OneFlow編譯 翻譯｜賈川、徐佳渝、楊婷

大型語(yǔ)言模型（LLM）有一個(gè)眾所周知的“硬傷”——它們經(jīng)常會(huì)一本正經(jīng)編造貌似真實(shí)的內(nèi)容。 ?

OpenAI團(tuán)隊(duì)希望通過(guò)改進(jìn)強(qiáng)化學(xué)習(xí)反饋步驟“原生地”阻止神經(jīng)網(wǎng)絡(luò)產(chǎn)生幻覺(jué)，OpenAI首席科學(xué)家Ilya Sutskever對(duì)此胸有成竹。作為ChatGPT項(xiàng)目的主要負(fù)責(zé)人以及OpenAI強(qiáng)化學(xué)習(xí)團(tuán)隊(duì)的領(lǐng)導(dǎo)者，John Schulman在最近的Berkeley EECS會(huì)議上系統(tǒng)性地分享了OpenAI在人類反饋的強(qiáng)化學(xué)習(xí)（RLHF）方面所做的工作，以及語(yǔ)言模型的幻覺(jué)等亟待解決的問(wèn)題，同時(shí)也介紹了解決這些挑戰(zhàn)的潛在思路。

(資料圖片僅供參考)

沒(méi)有比Schulman更權(quán)威的RLHF研究者，他也是強(qiáng)化學(xué)習(xí)領(lǐng)域無(wú)可置疑的大牛。 加入OpenAI之前，Schulman在加州大學(xué)伯克利分校攻讀博士學(xué)位，一開(kāi)始主要研究機(jī)器人技術(shù)，隨著深度學(xué)習(xí)興起，轉(zhuǎn)而研究強(qiáng)化學(xué)習(xí)，其導(dǎo)師正是強(qiáng)化學(xué)習(xí)領(lǐng)域的領(lǐng)軍人物Pieter Abbeel。 Schulman在強(qiáng)化學(xué)習(xí)研究領(lǐng)域作出了許多重大貢獻(xiàn)，包括發(fā)明了TRPO算法（信賴域策略優(yōu)化）、GAE（廣義優(yōu)勢(shì)估計(jì)，Generalized Advantage Estimation）以及PPO算法（近端策略優(yōu)化）。

如今，Schulman還在強(qiáng)化學(xué)習(xí)研究的最前線嘗試解決公認(rèn)難題，他的最新思考或許會(huì)為業(yè)內(nèi)其他研究者帶來(lái)啟發(fā)。 ?

（以下內(nèi)容由OneFlow編譯發(fā)布，轉(zhuǎn)載請(qǐng)聯(lián)系OneFlow獲得授權(quán)。來(lái)源：https://www.youtube.com/watch?v=hhiLw5Q_UFg） ?

1語(yǔ)言模型幻覺(jué)溯源

提到語(yǔ)言模型，很多人應(yīng)該聽(tīng)過(guò)“幻覺(jué)”這個(gè)名詞。上圖就是一個(gè)關(guān)于幻覺(jué)的例子，這不是精挑細(xì)選的，而是我做測(cè)試時(shí)的第一個(gè)樣本。 ?

我的問(wèn)題是：請(qǐng)告訴我John Schulman因在家飼養(yǎng)野生動(dòng)物而被捕的相關(guān)情況。GPT-3.5 Instruct是經(jīng)過(guò)強(qiáng)化學(xué)習(xí)訓(xùn)練過(guò)的模型，給出的回答是關(guān)于John Schulman飼養(yǎng)老虎和小型美洲貓之類的事情。GPT-3.5 Turbo（Chat）的整體表現(xiàn)與GPT-3.5 Instruct一致，且智能程度相同，只是微調(diào)方式不同，它給出的回答是：抱歉，我沒(méi)有查到任何關(guān)于John Schulman被捕的相關(guān)情況。 ?

然后，我又嘗試對(duì)聊天功能進(jìn)行微調(diào)過(guò)的GPT-4（Chat），它的回答是：很抱歉，我沒(méi)有找到有關(guān)John Schulman因在家中飼養(yǎng)野生動(dòng)物而被捕的任何信息，我的知識(shí)截止于2021年9月。John Schulman是人工智能領(lǐng)域的著名研究人員…… ?

這是“幻覺(jué)”問(wèn)題的一個(gè)很好示例。相比之下，我覺(jué)得GPT-4的表現(xiàn)相當(dāng)不錯(cuò)。 ?

當(dāng)人們說(shuō)幻覺(jué)時(shí)，主要指的是兩類不同情況。其中一類幻覺(jué)是語(yǔ)言模型的模式完成（pattern completion）行為。它們的訓(xùn)練目的是最大化文本可能性，使生成的內(nèi)容看起來(lái)很像互聯(lián)網(wǎng)上的文本。 ?

這主要有三個(gè)原因：1. 它不知道自己可以回答“我不知道”或者表達(dá)不確定性。如果告訴模型可以回答“我不知道”，那么在一定程度上能解決幻覺(jué)問(wèn)題；2. 模型有時(shí)不愿意去質(zhì)疑前提（premise），它認(rèn)為前提是數(shù)據(jù)分布的一部分；3. 模型有時(shí)會(huì)陷入謊言之中。如果模型已經(jīng)犯了一個(gè)錯(cuò)誤，那么它會(huì)認(rèn)為自己應(yīng)該繼續(xù)回答下去，生成一連串響應(yīng)，這也意味著它會(huì)繼續(xù)說(shuō)謊。 ?

語(yǔ)言模型的另一類幻覺(jué)是“猜錯(cuò)了”。就像人類一樣，你可能只遇到過(guò)一次某件事情，自己不能確定，感到很模糊，所以在回答時(shí)必須帶點(diǎn)猜測(cè)，有時(shí)可能就會(huì)猜錯(cuò)。 ?

比如很多人喜歡問(wèn)模型關(guān)于自己的問(wèn)題，就像用谷歌搜索自己一樣，所以我也嘗試讓模型寫一篇個(gè)人介紹。 ?

