新智元报道

　　编辑：好困 Aeneas 桃子

　　做聊天机器人，OpenAI 不是第一家，但绝对是最出风头的那个。谷歌、Meta、DeepMind、OpenAI 的聊天机器人大 PK，谁最牛？

　　前几天，Meta 首席人工智能科学家 Yann LeCun 的一段对于 ChatGPT 的点评迅速传遍圈内外，引发了大波讨论。

　　在 Zoom 的媒体和高管小型聚会上，LeCun 给出了一段令人惊讶的评价：「就底层技术而言，ChatGPT 并不是多么了不得的创新。」

　　「虽然在公众眼中，它是革命性的，但是我们知道，它就是一个组合得很好的产品，仅此而已。」

　　ChatGPT 不算什么创新

　　ChatGPT 作为这几个月的聊天机器人「顶流」，早就红遍全世界，甚至切实改变了一部分人的职业生涯，以及学校教育的现状。

　　全世界为它惊叹的时候，LeCun 对 ChatGPT 的点评居然如此「轻描淡写」。

　　但其实，他的言论不无道理。

　　像 ChatGPT 这种数据驱动的人工智能系统，许多公司和研究型实验室有。LeCun 表示，OpenAI 在这个领域并没有多么独树一帜。

　　「除了谷歌和 Meta 之外，还有六家初创公司，基本上都拥有非常相似的技术。」LeCun 补充道。

　　接着，LeCun 小酸了一把——

　　「ChatGPT 用的是以自监督方式进行预训练的 Transformer 架构，而自监督学习是本人长期以来一直提倡的，那会儿 OpenAI 还没诞生呢。」

　　其中，Transformer 是谷歌的发明。这种语言神经网络，正是 GPT-3 等大型语言模型的基础。

　　而第一个神经网络语言模型，Yoshua Bengio 早在 20 年前就提出了。Bengio 的注意力机制后来被谷歌用于 Transformer，之后更是成为了所有语言模型中的关键元素。

　　另外，ChatGPT 用的是人类反馈强化学习（RLHF）的技术，也是由谷歌 DeepMind 实验室开创的。

　　在 LeCun 看来，ChatGPT 与其说是一个科学突破，不如说是一项成功的工程案例。

　　OpenAI 的技术「在基础科学方面并没有什么创新性，它只是设计得很好而已。」

　　「当然啦，我不会为此批评他们。」

我不是在批评 OpenAI 的工作，也不是在批评他们的主张。 我是想纠正公众和媒体的看法，他们普遍认为 ChatGPT 是一种创新且独特的技术突破，然而事实并非如此。

　　在纽约时报记者 Cade Metz 的座谈会上，LeCun 感受到了好事者的疑问。

　　「你可能想问，为什么谷歌和 Meta 没有类似的系统呢？我的回答是，如果谷歌和 Meta 推出这种会胡说八道的聊天机器人，损失会相当惨重。」他笑着说。

　　无独有偶，OpenAI 被微软等金主看好、身价飙升至 290 亿美元的新闻一出，马库斯也连夜在博客上写了一篇文章嘲讽。

　　在文中，马库斯爆出一句金句：

　　谷歌、Meta、DeepMind、OpenAI 大 PK！

　　话不多说，咱们把这几家 AI 巨头的聊天机器人都拉出来遛遛，用数据说话。

　　LeCun 说许多公司和实验室都有类似 ChatGPT 的 AI 聊天机器人，此言不虚。

　　ChatGPT 并不是第一个基于语言模型的 AI 聊天机器人，它有很多「前辈」。

　　在 OpenAI 之前，Meta、谷歌、DeepMind 等都发布了自己的聊天机器人，比如 Meta 的 BlenderBot、谷歌的 LaMDA、DeepMind 的 Sparrow。

　　还有一些团队，也公布了自己的开源聊天机器人计划。比如，来自 LAION 的 Open-Assistant。

　　在 Huggingface 的一篇博客中，几位作者调查了关于 RLHF、SFT、IFT、CoT（它们都是 ChatGPT 的关键词）这些主题的重要论文，对它们进行了分类和总结。

　　他们制成了一个表，根据公开访问、训练数据、模型架构和评估方向等细节，对 BlenderBot、LaMDA、Sparrow 和 InstructGPT 这些 AI 聊天机器人进行了比较。

　　注意：因为 ChatGPT 没有记录，所以他们使用的是 InstructGPT 的细节，InstructGPT 是一个来自 OpenAI 的指令微调模型，可以被认为是 ChatGPT 的基础。

　　不难发现，尽管在训练数据、基础模型和微调方面存在许多差异，但这些聊天机器人都有一个共同点——遵循指令。

　　比如，你可以通过指令让 ChatGPT 写一首关于微调的诗。

　　可以看到，ChatGPT 非常「识相」，写诗都不忘拍一下 LeCun 和 Hinton 两位祖师爷的马屁。

　　随后激情洋溢地赞颂道：「微调啊，微调，你是一支美丽的舞蹈。」

　　从预测文本到遵循指令

　　通常情况下，基础模型的语言建模，是不足以让模型学会如何遵循用户指令的。

　　在模型的训练中，研究人员除了会采用经典的 NLP 任务（比如情感、文本分类、总结等），还会使用指令微调（IFT），也就是在非常多样化的任务上通过文字指令对基础模型进行微调。

