导读
这段时间以来，爆火，引来了与之相关的各种讨论。本文梳理了的训练过程并对其进行细致的分析，值得各位读者收藏阅读。
作为智能对话系统，最近两天爆火，都火出技术圈了，网上到处都在转相关的内容和测试例子，效果确实很震撼。我记得上一次能引起如此轰动的AI技术，NLP领域是GPT 3发布，那都是两年半前的事了，当时人工智能如日中天如火如荼的红火日子，今天看来恍如隔世；多模态领域则是以DaLL E2、 为代表的 Model，这是最近大半年火起来的AIGC模型；而今天，AI的星火传递到了手上，它毫无疑问也属于AIGC范畴。所以说，在AI泡沫破裂后处于低谷期的今天，AIGC确实是给AI续命的良药，当然我们更期待估计很快会发布的GPT 4，愿能继续撑起局面，给行业带来一丝暖意。
说回，例子就不举了，在网上漫山遍野都是，我们主要从技术角度来聊聊。那么，到底是采用了怎样的技术，才能做到如此超凡脱俗的效果？既然功能如此强大，那么它可以取代、百度等现有搜索引擎吗？如果能，那是为什么，如果不能，又是为什么？
本文试图从我个人理解的角度，来尝试回答上述问题，很多个人观点，偏颇难免，还请谨慎参考。我们首先来看看到底做了什么才获得如此好的效果。
的技术原理
整体技术路线上，在效果强大的GPT 3.5大规模语言模型（LLM，Large Model）基础上，引入“人工标注数据+强化学习”（RLHF， from Human ，这里的人工反馈其实就是人工标注数据）来不断Fine-tune预训练语言模型，主要目的是让LLM模型学会理解人类的命令指令的含义（比如给我写一段小作文生成类问题、知识回答类问题、头脑风暴类问题等不同类型的命令），以及让LLM学会判断对于给定的输入指令（用户的问题），什么样的答案是优质的（富含信息、内容丰富、对用户有帮助、无害、不包含歧视信息等多种标准）。
在“人工标注数据+强化学习”框架下，具体而言，的训练过程分为以下三个阶段：
:第一阶段
第一阶段：冷启动阶段的监督策略模型。靠GPT 3.5本身，尽管它很强，但是它很难理解人类不同类型指令中蕴含的不同意图，也很难判断生成内容是否是高质量的结果。为了让GPT 3.5初步具备理解指令中蕴含的意图，首先会从测试用户提交的(就是指令或问题)中随机抽取一批，靠专业的标注人员，给出指定的高质量答案，然后用这些人工标注好的
数据来Fine-tune GPT 3.5模型。经过这个过程，我们可以认为GPT 3.5初步具备了理解人类中所包含意图，并根据这个意图给出相对高质量回答的能力，但是很明显，仅仅这样做是不够的。
:第二阶段
第二阶段：训练回报模型（ Model,RM）。这个阶段的主要目的是通过人工标注训练数据，来训练回报模型。具体而言，随机抽样一批用户提交的(大部分和第一阶段的相同)，使用第一阶段Fine-tune好的冷启动模型，对于每个，由冷启动模型生成K个不同的回答，于是模型产生出了
….