InstructGPT回答，“John是一位AI研究科學(xué)家，在OpenAI工作。他曾是卡內(nèi)基梅隆大學(xué)的計(jì)算機(jī)科學(xué)教授等等。”此外還增加了一堆虛構(gòu)的東西。GPT-3.5的回答有點(diǎn)模糊，但基本上正確，它說(shuō)我本科就讀于斯坦福大學(xué)，在Pieter Abbeel的指導(dǎo)下做研究，還提到了信賴域策略優(yōu)化（TRPO）方面的內(nèi)容。GPT-4的回答幾乎完全正確，但也有些許瑕疵，比如它說(shuō)我主修數(shù)學(xué)，其實(shí)并沒(méi)有，對(duì)我取得本科學(xué)位的年份描述也有一年的誤差。 ?

這其實(shí)就屬于“猜錯(cuò)了”：模型嘗試給出一個(gè)全面的答案，但結(jié)果卻出現(xiàn)了錯(cuò)誤。這樣的結(jié)果是好是壞在一定程度上取決于這份個(gè)人簡(jiǎn)介的用途：如果想將其放在網(wǎng)上，那么肯定存在問(wèn)題；但如果僅僅是某人想要了解我，那么年份誤差一年也不會(huì)有太大影響。 ?

2幻覺(jué)與行為克隆

到底為什么會(huì)產(chǎn)生“幻覺(jué)”？我將描述一個(gè)概念模型加以解釋。上圖是一個(gè)知識(shí)圖譜，包含一些事實(shí)，比如《星球大戰(zhàn)》屬于科幻類，Han Solo是《星球大戰(zhàn)》中的一個(gè)角色，以三元組形式排列。這盡管是傳統(tǒng)人工智能的知識(shí)儲(chǔ)存方式，仍然很有用。 ?

該概念模型能解釋當(dāng)你對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行微調(diào)以完成某種問(wèn)答任務(wù)時(shí)會(huì)發(fā)生什么。神經(jīng)網(wǎng)絡(luò)中包含信息，可以將其看作類似知識(shí)圖譜的東西，以某種非常復(fù)雜的方式存儲(chǔ)在權(quán)重中。每條邊（edge）都有一些置信度，不同的邊置信度不一樣，原因是，某些事實(shí)被看了上百萬(wàn)次，而有些事實(shí)可能只看了一兩次。 ?

當(dāng)你進(jìn)行小規(guī)模微調(diào)時(shí)，可以將其看作你正在學(xué)習(xí)某個(gè)小型程序，將知識(shí)圖譜作為輸入，并基于知識(shí)圖譜中的內(nèi)容和語(yǔ)句的置信度輸出概率。比如，你正在學(xué)習(xí)處理知識(shí)圖表的四行Python代碼函數(shù)，那么你之所以要進(jìn)行微調(diào)，是因?yàn)榭赡苄枰獙W(xué)習(xí)一些關(guān)于問(wèn)題格式的內(nèi)容。 ?

如果只拋給預(yù)訓(xùn)練模型一個(gè)問(wèn)題，如“《星球大戰(zhàn)》屬于什么類型？”，那么它就不知道該問(wèn)題的上下文是什么，不清楚這些文本的來(lái)源是哪里，是信息性網(wǎng)站、惡作劇網(wǎng)站還是虛構(gòu)文本。而微調(diào)就是讓模型專門輸出正確的答案或在微調(diào)數(shù)據(jù)集中的內(nèi)容。 ?

行為克?。╞ehavior cloning）是強(qiáng)化學(xué)習(xí)領(lǐng)域的一個(gè)術(shù)語(yǔ)，意思是監(jiān)督微調(diào)或最大化似然（maximizing likelihood），其目的是完成給定prompt的最大化似然或最大化對(duì)數(shù)概率。 ?

如果用行為克隆來(lái)訓(xùn)練模型，比如使用人類編寫的正確答案或使用ChatGPT的輸出進(jìn)行訓(xùn)練，那么即使用100個(gè)正確的答案進(jìn)行克隆，由于模型缺乏所有相關(guān)的事實(shí)，仍然是在教會(huì)模型產(chǎn)生幻覺(jué)。例如，如果訓(xùn)練模型回答有關(guān)Han Solo的相關(guān)問(wèn)題，但知識(shí)庫(kù)截止日期是5年前，因此模型不知道有一部圍繞Solo的衍生電影。這種情況下，你實(shí)際上不是在訓(xùn)練模型輸出正確答案，而是在訓(xùn)練它在這種問(wèn)題上進(jìn)行猜測(cè)。 ?

如果你使用行為克隆來(lái)訓(xùn)練模型，那么無(wú)法避免出現(xiàn)幻覺(jué)問(wèn)題，同時(shí)也會(huì)出現(xiàn)相反的問(wèn)題，即如果你想訓(xùn)練模型在某些情況下回答“我不知道”，那么它可能會(huì)隱瞞實(shí)際上已經(jīng)知道的信息。例如，如果標(biāo)注者不知道答案，他們可能會(huì)將“我不知道”列為目標(biāo)答案，但實(shí)際上網(wǎng)絡(luò)可能已經(jīng)有了答案，你只是在訓(xùn)練模型隱瞞信息。 ?

因此，行為克隆或監(jiān)督學(xué)習(xí)的問(wèn)題在于：正確的目標(biāo)實(shí)際上取決于神經(jīng)網(wǎng)絡(luò)中包含了哪些知識(shí)，而這對(duì)于收集數(shù)據(jù)或進(jìn)行實(shí)驗(yàn)的人來(lái)說(shuō)是未知的。因此，除非你有一種方法來(lái)查看模型中的內(nèi)容，否則無(wú)法使用行為克隆訓(xùn)練出真實(shí)可信的模型。 ?

