前言
ChatGPT已经发布一周了热度依旧不减，ChatGPT也各种大显神通，为各大网友“出谋划策”，有写周报的，有写绩效的甚至还有写论文的，作为一个NLP从业者，除了好好体验下其中的乐趣，其背后的原理当然也要有所了解，本文就从其技术细节为大家一一揭开奥秘。
ChatGPT的前世
ChatGPT出来之前，相信大家体验过很多智能问答机器人，大部分的评价都是“人工智障”，而ChatGPT则给人一种忽如一夜春风来，千树万树梨花开的感觉，怎么AI突然变得如此智能！实际上，ChatGPT的成功源自于2年前的GPT3+后期的RLHF优化，所以说
接下来我们就先简单回顾下GPT3，GPT3是一个基于transformer decoder的生成模型，其参数规模达到了1750亿，并且使用45TB数据进行训练，其预训练任务就是“句子接龙”，给定前文持续预测下一个字，因此只要有干净的文本数据就能作为模型的训练数据。虽然任务简单，但由于模型规模大数据量大，训练成本达到了数千万美元，在模型训练过程中还有一个小插曲，研究人员发现了代码中有一个小bug，但因为训练成本昂贵并未修复这个bug。
GPT3首次把模型的规模带到了千亿级别，开辟了大模型赛道，其次也为NLP带来了一种新的范式prompt，prompt为GPT3带来了0样本、小样本的学习能力，也为BERT base级别的模型带来了一些新的玩法。
GPT3在AI圈内掀起了很大的浪花，但是并未出圈，其关键原因在于其存在严重的弱点
- 可能会产生偏见，因为它是基于现有数据训练的，如果有任何偏见存在于训练数据中，那么它的结果也会受到影响。
- 模型的训练和使用过程中存在安全漏洞，因为它会存储用户数据，而且它的使用还可能导致机器不可控。
这些问题被统一称为misalignment，随着语言模型的规模越来越大，模型的输出很难满足用户的需求，并且对于生成模型来说，如果要生成不同的答案就涉及到采样算法，那这对于生成的内容来说就更难控制了，那么怎么解决这个问题呢？接下来我们就来看看ChatGPT是怎么做到的。
管得住嘴的ChatGPT
在ChatGPT面世前OpenAI还出过一篇paper：Training language models to follow instructions with human feedback，一看这标题就能感觉到肯定少不了人工打标，这篇paper提出了对于GPT3的改进称为InstructGPT，InstructGPT的目标就是要解决GPT3“管不住嘴”的问题，其解决方案叫做RLHF，其包含3个步骤
1、Collect demonstration data, and train a supervised policy
GPT3面世后，OpenAI提供了api，付费后即可集成到自己的项目中，用户使用的时候直接采用 prompt的方法做0样本或小样本的预测，这个过程让OpenAI收集到了大量的prompt数据，研究人员从这些prompt中采样一部分，人工对这些prompt做回答，得到的结果称为demonstration即有标签数据，再用这些demonstration继续fine-tuning GPT3，这个过程称为supervised fine-tuning (SFT)。GPT3的预训练阶段使用的是网上海量的数据，这些数据的质量鱼龙混杂，监督学习的目的就是让模型能生成更多符合人类预期的答案，从而尽可能避免生成一些有害的信息。
2、Collect comparison data, and train a reward model
但是监督学习毕竟需要标注大量数据，OpenAI在怎么有钱也不能这么造呀，于是乎OpenAI想了个办法，搞个模型来判断GPT3输出的有没有问题。于是在有了SFT模型后，继续采样prompt，让SFT模型输出多个不同的output，人工对output做排序，把这个结果拿去训练一个RM(reward model)，这个模型和SFT结果一样，只是size小一些，paper中提到6B级别的模型比175B级别的模型更加稳定。注意这里的output是一个zero mean的，这样RM模型只要输出一个大于0的值那么就认为GPT3生成的内容是OK的。
最后看下loss function，其中 r θ r_{\theta} rθ表示的是RM， x x x表示的是用户输入的内容， y y y表示不同的答案，注意这里有一个组合数 ( K 2 ) \binom{K}{2} (2K) 训练的时候要把同一个组合数中的内容放到一个batch内，不然会出现过拟合的情况，K通常取4到9之间的一个值，可以看到这其实就是一个pairwise模型。
3、Optimize a policy against the reward model using PPO
有了RM，下一步我们就可以用RM的输出结果来反哺SFT模型了，其思路是采用RM的输出值作为reward，基于 RL的思路进行优化，
- policy：给GPT输入文本后输出结果的过程
- action：词典
- observation：输出文本
- objective function：一共包含三项，其中 r θ r_{\theta} rθ是RM的输出分数，第二项是KL惩罚项，目的是为了让 RL模型的输出结果和SFT模型的输出结果差距不要太大，第三项则是为了保证RL模型能保留好语言模型的能力，整个模型称为PPO-ptx。有了这样的一个模型框架后 ，有新的prompt模型就能做到持续的自迭代。
有多少人工才有多少智能
在RLHF的优化过程中其实存在很多的标注任务，OpenAI把标注这个过程看的其实非常的重，他们组建了一个40人的外包标注团队，并且基于以下标准 对标注人员做了一个严格的筛选：
- 确保标注人员对信息敏感，OpenAI首先准备了一份自己标注的数据，这些数据包含一些敏感信息，需要标注人员的标注结果和OpenAI认为的敏感信息是尽可能一致的。
- 排序阶段的标注需要和OpenAI研究人员标注的排序尽可能一致
- OpenAI构建了一些敏感prompt，让标注人员编写demonstration，研究人员对每个demonstration给一个1-7分的Likert scale（李克特量表），并针对标注人员计算平均分数。
- 询问标注人员对于哪些话题或者文化群体更能识别出敏感话题
基于以上4个标准OpenAI筛选出了个标注团队，可见只有高质量的数据才能给模型带来质的提升。
最后看看整体的效果，基于PPO-ptx的模型效果提升明显，特别是6B规模的模型效果出色。
思考
ChatGPT火了之后，大家都在讨论能否把ChatGPT应用到自己的业务中或者能否把RL应用到业务中减少些人力标注成本，这里也说说我自己对这两个问题的想法。
-
ChatGPT规模比较大，想直接落地难度还是很高的，仅仅算力就已经挡住了大部分人，但是从上文的效果图中也能看到，6B规模的模型在RLHF的思路下效果也是不错的，所以如果真的想朝着这个方向去落地，可以考虑下6B规模的模型，目前抱抱脸也有很多同规模大小的开源语言模型可以尝试下，不过RLHF的标注成本也不低能否承受也需要提前考虑清楚。
-
RL真的适合应用在NLP应用中码？我觉得还是要看场景，在ChatGPT中RL其实解决的是misalignment问题，GPT3本身已经具备了较强的生成能力，只是说容易“胡言乱语”，RL的任务只是纠正GPT3的这个缺点，并且RM的上限决定了GPT3能把这个缺点改进多少。所以说RL也不是万能的，在我看来ChatGPT使用RL更多是为了尽可能节约人工标注成本。
ChatGPT应该只是OpenAI的压轴戏，让我们一起期待23年初的GPT4能带给我们带来怎样的惊喜。