究竟是怎樣的大腦創(chuàng)造出了跨時代的ChatGPT？作為ChatGPT的姊妹模型，InstructGPT的核心技術(shù)和ChatGPT有很多相通之處。

近期，美國AI可觀察性平臺Arize AI采訪了OpenAI的兩位研究科學(xué)家歐陽龍(Long Ouyang) 和Ryan Lowe，他們是InstructGPT（采用人類反饋的強化學(xué)習(xí) (RLHF) 訓(xùn)練大型語言模型的首批主要應(yīng)用之一）的創(chuàng)造者，在RLHF模型的演變和為GPT-4奠基方面發(fā)揮了重要作用。

以下是對話中的一些要點。

【資料圖】

圖源：AI PUB, ARIZE AI

開發(fā)InstructGPT背后的動機是什么？GPT-3的哪些問題啟發(fā)了InstructGPT的誕生?

歐陽龍：我認為我們試圖解決的一個主要問題是，當(dāng)GPT-3問世時，人們對用它來做有用的認知工作感到過于興奮，例如總結(jié)一篇新聞文章。但它的設(shè)計初衷并不是為了做這個，而是為了預(yù)測互聯(lián)網(wǎng)上的人在特定環(huán)境下可能會說什么。事實證明，你可以通過設(shè)置文本來誘使模型為你執(zhí)行有用的工作，當(dāng)模型自動完成任務(wù)時，它可以給你你想要的東西。

因此，就摘要來說，一個例子是，也許你需要先給出一篇文章中的幾個事例，然后是文章的摘要，最后是你想要獲得摘要的文章和要點總結(jié)，然后你要求他們完成概括。所以這個模型并不是被設(shè)計成一個助手或有用的工具，但在某些情況下你可以把它用作這個用途。這篇文本或者說這個項目的總體目標(biāo)就是在一個目標(biāo)函數(shù)上對模型進行微調(diào)，使其成為一個有用的助手或工具——直到今天也依然如此。這來自于一些早期的工作，我們稱之為調(diào)整語言模型。

對了，Ryan，你想談?wù)凮penAI的調(diào)整問題嗎?

Ryan Lowe：人們對調(diào)整有不同的定義。但你可以使用的一個定義是，如何讓我們正在訓(xùn)練的人工智能系統(tǒng)優(yōu)化我們實際上想要優(yōu)化的東西?

從歷史上看，它始于一個小團隊，這就是最初早期RLHF工作發(fā)揮作用的地方。后來我們有了一個短期的調(diào)整團隊，主要負責(zé)用現(xiàn)有的語言模型來優(yōu)化我們真正想要優(yōu)化的東西，讓我們的目標(biāo)變得有用、有幫助，同時也可以減輕危害，遵循事實。還有一些關(guān)于長期調(diào)整的工作，試圖思考可能出現(xiàn)的新的調(diào)整問題。因此，未來還可能出現(xiàn)一些關(guān)于可擴展的監(jiān)管和其他一些事情的工作。

你能對InstructGPT做一個簡短的推薦或者對其做一個總結(jié)嗎?

歐陽龍：這是一個自動化的系統(tǒng)，你提供一些文本作為輸入，它也會提供一些文本作為輸出。這些是我們所說的標(biāo)記的概率分布，一個標(biāo)記是單詞的一部分，有時是整個單詞，然后通過在每個階段抽樣出下一個可能的標(biāo)記，然后繼續(xù)這個過程，直到得到你目標(biāo)的產(chǎn)出。所以有時候你會得到不同的結(jié)果，因為這個模型有一點概率性。

重要的是，你給這個模型的輸入只是一個自然語言命令或指令，比如“用法語寫一個關(guān)于青蛙的故事”，又因為它在各種不同的任務(wù)上接受過訓(xùn)練，所以它可以概括兩個任務(wù)，第一個任務(wù)是使用法語，第二個任務(wù)是寫一個關(guān)于青蛙的故事，我想這是在訓(xùn)練中他不會遇到的。

為了強調(diào)指令模型和早期香草語言模型之間的區(qū)別，指令模型“理解”你給了它一些明確的認知任務(wù)，同時你用語言明確地給出了這些指令；而在之前的模型之下，通過模型交流的方式，你想要完成的任務(wù)可能是通過一些例子或一種更含蓄的方式。