現(xiàn)在有了一些略微不同但比較聰明的方法，比如在數(shù)據(jù)標(biāo)注時(shí)，讓標(biāo)注者詢問(wèn)模型問(wèn)題并查看答案是否彼此一致。如果一致，則檢查是否正確；如果正確，則作為目標(biāo)答案；如果完全不一致，則回答“我不知道”；如果錯(cuò)誤，則同樣回答“我不知道”。這種做法的結(jié)果稍微好一點(diǎn)，但操作過(guò)程更加困難，而且很難實(shí)現(xiàn)自動(dòng)化。總的來(lái)說(shuō)，這僅適用于特定模型。

如果嘗試用監(jiān)督學(xué)習(xí)數(shù)據(jù)集來(lái)訓(xùn)練另一個(gè)模型，也會(huì)遇到同樣的問(wèn)題。例如，許多人正在使用ChatGPT的輸出來(lái)微調(diào)開(kāi)源基礎(chǔ)語(yǔ)言模型。微調(diào)后，這些模型的表現(xiàn)很好。但如果仔細(xì)查看事實(shí)準(zhǔn)確性，你會(huì)發(fā)現(xiàn)它們存在一些問(wèn)題，并且經(jīng)常會(huì)編造信息。不過(guò)這只是我預(yù)測(cè)的結(jié)果，還有待實(shí)驗(yàn)證實(shí)。 ?

3語(yǔ)言模型知道自己的不確定性嗎?

我們希望模型在不知道正確答案時(shí)能輸出其知識(shí)的實(shí)際狀態(tài)并表明不確定性，而不是進(jìn)行猜測(cè)。那么模型是否知道自己的不確定性呢？比如給定一個(gè)問(wèn)題，模型清楚自身是否知道答案嗎？ ?

這個(gè)問(wèn)題很難回答。什么是“知道”？如果模型知道某些東西，那么是否用一些簡(jiǎn)單的代碼就能實(shí)現(xiàn)這個(gè)功能？例如，如果有代碼能調(diào)用模型正確地執(zhí)行你要做的事情，那么就認(rèn)為模型知道如何做這件事。 ?

問(wèn)題是，模型是否知道自身的不確定性？答案是肯定的。模型知道自己什么時(shí)候知道什么時(shí)候不知道，因?yàn)槟Ｐ捅挥?xùn)練為最小化對(duì)數(shù)損失，為此它必須輸出概率。模型的下一個(gè)token預(yù)測(cè)是經(jīng)過(guò)校準(zhǔn)的（calibrated），校準(zhǔn)后的對(duì)數(shù)損失是一個(gè)合適的表示不確定性的指標(biāo)。 ?

預(yù)訓(xùn)練目標(biāo)產(chǎn)生了一個(gè)校準(zhǔn)的模型，它必定輸出合理的概率，這意味著，模型知道自身的不確定性，至少對(duì)于任何可以被轉(zhuǎn)化為預(yù)測(cè)單個(gè)token的短答案的問(wèn)題，它可以為該token給出一個(gè)合理的概率分布。如果模型能夠?yàn)樵搕oken輸出合理的概率分布，但無(wú)法對(duì)其不確定性進(jìn)行內(nèi)省，那反而讓人感到意外。 ?

有幾篇論文已經(jīng)研究了這個(gè)問(wèn)題，我在上圖的底部做了引用。論文研究表明：可以讓模型用語(yǔ)言表達(dá)它們的不確定性，并給出與輸出概率類似的結(jié)果。 ?

我的觀點(diǎn)是：模型確實(shí)知道自己的不確定性，行為克隆無(wú)法利用這一點(diǎn)來(lái)避免幻覺(jué)，強(qiáng)化學(xué)習(xí)才是解決這個(gè)問(wèn)題正道。

部分幻覺(jué)僅因?yàn)槟Ｐ拖萑胂胍敖o出完整答案”的模式或不知道如何表達(dá)不確定性而產(chǎn)生，因此這類幻覺(jué)很好解決。比如可在訓(xùn)練模型時(shí)給出一些表明“我不知道”、“我的知識(shí)截止于××日期”的示范，或者給出一些質(zhì)疑用戶提問(wèn)的范例，這樣模型至少能夠表達(dá)不確定性，只是表達(dá)的時(shí)機(jī)可能不是那么恰當(dāng)。 ?

4如何用強(qiáng)化學(xué)習(xí)解決幻覺(jué)問(wèn)題？

我認(rèn)為，通過(guò)強(qiáng)化學(xué)習(xí)就能把握好這個(gè)界限，即在何時(shí)說(shuō)“我不知道”。當(dāng)模型給出一個(gè)答案，如果是非常自信的正確答案，將得到高額獎(jiǎng)勵(lì)；如果是模糊的（hedged）正確答案，將得到稍差的獎(jiǎng)勵(lì)；如果是無(wú)信息的答案，例如“我不知道”，將得到一些懲罰；如果是模糊的錯(cuò)誤答案和完全錯(cuò)誤的答案，將得到更多的懲罰。這基本是一個(gè)適當(dāng)?shù)脑u(píng)分規(guī)則，能夠激勵(lì)模型給出自信的答案，如果它對(duì)錯(cuò)誤答案過(guò)于自信，就會(huì)給出相應(yīng)懲罰。 ?

因此，這就是我們想要達(dá)到的效果。但通過(guò)強(qiáng)化學(xué)習(xí)訓(xùn)練語(yǔ)言模型來(lái)實(shí)現(xiàn)這一目標(biāo)并不容易，因?yàn)槟阈枰来鸢甘欠裾_，但答案究竟正確與否我們無(wú)從知道。 ?

接下來(lái)我將討論如何盡可能地接近這一目標(biāo)。 ?

TriviaQA

實(shí)際上，我的同事做了一個(gè)簡(jiǎn)單而有趣的實(shí)驗(yàn)，雖然并未將其公開(kāi)，但對(duì)我所描述的概念圖提供了有力支持。 ?

這個(gè)實(shí)驗(yàn)被設(shè)置為TriviaQA模式，TriviaQA是一個(gè)流行的問(wèn)答數(shù)據(jù)集，它包含了一系列常識(shí)問(wèn)題，其風(fēng)格類似于Jeopardy（譯者注：Jeopardy是美國(guó)的一檔問(wèn)答游戲節(jié)目，玩家需要根據(jù)問(wèn)題提供的信息推理出正確的答案，或者選擇他們認(rèn)為正確的答案）。 ?

我們使用了一種基本的問(wèn)答格式來(lái)引導(dǎo)模型回答問(wèn)題，如果你只在正確答案上進(jìn)行行為克隆，那么模型對(duì)所有問(wèn)題都會(huì)給一個(gè)回答，但往往會(huì)包含一些錯(cuò)誤答案。因?yàn)槲覀儚奈锤嬖V它輸出“我不知道”這樣的答案，若遇到不知道的問(wèn)題，它只能進(jìn)行猜測(cè)而不會(huì)說(shuō)“我不知道”。 ?

