1、前言
从整体技术路线上来看，ChatGPT使用了GPT-3.5大规模语言模型（LLM，Large Language Model），并在该模型的基础上引入强化学习来Fine-turn预训练的语言模型。这里的强化学习采用的是RLHF（Reinforcement Learning from Human Feedback），即采用人工标注的方式。目的是通过其奖励惩罚机制（reward）让LLM模型学会理解各种NLP任务并学会判断什么样的答案是优质的（helpfulness、honest、harmless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
OpenAI 在 2018 年 6 月提出的预训练模型GPT（也就是GPT-1）采用自回归的预训练方式，更适合自然语言生成任务的场景。它和Bert一样，不仅同样是预训练模型，而且都是源自于transformer，采用的是Transformer-Decoder作为编码器，在transformer基础上，它进行了一些改动，原本的 Decoder 包含了两个 Multi-Head Attention 结构，GPT只保留了 Masked Multi-Head Attention，如下图所示：
和Bert不同的是，它作为语言模型是利用上文预测下一个单词的， Decoder 使用了 Masked Multi Self-Attention 屏蔽了单词的后面内容，所以 Decoder 是现成的语言模型。又因为没有使用 Encoder，也就不需要 encoder-decoder attention 了。
GPT-2 主要就是在 GPT 的基础上，添加了多个任务，扩增了数据集和模型参数，又训练了一番。把各种NLP任务的数据集添加到预训练阶段。即把机器翻译、文本摘要、领域问答统统往预训练里加。既然多个任务都在同一个模型上进行学习，那么这一个模型能承载的并不仅仅是任务本身，“汪小菲的妈是张兰”，这条文字包含的信息量是通用的，它既可以用于翻译，也可以用于分类，判断错误等等。也就是说，信息是脱离具体 NLP 任务存在的，举一反三，能够利用这条信息，在每一个 NLP 任务上都表现好，这个是元学习（meta-learning）。本质上就是语言模型的一脑多用。此时，GPT-2相较于前一代，参数量和训练数据都已经有了爆发式的增长。
GPT-3，以往的预训练都是两段式的，即，首先用大规模的数据集对模型进行预训练，然后再利用下游任务的标注数据集进行 finetune，时至今日这也是绝大多数 NLP 模型任务的基本工作流程。
GPT-3 就开始颠覆这种认知了。它提出了一种 in-context 学习方式。即给模型输入一定的提示和范例，比如用户输入到 GPT-3：请把以下中文翻译成英文：苹果 => apple; 你觉得 ChatGPT怎么样=>
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 5GB | 1.17亿 |
| GPT-2 | 40GB | 15亿 |
| GPT-3 | 45TB | 1750亿 |
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，每一次提问都会由不同的答案），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PRO模型的参数
- PRO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PRO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PRO-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pro和pro-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pro和pro-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，pro和pro-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)
