语言 AI,具备了人类的自我审视能力:最近,一个来自加州大学伯克利分校和霍普金斯大学的学术团队研究表明:它不仅能判断自己的答案正确与否,而且经过训练,还能预测自己知道一个问题答案的概率。

研究成果一经发布,就引起热议,有人的第一反应是恐慌:

也有人认为,这项成果,对神经网络研究具有正面意义:

语言 AI 具备自我审视能力

研究团队认为,如果要让语言 AI 模型自我评估,必须有一个前提:语言 AI 回答问题时,会校准自己的答案。

这里的校准,就是语言 AI 预测一个答案的正确概率,是否与实际发生的概率一致。只有这样语言 AI 才可以运用这种校准的能力来评估自己输出的答案是否正确。

所以第一个问题是,语言 AI 能否对自己的答案进行校准?为了证明这个问题,研究团队为 AI 准备了 5 个选择题:

答案选项,以 A、B、C 的形式给出。如果 AI 模型答案的正确率超过偶然几率,那么就证明 AI 模型给出的答案是经过校准的。

而测试的结果是,语言 AI 给出的答案,正确率明显超过任意选项的偶然几率。也就是说,语言 AI 模型可以对自己的答案进行很好的校准。

但研究团队发现,语言 AI 的校准能力,是建立在选项答案明确的前提下的。如果在选项中加入一个“以上都不是”的不确定选项,就会损害语言 AI 的校准能力。

也就是说,在特定格式的选择题中,语言 AI 模型可以对答案进行很好的校准。明确了这个前提之后,下一个问题是,验证语言 AI 模型能够判断自己的答案是否正确。

在这一轮的测试中,为了能让 AI 模型的预测更接近自己的有效决策边界。研究团队仍然选择上一轮测试的问题,以及语言 AI 模型的答案样本。

同时让 AI 模型选择自己的答案真假与否,之后再针对这个“真”或“假”的答案,分析 AI 模型是否做出有效的校准。问题设置举例如下:

在经过 20 次的真假测试之后,研究团队发现,语言 AI 模型对自己答案或“真”或“假”的评价,都经过明显的校准。

也就是说,如果在一个范围内,给 AI 模型提出若干问题,然后 AI 模型对这些问题的答案进行真假评价,具有合理的,且经过校准的置信度。

这也证明,语言 AI 模型确实可以判断自己对一个问题的主张是否正确。

最后,研究团队对语言 AI 模型提出了一个更难的问题:AI 模型经过训练,能否预测他们是否知道任何给定问题的答案。

在这一环节,研究团引入一个数据 P (IK)(我知道这个答案的概率)并在下面两种训练方式中挑选一种进行训练:

Value Head(价值导向): 把 P (IK) 训练成为一个额外的价值导向,再添加到模型的对数(独立于语言建模的对数,这种方法的优势在于,研究团队可以很容易的探测 P (IK) 的一般标记位置。

Natural Language(自然语言):这种方法比较简单,就是要求 AI 模型从字面上回答“你知道这个答案的概率是多少”,同时输出一个百分比数据答案。

在训练初期,研究团队比较倾向于自然语言训练方式,但结果并不显著,由此转向价值导向方式,不过研究团队同时表示,最终对 AI 模型的训练还将回归自然语言方法。

在经过训练之后,研究团队发现,语言 AI 模型可以很好的预测 P (IK),并且在不同类型的问题中,这种预测能力具有部分通用性。

不过,研究团队也发现,在某些类型的问题,比如算术问题,语言 AI 模型在 OOD 校准时有一些困难。

对于这一学术成果,研究团队表示,将来的方向,是将这些成果,推广到语言 AI 模型不模仿人类文本的前提下,自我学习和事实推理领域。

作者介绍

论文通讯作者 Jared Kaplan 博士,是一位理论物理学家,同时也是一位机器学习专家,现担任霍普金斯大学助理教授,主要研究领域,机器学习研究,包括神经模型的缩放规律以及 GPT-3 语言模型。

共同通讯作者 Saurav Kadavath,Anthropic 公司研究员,现在加州大学伯克利分校 EECS 专业攻读硕士学位,主要研究领域是机器学习,大规模语言学习等。

参考链接:

https://arxiv.org/abs/2207.05221