在對(duì)答案進(jìn)行行為克隆時(shí)，只需要少量訓(xùn)練后模型就達(dá)到一定的準(zhǔn)確率和對(duì)數(shù)損失，但這種訓(xùn)練只是在教模型它應(yīng)該試圖輸出正確答案，模型實(shí)際上沒(méi)有從這種微調(diào)中學(xué)習(xí)很多新知識(shí)，學(xué)到的只是問(wèn)題格式（the formatting of the questions）及其處理方式。 ?

因此，我們定義了一個(gè)強(qiáng)化學(xué)習(xí)問(wèn)題，對(duì)正確回答、錯(cuò)誤回答及拒絕回答給予相應(yīng)獎(jiǎng)勵(lì)。某種程度上，我們可以通過(guò)解析計(jì)算來(lái)得出正確的獎(jiǎng)勵(lì)行為，即錯(cuò)誤答案的懲罰與正確答案的獎(jiǎng)勵(lì)之間的差異。最優(yōu)獎(jiǎng)勵(lì)行為可以簡(jiǎn)單理解成確定某種閾值，譬如當(dāng)列表中排在最前的選項(xiàng)有超過(guò)50%的概率時(shí)就回答，否則就不回答。 ?

如果我們將獎(jiǎng)勵(lì)函數(shù)用于強(qiáng)化學(xué)習(xí)，模型就會(huì)學(xué)到最佳閾值行為，就像模型已經(jīng)了解最佳策略（涉及對(duì)數(shù)概率和閾值）。因此，如果使用強(qiáng)化學(xué)習(xí)微調(diào)模型，就可以讓它做同樣的事情，即使它并沒(méi)有真正查看到這些概率。 ?

我們訓(xùn)練了一個(gè)獎(jiǎng)勵(lì)模型來(lái)預(yù)測(cè)該獎(jiǎng)勵(lì)函數(shù)，然后使用獎(jiǎng)勵(lì)模型而不是oracle模型進(jìn)行強(qiáng)化學(xué)習(xí)。這種方式的效果很難評(píng)析，因?yàn)楠?jiǎng)勵(lì)模型并不知道答案是否正確，但它實(shí)際上與我們正在微調(diào)的策略模型知道相同的信息。就像我之前所描述的粗略圖一樣，它具有相同的知識(shí)圖譜，知道這個(gè)答案的不確定性有多大。 ?

我們的假設(shè)是，訓(xùn)練獎(jiǎng)勵(lì)模型并進(jìn)行強(qiáng)化學(xué)習(xí)，也會(huì)學(xué)習(xí)正確的行為。不過(guò)這種方式的效果還是不如oracle模型。它為我描述的圖景提供了證據(jù)支持，但還需要進(jìn)行進(jìn)一步研究。 ?

長(zhǎng)篇回答設(shè)置

這里不再贅述相對(duì)簡(jiǎn)單的單句回答（one word answers）的設(shè)置。更有趣的設(shè)置是長(zhǎng)篇回答（long-form answer），ChatGPT采取的就是該設(shè)置。對(duì)于事實(shí)性問(wèn)題，我認(rèn)為這與完全正確或錯(cuò)誤無(wú)關(guān)，而是各種回答都處于灰色區(qū)域，混合了正確和錯(cuò)誤的信息。單個(gè)事實(shí)（individual fact）無(wú)關(guān)對(duì)錯(cuò)，可能存在一定的誤導(dǎo)性，所以我隨機(jī)選擇了這個(gè)長(zhǎng)篇回答。 ?

如果你問(wèn)ChatGPT一個(gè)技術(shù)問(wèn)題，可能會(huì)得到正確、錯(cuò)誤或具有誤導(dǎo)性的答案。上圖的問(wèn)題是“InstructGPT中獎(jiǎng)勵(lì)模型訓(xùn)練的目標(biāo)是什么”？其中它說(shuō)，“InstructGPT所依賴的獎(jiǎng)勵(lì)模型訓(xùn)練都來(lái)自人類反饋”，這種說(shuō)法缺乏真實(shí)性，且極具誤導(dǎo)性，我想說(shuō)這是完全錯(cuò)誤的，但它也說(shuō)，“通過(guò)收集的對(duì)比數(shù)據(jù)可以構(gòu)建一個(gè)獎(jiǎng)勵(lì)模型來(lái)預(yù)測(cè)回答的質(zhì)量”的說(shuō)法是正確的。不過(guò)，讓標(biāo)注者來(lái)判斷答案是否有誤往往行不通。 ?

我們沒(méi)有完美的答案，而是需要讓人們對(duì)回答進(jìn)行排序，并說(shuō)出哪個(gè)更好。人們必須根據(jù)錯(cuò)誤的嚴(yán)重程度來(lái)判斷模型給出的答案，這在很大程度上取決于上下文。舉一個(gè)編程的例子：模型寫了100行代碼，只有一個(gè)地方的參數(shù)寫錯(cuò)了，這種情況下我寧愿讓它給出這個(gè)答案，也不愿讓它回答“不知道”，因?yàn)槲抑辽倏梢栽谄浠A(chǔ)上運(yùn)行和調(diào)試。但是在其他情況下，這種錯(cuò)誤可能是一個(gè)大問(wèn)題。 ?

ChatGPT的長(zhǎng)篇真實(shí)性評(píng)估

使用RLHF可以提高模型的準(zhǔn)確性。雖然我們沒(méi)有在ChatGPT上進(jìn)行過(guò)嚴(yán)格實(shí)驗(yàn)，但GPT-4博客文章中有一些模型評(píng)估指標(biāo)可以衡量準(zhǔn)確性。評(píng)估的方式是為每個(gè)問(wèn)題提供一個(gè)參考答案，并由人類檢查，然后比較模型生成的答案與參考答案之間的一致性。 ?

