為什么ChatGPT非得用強(qiáng)化學(xué)習(xí)，而不直接用監(jiān)督學(xué)習(xí)？原因不是那么顯而易見。在上周發(fā)布的《John Schulman：通往TruthGPT之路》一文中，OpenAI聯(lián)合創(chuàng)始人、ChatGPT主要負(fù)責(zé)人John Schulman分享了OpenAI在人類反饋的強(qiáng)化學(xué)習(xí)（RLHF）方面的進(jìn)展，分析了監(jiān)督學(xué)習(xí)和強(qiáng)化學(xué)習(xí)各自存在的挑戰(zhàn)。

(資料圖)

基于Schulman的演講內(nèi)容，以色列巴伊蘭大學(xué)教授Yoav Goldberg對(duì)強(qiáng)化學(xué)習(xí)在大型語言模型應(yīng)用必要性作了深度解讀，進(jìn)一步對(duì)比論證了監(jiān)督學(xué)習(xí)與強(qiáng)化學(xué)習(xí)的特點(diǎn)，并為未來改進(jìn)提供了思路。

Goldberg在2011年獲得本古里安大學(xué)博士學(xué)位，他也是艾倫人工智能研究所以色列分部的研究主管，他也曾在Google（紐約）研究院擔(dān)任研究科學(xué)家。他在NLP領(lǐng)域深耕十多年，在詞匯語義學(xué)、句法分析及對(duì)基于深度學(xué)習(xí)的語言處理等領(lǐng)域作出了突出貢獻(xiàn)。

（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)。來源：https://gist.github.com/yoavg/6bff0fecd65950898eba1bb321cfbd81）

作者｜Yoav Goldberg

OneFlow編譯

翻譯｜賈川、徐佳渝、楊婷

1為何使用強(qiáng)化學(xué)習(xí)？

隨著ChatGPT等大型語言模型的發(fā)布，人們對(duì)“RLHF訓(xùn)練（即基于人類反饋的強(qiáng)化學(xué)習(xí)訓(xùn)練）”的重要性進(jìn)行了諸多討論。在訓(xùn)練語言模型方面，我一度困惑于為什么強(qiáng)化學(xué)習(xí)比從演示中學(xué)習(xí)（也稱為監(jiān)督學(xué)習(xí)）更好，難道從演示中學(xué)習(xí)（或根據(jù)語言模型術(shù)語中的“指令微調(diào)”，學(xué)習(xí)模仿人類寫的回答）還不夠？

我提出了一個(gè)有說服力的理論論據(jù)。不過我意識(shí)到還有另一個(gè)論點(diǎn)，它不僅支持強(qiáng)化學(xué)習(xí)訓(xùn)練，而且尤其適用于ChatGPT等模型。OpenAI的John Schulman在其演講的前半部分進(jìn)行了詳細(xì)論述。本文的大部分內(nèi)容都引用了John的論點(diǎn)，但增加了一些他沒有明確表述的內(nèi)容（不過我確信這些內(nèi)容都是John考慮過的）。

本文提供了大量背景知識(shí)，以確保讀者可以更好地理解文章內(nèi)容。如果你想了解文章重點(diǎn)，可以直接看“核心論證”部分。

2背景：監(jiān)督學(xué)習(xí)vs強(qiáng)化學(xué)習(xí)

簡(jiǎn)要地解釋一下這兩種學(xué)習(xí)場(chǎng)景，以便我們能夠達(dá)成共識(shí)。如果你已經(jīng)了解了這些內(nèi)容，可以跳過此部分。

預(yù)訓(xùn)練：在這兩種設(shè)置中，首先我們假設(shè)語言模型在大量的文本上進(jìn)行預(yù)訓(xùn)練，以預(yù)測(cè)下一個(gè)token。因此，對(duì)于每個(gè)詞序列，我們有一個(gè)模型可對(duì)潛在的下一個(gè)詞的選項(xiàng)分配概率。通過這種方式，模型會(huì)獲得語言的某種內(nèi)部表示。

經(jīng)過這一過程，模型的生成文本能力會(huì)變強(qiáng)，且能夠根據(jù)給定文本前綴，生成符合自然習(xí)慣的后續(xù)文本，但它并不擅長(zhǎng)“交流”。例如，當(dāng)提示（prompted）一個(gè)問題時(shí)，模型可能會(huì)回答該問題或者生成一系列附加問題，也可能會(huì)回答這是一個(gè)在......的上下文中提出的重要問題等等。

