明敏 发自 凹非寺量子位 | 公众号
就说程序员的手速有多快吧，首个开源项目已经出现了！
基于谷歌语言大模型PaLM架构，以及使用从人类反馈中强化学习的方法（RLHF），华人小哥 Wang复刻了一个出来。
项目星已经超过1.7k了，而且还在一路飙升ing。
不过一反常态的是，网友们看到“开源”却没有火速开冲，反倒齐刷刷在发问：
这……有人能run？
开源了但没完全开？
项目的核心内容，是在PaLM架构上实现基于人类反馈的强化学习。
其中，PaLM（ Model）是谷歌在今年4月发布的5400亿参数全能大模型，基于系统训练，BERT之父Jacob 为主要贡献者之一。
PaLM可以完成写代码、聊天、语言理解等任务，并且在大多数任务上实现了SOTA少样本学习性能。
另一个核心点是RLHF“从人类反馈中强化学习”。
提出时就用到了这一方法，它能让AI的回答更加符合情景要求，降低“有害性”。
具体分三步：
第一步，找一些人写下示范答案，来微调GPT-3模型，训练监督模型。
第二步，收集某个问题的几组不同输出数据，由人类对几组答案进行排序，在此数据集上训练奖励模型。
第三步，使用RM作为奖励函数，近端策略优化（PPO）算法微调GPT-3策略，以强化学习方法最大化奖励。
使用的GPT-3.5，其中text–002就是在code–002的基础上，采用了训练方法改进得到。
正是基于如上两方面核心内容，作者实现了的复刻。
大致步骤有3步：
首先来训练一下PaLM，就和其他自回归一样。第二……
等等，训练PaLM？？？这确定不是在开玩笑？
现在明白为啥大家都觉得这个开源项目完全不能run了……
打个不恰当的比方，这就像如果想吃熊肉，那先自己去打头熊来。
项目中只有PaLM架构和代码，没有预先训练好的权重。
所以完成第一步，大概效果就是……
话虽如此，但还是继续接着往下看看……
第二步，就要训练基于RLHF的奖励模型了。作者使用的是一种轻量级训练大语言模型方法LoRA，这种方法是开源的。
然后，再把之前训练好的模型和奖励模型用强化学习进行微调。
经过这三步后，就能得到一个开源版的了。
这中间面临的问题包括巨大的计算量、超大模型和难收集的文本……所以有人也不免发问：
有没有一种可能，它也没啥用？
不过有网友觉得这本质上还是一件好事啦。
AI的一个关键区别就是，每有一个重大突破，很快就会出现一个开源版本。
实际上，开源项目作者小哥 Wang一直都热衷于复刻各种明星项目，过去还尝试过Dall·E 2、 2等。
以及LAION也发起了一个类似项目Open ，他们将通过“众筹脑力”的方式，共同开发一个开源的聊天AI。
用的开放数据集，就是这一组织做的。
感兴趣的童鞋不妨去试试看~
PaLM-rlhf-主页：
Open 主页：
参考链接：[1][2]
— 完 —
「2022人工智能年度评选」榜单揭晓
领航企业TOP50
相关文章