数据。之后，标注人员对K个结果按照很多标准（上面提到的相关性、富含信息性、有害信息等诸多标准）综合考虑进行排序，给出K个结果的排名顺序，这就是此阶段人工标注的数据。
接下来，我们准备利用这个排序结果数据来训练回报模型，采取的训练模式其实就是平常经常用到的pair-wise to rank。对于K个排序结果，两两组合，形成
个训练数据对，采取pair-wise loss来训练 Model。RM模型接受一个输入
，给出评价回答质量高低的回报分数Score。对于一对训练数据，我们假设人工排序中排在前面，那么Loss函数则鼓励RM模型对
的打分要比
的打分要高。
归纳下：在这个阶段里，首先由冷启动后的监督策略模型为每个产生K个结果，人工根据结果质量由高到低排序，以此作为训练数据，通过pair-wise to rank模式来训练回报模型。对于学好的RM模型来说，输入
，输出结果的质量得分，得分越高说明产生的回答质量越高。
:第三阶段
第三阶段：采用强化学习来增强预训练模型的能力。本阶段无需人工标注数据，而是利用上一阶段学好的RM模型，靠RM打分结果来更新预训练模型参数。具体而言，首先，从用户提交的里随机采样一批新的命令（指的是和第一第二阶段不同的新的，这个其实是很重要的，对于提升LLM模型理解指令的泛化能力很有帮助），且由冷启动模型来初始化PPO模型的参数。然后，对于随机抽取的，使用PPO模型生成回答， 并用上一阶段训练好的RM模型给出质量评估的回报分数score，这个回报分数就是RM赋予给整个回答（由单词序列构成）的整体。有了单词序列的最终回报，就可以把每个单词看作一个时间步，把由后往前依次传递，由此产生的策略梯度可以更新PPO模型参数。这是标准的强化学习过程，目的是训练LLM产生高的答案，也即是产生符合RM标准的高质量回答。
如果我们不断重复第二和第三阶段，很明显，每一轮迭代都使得LLM模型能力越来越强。因为第二阶段通过人工标注数据来增强RM模型的能力，而第三阶段，经过增强的RM模型对新产生的回答打分会更准，并利用强化学习来鼓励LLM模型学习新的高质量内容，这起到了类似利用伪标签扩充高质量训练数据的作用，于是LLM模型进一步得到增强。显然，第二阶段和第三阶段有相互促进的作用，这是为何不断迭代会有持续增强效果的原因。
尽管如此，我觉得第三阶段采用强化学习策略，未必是模型效果特别好的主要原因。假设第三阶段不采用强化学习，换成如下方法：类似第二阶段的做法，对于一个新的，冷启动模型可以产生k个回答，由RM模型分别打分，我们选择得分最高的回答，构成新的训练数据
,去fine-tune LLM模型。假设换成这种模式，我相信起到的作用可能跟强化学习比，虽然没那么精巧，但是效果也未必一定就差很多。第三阶段无论采取哪种技术模式，本质上很可能都是利用第二阶段学会的RM，起到了扩充LLM模型高质量训练数据的作用。
以上是的训练流程，主要参考自的论文，是改进的，改进点主要在收集标注数据方法上有些区别，在其它方面，包括在模型结构和训练流程等方面基本遵循。可以预见的是，这种 from Human 技术会快速蔓延到其它内容生成方向，比如一个很容易想到的，类似“A model based on from Human ”这种，其它还有很多。但是，我个人认为，在NLP的某个具体的内容生成领域再采用这个技术意义应该已经不大了，因为本身能处理的任务类型非常多样化，基本涵盖了NLP生成的很多子领域，所以某个NLP子领域如果再单独采用这个技术其实已经不具备太大价值，因为它的可行性可以认为已经被验证了。如果把这个技术应用在比如图片、音频、视频等其它模态的生成领域，可能是更值得探索的方向，也许不久后我们就会看到类似“A XXX model based on from Human ”,诸如此类，这类工作应该还是很有意义的。
另外一个值得关注的采取类似技术的工作是的，这个工作发表时间稍晚于，如果你仔细分析的话，大的技术思路和框架与的三阶段基本类似，不过明显在人工标注方面的质量和工作量是不如的。反过来，我觉得里把回报模型分为两个不同RM的思路，是优于的，至于原因在下面小节里会讲。
能否取代、百度等
传统搜索引擎
既然看上去几乎无所不能地回答各种类型的，那么一个很自然的问题就是：或者未来即将面世的GPT4，能否取代、百度这些传统搜索引擎呢？我个人觉得目前应该还不行，但是如果从技术角度稍微改造一下，理论上是可以取代传统搜索引擎的。
为什么说目前形态的还不能取代搜索引擎呢？主要有三点原因：
