2020年5月底OpenAI發布了有史以來強的NLP預訓練模型GPT-3，大的GPT-3模型參數達到了1750億個參數。論文《Language Models are Few-Shot Learners》長達74頁已發布在arXiv。
有網友估算大的GPT-3模型大小大約有700G，這個大小即使OpenAI公開模型，我們一般的電腦也無法使用。一般需要使用分布式集群才能把這個模型跑起來。雖然OpenAI沒有公布論文的花費，不過有網友估計這篇論文大約花費了上千萬美元用于模型訓練。
如此驚人的模型在模型的設計上和訓練上有什么特別之處嗎？答案是沒有。作者表示GPT-3的模型架構跟GPT-2是一樣的，只是使用了更多的模型參數。模型訓練也跟GPT-2是一樣的，使用預測下一個詞的方式來訓練語言模型，只不過GPT-3訓練時使用了更多的數據。
既然這樣，那這只怪獸特別之處是什么？GPT-3論文的核心在于下圖：
達摩院金榕教授介紹了語音、自然語言處理、計算機視覺三大核心AI技術的關鍵進展，并就AI技術在在實際應用中的關鍵挑戰，以及達摩院應對挑戰的創新實踐進行了解讀
新一代移動端深度學習推理框架TNN，通過底層技術優化實現在多個不同平臺的輕量部署落地，性能優異、簡單易用。騰訊方面稱，基于TNN，開發者能夠輕松將深度學習算法移植到手機端G效的執行，開發出人工智能 App，真正將 AI 帶到指尖
新加坡國立大學NExT中心的王翔博士分析了知識圖譜在個性化推薦L域的應用背景，并詳細介紹了課題組在個性化推薦中的相關研究技術和進展，包括基于路徑、基于表征學習、基于圖神經網絡等知識圖譜在推薦系統中的融合技術
根據各種指法的具體特點,對時頻網格圖、時域網格圖、頻域網格圖劃分出若干個不同的計算區域,并以每個計算區域的均值與標準差作為指法自動識別的特征使用，用于基于機器學習方法的指法自動識別
Tube Feature Aggregation Network（TFAN）新方法，即利用時序信息來輔助當前幀的遮擋行人檢測，目前該方法已在 Caltech 和 NightOwls 兩個數據集取得了業界L先的準確率
姚霆指出，當前的多模態技術還是屬于狹隘的單任務學習，整個訓練和測試的過程都是在封閉和靜態的環境下進行，這就和真實世界中開放動態的應用場景存在一定的差異性
優酷智能檔突破“傳統自適應碼率算法”的局限，解決視頻觀看體驗中G清和流暢的矛盾
通過使用仿真和量化指標，使基準測試能夠通用于許多操作L域，但又足夠具體，能夠提供系統的有關信息
基于內容圖譜結構化特征與索引更新平臺，在結構化方面打破傳統的數倉建模方式，以知識化、業務化、服務化為視角進行數據平臺化建設，來沉淀內容、行為、關系圖譜，目前在優酷搜索、票票、大麥等場景開始進行應用
NVIDIA解決方案架構師王閃閃講解了BERT模型原理及其成就，NVIDIA開發的Megatron-BERT
自然語言處理技術的應用和研究L域發生了許多有意義的標志性事件，技術進展方面主要體現在預訓練語言模型、跨語言 NLP/無監督機器翻譯、知識圖譜發展 + 對話技術融合、智能人機交互、平臺廠商整合AI產品線
下一個十年，智能人機交互、多模態融合、結合L域需求的 NLP 解決方案建設、知識圖譜結合落地場景等將會有突破性變化