這些都是遵循自然語言文本問題的有效延續(xù)（continuation）。我們可以通過編寫輸入文本，來使模型執(zhí)行我們所希望的語言行為，該延續(xù)會(huì)解決我們的問題（也被稱之為“提示工程”），但是對(duì)于只想提出問題或指令就讓模型進(jìn)行回答的非專家用戶來說，這種交互模式并不非常方便。

如果我們希望模型能夠持續(xù)回答查詢而不是僅僅完成當(dāng)前指令，就需要對(duì)其進(jìn)行引導(dǎo)，這個(gè)過程稱之為“微調(diào)”，即繼續(xù)訓(xùn)練預(yù)訓(xùn)練模型，進(jìn)而使其表現(xiàn)出我們想要的行為（有些人稱這是“對(duì)齊”模型與使用者期望行為）。

監(jiān)督訓(xùn)練：在監(jiān)督學(xué)習(xí)中（也稱為從演示中學(xué)習(xí)或“指令微調(diào)”），我們會(huì)收集一組人類編寫的文本，這些文本以問題或指令的形式出現(xiàn)，并包含了期望的輸出。例如，這些文本可以是某一問題和答案，或者是像帶有人類編寫總結(jié)的summarize the following text {text}這樣的任務(wù)。

通過在相同的“給定前綴預(yù)測(cè)下一個(gè)token”的目標(biāo)上繼續(xù)訓(xùn)練模型，但這次是在指令-輸出對(duì)集合上，模型學(xué)會(huì)通過執(zhí)行指令來響應(yīng)。即模型接收到給定問題的正確輸出的演示，并學(xué)會(huì)復(fù)制輸出結(jié)果。我們希望通過這種方式將其泛化到訓(xùn)練中尚未出現(xiàn)的問題中去。

強(qiáng)化學(xué)習(xí)（RL）：在強(qiáng)化學(xué)習(xí)中，我們?yōu)槟Ｐ吞峁┲噶睿⒉惶峁┤斯ぞ帉懙拇鸢?。模型需要自己生成答案。評(píng)分機(jī)制（例如人類）會(huì)讀取生成的答案，并告訴模型這些答案的質(zhì)量。模型的目標(biāo)是如何回答以獲得高分。

另一種機(jī)制是模型生成多個(gè)答案，評(píng)分機(jī)制告訴模型哪個(gè)答案最好。模型的目標(biāo)是學(xué)習(xí)生成高分的答案，而不是低分的答案。在這兩種情況下，模型通過生成答案并接收反饋來學(xué)習(xí)。（注意：許多研究人員將強(qiáng)化學(xué)習(xí)的范圍限定在基于credit分配機(jī)制的某些技術(shù)層面。于他們而言，“我們是否需要強(qiáng)化學(xué)習(xí)”的問題也許歸結(jié)為我們應(yīng)該使用該技術(shù)還是采取其他相關(guān)技術(shù)來替代。我與他們同樣好奇，但就本文目的而言，我認(rèn)為任何使用外部評(píng)分函數(shù)的方法均可視為強(qiáng)化學(xué)習(xí)，無論其運(yùn)行機(jī)制如何。）

強(qiáng)化學(xué)習(xí)比監(jiān)督訓(xùn)練難得多，原因如下：首先是“credit分配”問題。語言模型生成一段token序列，且僅在序列末尾才能獲得一個(gè)分?jǐn)?shù)。由于信號(hào)很弱，我們不能確定答案哪些部分是良好的，哪些部分是糟糕的。許多有關(guān)強(qiáng)化學(xué)習(xí)的相關(guān)技術(shù)研究都在嘗試解決該問題，但在本文中我們先不談這個(gè)問題。

credit分配問題是一個(gè)活躍的研究領(lǐng)域，但已經(jīng)存在合理的解決方案。其次，我們需要一種評(píng)分機(jī)制來對(duì)答案進(jìn)行評(píng)分（或?yàn)榇鸢冈u(píng)分或比較兩個(gè)答案），而在基于語言的任務(wù)中，很難生成自動(dòng)評(píng)分機(jī)制（盡管這可能正在改變，下文會(huì)簡(jiǎn)單論述）。

因此，我們會(huì)在強(qiáng)化學(xué)習(xí)的每一步留下“人類反饋”，但這種方式成本高昂且效率低下，考慮到每個(gè)人類反饋只能給出一個(gè)相當(dāng)稀疏的信號(hào)，問題會(huì)更加糟糕?；谝陨侠щy，我們?yōu)槭裁催€要使用強(qiáng)化學(xué)習(xí)呢？為什么不僅僅選擇監(jiān)督學(xué)習(xí)呢？