　　其中，这些指令示例由三个主要部分组成：指令、输入和输出。

　　输入是可选的，有些任务只需要指令，如上面 ChatGPT 示例中的开放式生成。

　　当一个输入和输出出现时，就形成了一个示例。对于一个给定的指令，可以有多个输入和输出示例。比如下面这个例子：

　　IFT 的数据，通常是人类编写的指令和使用语言模型引导的指令示例的集合。

　　在引导过程中，LM 在 few-shot（小样本）的设置中被提示（如上图），并被指示生成新的指令、输入和输出。

　　在每一轮中，模型会被提示从人工编写和模型产生的样本中选择。

　　人类和模型对创建数据集的贡献量像一个光谱一样（见下图）。

　　一端是纯粹的模型生成的 IFT 数据集，如 Unnatural Instructions，另一端是大量人工生成的指令，如 Super-natural instructions。

　　介于这两者之间的，是使用一套规模较小但质量更高的种子数据集，然后进行引导的工作，如 Self-instruct。

　　为 IFT 整理数据集的另一种方式是，利用现有的关于各种任务（包括提示）的高质量众包 NLP 数据集，并使用统一的模式或不同的模板将这些数据集转换成指令。

　　这方面的工作包括 T0、自然指令数据集（Natural instructions dataset）、FLAN LM 和 OPT-IML。

　　自然指令数据集相关论文：https://arxiv.org/abs/2104.08773

　　对模型进行微调

　　另一方面，OpenAI 的 InstructGPT、DeepMind 的 Sparrow 和 Anthropic 的 Constitutional AI 都采用了基于人类反馈的强化学习（RLHF），也就是人类偏好的注释。

　　在 RLHF 中，一组模型响应根据人类反馈进行排序（例如，选择一个更受欢迎的文字简介）。

　　接下来，研究人员在这些注释过的响应上训练一个偏好模型，为 RL 优化器返回一个标量奖励。

　　最后，通过强化学习训练聊天机器人来模拟这个偏好模型。

　　思维链（CoT）提示，是指令示例的一个特例，它通过诱导聊天机器人逐步推理，以此来产生输出。

　　用 CoT 进行微调的模型，会使用带有人类注释的分步推理的指令数据集。

　　这就是那句著名的 prompt——「let's think step by step」的起源。

　　下面的例子取自「Scaling Instruction-Finetuned Language Models」。其中，橙色突出了指令，粉色显示了输入和输出，蓝色是 CoT 推理。

　　论文指出，采用 CoT 微调的模型，在涉及常识、算术和符号推理的任务中表现得更好。

　　此外，CoT 微调在敏感话题方面也非常有效（有时比 RLHF 做得更好），尤其是可以避免模型摆烂——「对不起，我无法回答」。

　　安全地遵循指令

　　正如刚才提到的， 指令微调的语言模型并不能永远产生有用且安全的响应。

　　比如，它会通过给出无用的回答来逃避，例如「对不起，我不明白」；或者对抛出敏感话题的用户输出不安全的响应。

　　为了改善这种行为，研究人员通过监督微调（SFT）的形式，在高质量的人类注释数据上对基础语言模型进行微调，从而提升模型的有用性和无害性。

　　SFT 和 IFT 的联系非常紧密。IFT 可以看作是 SFT 的一个子集。在最近的文献中，SFT 阶段经常用于安全主题，而不是用于在 IFT 之后完成的特定指令主题。

　　在将来，它们的分类和描述应该会有更清晰的用例。

　　另外，谷歌的 LaMDA 也是在一个有安全注释的对话数据集上进行微调的，该数据集有基于一系列规则的安全注释。

　　这些规则通常由研究人员预先定义和开发，包含了一系列广泛的主题，包括伤害、歧视、错误信息等。

　　AI 聊天机器人的下一步

　　关于 AI 聊天机器人，目前仍有许多开放性问题有待探索，比如：

　　1. RL 在从人类反馈中学习方面有多重要？我们能在 IFT 或 SFT 中通过更高质量的数据训练获得 RLHF 的性能吗？

　　2. Sparrow 中的 SFT+RLHF，与 LaMDA 中仅仅使用 SFT，两者的安全性如何比较？

　　3. 鉴于我们已经有了 IFT、SFT、CoT 和 RLHF，那么还有多少预训练是必要的？有哪些权衡因素？最好的基础模型是哪个（包括公开的和非公开的）？

　　4. 现在这些模型都是精心设计的，其中研究人员会专门搜索故障模式，并根据揭露的问题影响未来的训练（包括提示和方法）。我们如何系统地记录这些方法的效果并进行复现？

　　总结一下

　　1. 与训练数据相比，只需拿出非常小的一部分用于指令微调（几百个数量级即可）。

　　2. 监督微调利用人类注释，可以让模型的输出更加安全和有用。

　　3. CoT 微调提高了模型在逐步思考任务上的表现，并使模型不会总是逃避敏感问题。

　　参考资料：

　　https://huggingface.co/blog/dialog-agents