新智元报道  

编辑：乔杨 好困
【新智元导读】RLHF到底是不是强化学习？最近，AI大佬圈因为这个讨论炸锅了。和LeCun同为质疑派的Karpathy表示：比起那种让AlphaGo在围棋中击败人类的强化学习，RLHF还差得远呢。

昨天，Andrej Karpathy又发了长推，不过用了一句很有争议的话开头——「RLHF只是勉强的RL」。

这条推特可谓「一石激起千层浪」，瞬间点燃了LLM社区的讨论热情。

毕竟RLHF作为刚提出没几年的方法，又新颖又有争议。一边遭受质疑，一边又在工业界和学界迅速流行。

5G冲浪的LeCun也赶来声援Karpathy，但他的话很短，只有一句——「RLHF不是真正的RL」。

RLHF最早可以追溯到OpenAI安全团队2017年发表的论文：

论文地址：https://arxiv.org/abs/1706.03741

当时，Jan Leike还在DeepMind、Dario Amodei还没创办Anthropic，而OpenAI还没all in语言模型，仍是一家研究范围更广泛的AI公司。

他们提出，通过人类反馈，让AI模型更好地学习「如何翻出一个漂亮的后空翻」。

训练时，AI agent在环境中不断观察并行动，并得到奖励模型的反馈进行自我改进。但比较特别的是，奖励函数是由拟合人类反馈得到的。
2019年，这项技术被用到了NLP领域，用于微调语言模型。

论文地址：https://arxiv.org/abs/1909.08593
这篇论文附带的代码也很好地定义了RLHF的标准流程。

仓库地址：https://github.com/openai/lm-human-preferences?tab=readme-ov-file
到了2022年3月，ChatGPT发布前夕，OpenAI发布了使用RLHF微调过的大模型InstructGPT，这是弥合GPT-3和GPT-3.5 Turbo之间差距的关键一步，后者为ChatGPT的推出提供了关健动力。

论文地址：https://arxiv.org/abs/2203.02155
此后，RLHF就成为了OpenAI、DeepMind、谷歌、Anthropic等AI巨头们训练模型的必备环节。
所以，Karpathy为什么会突然对此发难？我们先来看一下他的推特原文是怎么说的。
Karpathy原帖的大意如下：
RLHF全称为「从人类反馈中进行强化学习」（Reinforcement Learning from Human Feedback），是训练LLM的第三个阶段，也是最后一个主要阶段，接在预训练和监督微调（SFT）之后。
我对RLHF的批评是：它几乎算不上是真正的强化学习，而且我认为这一点没有被广泛理解。强化学习很强大，而RLHF则不然。
让我们来看一个AlphaGo的例子，它的训练用到了实际的RL算法：计算机通过下围棋，在最大化奖励函数（即赢得比赛）的推演过程中进行训练，最终超越了最优秀的人类棋手。AlphaGo并不是用RLHF训练的，否则它的效果就不会这么好。
那么，用RLHF训练AlphaGo会是什么样子呢？首先，你需要让人类标注者看到两个围棋局面，并询问他们更喜欢哪个：
你需要收集大概10万条这类的对比数据，并训练一个「奖励模型」RM（Reward Model）来模仿人类对棋盘状态的这种「直觉判断」（vibe check），使RM的判断在平均水平上与人类一致。
有了奖励模型的直觉判断，就可以在此基础上运行强化学习，让原模型学习下出能够让人类直觉上认为不错的棋步。
显然，这在围棋中不会产出太好的结果，有两个根本且独立的原因：
1. 直觉可能会产生误导。这并不是真正的奖励（赢得比赛），而是个很差的替代目标。但更糟的是——
2. 强化学习优化会失控，因为它很快就会发现对抗奖励模型的棋盘状态。RM是一个拥有数十亿参数的庞大神经网络，用来模仿直觉。有些棋盘状态超出了训练数据的分布范围，可能并不是好的状态，但由于偶然性，也会从RM得到了很高的奖励。
出于完全相同的原因，有时我惊讶于RLHF对LLM的效果，因为其中的RM也在进行同样的直觉判断。它对人类评分员似乎喜欢的那类响应打出高分，但这不是正确解决问题的「实际」目标，只是人类觉得不错的替代目标。
其次，RLHF不能运行太久，因为原模型很快就能学会操控奖励模型，从而预测出一些看起来很奇怪的token。比如，LLM助手会开始对提示词响应一些无厘头的内容，像「the the the the the the」。
这在人类看来很荒谬，但由于某种原因，RM认为这些响应看起来很棒。
这就是LLM找到的对抗性案例（adversarial examples），对于RM的训练数据而言，这是未定义领域的分布外数据。
你可以反复将这些特定例子添加到训练集中来缓解这种情况，但下次还会有其他对抗性案例出现。因此，RLHF不能运行过多步骤，几百/几千步后就必须停下，因为模型的优化过程将开始操控RM。这不是像AlphaGo那样的强化学习。
然而，在构建LLM助手时，RLHF依旧是利大于弊。其中有几个微妙的原因，但我最喜欢指出的是，LLM可以通过RLHF过程受益于生成器和判别器之间的难度差距（generator-discriminator gap）。
对于许多类型的问题，相比于从零开始撰写理想答案，人类标注者会觉得从几个候选中选择最佳答案要容易得多。比如这样的提示：「生成一首关于回形针的诗」，普通的人类标注者很难写出一首好诗作为SFT示例，但在给出几个候选答案的情况下，他们可以选出一个看起来不错的诗。
因此，RLHF相当于利用了这种人类监督的「简便性」差距。
还有其他几个原因，例如，RLHF也有助于减少幻觉现象。如果RM是一个足够强大的模型，可以捕捉到LLM的虚构内容，就能通过低奖励来惩罚这种行为，教会模型在不确定时避免冒险使用事实知识。但对幻觉及其令人满意的缓解措施是另一个话题，此处不再赘述。
总之，RLHF确实是净有用的，但它不是传统的强化学习。
迄今为止，在开放领域还没有出现生产级的「实际」RL方法，可以大规模地在LLM上实现，并给出令人信服的演示。从直观上讲，这是因为在开放式的问题解决任务中给出奖励值（等效于AlphaGo赢得比赛）确实很困难。
在一个封闭的、类似游戏的环境中，比如围棋，动态受到限制，奖励函数易于评估且无法操控。但你如何为总结一篇文章提供明确的奖励？或者回答关于pip安装的略显模糊的问题？或者讲个笑话？或者将一些Java代码重写为Python？
原则上，朝这个方向发展是可能的，但并不简单，它需要一些创造性的思考。如果有人给出令人信服的解决方案，就能运行实际的强化学习，那种让AlphaGo在围棋中击败人类的强化学习，只是最后得到的LLM将有可能在开放领域问题解决中击败人类。