我們還使用了一些自動(dòng)化程序來(lái)評(píng)估長(zhǎng)篇答案并檢查它們是否與參考答案一致。上圖中的柱狀圖表示不同版本的ChatGPT，隨著數(shù)據(jù)越來(lái)越多，相應(yīng)指標(biāo)上都有所改善。GPT-4在這些準(zhǔn)確性指標(biāo)和定性測(cè)試上的表現(xiàn)要好得多。當(dāng)然，雖然在分析這些數(shù)據(jù)時(shí)還需更謹(jǐn)慎一點(diǎn)，但我們認(rèn)為，這種方法可以提高模型的準(zhǔn)確性。 ?

出于各種因素，在實(shí)際情況中還存在多種問(wèn)題。模型有時(shí)確實(shí)需要猜測(cè)，尤其是在輸出大量詳細(xì)事實(shí)的時(shí)候。無(wú)論你如何訓(xùn)練，模型都有概率在回答某些問(wèn)題時(shí)進(jìn)行猜測(cè)，這是不可避免的。 ?

在面臨有些問(wèn)題時(shí)，模型會(huì)采取“避險(xiǎn)措施”，不過(guò)這個(gè)度可能把握不好，從而作出錯(cuò)誤的判斷。我們基于排名的獎(jiǎng)勵(lì)模型的訓(xùn)練方式是，預(yù)測(cè)輸出一種類似于對(duì)數(shù)概率的值，表明某個(gè)回答比另一個(gè)更好，但它并沒(méi)有真正說(shuō)明哪一個(gè)比另一個(gè)好多少，只是表明它對(duì)哪一個(gè)回答更有信心。 ?

模型并沒(méi)有就事實(shí)錯(cuò)誤的嚴(yán)重程度和錯(cuò)誤的模糊程度施以正確的懲罰，因此我認(rèn)為，基于排名的獎(jiǎng)勵(lì)模型沒(méi)有很好地解決這個(gè)問(wèn)題。 此外，標(biāo)注者的錯(cuò)誤肯定也有很多。有時(shí)標(biāo)注者沒(méi)有足夠的信息來(lái)做出正確的標(biāo)注，人類無(wú)法始終正確地進(jìn)行排名，比如有些問(wèn)題可能涉及到用戶計(jì)算機(jī)上的某些代碼庫(kù)，標(biāo)注者就無(wú)法訪問(wèn)。我們嘗試讓標(biāo)注者跳過(guò)他們無(wú)法回答的問(wèn)題，但也還有很多其他錯(cuò)誤。當(dāng)然，在閱讀長(zhǎng)篇答案時(shí)，要捕捉到其中的每一個(gè)錯(cuò)誤是不可能的。 ?

索引和引用

接下來(lái)談?wù)剻z索和引用來(lái)源。在語(yǔ)言模型的背景下，檢索通常是指語(yǔ)言模型訪問(wèn)某些外部知識(shí)源（通常是一些文檔集），并提取一些文本來(lái)回答問(wèn)題。 ?

有幾個(gè)原因可能需要檢索，比如想了解世界上正在發(fā)生的最新事件和一些不在預(yù)訓(xùn)練中的信息。不在預(yù)訓(xùn)練中的信息不僅包括最新資料，而且還可能是一些私人信息、計(jì)算機(jī)或代碼庫(kù)中的東西、模型輸出答案和個(gè)人以前的對(duì)話等等。 ?

檢索和引用來(lái)源最需要關(guān)注的是可驗(yàn)證性，因?yàn)槟Ｐ蛯懙拇鸢甘欠裾_需要人類來(lái)檢查，如果不知道信息來(lái)源，需要查找所有信息，檢查其正確性非常困難。如果模型引用了來(lái)源，那檢查起來(lái)更容易。如果將未添加引用的答案看作是未經(jīng)證明的草圖，那么添加引用就好比呈現(xiàn)出了證明過(guò)程。 ?

WebGPT的參考價(jià)值

在ChatGPT之前，我們還做了一個(gè)WebGPT項(xiàng)目。該項(xiàng)目主要聚焦于細(xì)分問(wèn)答，數(shù)據(jù)集基于Reddit下的一個(gè)板塊ELI5（Explained Like I"m Five，用五歲孩子的語(yǔ)言解釋）。當(dāng)人們?cè)诠雀枭喜椴坏阶约合胍拇鸢笗r(shí)，就會(huì)在ELI5提問(wèn)，比如“我用MacBook參加Zoom會(huì)議時(shí)出現(xiàn)了某個(gè)問(wèn)題”，或者“人們?yōu)槭裁赐扑]用蘇打粉和醋來(lái)當(dāng)清潔劑”。 ?

我們想構(gòu)建一個(gè)能回答這類細(xì)分問(wèn)題的系統(tǒng)，先在網(wǎng)上搜索整理，再給出答案，最終創(chuàng)建出了能給出這類答案的WebGPT系統(tǒng)。當(dāng)你問(wèn)“蘇伊士運(yùn)河在2021年3月時(shí)為什么被封鎖”，系統(tǒng)就會(huì)給出答案并列出所有的論據(jù)來(lái)源。

WebGPT是2021年底的一個(gè)項(xiàng)目，相當(dāng)于GPT-3水平的模型。如果把問(wèn)WebGPT的問(wèn)題拿來(lái)問(wèn)GPT-3.5或者GPT-4，無(wú)需進(jìn)行查找就可以完美地回答，但這種技術(shù)對(duì)于GPT-3級(jí)別的模型來(lái)說(shuō)非常有必要，即使對(duì)于GPT-4也很有用，尤其對(duì)于更技術(shù)性的偏門話題。 ?

WebGPT的工作方式對(duì)于GPT-4也有參考價(jià)值。我們定義了一個(gè)行動(dòng)空間或者領(lǐng)域特定語(yǔ)言，模型可以用其來(lái)瀏覽來(lái)源。當(dāng)搜索時(shí)，模型會(huì)看到一些鏈接列表，就像搜索頁(yè)面一樣，然后可以點(diǎn)擊鏈接并引用內(nèi)容。 ?

不過(guò)，由于語(yǔ)言模型的上下文窗口有限，大約為4000個(gè)token（每個(gè)token約為1個(gè)單詞），所以查看的材料也有限，否則就會(huì)內(nèi)存不足。

在這種情況下，引用非常重要，因?yàn)槲覀冎荒芎?jiǎn)要地向模型展示這些頁(yè)面，然后將其從上下文中移除。通過(guò)允許模型進(jìn)行引用，我們使其能夠在其余瀏覽過(guò)程中保留信息。在模型完成任何必要的瀏覽操作后，它可以聲明已經(jīng)完成并開(kāi)始編寫答案。 ?

