昨天，Andrej Karpathy又發了長推，不過用了一句很有爭議的話開頭——「RLHF只是勉強的RL」。

這條推特可謂「一石激起千層浪」，瞬間點燃了LLM社區的討論熱情。

畢竟RLHF作為剛提出沒幾年的方法，又新穎又有爭議。一邊遭受質疑，一邊又在工業界和學界迅速流行。

5G沖浪的LeCun也趕來聲援Karpathy，但他的話很短，只有一句——「RLHF不是真正的RL」。

RLHF最早可以追溯到OpenAI安全團隊2017年發表的論文：

論文地址：https://arxiv.org/abs/1706.03741

當時，Jan Leike還在DeepMind、Dario Amodei還沒創辦Anthropic，而OpenAI還沒all in語言模型，仍是一家研究范圍更廣泛的AI公司。

他們提出，通過人類反饋，讓AI模型更好地學習「如何翻出一個漂亮的后空翻」。

訓練時，AI agent在環境中不斷觀察并行動，并得到獎勵模型的反饋進行自我改進。但比較特別的是，獎勵函數是由擬合人類反饋得到的。

2019年，這項技術被用到了NLP領域，用于微調語言模型。

論文地址：https://arxiv.org/abs/1909.08593

這篇論文附帶的代碼也很好地定義了RLHF的標準流程。

倉庫地址：https://github.com/openai/lm-human-preferences?tab=readme-ov-file

到了2022年3月，ChatGPT發布前夕，OpenAI發布了使用RLHF微調過的大模型InstructGPT，這是彌合GPT-3和GPT-3.5 Turbo之間差距的關鍵一步，后者為ChatGPT的推出提供了關健動力。

論文地址：https://arxiv.org/abs/2203.02155

此后，RLHF就成為了OpenAI、DeepMind、谷歌、Anthropic等AI巨頭們訓練模型的必備環節。

所以，Karpathy為什么會突然對此發難？我們先來看一下他的推特原文是怎么說的。

Karpathy原帖的大意如下：

RLHF全稱為「從人類反饋中進行強化學習」（Reinforcement Learning from Human Feedback），是訓練LLM的第三個階段，也是最后一個主要階段，接在預訓練和監督微調（SFT）之后。

我對RLHF的批評是：它幾乎算不上是真正的強化學習，而且我認為這一點沒有被廣泛理解。強化學習很強大，而RLHF則不然。

讓我們來看一個AlphaGo的例子，它的訓練用到了實際的RL算法：計算機通過下圍棋，在最大化獎勵函數（即贏得比賽）的推演過程中進行訓練，最終超越了最優秀的人類棋手。AlphaGo并不是用RLHF訓練的，否則它的效果就不會這么好。

那么，用RLHF訓練AlphaGo會是什么樣子呢？首先，你需要讓人類標注者看到兩個圍棋局面，并詢問他們更喜歡哪個：

你需要收集大概10萬條這類的對比數據，并訓練一個「獎勵模型」RM（Reward Model）來模仿人類對棋盤狀態的這種「直覺判斷」（vibe check），使RM的判斷在平均水平上與人類一致。

有了獎勵模型的直覺判斷，就可以在此基礎上運行強化學習，讓原模型學習下出能夠讓人類直覺上認為不錯的棋步。

顯然，這在圍棋中不會產出太好的結果，有兩個根本且獨立的原因：

1. 直覺可能會產生誤導。這并不是真正的獎勵（贏得比賽），而是個很差的替代目標。但更糟的是——

2.強化學習優化會失控，因為它很快就會發現對抗獎勵模型的棋盤狀態。RM是一個擁有數十億參數的龐大神經網絡，用來模仿直覺。有些棋盤狀態超出了訓練數據的分布范圍，可能并不是好的狀態，但由于偶然性，也會從RM得到了很高的獎勵。

出于完全相同的原因，有時我驚訝于RLHF對LLM的效果，因為其中的RM也在進行同樣的直覺判斷。它對人類評分員似乎喜歡的那類響應打出高分，但這不是正確解決問題的「實際」目標，只是人類覺得不錯的替代目標。

其次，RLHF不能運行太久，因為原模型很快就能學會操控獎勵模型，從而預測出一些看起來很奇怪的token。比如，LLM助手會開始對提示詞響應一些無厘頭的內容，像「the the the the the the」。

