文章主题：GPT-3.5, 强化学习, RLHF, ChatGPT
1、前言
在总体技术路径中，我们可以看到ChatGPT采用了GPT-3.5这种大型语言模型（LLM，Large Language Model），并在这一基础之上融入了强化学习，以便对预训练的语言模型进行精细化调整。这种强化学习方法是RLHF（Reinforcement Learning from Human Feedback），也就是利用人工标注的方式进行操作。这种设计的目的是让LLM模型能够通过奖励与惩罚机制（reward）来学习理解各种自然语言处理任务，并能够判断出优质答案的标准，这包括帮助性（helpfulness）、诚实性（honesty）和安全性（harmlessness）这三个维度。
因此在了解ChatGPT之前，我们需要先看看什么是GPT-3以及强化学习。
1.1、GPT
在2018年6月，OpenAI发布的预训练模型GPT（即GPT-1）以其自回归的预训练方式，展现出了在自然语言生成任务中的优越性。这一模型与BERT有着相似之处，它们都是预训练模型，且均源于Transformer架构。在这里，GPT采用了与BERT相同的Transformer-Decoder作为编码器，但在细节上做出了一些调整。具体来说，GPT去掉了原本的Decoder中包含的两个Multi-Head Attention结构，仅保留了一个Masked Multi-Head Attention结构，如下图所示。
与BERT模型相比，它作为一个语言模型是通过利用上下文来预测下一个单词。而Decoder采用了Masked Multi Self-Attention机制，从而屏蔽了单词后面的信息，这使得Decoder成为一个现成的语言模型。此外，由于没有使用Encoder，也就无需再关注编码器-解码器注意力机制。
GPT-2 是基于GPT模型的升级版，它在原有的基础上增加了多种任务，扩大了数据集和模型参数，并通过再次训练进一步优化。这种设计方法使得GPT-2能够处理更多的NLP任务，如机器翻译、文本摘要和领域问答等。由于这些任务都在同一个模型上进行学习，所以这个模型能够承载的不仅是任务本身，还能够处理其他通用信息，比如“汪小菲的妈是张兰”这样的信息。这种信息具有较高的通用性，可以应用于多种NLP任务，从而实现元学习，也就是利用一条信息在不同的NLP任务中都能表现出色。这就意味着，信息本身并不依赖于具体的NLP任务，而是可以跨任务使用的，通过举一反三的方式，GPT-2能够在每个NLP任务中都展现出优秀的性能。另外，GPT-2的参数量和训练数据也都有了显著的增长，这都为其在NLP领域的应用提供了更强大的支持。
GPT-3的预训练过程与其他模型不同,它采用了一种两段式的方式。该过程包括两个阶段:第一阶段是利用大规模数据集对模型进行基础预训练,第二阶段则是通过下游任务的标注数据集进行微调。这种方法相较于传统的单一预训练模型,能够更好地适应各种NLP任务,提高模型的准确性和泛化能力。
GPT-3正在改变我们的认知观念。它引入了一种名为”in-context”的学习方法。在这种方法中，模型接收到的信息包括一些提示和示例。例如，当用户向GPT-3输入“请将以下中文翻译成英文：苹果 => apple;”时，模型就能根据这些提示进行学习和理解，并给出准确的翻译结果：”apple”。这种学习方式更加符合人类的思维模式，也使得机器学习更加高效和智能。
其中 苹果翻译成 apple，是一个示范样例，用于让模型感知该输出什么。只给提示叫做 zero-shot，给一个范例叫做 one-shot，给多个范例叫做 few-shot。在 GPT-3 的预训练阶段，也是按照这样多个任务同时学习的。比如“做数学加法，改错，翻译”同时进行。这种引导学习的方式，在超大模型上展示了惊人的效果：只需要给出一个或者几个示范样例，模型就能照猫画虎地给出正确答案。但是这里需要超大模型才行得通，如下图所示：
可以看出，这种引导学习的方式，在超大模型上展示了惊人的效果：只需要给出一个或者几个示范样例，模型就能照猫画虎地给出正确答案。
下表是三代GPT之间参数量的比较。
模型数据量参数量GPT-1约 5GB1.17亿GPT-240GB15亿GPT-345TB1750亿1.2、强化学习
强化学习是一种和有监督、无监督学习并行的概念。用游戏比较好理解，有代理（游戏角色）、环境、目标、行动、反馈这些基本要素。它会在给定的环境中，不断地根据环境的惩罚和奖励（reward），拟合到一个最适应环境的状态，是一种通过试错来进行学习的模型。
之前的研究中一直没有在NLP+强化学习上取得好的效果，主要是因为NLP 所依赖的环境，是整个现实世界，整个宇宙万物，都可以被语言描述，也就都需要针对模型输出的质量进行 reward 评价，它完全无法设计反馈惩罚和奖励函数。除非人们一点点地人工反馈。
下面说到今天的主角，ChatGPT正是openAI不计成本进行大量人工标注将GPT和强化学习结合起来得到的产物，具体方法分为以下三个阶段。
以下对ChatGPT的介绍主要来源自instructGPT的论文，ChatGPT是改进的instructGPT，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instructGPT。
