGPT 的前身。
RLHF 三步流程图
为什么 GPT 能"说人话"？
现在我们可以回答这个问题了：
语言流畅：来自海量文本的预训练，学会了语言的"押韵"和"顺口"
理解意图：Generative 部分不仅学习文字，还学习上下文和意图
符合期望：RLHF 让模型学会了"什么样的回答人类会喜欢"
安全可控：奖励模型会给不当内容打低分，引导模型避开危险区域
GPT 的局限性
虽然 GPT 很强大，但它有一些本质性的局限：
| 局限 | 原因 |
|---|---|
| 不会真正计算 | 它是在"押韵"，不是在"思考" |
| 可能胡说八道 | 生成的内容来自统计规律，不保证事实正确 |
| 知识有截止日期 | 只知道训练数据中的内容 |
| 缺乏常识推理 | 有时会犯人类不会犯的低级错误 |
理解这些局限，才能更好地使用 GPT 类工具。
总结
让我们用一段话总结 GPT 的核心原理：
GPT 是一个预训练好的模型，通过Transformer架构把输入文字编码成数字、处理后再解码成输出文字。它的核心能力是生成式的——给定上文，预测下文最可能是什么。而 ChatGPT 在此基础上，通过RLHF（人类反馈强化学习）学会了"什么样的回答人类会喜欢"，从而实现了更加自然、安全、有帮助的对话能力。
记住三个关键词：
- G（Generative）：顺口溜，接下文
- P（Pre-trained）：先通用，再微调
- T（Transformer）：编码 → 转换 → 解码
下次当有人问你"ChatGPT 是怎么工作的"，你就可以用这三个词给他讲清楚了。
对 GPT 技术原理还有什么疑问？欢迎在评论区讨论！
参考资料
- Training language models to follow instructions with human feedback (InstructGPT 论文)
- Attention Is All You Need (Transformer 原始论文)