這在人類看來很荒謬，但由于某種原因，RM認為這些響應看起來很棒。

這就是LLM找到的對抗性案例（adversarial examples），對于RM的訓練數據而言，這是未定義領域的分布外數據。

你可以反復將這些特定例子添加到訓練集中來緩解這種情況，但下次還會有其他對抗性案例出現。因此，RLHF不能運行過多步驟，幾百/幾千步后就必須停下，因為模型的優化過程將開始操控RM。這不是像AlphaGo那樣的強化學習。

然而，在構建LLM助手時，RLHF依舊是利大于弊。其中有幾個微妙的原因，但我最喜歡指出的是，LLM可以通過RLHF過程受益于生成器和判別器之間的難度差距（generator-discriminator gap）。

對于許多類型的問題，相比于從零開始撰寫理想答案，人類標注者會覺得從幾個候選中選擇最佳答案要容易得多。比如這樣的提示：「生成一首關于回形針的詩」，普通的人類標注者很難寫出一首好詩作為SFT示例，但在給出幾個候選答案的情況下，他們可以選出一個看起來不錯的詩。

因此，RLHF相當于利用了這種人類監督的「簡便性」差距。

還有其他幾個原因，例如，RLHF也有助于減少幻覺現象。如果RM是一個足夠強大的模型，可以捕捉到LLM的虛構內容，就能通過低獎勵來懲罰這種行為，教會模型在不確定時避免冒險使用事實知識。但對幻覺及其令人滿意的緩解措施是另一個話題，此處不再贅述。

總之，RLHF確實是凈有用的，但它不是傳統的強化學習。

迄今為止，在開放領域還沒有出現生產級的「實際」RL方法，可以大規模地在LLM上實現，并給出令人信服的演示。從直觀上講，這是因為在開放式的問題解決任務中給出獎勵值（等效于AlphaGo贏得比賽）確實很困難。

在一個封閉的、類似游戲的環境中，比如圍棋，動態受到限制，獎勵函數易于評估且無法操控。但你如何為總結一篇文章提供明確的獎勵？或者回答關于pip安裝的略顯模糊的問題？或者講個笑話？或者將一些Java代碼重寫為Python？

原則上，朝這個方向發展是可能的，但并不簡單，它需要一些創造性的思考。如果有人給出令人信服的解決方案，就能運行實際的強化學習，那種讓AlphaGo在圍棋中擊敗人類的強化學習，只是最后得到的LLM將有可能在開放領域問題解決中擊敗人類。

強化學習到底是什么

如果RLHF「不是RL」，那真正的RL是什么？

Karpathy的描述比較簡潔而直觀——就是AlphaGo用的那種。

幸好，「強化學習」是一個人為提出的概念，更容易厘清；而且「強化學習之父」Richard Sutton專門寫過一本書來解釋這個領域的基本問題。

??https://web.stanford.edu/class/psych209/Readings/SuttonBartoIPRLBook2ndEd.pdf??

開頭第一章第一節，強化學習的基本概念。雖然不是嚴謹完備的數學定義，但基本闡明了要點。

基本思想是，一個正在學習的agent與環境交互，如何捕捉到它面臨的最重要的實際問題。

顯然，這樣的agent必須能夠在某種程度上感知環境狀態，且必須能夠采取某種行動以影響狀態。agent也必須有關于環境狀態的目標。這一表述旨在包含三個方面：感知、行動和目標，以可行的最簡潔的形式，而不會讓任何一個方面只有平凡解。

任何適于解決這類問題的方法，我們都認為是強化學習方法。

除了agent和環境的存在，強化學習系統中還有以下四個要素：

• 策略（policy），定義正在學習的agent在指定時間的行為
• 獎勵信號（reward signal），定義強化學習問題的目標，是對agent行為的即時反饋
• 值函數（value function），定義長期的優化目標
• 環境模型（model of the enviroment），模擬環境行為

那么問題來了，根據Sutton書中對強化學習的定義，你同意Karpathy的說法嗎？

誰贊同，誰反對？

非常明顯的是，Karpathy的觀點吸引了許多LLM領域的學者和研究員的關注。

谷歌大腦、DeepMind研究科學家Kevein Murphy：

完全同意。我認為RLHF更像是行為（action）值是字符串的上下文多臂賭博機，其中提示詞作為上下文，而不是完整的強化學習。但為日常任務制定明確的獎勵機制是困難的部分。（我想這被稱為「模型對齊」？）