Ryan Lowe：從高層次上講，我們實現(xiàn)這一目標(biāo)的方式基本上是利用人類數(shù)據(jù)。通過使用數(shù)據(jù)標(biāo)注者——我們雇傭了一組承包商為我們標(biāo)記數(shù)據(jù)，我們在正常的語言模型預(yù)訓(xùn)練階段上做了一個額外的微調(diào)階段。

這些數(shù)據(jù)標(biāo)注者產(chǎn)生的主要數(shù)據(jù)之一是給定一些輸入，如"寫一個關(guān)于青蛙的故事"有多個候選輸出，由不同的模型生成，而標(biāo)注者會根據(jù)一些指令集和他們對指令的解釋，將這些輸入從最佳輸出到有效輸出進行排序。然后我們使用強化學(xué)習(xí)來訓(xùn)練模型，以試圖產(chǎn)生更接近人類偏好或排名較高的輸出。

為什么要訓(xùn)練獎勵模型呢？為什么要在第一步進行監(jiān)督微調(diào)？

歐陽龍：也許我們會從獎勵模式開始，因為這是我們的方法中真正關(guān)鍵的部分。有了Ryan之前提到的那種數(shù)據(jù)，即數(shù)據(jù)標(biāo)注者給出了他們的偏好，比如關(guān)于青蛙的故事，我們就會用這些數(shù)據(jù)來訓(xùn)練一個非常大的神經(jīng)網(wǎng)絡(luò)，我們稱之為獎勵模型。

你可以把獎勵模式想象成電子游戲中的分?jǐn)?shù)或一個老師。獎勵模型的輸入是指令和輸出，它返回一個分?jǐn)?shù)，這個分?jǐn)?shù)會告訴你的輸出有多好。如果這個分?jǐn)?shù)不錯，就意味著關(guān)于青蛙的故事是個好故事，如果這個分?jǐn)?shù)很低，就意味著關(guān)于青蛙的故事是個爛故事。我們根據(jù)人類的判斷來訓(xùn)練這個獎勵模型，所以這個大模型有點像近似于人們認為在寫青蛙故事或總結(jié)新聞文章或其他方面的一個好嘗試。然后當(dāng)我們訓(xùn)練一個完全不同的模型，我們也能根據(jù)獎勵模型來做得更好。

因此，我們的方法的重要之處在于，我們沒有采用其他方法，而是明確地學(xué)習(xí)了人們對一項任務(wù)的良好表現(xiàn)的看法。然后，我們單獨優(yōu)化一個神經(jīng)網(wǎng)絡(luò)，使其根據(jù)該表征完成一項好工作。因此，這就是從人類反饋中進行的實質(zhì)性強化學(xué)習(xí)。

我們正在做強化學(xué)習(xí)，因為我們試圖根據(jù)一個模型去構(gòu)建另一個完全不同的但能很好運行的新模型。然后人類的反饋部分來自老師或分?jǐn)?shù)模型，這些模型經(jīng)過訓(xùn)練，可以預(yù)測人類的偏好。這就是這個方法的核心，然后，為了引導(dǎo)一堆數(shù)據(jù)，我們又做了所謂的監(jiān)督學(xué)習(xí)或監(jiān)督微調(diào)，在那里，我們實際上只是要求他們直接制作所謂的示范，而不是讓人們對已經(jīng)寫好的青蛙的故事給出他們的偏好。所以，他們自己被要求用法語寫一個關(guān)于青蛙的故事，我們訓(xùn)練模型模仿他們在這些情況下使用的單詞。這對引導(dǎo)數(shù)據(jù)很有用，但對RLHF方法來說不一定是必需的。

Open AI研究科學(xué)家歐陽龍，圖源：AI PUB

你是否看到其他主要的應(yīng)用程序跳過了第一步？

歐陽龍：我們有時還會這樣做，我想有一點是，現(xiàn)在少數(shù)的片段提示已經(jīng)變得很有競爭力了。因此，你有時可以跳過收集演示，因為從模型的幾個片段的輸出已經(jīng)是可以接受的，或者說是已經(jīng)足夠好，以至于沒有必要進行單獨的監(jiān)督微調(diào)。

