作為智能對話系統，ChatGPT最近兩天爆火，都火出技術圈了，網上到處都在轉ChatGPT相關的內容和測試例子，效果確實很震撼。我記得上一次能引起如此轟動的AI技術，NLP領域是GPT 3發布，那都是兩年半前的事了，當時人工智能如日中天如火如荼的紅火日子，今天看來恍如隔世；多模態領域則是以DaLL E2、Stable Diffusion為代表的Diffusion Model，這是最近大半年火起來的AIGC模型；而今天，AI的星火傳遞到了ChatGPT手上，它毫無疑問也屬于AIGC范疇。所以說，在AI泡沫破裂后處于低谷期的今天，AIGC確實是給AI續命的良藥，當然我們更期待估計很快會發布的GPT 4，愿OpenAI能繼續撐起局面，給行業帶來一絲暖意。

說回ChatGPT，例子就不舉了，在網上漫山遍野都是，我們主要從技術角度來聊聊。那么，ChatGPT到底是采用了怎樣的技術，才能做到如此超凡脫俗的效果？既然ChatGPT功能如此強大，那么它可以取代Google、百度等現有搜索引擎嗎？如果能，那是為什么，如果不能，又是為什么？

本文試圖從我個人理解的角度，來嘗試回答上述問題，很多個人觀點，偏頗難免，還請謹慎參考。我們首先來看看ChatGPT到底做了什么才獲得如此好的效果。

ChatGPT的技術原理

整體技術路線上，ChatGPT在效果強大的GPT 3.5大規模語言模型（LLM，Large Language Model）基礎上，引入“人工標注數據+強化學習”（RLHF，Reinforcement Learning from Human Feedback ，這里的人工反饋其實就是人工標注數據）來不斷Fine-tune預訓練語言模型，主要目的是讓LLM模型學會理解人類的命令指令的含義（比如給我寫一段小作文生成類問題、知識回答類問題、頭腦風暴類問題等不同類型的命令），以及讓LLM學會判斷對于給定的prompt輸入指令（用戶的問題），什么樣的答案是優質的（富含信息、內容豐富、對用戶有幫助、無害、不包含歧視信息等多種標準）。

在“人工標注數據+強化學習”框架下，具體而言，ChatGPT的訓練過程分為以下三個階段：

（ChatGPT:第一階段） 第一階段：冷啟動階段的監督策略模型。靠GPT 3.5本身，盡管它很強，但是它很難理解人類不同類型指令中蘊含的不同意圖，也很難判斷生成內容是否是高質量的結果。為了讓GPT 3.5初步具備理解指令中蘊含的意圖，首先會從測試用戶提交的prompt(就是指令或問題)中隨機抽取一批，靠專業的標注人員，給出指定prompt的高質量答案，然后用這些人工標注好的數據來Fine-tune GPT 3.5模型。經過這個過程，我們可以認為GPT 3.5初步具備了理解人類prompt中所包含意圖，并根據這個意圖給出相對高質量回答的能力，但是很明顯，僅僅這樣做是不夠的。

（ChatGPT:第二階段）

第二階段：訓練回報模型（Reward Model,RM）。這個階段的主要目的是通過人工標注訓練數據，來訓練回報模型。具體而言，隨機抽樣一批用戶提交的prompt(大部分和第一階段的相同)，使用第一階段Fine-tune好的冷啟動模型，對于每個prompt，由冷啟動模型生成K個不同的回答，于是模型產生出了,….數據。之后，標注人員對K個結果按照很多標準（上面提到的相關性、富含信息性、有害信息等諸多標準）綜合考慮進行排序，給出K個結果的排名順序，這就是此階段人工標注的數據。

接下來，我們準備利用這個排序結果數據來訓練回報模型，采取的訓練模式其實就是平常經常用到的pair-wise learning to rank。對于K個排序結果，兩兩組合，形成(k2)個訓練數據對，ChatGPT采取pair-wise loss來訓練Reward Model。RM模型接受一個輸入，給出評價回答質量高低的回報分數Score。對于一對訓練數據，我們假設人工排序中answer1排在answer2前面，那么Loss函數則鼓勵RM模型對的打分要比的打分要高。

歸納下：在這個階段里，首先由冷啟動后的監督策略模型為每個prompt產生K個結果，人工根據結果質量由高到低排序，以此作為訓練數據，通過pair-wise learning to rank模式來訓練回報模型。對于學好的RM模型來說，輸入，輸出結果的質量得分，得分越高說明產生的回答質量越高。