首先，对于不少知识类型的问题，会给出看上去很有道理，但是事实上是错误答案的内容（参考上图的例子（from@），的回答看着胸有成竹，像我这么没文化的基本看了就信了它，回头查了下这首词里竟然没这两句），考虑到对于很多问题它又能回答得很好，这将会给用户造成困扰：如果我对我提的问题确实不知道正确答案，那我是该相信的结果还是不该相信呢？此时你是无法作出判断的。这个问题可能是比较要命的。
其次，目前这种基于GPT大模型基础上进一步增加标注数据训练的模式，对于LLM模型吸纳新知识是非常不友好的。新知识总是在不断出现，而出现一些新知识就去重新预训练GPT模型是不现实的，无论是训练时间成本还是金钱成本，都不可接受。如果对于新知识采取Fine-tune的模式，看上去可行且成本相对较低，但是很容易产生新数据的引入导致对原有知识的灾难遗忘问题，尤其是短周期的频繁fine-tune，会使这个问题更为严重。所以如何近乎实时地将新知识融入LLM是个非常有挑战性的问题。
其三，或GPT4的训练成本以及在线推理成本太高，导致如果面向真实搜索引擎的以亿记的用户请求，假设继续采取免费策略，无法承受，但是如果采取收费策略，又会极大减少用户基数，是否收费是个两难决策，当然如果训练成本能够大幅下降，则两难自解。以上这三个原因，导致目前应该还无法取代传统搜索引擎。
那么这几个问题，是否可以解决呢？其实，如果我们以的技术路线为主体框架，再吸纳其它对话系统采用的一些现成的技术手段，来对进行改造，从技术角度来看，除了成本问题外的前两个技术问题，目前看是可以得到很好地解决。我们只需要在的基础上，引入系统以下能力：基于结果的生成结果证据展示，以及引入LaMDA系统的对于新知识采取模式，那么前面提到的新知识的及时引入，以及生成内容可信性验证，基本就不是什么大问题。
基于以上考虑，在上图中展示出了我心目中下一代搜索引擎的整体结构:它其实是目前的传统搜索引擎+的双引擎结构，模型是主引擎，传统搜索引擎是辅引擎。
传统搜索引擎的主要辅助功能有两个：一个是对于产生的知识类问题的回答，进行结果可信性验证与展示，就是说在给出答案的同时，从搜索引擎里找到相关内容片段及url链接，同时把这些内容展示给用户，使得用户可以从额外提供的内容里验证答案是否真实可信，这样就可以解决产生的回答可信与否的问题，避免用户对于产生结果无所适从的局面。当然，只有知识类问题才有必要寻找可信信息进行验证，很多其他自由生成类型的问题，比如让写一个满足某个主题的小作文这种完全自由发挥的内容，则无此必要。所以这里还有一个什么情况下会调用传统搜索引擎的问题，具体技术细节完全可仿照的做法，里面有详细的技术方案。
传统搜索引擎的第二个辅助功能是及时补充新知识。既然我们不可能随时把新知识快速引入LLM，那么可以把它存到搜索引擎的索引里，如果发现具备时效性的问题，它自己又回答不了，则可以转向搜索引擎抽取对应的答案，或者根据返回相关片段再加上用户输入问题通过产生答案。关于这方面的具体技术手段，可以参考LaMDA，其中有关于新知识处理的具体方法。
除了上面的几种技术手段，我觉得相对只有一个综合的 Model，里把答案相关的标准（比如是否富含信息量、是否合乎逻辑等）采用一个RM，其它类型toxic/相关标准（比如是否有bias、是否有害信息等）另外单独采用一个RM，各司其职，这种模式要更清晰合理一些。因为单一类型的标准，更便于标注人员进行判断，而如果一个 Model融合多种判断标准，相互打架在所难免，判断起来就很复杂效率也低，所以感觉可以引入到里来，得到进一步的模型改进。
通过吸取各种现有技术所长，我相信大致可以解决目前所面临的问题，技术都是现成的，从产生内容效果质量上取代现有搜索引擎问题不大。当然，至于模型训练成本和推理成本问题，可能短时期内无法获得快速大幅降低，这可能是决定LLM是否能够取代现有搜索引擎的关键技术瓶颈。
从形式上来看，未来的搜索引擎大概率是以用户智能助手APP的形式存在的，但是，从短期可行性上来说，在走到最终形态之前，过渡阶段大概率两个引擎的作用是反过来的，就是传统搜索引擎是主引擎，是辅引擎，形式上还是目前搜索引擎的形态，只是部分搜索内容Top 1的搜索结果是由产生的，大多数用户请求，可能在用户看到Top 1结果就能满足需求，对于少数满足不了的需求，用户可以采用目前搜索引擎翻页搜寻的模式。我猜搜索引擎未来大概率会以这种过渡阶段以传统搜索引擎为主，这种-based生成模型为辅，慢慢切换到以生成内容为主，而这个切换节点，很可能取决于大模型训练成本的大幅下降的时间，以此作为转换节点。
相关文章
