ChatGPT（Conversational Hierarchy-Aware Transformer with Generative Pre-training）是一个用于对话生成的神经网络模型。背后逻辑包括以下几个主要方面：

1. 基于转换器的架构：ChatGPT采取了Transformer架构。这类架构使用了自注意力机制，使得模型能够对输入序列中的每一个元素进行加权处理。这类架构在语言模型和翻译任务中获得了很好的效果，因此也适用于对话生成任务。

2. 预训练模型：ChatGPT基于大范围语料库进行了预训练。这个进程中，模型通过无监督的方式学习了自然语言的结构和语义信息。预训练模型的目的是提高模型的泛化能力，使其能够处理区别的对话场景和话题。

3. 相关性建模：ChatGPT使用了多个序列作为输入，以捕捉对话的上下文信息。同时，模型还使用了多层次的编码器-解码器结构，使得模型能够处理区别层面的语义信息，从而实现更加准确的回答。

4. 层次感知：ChatGPT还引入了层次感知机制，使得模型能够根据对话的区别层次进行回答。这个层次包括句子级别、对话级别和全局级别。层次感知机制使得模型能够更好地理解对话的结构和层次，从而提高回答的准确性和流畅性。

5. 实时预测：ChatGPT还使用了实时预测机制，以便在对话进程中能够及时生成回答。这个机制包括部份预测、动态扩大和增量式生成等技术。实时预测使得模型能够更加灵活地生成回答，从而提高了对话的自然度和流畅度。

综上所述，ChatGPT是一个基于转换器的神经网络模型，它采取了预训练模型、相关性建模、层次感知和实时预测等技术，以实现更加准确、自然和流畅的对话生成。