我們定義了一個(gè)強(qiáng)化學(xué)習(xí)環(huán)境，讓模型生成文本來(lái)定義一個(gè)領(lǐng)域特定語(yǔ)言（DSL），而不是發(fā)出特殊操作（action）。強(qiáng)化學(xué)習(xí)任務(wù)的每次episode由模型瀏覽20到100步的，引用某些信息，編寫答案，然后使用獎(jiǎng)勵(lì)模型計(jì)算獎(jiǎng)勵(lì)。整個(gè)過(guò)程都是在標(biāo)準(zhǔn)方法下完成。 ?

以上是RLHF的流程圖。首先是行為克隆，這屬于監(jiān)督學(xué)習(xí)部分。我們使用專家演示（expert demonstrations）來(lái)展示如何執(zhí)行任務(wù)，在本例中通過(guò)查看瀏覽器來(lái)編寫答案，然后模仿這種行為。

其次，通過(guò)比較兩個(gè)完整的答案（A和B）或兩條軌跡來(lái)收集獎(jiǎng)勵(lì)模型，由人類決定哪個(gè)更好。之后，我們可以在該獎(jiǎng)勵(lì)模型上執(zhí)行強(qiáng)化學(xué)習(xí)，或者通過(guò)獲取多個(gè)樣本并重新排序來(lái)對(duì)其進(jìn)行搜索。

針對(duì)每個(gè)任務(wù)，需要為其制作GUI（圖形用戶界面）。用于收集數(shù)據(jù)的GUI相對(duì)簡(jiǎn)單（如上圖所示），但獎(jiǎng)勵(lì)建模的GUI比較復(fù)雜，需要讓人們仔細(xì)閱讀模型編寫的答案，并標(biāo)記其中有強(qiáng)支持和弱支持的語(yǔ)句。我們?cè)敿?xì)定義了這個(gè)標(biāo)記過(guò)程，以計(jì)算答案的事實(shí)準(zhǔn)確性。盡管這個(gè)過(guò)程有些繁瑣，但最終我們只得到一個(gè)二進(jìn)制信息，即一個(gè)比特位的信息。我們嘗試?yán)闷渌畔?，但效果并不理想??

那么WebGPT的效果怎么樣？我們發(fā)現(xiàn)，在給定查詢的情況下，左側(cè)的圖表顯示的是最優(yōu)的n個(gè)結(jié)果。具體來(lái)說(shuō)，我們采集n個(gè)樣本，使用獎(jiǎng)勵(lì)模型對(duì)它們進(jìn)行重新排序，并返回排名最高的結(jié)果。與此相比，我們沒(méi)有使用微調(diào)的方法，也沒(méi)有使用強(qiáng)化學(xué)習(xí)進(jìn)行訓(xùn)練，而是采用了監(jiān)督學(xué)習(xí)的策略。 ?

我們發(fā)現(xiàn)，對(duì)于175B的GPT-3模型，在64個(gè)樣本的情況下，模型表現(xiàn)得更好。模型的選擇正確的概率達(dá)到55%到40%不等，雖然連貫性稍有欠缺，但事實(shí)準(zhǔn)確性更高。此外，模型給出的答案也比Reddit上的參考答案更受歡迎。 ?

實(shí)際上，我并不完全相信這個(gè)對(duì)比，模型有時(shí)會(huì)給出看起來(lái)十分明確的答案，并且還帶有引用鏈接，但我認(rèn)為標(biāo)注者會(huì)偏向某一種風(fēng)格的答案，這會(huì)讓對(duì)比帶有偏見(jiàn)。因此，我不認(rèn)為上述模型給出的答案能好過(guò)Reddit上票數(shù)最高的答案，但如果用當(dāng)前模型再跑一次，得出的答案可能會(huì)好一些。 ?

ChatGPT瀏覽模式

ChatGPT有一個(gè)用于瀏覽的browsing（alpha）模式。與ChatGPT的操作方法相同，例如我們可以提問(wèn)“今天誰(shuí)會(huì)在伯克利 EECS 座談會(huì)上發(fā)表演講？”，這是我今天早上提出的問(wèn)題，它的問(wèn)答是“今天的演講人是John Schulman…...”調(diào)試窗口顯示模型收到的一系列長(zhǎng)串提示說(shuō)明，比如“你有一個(gè)帶有這些函數(shù)搜索引用的瀏覽工具”，后附函數(shù)說(shuō)明文檔。在生成的對(duì)話文檔中，我們能看到用戶消息、演講者信息。

它在執(zhí)行這些操作時(shí)會(huì)進(jìn)行說(shuō)明，相當(dāng)于是它的內(nèi)心獨(dú)白。如上圖所示，它說(shuō)“我將搜索今天在伯克利的獨(dú)家演講者”，然后它發(fā)出了一個(gè)搜索命令（“Berkeley EECS colloquium presenter today” recency, days = 1”），然后它會(huì)告訴我們點(diǎn)擊第一個(gè)鏈接，以訪問(wèn)伯克利座談相關(guān)頁(yè)面，在引用相關(guān)資料之后，它才會(huì)開(kāi)始輸出答案，呈現(xiàn)出最終瀏覽結(jié)果。

此外，現(xiàn)在還有其他內(nèi)容可以瀏覽，且提供類似引用的產(chǎn)品。但ChatGPT的特殊之處在于，它只會(huì)在不知道答案的情況下啟用瀏覽模式，這與我前面提到的不確定性自我認(rèn)知（self-knowledge of uncertainty）相似，它允許模型表達(dá)“我不知道”，讓模型在必要的時(shí)候進(jìn)行瀏覽操作。 ?