强化学习到底是什么

如果RLHF「不是RL」，那真正的RL是什么？
Karpathy的描述比较简洁而直观——就是AlphaGo用的那种。
幸好，「强化学习」是一个人为提出的概念，更容易厘清；而且「强化学习之父」Richard Sutton专门写过一本书来解释这个领域的基本问题。

https://web.stanford.edu/class/psych209/Readings/SuttonBartoIPRLBook2ndEd.pdf
开头第一章第一节，强化学习的基本概念。虽然不是严谨完备的数学定义，但基本阐明了要点。
基本思想是，一个正在学习的agent与环境交互，如何捕捉到它面临的最重要的实际问题。
显然，这样的agent必须能够在某种程度上感知环境状态，且必须能够采取某种行动以影响状态。agent也必须有关于环境状态的目标。这一表述旨在包含三个方面：感知、行动和目标，以可行的最简洁的形式，而不会让任何一个方面只有平凡解。
任何适于解决这类问题的方法，我们都认为是强化学习方法。
除了agent和环境的存在，强化学习系统中还有以下四个要素：
  • 策略（policy），定义正在学习的agent在指定时间的行为
  • 奖励信号（reward signal），定义强化学习问题的目标，是对agent行为的即时反馈
  • 值函数（value function），定义长期的优化目标