2、Chatgpt的三个阶段
2.1、冷启动阶段
该阶段的输入是从测试用户提交的prompt(就是指令或问题)中随机抽取的一批数据，其例子如下所示：
其方法概括来讲，就是以下两个部分，如下图所示：
对抽取的prompt数据人工进行高质量回答，获得<prompt,answer>数据对。通过高质量回答fine-turn gpt-3.5模型，在第一阶段帮助模型更好地理解输入指令。这样，一个基本的 GPT-3.5语言模型就被学习成了这里的 SFT 模型。
2.2、训练回报模型阶段（RM）
训练回报模型（RM） ，如下图所示，其方法概括为如下两部分
用上一阶段fine-turn好的SFT模型（使用和第一阶段几乎相同的prompt）生成k个回答（这里需要注意，对于同一个问题，GPT和SFT模型生成的答案是多样的，每一次提问都会有不同的答案），人工标注排名顺序用排序结果训练数据对<prompt,answer>
我们希望被判定更好的输出得到的奖励数值要更高。由此，奖励模型可以通过最小化下面这样的损失函数来得到。对于一对训练数据<answer1,answer2>，我们假设人工排序中answer1排在answer2前面，那么Loss函数则鼓励RM模型对<prompt,answer1>的打分要比<prompt,answer2>的打分要高。
2.3、强化学习微调阶段
这一步数据集规模更大一些且和第一二阶段不同，且不再需要人工。其方法可以概括为以下四个部分：
由第一阶段的监督模型初始化PPO模型的参数PPO模型生成回答用第二阶段RM模型对回答进行评估和打分通过打分，更新训练PPO模型参数
这一步的训练过程中，还不仅仅使用强化学习的优化目标。还使用了下面的两个正则项来约束模型的表现。我们需要在训练的过程中最大化下面的函数，当γ≠0时，模型变为PPO-ptx（加上该部分是因为仅仅使用RL来学习可能会使得模型在很多NLP任务性能上下降）。
总结一下：RLHF用于第一二阶段，首先通过人工标注微调gpt模型得到SFT模型，用SFT模型生成k个回答人工排序，训练RM模型。第三阶段，把SFT模型参数拿来，用RM模型获得的reward进行训练，得到ppo和ppo-ptx模型。
3、实验与模型的衡量
3.1、helpful
helpful——是否可以推断用户意图 测试方法是标注员在待测试模型的输出和 SFT 模型的输出中选择一个更好的。如果得分为 0.5 则表示该模型和 SFT 相比性能差不多。下图左侧为GPT提供prompt，右侧即为instructGPT提供的prompt测试得到的结果。可以看出ppo和ppo-ptx模型相对于其它模型取得了更好的效果。
3.2、honest
方法是在模型前加上如下这样的 instruction prompt，提示模型该小心什么问题，该怎样回答。
结果如下，右图即为加上instruction的效果。其中灰色代表可信度，有颜色的即代表同时可信和包含信息量的额比率：
3.3、harmless
方法也是加上instruction，从而减少模型产生有害/不礼貌/带有偏见的回答，效果如下所示：
可以看出，ppo和ppo-ptx模型在三个H的评判指标下都取得了不错的结果。
4、问题与总结
4.1、模型优点
相对于自回归模型，reward有更细致的处罚信号，比如如果下一token是great，AR loss会给amazing和sandwich相同的处罚offline模式，使得RM模型生成更合适的反馈。RM模型更直接获取偏好 直接根据偏好进行打分好的句子就是高的反馈运用数据更具有效率 SFT需要人来生成目标，在我们训练RM的时候，就可以用来为输出打分了4.2、挑战与问题
高效引入新的知识困难，因为它是通过在GPT大模型上大量添加人工标注数据进行训练，重新训练的成本太大，而如果通过fine-turn对引入的新知识进行调整，可能会产生对于之前的知识灾难性遗忘的问题。
对于同一问题可能产生不同答案，且有可能会生成看似合理但实际完全错误的答案，不好判断。
4.3、一些思考
个人认为，ChatGPT最主要的贡献是还是证明了大力出奇迹，以及NLP+强化学习的方式能够取得很好的表现。过去的做对话的思路都是分出各个子任务逐个击破，再加以整合。而ChatGPT的成功则说明，不用考虑琐碎的细节，大模型大数据能够取得更好的效果。当然，这对于像我这样的nlp初学者来说，可能确实没有什么可以借鉴的地方。但是它取得的效果也确实足够令人激动。
以上是本人在学习和了解过程中的一些总结和思考，可能有一些不到位的地方，欢迎各位大佬讨论指正。
参考链接：
1.https://arxiv.org/pdf/2203.02155.pdf——InstructGPT
2.【强化学习 229】ChatGPT/InstructGPT – 知乎 (zhihu.com)
3.一文读懂ChatGPT模型原理 – 知乎 (zhihu.com)
4.ChatGPT会取代搜索引擎吗 – 知乎 (zhihu.com)
AI时代，拥有个人微信机器人AI助手！AI时代不落人后！
免费ChatGPT问答，办公、写作、生活好得力助手！
搜索微信号aigc666aigc999或上边扫码，即可拥有个人AI助手！