比如我提出一個(gè)問(wèn)題：什么是dagger算法（一種典型的模仿學(xué)習(xí)算法）？針對(duì)這一問(wèn)題，ChatGPT在完全沒(méi)有啟用瀏覽的情況下給出了詳細(xì)答案，我看到答案中提到了一個(gè)名為Fleet-DAGGER的東西，于是我又問(wèn)“什么是Fleet-DAGGER？”因?yàn)槟Ｐ筒恢来鸢?，所以它開(kāi)始進(jìn)行搜索，它查看了子網(wǎng)頁(yè)（里面是完整的檔案文件），然后對(duì)瀏覽內(nèi)容做了總結(jié)和改寫（這里并不是簡(jiǎn)單的復(fù)制粘貼），最后在總結(jié)的基礎(chǔ)上給出了答案。

5開(kāi)放式問(wèn)題

表達(dá)不確定性

接下來(lái)我想聊聊在整個(gè)工作過(guò)程中遇到的開(kāi)放式問(wèn)題。第一個(gè)問(wèn)題是：如何激勵(lì)模型真正準(zhǔn)確地用語(yǔ)言表達(dá)不確定性。這意味著我們要使用適量的模糊陳述（hedging），并盡可能地解釋模型的全部知識(shí)狀態(tài)。在我看來(lái)，目前的獎(jiǎng)勵(lì)模型并沒(méi)有準(zhǔn)確衡量答案之間的好壞差距，更像是衡量了答案好壞差距的信心（confidence）。

我們以A超過(guò)B的似然最大化的目標(biāo)去訓(xùn)練一個(gè)獎(jiǎng)勵(lì)模型，其中A獲勝的概率與獎(jiǎng)勵(lì)分?jǐn)?shù)差的指數(shù)成正比，類似于分類損失（classification loss），它不會(huì)因過(guò)于自信的錯(cuò)誤（extra confident errors）而懲罰模型，也不會(huì)考慮模糊陳述等方面的問(wèn)題，在我看來(lái)，這可能會(huì)對(duì)模型產(chǎn)生影響，模型會(huì)認(rèn)為未模糊陳述的錯(cuò)誤答案比模糊陳述的答案更糟糕。 ?

但是，我不認(rèn)為我們的評(píng)分方式完全正確，如果你想用適當(dāng)?shù)脑u(píng)分函數(shù)來(lái)對(duì)模型進(jìn)行訓(xùn)練，這也會(huì)遇到一些問(wèn)題，我們難以讓模型輸出所有內(nèi)容的概率，因?yàn)樽匀徽Z(yǔ)言并不精確，雖然這正是自然語(yǔ)言強(qiáng)大的原因，但因?yàn)榫渥拥哪：愿怕?，同一個(gè)句子可能會(huì)有不同的理解，會(huì)存在許多可能的解釋，有的概率高，有些概率低，我們很難對(duì)這一概率進(jìn)行正確判斷。 ?

對(duì)于上述問(wèn)題，也許我們可以在自然語(yǔ)言語(yǔ)句旁添加一些正式的概率聲明，但我還不知道具體應(yīng)該怎么做，或者我們應(yīng)該建立某種目標(biāo)（objective），它可以讓多個(gè)智能體相互協(xié)作，這些智能體能夠正確表達(dá)不確定性，因?yàn)椴淮_定性能在后續(xù)幫助其他智能體或這一智能體本身。 ?

超越標(biāo)注者

另一個(gè)開(kāi)放問(wèn)題是，我們?cè)撊绾纬綐?biāo)注者能夠輕松完成的事情。檢查技術(shù)或小眾主題的長(zhǎng)篇答案其實(shí)非常困難，對(duì)于這個(gè)問(wèn)題，我們有一個(gè)一般研究領(lǐng)域：對(duì)齊方面的可擴(kuò)展監(jiān)督（scalable oversight）。通常，驗(yàn)證某一解決方案是否正確要比生成正確的解決方案容易，這是理論計(jì)算機(jī)科學(xué)的最基本思維之一。 ?

拿P vs NP問(wèn)題來(lái)說(shuō)，一種解釋是：讓弱智能體為強(qiáng)智能體提供激勵(lì)，通過(guò)這種方式，最優(yōu)行為可以解決弱智能體無(wú)法解決的問(wèn)題。我們可以讓標(biāo)注者訓(xùn)練模型，讓模型完成標(biāo)注者無(wú)法做到的事，理論上這是可行的。 ?

在這個(gè)方向上，我們可做的事情有很多，比如可以嘗試對(duì)任務(wù)進(jìn)行分解并委派，讓瀏覽模型對(duì)每個(gè)句子做事實(shí)核查，然后自動(dòng)聚合所有結(jié)果。我們還可以進(jìn)行類似于設(shè)置激勵(lì)機(jī)制的設(shè)計(jì)，比如可以設(shè)置一種游戲，在游戲中讓智能體們?nèi)ジ?jìng)爭(zhēng)驗(yàn)證器的批準(zhǔn)，并檢查其余選擇的錯(cuò)誤原因，AI safety via Debate是一個(gè)很好的例子。 ?

基本上，這個(gè)方向的研究還處于起步階段，沒(méi)有出現(xiàn)較好的實(shí)際運(yùn)用，但這方面的應(yīng)用已逐漸成為必要，因?yàn)闃?biāo)注者開(kāi)始難以跟上模型的發(fā)展速度。 ?

生成知識(shí)

最后一個(gè)問(wèn)題是：RLHF是純粹基于人類認(rèn)可的優(yōu)化，但問(wèn)題是人類并不能掌握所有事情的正確答案。很多時(shí)候，我們只是在對(duì)聽(tīng)起來(lái)有說(shuō)服力、聽(tīng)起來(lái)正確的內(nèi)容進(jìn)行優(yōu)化，希望以后能基于客觀事實(shí)進(jìn)行優(yōu)化，增加更多算力，在模型訓(xùn)練上投入更多精力，盡可能地接近事實(shí)真相。 ?

那我們應(yīng)該怎么做？一個(gè)方法是，如果我們了解某種基本真理，那可以優(yōu)化實(shí)際正確性。就預(yù)測(cè)未來(lái)而言，未來(lái)有數(shù)百萬(wàn)種可能，如果我們將這些預(yù)測(cè)用作獎(jiǎng)勵(lì)函數(shù)，也許能夠產(chǎn)生真實(shí)的知識(shí)，并對(duì)這些知識(shí)進(jìn)行真實(shí)性測(cè)試，這種預(yù)測(cè)是知識(shí)產(chǎn)生的來(lái)源之一。如果我們有形式化系統(tǒng)（formal system）或半形式化推理系統(tǒng)，也可以進(jìn)行演繹產(chǎn)生新的知識(shí)。上述做法很有意思，是一個(gè)有趣的挑戰(zhàn)。 ?