Ryan Lowe：一種思考方法是，RLHF幫助您獲得更細粒度的模型行為調(diào)優(yōu)，而監(jiān)督式調(diào)優(yōu)和收集演示可以更徹底地改變模型行為。例如，假設(shè)你有一個模型，它在生成摘要方面很糟糕。在不同的糟糕摘要之間獲得一堆排名反饋并不是最有用的。所以你要做的是收集一些非常好的總結(jié)的例子，然后讓你的模型試著模仿一下。實際上，這是一個經(jīng)驗問題，什么時候最好從收集演示轉(zhuǎn)換到收集比較或排名數(shù)據(jù)。我們在另一篇論文中對此有一些結(jié)果但這仍然是一個非常開放的問題。

你是怎么想到InstructGPT這個主意的？這個想法是如何出現(xiàn)的，以及這個項目是如何在OpenAI中出現(xiàn)的？

歐陽龍：我們實際上已經(jīng)研究這個方法有一段時間了，只是動機略有不同。調(diào)整團隊通常感興趣的不一定是使模型更好，盡管有時確實會產(chǎn)生副作用，但最終目的是使它們更符合我們想要的。因此，在之前的幾篇論文中，我們將這種方法應(yīng)用于更窄的領(lǐng)域，看看它是否有效。緊跟著GPT-3通過API部署到公眾面前，團隊的一些成員想到將我們在以前的論文中開發(fā)的對齊技術(shù)應(yīng)用到這個新模型上，我們現(xiàn)在正在為公眾服務(wù)。

Ryan Lowe：最初寫谷歌文件提出這個建議的人是Paul Chirstiano，他當(dāng)時是調(diào)整團隊的負責(zé)人。

很多人都在議論下一代語言模型將會非常強大。這是否會帶來有趣的挑戰(zhàn)，或者是否有新的方法來適應(yīng)這種挑戰(zhàn)并處理這些更強大的語言模型？你想把這項工作推進到哪里？

Ryan Lowe：我們有一個內(nèi)容政策，說我們不希望模型生成代碼來入侵銀行或做其他類似的違法亂紀(jì)的事情，但我們發(fā)現(xiàn)實際上它有可能被犯罪分子用來編寫代碼來入侵銀行?，F(xiàn)在我們有一個艱難的過程來引導(dǎo)事情朝著不這樣做的方向發(fā)展，但在可靠性和耐久性方面仍然存在差距。所以我們只能繼續(xù)擁有我們的技術(shù)，讓它們變得更好，這樣如果你發(fā)現(xiàn)一些偏差，你可以迅速修復(fù)它。

Anthropic最近發(fā)表了一些關(guān)于使用模型來幫助這個過程的論文，非常有趣。我特別感興趣的一件事是超越了本質(zhì)上與平均標(biāo)簽者設(shè)立的框架。當(dāng)我們開始問：你在根據(jù)誰在調(diào)整這些模型時，將會有一些非常棘手的問題?，F(xiàn)在基本上是我們的標(biāo)簽員加上我們通過一組指令讓他們遵循。但OpenAI并不想處在這樣一個道德獨裁者的位置，即我們來決定怎么做是正確的，以及什么是正確的價值觀。因此，駕馭這個問題將是一個挑戰(zhàn)，涉及到機器學(xué)習(xí)的干預(yù)，但也涉及到更廣泛的社會技術(shù)角度。

Open AI研究科學(xué)家Ryan Lowe，圖源：AI PUB

隨著語言模型變得越來越強大，這類研究是否會出現(xiàn)有趣的問題或新的挑戰(zhàn)和新的方向？

歐陽龍：其中一個問題是，如果這些模型非常強大，那么僅僅是進行這些比較判斷就會變得更加困難。因此，我們想要給出一個強大模型的任務(wù)示例是：為GitHub上的這個拉拽請求編寫代碼審查。現(xiàn)在的模型還不能做到這一點，但你可以想象，在一兩年內(nèi)，更有能力的模型可能就能做到，這絕對是我們希望機器學(xué)習(xí)幫助解決的事情。數(shù)據(jù)標(biāo)簽承包商評估模型編寫的代碼的時間可能非常長，也可能他們根本無法做到這一點。

因此，在使用模型處理的事情超過個人評估模型的能力時，一個非常突出的挑戰(zhàn)是，當(dāng)模型在大量不同的事情上非常強大的時候，那么評判他們做得是否很好就會相當(dāng)不容易。這是一個構(gòu)建其他人工智能模型幫助人們評估其他機器學(xué)習(xí)系統(tǒng)的新領(lǐng)域。