3多樣性論證

對(duì)于語言生成模型來說，監(jiān)督學(xué)習(xí)/指令調(diào)優(yōu)最大的問題是它們只能復(fù)制演示者給出的確切答案，但實(shí)際上，人類語言可以用多種方式傳遞相同的信息，它們都是切實(shí)可行的。如果因模型輕微偏離人類規(guī)定的文本而受到“懲罰”，可能會(huì)使模型產(chǎn)生困惑。

我們當(dāng)然可以繼續(xù)逼迫模型去學(xué)習(xí)更難學(xué)習(xí)的遣詞造句，盡管模型已經(jīng)學(xué)會(huì)了生成具有同樣意思、合法的替代性回答。因此，我們非常看好強(qiáng)化學(xué)習(xí)訓(xùn)練提供的多樣性表達(dá)?？紤]到監(jiān)督學(xué)習(xí)在實(shí)踐中的良好應(yīng)用，以及訓(xùn)練強(qiáng)化學(xué)習(xí)模型所面臨的挑戰(zhàn)，這是一個(gè)非常直觀的論點(diǎn)，但不夠有說服力。一直以來，我并不認(rèn)為這是一個(gè)足夠核心的問題，現(xiàn)在我仍這樣想。

4理論論證

監(jiān)督學(xué)習(xí)只允許正反饋（我們向模型展示一系列問題及其正確答案），而RL允許負(fù)反饋（模型被允許生成答案并得到反饋說“這答案是不正確的”），這是我提出的第一個(gè)關(guān)于LLM領(lǐng)域的監(jiān)督學(xué)習(xí)vs強(qiáng)化學(xué)習(xí)的強(qiáng)有力論點(diǎn)。

從嚴(yán)格的學(xué)習(xí)理論的角度來看，兩者之間有很大的區(qū)別：相比正反饋，負(fù)反饋要強(qiáng)大得多。從理論論證的角度，當(dāng)模型只從演示中學(xué)習(xí)時(shí)，對(duì)抗型（或粗心的）演示者（demonstrator）可以隱瞞重要例子，從而誤導(dǎo)學(xué)習(xí)者（learner）學(xué)習(xí)錯(cuò)誤的假設(shè)。

演示者控制著整個(gè)學(xué)習(xí)過程，但如果學(xué)習(xí)者能夠形成自己的假設(shè)，并詢問老師（teacher）假設(shè)是否正確（例如強(qiáng)化學(xué)習(xí)設(shè)置），通過這種方式，即使是對(duì)抗性老師也無法再欺騙學(xué)習(xí)者學(xué)習(xí)錯(cuò)誤假設(shè)，它必須如實(shí)告知這一假設(shè)是錯(cuò)誤的，這種方式賦予了學(xué)習(xí)者主動(dòng)性，讓學(xué)習(xí)者更加強(qiáng)大。（當(dāng)然，前提是對(duì)抗型或粗心的老師仍然遵守規(guī)則，始終提供真實(shí)答案。這是理論框架中的合理假設(shè)，這一假設(shè)并不影響我們的主體觀點(diǎn)：從互動(dòng)或提問中學(xué)習(xí)比從演示中學(xué)習(xí)更加強(qiáng)大）。

這是我們選擇強(qiáng)化學(xué)習(xí)的部分原因，但就通過提問訓(xùn)練大型語言模型交流方面，還有一個(gè)更加重要的額外論點(diǎn)。

5核心論證

以下是我們需要強(qiáng)化學(xué)習(xí)或類似技術(shù)的核心原因。前兩個(gè)論點(diǎn)依賴于假設(shè)，例如"模型可能更難學(xué)習(xí)"或"粗心的演示者可能會(huì)混淆模型"，這些假設(shè)在實(shí)踐中是否成立是未知的，

相反，下面的論點(diǎn)可以被證明是成立的。

語言模型（至少）有三種交互模式：（a）文本型（text-grounded）：?為模型提供文本和說明（“總結(jié)此文本”，“基于此文本，以色列的人口是多少”，“本文中提到的化學(xué)名稱是什么”，“將此文本翻譯成西班牙語”等），讓模型基于我們提供的文本生成答案；（b）求知型（knowledge-seeking）：?向模型提供問題或指導(dǎo)，讓模型根據(jù)內(nèi)在知識(shí)（“流感的常見原因是什么”）提供（真實(shí)）回答。（c）創(chuàng)造型（creative）：?為模型提供問題或說明，然后讓模型進(jìn)行創(chuàng)造性輸出。（“寫一個(gè)關(guān)于...的故事”）