6答聽(tīng)眾問(wèn)

問(wèn)：如果關(guān)于Dagger算法的知識(shí)在模型內(nèi)部，關(guān)于Fleet-Dagger的知識(shí)在模型外部，那么模型在用概念解釋它們時(shí)是否有差異？

答：在我看來(lái)，模型比較擅長(zhǎng)解釋根植于內(nèi)部且經(jīng)常在文本中遇到的概念，對(duì)于首次見(jiàn)到的概念，基于內(nèi)省和推測(cè)，模型可能會(huì)給出不太讓人滿意的解釋。 因此，模型在談?wù)搩?nèi)部常見(jiàn)知識(shí)時(shí)會(huì)比較智能，也就是說(shuō)，相比Fleet-Dagger，模型更擅長(zhǎng)解釋Dagger，對(duì)于Fleet-Dagger，模型可能只是在某個(gè)文檔的摘要中接觸過(guò)，對(duì)于這個(gè)概念，模型不會(huì)有任何深入見(jiàn)解。 ?

問(wèn)：你提到模型會(huì)在答案不受歡迎的情況下會(huì)隱藏信息，那么在開(kāi)放域上下文中訓(xùn)練模型如實(shí)告知全部信息，以及在封閉域上下文中訓(xùn)練模型不生成未經(jīng)證實(shí)信息（即使模型實(shí)際上知道該信息）的激勵(lì)之間是否存在沖突？

答：是的，這兩者之間存在著非常強(qiáng)烈的沖突，精準(zhǔn)率和召回率之間，信息性和正確性之間也存在著沖突，這些都是模型訓(xùn)練的常見(jiàn)沖突。面對(duì)這些沖突，不可避免要進(jìn)行一番權(quán)衡，我們會(huì)在權(quán)衡曲線上盡可能合理地做出選擇。 ?

問(wèn)：WebGPT的Demo給出的內(nèi)心獨(dú)白非常棒。你是否考慮過(guò)提煉一個(gè)模型，這個(gè)模型沒(méi)有足夠的內(nèi)層思考空間，所以需要設(shè)置內(nèi)心獨(dú)白，以便我們可以理解它的想法。

答：在沒(méi)有完美的解釋性方案或無(wú)法確保模型安全性的情況下，內(nèi)心獨(dú)白是一個(gè)比較好的選擇，它可以解決部分問(wèn)題，我們應(yīng)該盡可能多地采用這種設(shè)置。內(nèi)心獨(dú)白可以有效幫助我們理解模型，但顯然不能完全信任它，模型可能會(huì)產(chǎn)生虛假的內(nèi)心獨(dú)白，這是一個(gè)值得注意的問(wèn)題。

小型模型必須要使用內(nèi)心獨(dú)白才能達(dá)到一定的智力水平，當(dāng)然我們可能會(huì)擔(dān)心模型隱藏信息，但這種擔(dān)憂其實(shí)有點(diǎn)牽強(qiáng)，總體來(lái)說(shuō)，雖然內(nèi)心獨(dú)白存在著一些理論上的擔(dān)憂，但我很看好它的發(fā)展。 ?

另外，詳細(xì)的、允許使用較短反饋的內(nèi)心獨(dú)白可以幫助我們更好地判斷模型行為是否有意義。例如在瀏覽時(shí)，假如沒(méi)有內(nèi)心獨(dú)白，這時(shí)模型進(jìn)行了滾動(dòng)操作，我們就無(wú)法判斷這個(gè)動(dòng)作是否有意義，更不可能對(duì)這個(gè)動(dòng)作提供獎(jiǎng)勵(lì)。但是，如果有內(nèi)心獨(dú)白，模型就可以告訴我們滾動(dòng)操作的原因，我們就可以查看該動(dòng)作并判斷是否有意義。 ?

通過(guò)內(nèi)心獨(dú)白，我們可以對(duì)模型的操作做出反饋，可以在更短的時(shí)間內(nèi)使用RL訓(xùn)練模型，同時(shí)還能讓模型系統(tǒng)更安全，因?yàn)槲覀儧](méi)有優(yōu)化可能導(dǎo)致奇怪結(jié)果的長(zhǎng)期行為。 ?

問(wèn)：我一直在用古典文學(xué)和哲學(xué)信息訓(xùn)練模型，在這個(gè)過(guò)程中，我對(duì)“什么是美？”這類問(wèn)題很感興趣，美的定義有千千萬(wàn)萬(wàn)種，你如何評(píng)估那些不同答案的相對(duì)矩陣的定量測(cè)量，它們是否優(yōu)先于輸出？

答：模型生成的答案應(yīng)該是客觀，沒(méi)有價(jià)值偏向的，很難處理帶有個(gè)人偏好、價(jià)值選擇的問(wèn)題，對(duì)于這類問(wèn)題我們還沒(méi)有找到好的處理方法。 目前為止，我們并不贊同讓模型對(duì)事物擁有自己的看法，相反，我們讓模型去描述人類的想法，希望模型將“什么是美”這類問(wèn)題重新定向?yàn)楦诱鎸?shí)的問(wèn)題，例如人類或?qū)W校對(duì)這個(gè)問(wèn)題的看法是什么。 ?

其他人都在看

向量嵌入：AutoGPT的幻覺(jué)解法

推演語(yǔ)言模型的大小與計(jì)算開(kāi)銷

谷歌科學(xué)家：RLHF的演進(jìn)與局限

John Shulman：ChatGPT成功的秘密武器

比快更快，開(kāi)源Stable Diffusion刷新作圖速度

OneEmbedding:單卡訓(xùn)練TB級(jí)推薦模型不是夢(mèng)

GLM訓(xùn)練加速：性能最高提升3倍，顯存節(jié)省1/3

歡迎Star、試用OneFlow: github.com/Oneflow-Inc/oneflow/http://github.com/Oneflow-Inc/oneflow/

關(guān)鍵詞：