（ChatGPT:第三階段）

第三階段：采用強化學習來增強預訓練模型的能力。本階段無需人工標注數據，而是利用上一階段學好的RM模型，靠RM打分結果來更新預訓練模型參數。具體而言，首先，從用戶提交的prompt里隨機采樣一批新的命令（指的是和第一第二階段不同的新的prompt，這個其實是很重要的，對于提升LLM模型理解instruct指令的泛化能力很有幫助），且由冷啟動模型來初始化PPO模型的參數。然后，對于隨機抽取的prompt，使用PPO模型生成回答answer， 并用上一階段訓練好的RM模型給出answer質量評估的回報分數score，這個回報分數就是RM賦予給整個回答（由單詞序列構成）的整體reward。有了單詞序列的最終回報，就可以把每個單詞看作一個時間步，把reward由后往前依次傳遞，由此產生的策略梯度可以更新PPO模型參數。這是標準的強化學習過程，目的是訓練LLM產生高reward的答案，也即是產生符合RM標準的高質量回答。

如果我們不斷重復第二和第三階段，很明顯，每一輪迭代都使得LLM模型能力越來越強。因為第二階段通過人工標注數據來增強RM模型的能力，而第三階段，經過增強的RM模型對新prompt產生的回答打分會更準，并利用強化學習來鼓勵LLM模型學習新的高質量內容，這起到了類似利用偽標簽擴充高質量訓練數據的作用，于是LLM模型進一步得到增強。顯然，第二階段和第三階段有相互促進的作用，這是為何不斷迭代會有持續增強效果的原因。

盡管如此，我覺得第三階段采用強化學習策略，未必是ChatGPT模型效果特別好的主要原因。假設第三階段不采用強化學習，換成如下方法：類似第二階段的做法，對于一個新的prompt，冷啟動模型可以產生k個回答，由RM模型分別打分，我們選擇得分最高的回答，構成新的訓練數據,去fine-tune LLM模型。假設換成這種模式，我相信起到的作用可能跟強化學習比，雖然沒那么精巧，但是效果也未必一定就差很多。第三階段無論采取哪種技術模式，本質上很可能都是利用第二階段學會的RM，起到了擴充LLM模型高質量訓練數據的作用。

以上是ChatGPT的訓練流程，主要參考自instructGPT的論文，ChatGPT是改進的instructGPT，改進點主要在收集標注數據方法上有些區別，在其它方面，包括在模型結構和訓練流程等方面基本遵循instructGPT。可以預見的是，這種Reinforcement Learning from Human Feedback技術會快速蔓延到其它內容生成方向，比如一個很容易想到的，類似“A machine translation model based on Reinforcement Learning from Human Feedback”這種，其它還有很多。但是，我個人認為，在NLP的某個具體的內容生成領域再采用這個技術意義應該已經不大了，因為ChatGPT本身能處理的任務類型非常多樣化，基本涵蓋了NLP生成的很多子領域，所以某個NLP子領域如果再單獨采用這個技術其實已經不具備太大價值，因為它的可行性可以認為已經被ChatGPT驗證了。如果把這個技術應用在比如圖片、音頻、視頻等其它模態的生成領域，可能是更值得探索的方向，也許不久后我們就會看到類似“A XXX diffusion model based on Reinforcement Learning from Human Feedback”,諸如此類，這類工作應該還是很有意義的。

另外一個值得關注的采取類似技術的工作是DeepMind的sparrow，這個工作發表時間稍晚于instructGPT，如果你仔細分析的話，大的技術思路和框架與instructGPT的三階段基本類似，不過明顯sparrow在人工標注方面的質量和工作量是不如instructGPT的。反過來，我覺得sparrow里把回報模型分為兩個不同RM的思路，是優于instructGPT的，至于原因在下面小節里會講。

ChatGPT能否取代Google、百度等傳統搜索引擎

既然看上去ChatGPT幾乎無所不能地回答各種類型的prompt，那么一個很自然的問題就是：ChatGPT或者未來即將面世的GPT4，能否取代Google、百度這些傳統搜索引擎呢？我個人覺得目前應該還不行，但是如果從技術角度稍微改造一下，理論上是可以取代傳統搜索引擎的。

為什么說目前形態的ChatGPT還不能取代搜索引擎呢？主要有三點原因：首先，對于不少知識類型的問題，ChatGPT會給出看上去很有道理，但是事實上是錯誤答案的內容（參考上圖的例子（from @Gordon Lee）,ChatGPT的回答看著胸有成竹，像我這么沒文化的基本看了就信了它，回頭查了下這首詞里竟然沒這兩句），考慮到對于很多問題它又能回答得很好，這將會給用戶造成困擾：如果我對我提的問題確實不知道正確答案，那我是該相信ChatGPT的結果還是不該相信呢？此時你是無法作出判斷的。這個問題可能是比較要命的。其次，ChatGPT目前這種基于GPT大模型基礎上進一步增加標注數據訓練的模式，對于LLM模型吸納新知識是非常不友好的。新知識總是在不斷出現，而出現一些新知識就去重新預訓練GPT模型是不現實的，無論是訓練時間成本還是金錢成本，都不可接受。如果對于新知識采取Fine-tune的模式，看上去可行且成本相對較低，但是很容易產生新數據的引入導致對原有知識的災難遺忘問題，尤其是短周期的頻繁fine-tune，會使這個問題更為嚴重。所以如何近乎實時地將新知識融入LLM是個非常有挑戰性的問題。其三，ChatGPT或GPT4的訓練成本以及在線推理成本太高，導致如果面向真實搜索引擎的以億記的用戶請求，假設繼續采取免費策略，OpenAI無法承受，但是如果采取收費策略，又會極大減少用戶基數，是否收費是個兩難決策，當然如果訓練成本能夠大幅下降，則兩難自解。以上這三個原因，導致目前ChatGPT應該還無法取代傳統搜索引擎。