我們的論點(diǎn)是基于第二種交互模式（求知型查詢），希望在這種查詢中得到真實(shí)（自信）的答案，我們希望模型在對(duì)答案沒把握的情況下能夠如實(shí)回答“我不知道”或拒絕回答這一問題。

對(duì)于這類交互模式，由于監(jiān)督訓(xùn)練可能會(huì)讓模型撒謊，所以我們必須使用RL。核心問題是：我們希望模型根據(jù)內(nèi)部知識(shí)進(jìn)行回答，但我們并不知道模型內(nèi)部知識(shí)包含的內(nèi)容。?

在監(jiān)督訓(xùn)練中，我們給模型提供問題及正確答案，并訓(xùn)練模型復(fù)制提供的答案。這里有兩種情況：（1）模型“知道”答案。這種情況下，監(jiān)督學(xué)習(xí)能夠正確推動(dòng)模型將答案與問題相關(guān)連，并且有望讓模型執(zhí)行相似的步驟，回答將來遇到的類似問題。這是所期望的行為。（2）模型不知道答案。在這種情況下，監(jiān)督訓(xùn)練還是會(huì)促使模型給出答案。

現(xiàn)在，我們有兩種選擇。一種可能是，它會(huì)促使模型記住特定的問答對(duì)。這種做法本身并沒什么壞處，但不太高效，因?yàn)槲覀兊哪康氖亲屇Ｐ途哂蟹夯芰?，并且能回答任何問題，而不只是那些在訓(xùn)練數(shù)據(jù)中出現(xiàn)的問題。但如果我們使模型在這些情況下能做到泛化，那么實(shí)際上就是在教模型捏造答案，相當(dāng)于鼓勵(lì)模型“說謊”，這很不好。

由于我們無法確定模型知道哪些信息或不知道哪些信息，所以無法避免第二種情況，這對(duì)監(jiān)督訓(xùn)練來說是一個(gè)真實(shí)且嚴(yán)重的問題。

我們不能僅依靠監(jiān)督學(xué)習(xí)來訓(xùn)練模型生成可信任回答，還需要強(qiáng)化學(xué)習(xí)的加持。與監(jiān)督學(xué)習(xí)不同，強(qiáng)化學(xué)習(xí)不會(huì)鼓勵(lì)模型編造答案：即使模型最初確實(shí)猜對(duì)了一些答案并錯(cuò)誤地學(xué)習(xí)了“編造”行為，但長(zhǎng)遠(yuǎn)來看，模型會(huì)因編造答案的得分較低（很可能是不正確的）而學(xué)會(huì)依賴內(nèi)部知識(shí)或選擇放棄回答。

6教導(dǎo)模型放棄回答

當(dāng)模型不知道答案時(shí)，我們希望它能夠放棄回答并給出“我不知道”或類似的答案。但由于我們不知道模型是否知道答案，所以這并不是一件容易的事，在監(jiān)督環(huán)境中很難做到。我們可以引導(dǎo)模型規(guī)避某些類型的問題（例如“從不回答涉及人類的問題”），并回答“我不知道”。但這不是在答案未知時(shí)放棄回答的預(yù)期行為，只是一個(gè)非常薄弱的替代方法（proxy）。

然而，這對(duì)于強(qiáng)化學(xué)習(xí)設(shè)置也具有挑戰(zhàn)：模型可能從一開始就不會(huì)生成“我不知道”的答案，因此我們無法鼓勵(lì)它作出這種回答。解決這個(gè)問題的方法之一是，先進(jìn)行一些監(jiān)督訓(xùn)練，學(xué)習(xí)在某些情況下生成“我不知道”的答案，然后再進(jìn)行強(qiáng)化學(xué)習(xí)訓(xùn)練。

但這種方法也有弊端，即在監(jiān)督學(xué)習(xí)和強(qiáng)化學(xué)習(xí)中，模型可能會(huì)過度回答“我不知道”。這是一個(gè)開放的研究問題，可以嘗試通過“定制獎(jiǎng)勵(lì)函數(shù)”來解決：將正確答案賦予非常高的分?jǐn)?shù)，放棄回答的答案賦予中低分?jǐn)?shù)，不正確的答案賦予強(qiáng)烈負(fù)分。當(dāng)然，想做到這一點(diǎn)也并非易事。