  • 环境模型（model of the enviroment），模拟环境行为

那么问题来了，根据Sutton书中对强化学习的定义，你同意Karpathy的说法吗？

谁赞同，谁反对？

非常明显的是，Karpathy的观点吸引了许多LLM领域的学者和研究员的关注。
谷歌大脑、DeepMind研究科学家Kevein Murphy：
完全同意。我认为RLHF更像是行为（action）值是字符串的上下文多臂赌博机，其中提示词作为上下文，而不是完整的强化学习。但为日常任务制定明确的奖励机制是困难的部分。（我想这被称为「模型对齐」？）
Allen AI机器学习研究员Nathan Lambert回复：
同意，很棒的总结。就其提供的价值而言，下面是我最喜欢的引用，说明了RLHF的「风格」部分为何有用。
但这与为LLM解锁完整版本的RL相比，仍然微不足道。
这张图出自Lambert自己撰写的博客：
之后，他又专门发推进一步解释：
RLHF勉强算是 RL，但
- 它仍然使RL比以往任何时候都更重要，并且
- RLHF可能比至今为止其他的RL更有影响力
很罕见的是，以上是为数不多力挺Karpathy的观点。多数人还是站在了Karpathy的对立面反驳他。
评论区有网友直接回怼：「你就是看奖励函数不顺眼」。
Karpathy只能继续解释：
我的主要动机是想说，LLM远未达到原则上所能达到的高度，它们还没有像其他最近/流行的ASI演示那样有相同的训练方式。我想要直观地指出这种差距的根源。
马里兰大学副教授Furong Huang的观点更强调RLHF对LLM的价值。
当模型已经非常优秀时，RLHF是有帮助的，你只需通过收集用户反馈来「修补问题」。
RL对于推理和规划等更复杂的任务确实很重要，把LLM放到RL循环中有助于泛化和「热启动」RL。
Mila在读博士、Meta研究员Pierluca D'Oro自己就在为agent开发奖励模型，他同意Karpathy「RLHF不是真正的RL」的说法，但并不认为Karpathy预期的那种奖励模型能够实现。
我是一名科学家，致力于为智能体创建更好的奖励模型，我不同意这篇推文的主要观点。使用你无法完全信任的奖励进行的RL也是RL，而且我认为这正是我们应该研究的RL。
是的，毫无疑问，当奖励明确定义时，RL能够最大程度地发挥作用。比如围棋中的获胜条件，就是明确的！我们不在乎智能体如何获胜，只要它符合游戏规则即可。这些规则非常简单，可以由人类直接编码到智能体的设计中，或者智能体通过计算推断出来。
但是如果对于一个复杂任务，不仅仅是「做什么」重要，而是「怎么做」也很重要呢？「怎么做」往往不像在围棋中要求智能体下有效棋步那样容易实现。对于人类来说，这通常来自于人类的常识、期望或荣誉。LLM的对齐正是通过RLHF来提取这种「怎么做」。
这也可以延伸到那些看似容易定义明确目标的（智能体）任务。想要一个好的电子游戏中的NPC？可以试试正式定义一个你可以100%信任的「乐趣」的概念，祝你好运。想要一个好的网络智能体？试试正式定义一个你可以100%信任的「预期行为」的概念，祝你好运。想要一个好的分子？定义一个你可以100%信任的「毒性」的概念，祝你好运。
AI智能体旨在做对人类有益的事情。人类不仅有内部多样性，而且极其复杂，显然超出了我们能够完全理解的范围。我可以编写一个我认为是「在NetHack游戏中实现这个目标」的代码，然后发现我对「实现」的理解比智能体的定义更为细致，就像我们最近在Motif上的工作中所做的那样。
我认为追求「完美奖励」的雄心是无望的，我不认为大多数我们希望智能体表现出的行为存在这样的概念。然而，我认为有一些方法有望在奖励不完美的情况下实际提高RL的性能：
- 尽可能活跃的反馈循环，以优化智能体的奖励函数
- 对错误奖励更稳健的RL机制
- 减少人类与AI合作的摩擦
不过，我同意推文标题所说的，RLHF在用于微调LLM时几乎不能算是RL。但对我来说，这主要是因为它的半离线性质，以及智能体缺乏主动收集自身数据的机会。这些可能是RL在处理模糊、复杂，以及潜在可被利用的奖励函数时奏效的关键因素。
华盛顿大学助理教授、谷歌AI高级研究科学家Natasha Jaques的反对态度更鲜明，力挺RLHF方法：

这是一个不好的看法。在与人类互动时，给出人类喜欢的答案就是真正的目标。

超出分布不是RLHF独有的问题。数据集中的人类反馈比运行无限的围棋模拟更有限，但这并不意味着是不值得研究的方法，它只是一个更具挑战性的问题，并且我们希望它是一个更有影响力的问题，因为减少LLM的偏见对人类的益处显然多过比在围棋上击败人类。使用贬义语言称RM为「直觉判断」是愚蠢的；你可以对价值估计提出同样的论点。

发布这样的内容只会阻碍人们研究RLHF，而目前这是唯一可行的方法来缓解LLM偏见和幻觉可能造成的严重危害。

参考资料：
https://the-decoder.com/ai-researcher-says-that-chatgpts-secret-ingredient-may-be-holding-back-llm-capabilities/
https://x.com/karpathy/status/1821277264996352246 https://x.com/ylecun/status/1821478966365962255


内容中包含的图片若涉及版权问题，请及时与我们联系删除