那么這幾個問題，是否可以解決呢？其實，如果我們以ChatGPT的技術路線為主體框架，再吸納其它對話系統采用的一些現成的技術手段，來對ChatGPT進行改造，從技術角度來看，除了成本問題外的前兩個技術問題，目前看是可以得到很好地解決。我們只需要在ChatGPT的基礎上，引入sparrow系統以下能力：基于retrieval結果的生成結果證據展示，以及引入LaMDA系統的對于新知識采取retrieval模式，那么前面提到的新知識的及時引入，以及生成內容可信性驗證，基本就不是什么大問題。

基于以上考慮，在上圖中展示出了我心目中下一代搜索引擎的整體結構:它其實是目前的傳統搜索引擎+ChatGPT的雙引擎結構，ChatGPT模型是主引擎，傳統搜索引擎是輔引擎。傳統搜索引擎的主要輔助功能有兩個：一個是對于ChatGPT產生的知識類問題的回答，進行結果可信性驗證與展示，就是說在ChatGPT給出答案的同時，從搜索引擎里找到相關內容片段及url鏈接，同時把這些內容展示給用戶，使得用戶可以從額外提供的內容里驗證答案是否真實可信，這樣就可以解決ChatGPT產生的回答可信與否的問題，避免用戶對于產生結果無所適從的局面。當然，只有知識類問題才有必要尋找可信信息進行驗證，很多其他自由生成類型的問題，比如讓ChatGPT寫一個滿足某個主題的小作文這種完全自由發揮的內容，則無此必要。所以這里還有一個什么情況下會調用傳統搜索引擎的問題，具體技術細節完全可仿照sparrow的做法，里面有詳細的技術方案。傳統搜索引擎的第二個輔助功能是及時補充新知識。既然我們不可能隨時把新知識快速引入LLM，那么可以把它存到搜索引擎的索引里，ChatGPT如果發現具備時效性的問題，它自己又回答不了，則可以轉向搜索引擎抽取對應的答案，或者根據返回相關片段再加上用戶輸入問題通過ChatGPT產生答案。關于這方面的具體技術手段，可以參考LaMDA，其中有關于新知識處理的具體方法。

除了上面的幾種技術手段，我覺得相對ChatGPT只有一個綜合的Reward Model，sparrow里把答案helpful相關的標準（比如是否富含信息量、是否合乎邏輯等）采用一個RM，其它類型toxic/harmful相關標準（比如是否有bias、是否有害信息等）另外單獨采用一個RM，各司其職，這種模式要更清晰合理一些。因為單一類型的標準，更便于標注人員進行判斷，而如果一個Reward Model融合多種判斷標準，相互打架在所難免，判斷起來就很復雜效率也低，所以感覺可以引入到ChatGPT里來，得到進一步的模型改進。

通過吸取各種現有技術所長，我相信大致可以解決ChatGPT目前所面臨的問題，技術都是現成的，從產生內容效果質量上取代現有搜索引擎問題不大。當然，至于模型訓練成本和推理成本問題，可能短時期內無法獲得快速大幅降低，這可能是決定LLM是否能夠取代現有搜索引擎的關鍵技術瓶頸。從形式上來看，未來的搜索引擎大概率是以用戶智能助手APP的形式存在的，但是，從短期可行性上來說，在走到最終形態之前，過渡階段大概率兩個引擎的作用是反過來的，就是傳統搜索引擎是主引擎，ChatGPT是輔引擎，形式上還是目前搜索引擎的形態，只是部分搜索內容Top 1的搜索結果是由ChatGPT產生的，大多數用戶請求，可能在用戶看到Top 1結果就能滿足需求，對于少數滿足不了的需求，用戶可以采用目前搜索引擎翻頁搜尋的模式。我猜搜索引擎未來大概率會以這種過渡階段以傳統搜索引擎為主，ChatGPT這種instruct-based生成模型為輔，慢慢切換到以ChatGPT生成內容為主，而這個切換節點，很可能取決于大模型訓練成本的大幅下降的時間，以此作為轉換節點。

審核編輯 ：李倩