7模型竊取 / 蒸餾的影響

OpenAI在GPT模型的強(qiáng)化學(xué)習(xí)類型調(diào)優(yōu)（RL-type tuning）方面投入了大量精力。原因有很多，他們的部分動(dòng)機(jī)是希望通過鼓勵(lì)模型在不知道答案時(shí)放棄回答來確保準(zhǔn)確性和真實(shí)性。

最近有一種趨勢(shì)，即采用其他公開可用的基礎(chǔ)語言模型，并對(duì)它們進(jìn)行訓(xùn)練，以期能夠復(fù)制GPT模型的出色行為。

這種做法類似于監(jiān)督式訓(xùn)練或指令調(diào)優(yōu)：通過訓(xùn)練，模型可以準(zhǔn)確生成GPT模型的答案。這對(duì)于教模型執(zhí)行指令應(yīng)該很有效，但卻不適用于回答知識(shí)查詢類問題（案例b）。

公開可用的基礎(chǔ)模型和OpenAI模型可能具有不同的知識(shí)集，因此訓(xùn)練模型以復(fù)制GPT的答案可能會(huì)面臨與監(jiān)督學(xué)習(xí)同樣的問題，即鼓勵(lì)模型編造事實(shí)，或在它知道正確答案但GPT模型不知道的情況下放棄回答。那么，解決方案是用強(qiáng)化學(xué)習(xí)對(duì)這些模型進(jìn)行訓(xùn)練，但這是否太過昂貴？

8無人類反饋的強(qiáng)化學(xué)習(xí)

長(zhǎng)期以來，使用強(qiáng)化學(xué)習(xí)訓(xùn)練生成語言任務(wù)對(duì)大多數(shù)玩家來說都不切實(shí)際：由于缺乏可靠的自動(dòng)評(píng)分指標(biāo)，強(qiáng)化學(xué)習(xí)訓(xùn)練需要對(duì)每個(gè)訓(xùn)練樣本進(jìn)行人工反饋。這既耗時(shí)又昂貴，特別是對(duì)于需要查看數(shù)千到數(shù)萬甚至數(shù)十萬個(gè)示例才能學(xué)習(xí)的模型。

然而，強(qiáng)化學(xué)習(xí)訓(xùn)練現(xiàn)在變得實(shí)用了：首先，出現(xiàn)了可以從較少示例中學(xué)習(xí)的大型預(yù)訓(xùn)練語言模型。更重要的是，這些模型為強(qiáng)化學(xué)習(xí)循環(huán)（RL loop）中去掉人類參與鋪平了道路。

監(jiān)督訓(xùn)練對(duì)于文本相關(guān)的任務(wù)非常有效，而且大型模型可以很好地學(xué)習(xí)執(zhí)行一些任務(wù)。例如，讓模型確定兩個(gè)文本是否意思相同，或者一個(gè)文本是否包含另一個(gè)文本中沒有的事實(shí)（還可以將任務(wù)分解，讓模型“生成所有可從該文本回答的所有"問答對(duì)"”，然后針對(duì)每個(gè)問題詢問“在其他文本中是否有該問題的答案，答案是什么”）。

根據(jù)經(jīng)驗(yàn)來看，大型語言模型（甚至中型語言模型）可以使用監(jiān)督學(xué)習(xí)可靠地學(xué)習(xí)執(zhí)行這些任務(wù)，這為我們提供了可用于強(qiáng)化學(xué)習(xí)設(shè)置的有效自動(dòng)評(píng)分機(jī)制。 我們可以使用人類提供的指令-響應(yīng)對(duì)進(jìn)行訓(xùn)練，不過，要讓模型生成自己的響應(yīng)，而不是直接復(fù)制人類響應(yīng)，然后用在監(jiān)督方式下進(jìn)行訓(xùn)練的專用文本對(duì)比模型（text comparison model）將模型生成的響應(yīng)與人類提供的響應(yīng)進(jìn)行比較，這樣就獲得了一種自動(dòng)打分的辦法。 ?

其他人都在看

ChatGPT成功的秘密武器

向量嵌入：AutoGPT的幻覺解法

谷歌科學(xué)家：RLHF的演進(jìn)與局限

John Schulman：通往TruthGPT之路

比快更快，開源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：