Allen AI機器學習研究員Nathan Lambert回復：

同意，很棒的總結。就其提供的價值而言，下面是我最喜歡的引用，說明了RLHF的「風格」部分為何有用。

但這與為LLM解鎖完整版本的RL相比，仍然微不足道。

這張圖出自Lambert自己撰寫的博客：

之后，他又專門發推進一步解釋：

RLHF勉強算是 RL，但

- 它仍然使RL比以往任何時候都更重要，并且

- RLHF可能比至今為止其他的RL更有影響力

很罕見的是，以上是為數不多力挺Karpathy的觀點。多數人還是站在了Karpathy的對立面反駁他。

評論區有網友直接回懟：「你就是看獎勵函數不順眼」。

Karpathy只能繼續解釋：

我的主要動機是想說，LLM遠未達到原則上所能達到的高度，它們還沒有像其他最近/流行的ASI演示那樣有相同的訓練方式。我想要直觀地指出這種差距的根源。

馬里蘭大學副教授Furong Huang的觀點更強調RLHF對LLM的價值。

當模型已經非常優秀時，RLHF是有幫助的，你只需通過收集用戶反饋來「修補問題」。

RL對于推理和規劃等更復雜的任務確實很重要，把LLM放到RL循環中有助于泛化和「熱啟動」RL。

Mila在讀博士、Meta研究員Pierluca D'Oro自己就在為agent開發獎勵模型，他同意Karpathy「RLHF不是真正的RL」的說法，但并不認為Karpathy預期的那種獎勵模型能夠實現。

我是一名科學家，致力于為智能體創建更好的獎勵模型，我不同意這篇推文的主要觀點。使用你無法完全信任的獎勵進行的RL也是RL，而且我認為這正是我們應該研究的RL。

是的，毫無疑問，當獎勵明確定義時，RL能夠最大程度地發揮作用。比如圍棋中的獲勝條件，就是明確的！我們不在乎智能體如何獲勝，只要它符合游戲規則即可。這些規則非常簡單，可以由人類直接編碼到智能體的設計中，或者智能體通過計算推斷出來。

但是如果對于一個復雜任務，不僅僅是「做什么」重要，而是「怎么做」也很重要呢？「怎么做」往往不像在圍棋中要求智能體下有效棋步那樣容易實現。對于人類來說，這通常來自于人類的常識、期望或榮譽。LLM的對齊正是通過RLHF來提取這種「怎么做」。

這也可以延伸到那些看似容易定義明確目標的（智能體）任務。想要一個好的電子游戲中的NPC？可以試試正式定義一個你可以100%信任的「樂趣」的概念，祝你好運。想要一個好的網絡智能體？試試正式定義一個你可以100%信任的「預期行為」的概念，祝你好運。想要一個好的分子？定義一個你可以100%信任的「毒性」的概念，祝你好運。

AI智能體旨在做對人類有益的事情。人類不僅有內部多樣性，而且極其復雜，顯然超出了我們能夠完全理解的范圍。我可以編寫一個我認為是「在NetHack游戲中實現這個目標」的代碼，然后發現我對「實現」的理解比智能體的定義更為細致，就像我們最近在Motif上的工作中所做的那樣。

我認為追求「完美獎勵」的雄心是無望的，我不認為大多數我們希望智能體表現出的行為存在這樣的概念。然而，我認為有一些方法有望在獎勵不完美的情況下實際提高RL的性能：

- 盡可能活躍的反饋循環，以優化智能體的獎勵函數

- 對錯誤獎勵更穩健的RL機制

- 減少人類與AI合作的摩擦

不過，我同意推文標題所說的，RLHF在用于微調LLM時幾乎不能算是RL。但對我來說，這主要是因為它的半離線性質，以及智能體缺乏主動收集自身數據的機會。這些可能是RL在處理模糊、復雜，以及潛在可被利用的獎勵函數時奏效的關鍵因素。

華盛頓大學助理教授、谷歌AI高級研究科學家Natasha Jaques的反對態度更鮮明，力挺RLHF方法：

這是一個不好的看法。在與人類互動時，給出人類喜歡的答案就是真正的目標。

超出分布不是RLHF獨有的問題。數據集中的人類反饋比運行無限的圍棋模擬更有限，但這并不意味著是不值得研究的方法，它只是一個更具挑戰性的問題，并且我們希望它是一個更有影響力的問題，因為減少LLM的偏見對人類的益處顯然多過比在圍棋上擊敗人類。使用貶義語言稱RM為「直覺判斷」是愚蠢的；你可以對價值估計提出同樣的論點。

發布這樣的內容只會阻礙人們研究RLHF，而目前這是唯一可行的方法來緩解LLM偏見和幻覺可能造成的嚴重危害。

本文轉自 新智元 ，作者：新智元

原文鏈接:??https://mp.weixin.qq.com/s/X4ZvL-VPYyR7xkxvCoA4Gg??