谷歌聯合多所高校的一項最新研究，讓大模型開始擁有了人類的“心智”。

在新的提示策略下，大模型不僅能推測出人類所面臨的問題，還學會了用推測的結論調整自己的行為。

有了這一成果，GPT-4的“心智”水平已經提高到了人類的71%。

具體來說，研究人員發現，現在的大模型，已經具備了在對話中推測人類“在想啥”的能力。但如果你要它根據這種推理給出行動建議，那可就難倒大模型了。

舉個例子，小明放學回家后把書包扔到沙發上就跑出去玩了，媽媽看到之后幫小明把包放到了臥室。

如果大模型能夠像人類一樣，在小明回來之后告訴他包在臥室，就說明大模型具備了“心智理論”。

研究人員把這種做法稱為Thinking for Doing(T4D)，并設計了相應的任務。

為了提高模型在T4D任務上的表現，團隊進一步提出了Foresee and Reflect(FaR)提示策略，結果讓大模型在“心智”上取得了重大突破。

論文的標題也包含了“How far……” ，一語雙關，既體現了FaR框架對大模型的幫助，又暗含了大模型離具有人類“心智”的距離。

那么，有了FaR的大模型，究竟擁有什么樣的“心智”呢？

大模型離具有“心智”更進一步

我們還是從例子說起，如下圖所示，一共有綠色和藍色兩個櫥柜，Tom在綠色櫥柜中放了一塊巧克力。

Tom離開后，Ella把這塊巧克力挪到了藍色的柜子里。

那么等Tom再回來，會從哪個柜子中找巧克力呢？（當然是綠色的）

這就是一個“推理”任務，是心理學上著名的“薩利-安妮”（用于測試“心智”）實驗的變體。

而T4D任務是這樣的：

如果你就在旁邊（并且知道發生了什么），會怎么做？

人類會選擇告訴Tom巧克力被挪走了，但（未經調教的）大模型就不一定會這樣做了。

為了更宏觀地測試大模型在調整前后的表現，研究團隊選擇了ToMi數據集并改編成了T4D-Tom數據集。

其中的ToMi是一個由大量“薩利-安妮”類情景組成的測試數據集，用于測試大模型的“心智推理”能力。

可以看出，在推理上，表現最好的GPT-4與人類已經相差無幾，但在T4D任務上才剛剛達到人類水平的一半。

于是，研究團隊提出的FaR方法登場了。

FaR框架的核心奧義就是模仿人類的理性思維方式，和A*搜索算法（用于搜索最短路徑）有些相似。

具體來說，FaR包括Foresee和Reflect兩步。

Foresee過程中模型會被要求預測接下來會發生什么，并分析人所面臨的“困難”。

Reflect發生在Foresee之后，模型會預測自己接下來的行為是否能解決相應的“困難”。

有了FaR框架，效果也是立竿見影。

相比于思維鏈（CoT）、思維樹（ToT）、自己提問等方式，FaR顯著提高了大模型在“薩利-安妮”類T4D問題上的準確率。

特別是GPT-4，準確率從人類的50%提升到了71%，GPT-3.5以及谷歌自家的PaLM表現也有提高。

消融實驗結果表明，Foresee和Reflect兩步都是FaR的關鍵步驟，缺一不可。

為了驗證FaR方法的通用性和魯棒性，研究團隊還進行了一系列泛化測試。

首先是在“薩利-安妮”情景的基礎上改變故事的結構，研究團隊一共嘗試了三種方式：

• D1：增加房間的數量
• D2：人物的數量增多
• D3：容器的數量增加到四個

結果FaR依舊成功幫助大模型提高了任務的準確率，在第三種模式下GPT-4甚至取得了和人類相當的成績。

即使故意設置干擾信息，FaR依舊可以提高大模型的表現。

研究團隊專門構建了包含困擾信息的“Faux Pas”數據集，結果GPT-4的表現從31%提高到了76%。

作者簡介

FaR論文的第一作者是南加州大學NLP實驗室的華人博士生Pei Zhou。

這項成果是他在谷歌實習期間完成的。

此外，來自谷歌（包括DeepMind）、卡耐基梅隆大學和的芝加哥大學的學者也參與了本項目。

那么對于大模型的“心智”，你有什么看法呢？

論文地址：http://arxiv.org/abs/2310.03051