Ryan Lowe：我同意歐陽龍所說的，我唯一想補充的是關(guān)于長期的一致性研究；這些系統(tǒng)會根據(jù)你的程序來優(yōu)化。因此，如果他們優(yōu)化的是人類在做排名時哪些排名靠前的東西，那么你所優(yōu)化的就是產(chǎn)生對人類來說聽起來不錯的輸出。隨著模型變得越來越強大，有可能在優(yōu)化過程中，他們會發(fā)現(xiàn)有趣的或棘手的或具有欺騙性的（也許有待商榷）方法來產(chǎn)生高分的輸出，而這實際上不是我們想要的輸出。我認為我們還沒有完全做到，但至少這是我們想要關(guān)注的事情。

至于如何緩解這種情況，有歐陽龍談到的各種方法，也就是你有其他人工智能模型來幫助你評估輸出——這就是我談到的可擴展的監(jiān)督研究風(fēng)格。因此，人們正在研究更多的可解釋性問題，比如：我們能否嘗試?yán)斫庖粋€模型內(nèi)部發(fā)生了什么? 這是另一個調(diào)整研究的思路。我們什么時候能夠?qū)崿F(xiàn)它還很難說，但這是值得思考的。

你剛剛提到有人在觀察模型內(nèi)部發(fā)生的事情。你能指出你最近在這個領(lǐng)域看到的任何有趣的外部事物嗎？

Ryan Lowe：我還沒有深入研究這方面的文獻，但從我所看到的和略讀到的資料來看，Anthropic在可解釋性方面的研究非常有趣。他們正在研究較小規(guī)模的轉(zhuǎn)換器，試圖了解里面到底發(fā)生了什么。

歐陽龍：對于建立語言模型所做的工作來說，有一些補充工作是以一種更可觀察的方式進行的。Anthropic對于“監(jiān)督語言模型所做的過程，而不是結(jié)果”這個想法很感興趣，就像我們一樣。因此，這里的想法可能是把一個大任務(wù)分解成一堆小的組件，而你可能對其中的一些組成部分比對整個端到端的訓(xùn)練過程有更好的把握。

這是訓(xùn)練的一部分還是最后的微調(diào)？

歐陽龍：我一直以來在人們編寫程序時也看到過這種情況。有一個名為Ought的研究小組，也為學(xué)術(shù)論文建立了一個所謂的文獻審查助手。他們已經(jīng)使用這種技術(shù)來構(gòu)建他們的語言模型輔助閱讀復(fù)習(xí)工具。到目前為止我看到的例子都是這樣的，但是思考如何分解訓(xùn)練是很有趣的。

要進一步了解這篇論文或者了解你更廣泛的工作，你有什么建議嗎?

Ryan Lowe：我認為人們可能已經(jīng)在這么做了，但如果你還沒有，不妨嘗試一下這些模型，對它能做什么和不能做什么有一個直覺的了解。要特別去留意那些你試圖讓它做，而它卻沒有做的事情。我們正在做調(diào)整工作，但你也可以考慮為一個非常具體的用例進行調(diào)整的工作。

此外，也許人們還可以發(fā)展出一點好奇心，思考如果我們有GPT7會發(fā)生什么，因為已經(jīng)有人在思考這些更長期的調(diào)整問題。我們專注于長期調(diào)整方面的同事寫了一篇關(guān)于批判的論文，同時他還訓(xùn)練語言模型來批判，這算是在可擴展的調(diào)整問題中的一個步驟。

歐陽龍：我也建議你試試InstructGPT。這是一個公開的模型，你可以在beta.openai.com上得到一些免費的點數(shù)來玩，這一點并沒有很多人知道。

Ryan Lowe：是的，這很有趣，因為底層的GPT 3.5從去年早些時候就已經(jīng)可以使用了，但是只有當(dāng)人們免費使用它，而且是以助手的形式，它才真正流行起來。去試試InstructGPT吧，在某些方面它比ChatGPT更好，但在某些方面又比ChatGPT更差。

本文作者是Arize AI聯(lián)合創(chuàng)始人兼CPO、福布斯撰稿人，文章內(nèi)容僅代表作者本人觀點。本文譯自：

https://www.forbes.com/sites/aparnadhinakaran/2023/03/27/ten-questions-with-openai-on-reinforcement-learning-with-human-feedback

關(guān)鍵詞：