为什么要做AI研究器

对于怎么实现AGI这个玄学的目标，感觉大家都是差不多的状态：咱也不知道怎么做，但就是觉得现在的LLM技术还远远不够。

所以之前看到OpenAI说要用模型去做对齐研究[1]，以及最近发话要4年内做出SuperAlignment[2]时，我都是一脸问号，觉得没什么新东西，get不到他们的思路。

为什么要做AI研究器

直到最近断断续续刷了两遍Jan Leike的访谈，我突然有种悟了的感觉，原来核心思想就这么简单。而且回过头看，OpenAI近几年其实就是在遵循这个思想，却做出了看似「暴力」的一个个突破。

OpenAI所选择的路径就是：「Turn compute into alignment」，通过计算的量变产生智能的质变。计算需要数据、算力、模型框架的共同作用，拆解成具体的步骤，则是自动化->规模化->迭代。

以前我们总以「范式」这个词来划分NLP的发展，比如监督学习->预训练+精调->预训练+RLHF。其实这些范式只是增加有效计算量的方法：

自动化：有监督 -> 自监督，摆脱人的依赖，更高效地获取监督信号

规模化：在更多的数据、更大的模型上进行更多的计算

迭代：不断基于新的case迭代模型，形成数据飞轮

自动化和规模化所带来的质变不用多说，GPT系列足以证明。但最后一步的「迭代」却经常被忽视，而这可能是通向Superalignment重要的一步，Alpha GO就是最好的栗子。它从最开始模仿人类棋手落子，到具备基本能力后不断自我博弈，最终超越人类棋手。

那么问题来了：目前我们所做的「迭代」，不管是RLHF还是纯SFT，仍旧需要人工提供监督信号，无法做到自动化和规模化，迭代速度就会很慢。同时人类也无法监督超越自身水平的任务，不可能训出超智能的模型。这就是为什么OpenAI从22年就开始说，要用AI来辅助人类进行评估[3]。

继续思考，如果有个模型可以给出等同人类水平的监督信号，我们除了评估还可以用它干什么？当然是顺着量变产生质变的思想，让它自动化、规模化地帮忙迭代出AGI呀！

自动化：让AI研究器自动规划实验、提供监督信号训练模型

规模化：把上述自动流程扩展

迭代：AI研究器本身也是一个模型，让它们鸡生蛋蛋生鸡，不断互相训练

想到这里，OpenAI为什么要构建「a roughly human-level automated alignment researcher」的思路就水到渠成了。不知道Jan Leike大佬的思考逻辑是怎样的，反正我自己这么捋下来还挺顺，欢迎讨论。

如何做AI研究器

找到「AI研究器」这个启动点之后，接下来就是怎么实现的问题了。相比于如何训练出这个模型，Jan大佬把主要的中心都放在了如何构建自动化、全面化的评估上，其实跟上面的道理一样，好的评估可以提供监督反馈，从而指导模型的迭代方向。

首先，需要能验证模型可以达到人类水平。其实要真正评估出这个还是很难的，就像现在业内这么多模型，没人能给出一个真的排行榜一样。而且最好是自动化的，避免人来提供ground truth，才能进行更全面的评估。这里大佬提供了一个discriminator-critique gap的测量方法，比如我们做了一个编程模型，想利用ChatGPT自动评估他的效果，最简单的做法是直接命令ChatGPT判断某道编程题做的对不对。那问题就来了，我们怎么确定ChatGPT评估结果是否置信？都人工看一遍太浪费时间了。自动化的做法是直接基于ChatGPT训练一个判断变成结果是否正确的判别模型，然后我们专门用一些有label的难样本，去看判别模型的准确率和ChatGPT的准确率，如果差的不多，就说明不用训练也可以用它直接评估编程结果的好坏。

其次，自动化地进行鲁棒性检测、可解释性分析。为啥非要做可解释性呢？

可以为我们指出解决问题的途径

现有很多研究是在做知识和神经元的关联性，大佬认为更有意义的是自动化、规模化地去做，从而探究更高维度（模型整体）的可解释性

最后，故意训练不对齐的模型进行对抗测试，验证评估方法的有效性。从而避免出现假对齐的情况。最极端的就是真训出了一个超级智能，他可能会想办法备份自己的权重，逃脱人类控制，需要专门通过其他代理任务（比如让模型去hack某台机器）看一下这个程度有多难，评估系统能否检测出来。

投入成本的考量

OpenAI未来4年内将会在Superalignment上组建30-100人规模的团队，投入20%的算力。其实20%个人感觉主要是先表个决心，这个数量Jan大佬说已经是对齐方向上最大的单笔投入了，做得好以后还会再加。

倒是4年这个规划，说近不近说远不远，还关乎于其他从业者要经历多久的红利衰退期（狗头），Jan给出了如下规划：

2年内搞清楚用什么技术实现AI对齐研究器，把问题拆的足够细，剩下就是工程问题了

3年内实现AI对齐研究器

剩下一年探索超级对齐

这么一看时间还是挺紧的，后面两个计划略显乐观，Jan给出的信心是85%，而且表示有很多实验已经在实验中了（至少从22年8月那个博文发出前就开始研究了）。他的信心主要来自于5方面：

语言模型的成功：LLM可以理解自然语言，让我们可以向模型表达我们希望他们怎么做，操控起来更加容易

RLHF的效果超出预期：只用了很少的计算，甚至还没尝试收集数据，就可以在小模型上得到比大模型更好的效果

在评估度量方面已经取得了很多进展，可以提供改进的方向

评估比生成更简单：如果人类只做评估，而不做生成，那么开发速度就会加快，还是自动化监督信号的思想

对语言模型的信念：语言模型很适合做超级对齐，任何任务都可以表述为文本的输入输出，不管是做实验和理解结果都可以做

目前的技术还有用吗

对于预训练，Jan Leike认为预测下一个token这种方式并不一个长期目标，可能需要更好的任务。个人认为互联网上视频、图像、文字数据迟早会被消耗殆尽，所以目前的预训练主要是提供一个较好的基模型，后续高质量的监督信号应该会来源于模型本身，就像前文一直说的「自动化」。但这样是否还能称作「预训练」就不一定了。

对于RLHF，Jan Leike也持怀疑态度，因为目前的监督信号来源于人工评判，但人工并不擅长区分看起来都很好的答案，各种论文显示人类之间的一致率有70%就不错了，这个监督信号本身自己都不一定对的齐。同时，需要人工就导致无法规模化扩展，也不符合我们增加计算量的需求。

目前预训练+RLHF的范式大概率也只是AI发展中的一个版本，按照OpenAI的AI研究器思路，后续模型训练的系统复杂度可能会提升很多，估计会有N多个擅长不同任务的AI研究器来训一个模型，人工只需要提供少量监督信号，告诉系统要做什么，就可以让他们自动运转，训完了自动同步权重，不断升级。

总结

整个Jan Leike的采访看下来，真的收获颇丰，不知道有没有清晰地表达出来，其实就是：

计算是核心，计算的量变产生智能的质变

加速有效计算量的方法是：自动化->规模化->迭代

就像人类百万年来，从石器时代进化到现在的信息时代，科技的进步不是一蹴而就，而是螺旋上升，由几代人的智慧凝结而成。