LLM与强化学习（一）

很早之前就想了解一下LLM到底是怎么和强化学习结合的，今天凑巧查资料的时候看到亚马逊的一篇文章，把知识点整理记录一下。

1 什么是RLHF

RLHF 代表“Reinforcement Learning from Human Feedback”，即基于人类反馈的强化学习。它是一种机器学习技术，利用人类反馈来优化模型，从而更有效地进行自我学习。

强化学习技术训练软件做出能够最大限度提高回报的决策，使其结果更加准确。RLHF 将人类反馈纳入奖励功能，因此模型可以执行更符合人类目标、愿望和需求的任务。RLHF 广泛应用于生成式AI应用程序，包括大语言模型，帮助LLM学习生成更符合人类偏好的文本。

2 为什么RLHF很重要

人工智能（AI）应用范围广泛，但无论是什么应用，AI的最终目标都是模仿人类的反应、行为和决策，在完成复杂任务时更接近甚至超过人类。

RLHF 是一种特殊技术，用于与其他技术（例如有监督学习和无监督学习）一起训练人工智能系统，使其更加人性化。首先，将模型的响应与人类的响应进行比较。然后，人类会评测不同机器响应的质量，对哪些响应更人性化进行评分。分数可以基于人类的内在品质，例如友善、适当程度的情境化和心情。

增强人工智能性能

RLHF 使机器学习模型更加准确。与初始状态相比，增加额外的人工反馈回路可以显著提高模型性能。

例如，当文本从一种语言翻译成另一种语言时，模型生成的文本可能在技术上是正确的，但对读者而言听起来并不自然。专业译员可以先进行翻译，并对机器生成的翻译评分，然后对一系列机器生成的翻译进行质量评分。通过对模型进行进一步训练，可以更好地生成听起来自然的翻译。

引入复杂的训练参数

在某些情况下，生成式AI可能很难针对某些参数准确地训练模型。

例如，如何定义一首音乐的情绪？ 可能有一些相关技术参数，例如音调和节奏，可以表明某种情绪，但是音乐作品的情绪相比一系列技术性细节而言要更加主观，定义也不太明确。您可以提供人工指导，让作曲家创作各种情绪的作品，然后根据情绪水平对机器生成的作品进行标记。这使机器能够更快速地学习这些参数。

提高用户满意度

尽管机器学习模型可能很准确，但可能与人类相去甚远。这时便需要 RL 来引导模型，为人类用户提供最具吸引力的最佳响应。

例如，如果您问聊天机器人外面的天气怎么样，它可能会回答“30 摄氏度，多云，湿度高”，也可能会回答“目前温度在 30 度左右。阴天潮湿，比较闷热！”尽管两个答案相似，但第二个听起来更自然，提供了更多上下文信息。 

当人类用户就他们喜欢哪种模型的响应进行评分时，您可以使用 RLHF 来收集人类反馈并改进模型，以便更好地为真正的人类提供服务。

3 RLHF如何运作

这一部分非常关键！是本文重点。

RLHF 分四个阶段执行，我们以语言模型为例，使用 RLHF 进行完善。

我们简单概述一下学习过程。训练模型及其针对 RLHF 的策略优化存在巨大的数学复杂性。但是，这些复杂过程在 RLHF 中有明确定义，并且通常有预构建的算法，只需要您的特定输入即可。

数据收集

在使用语言模型执行机器学习任务前，会为训练数据创建一组人工生成的提示和响应。这组提示和响应将在模型的后期训练过程中使用。

例如，提示可能是：

• “Where is the location of the HR department in Boston?”
• “What is the approval process for social media posts?”
• “What does the Q1 report indicate about sales compared to previous quarterly reports?” 

然后，公司的知识型员工会以准确、自然的响应回答这些问题。

对语言模型进行监督式微调

您可以使用预训练模型作为 RLHF 的基础模型，随后使用检索增强生成（RAG）等技术根据公司的内部知识库对模型进行微调。对模型进行微调时，您可以将其对预定提示的响应与上一步中收集的人工响应进行比较。数学方法可以计算出两者间的相似程度。（这一步也就是前面说的比较机器响应与人类响应，并为模型响应打分）

例如，可以为机器生成的响应分配介于 0 和 1 间的分数，其中 1 表示最准确，0 表示最不准确。确定好分数后，该模型便有了一项策略，即生成得分更接近人类响应的响应。此策略便是该模型未来所有决策的基础。

构建单独的奖励模型

RLHF 的核心是根据人类反馈训练单独的人工智能奖励模型，然后使用该模型作为奖励函数，通过强化学习优化决策。假设模型中有一组对相同提示的多个响应，人类可以指出其对每个响应质量的偏好。您可以使用这些响应评分偏好来建立奖励模型，该模型会自动估计人类对任何给定提示的响应给出多高的分数。 

使用基于奖励的模型优化语言模型

然后，语言模型会使用奖励模型在响应提示前自动完善其决策。使用奖励模型，语言模型可内部评估一系列响应，然后选择最有可能获得最大奖励的响应。这意味着它以优化程度更高的方式满足了人类的偏好。

下图为 RLHF 学习过程的概述。（此图就是全文的精髓了！）

第一步是有监督微调，利用人工生成的“提示-响应”示例对来微调基础模型，得到一个微调后的模型；第二步在同一提示下，将微调后模型给出的多个响应与人类响应进行比较，越接近人类响应评分就越高，通过评分偏好训练一个奖励模型；第三步是优化，微调后模型对输入提示做出响应，奖励模型在内部评估响应，微调后模型再根据评估选择可能获得最大奖励的响应。

RLHF 在生成式人工智能领域有哪些应用

RLHF 是公认的确保 LLM 制作真实、无害且有用的内容的行业标准技术。但是，人类沟通是一个主观的创造性过程，而 LLM 输出的有用性则深受人类价值观和偏好的影响。每个模型的训练方式都略有不同，所用的人类响应者也不尽相同，因此即使是竞争力相当的 LLM，输出也会有所差异。每个模型涉及人类价值观的程度完全取决于创建者。

RLHF 的应用超出了 LLM 的范围，扩展到了其他类型的生成式人工智能。下面是一些示例：

• RLHF 可用于 AI 图像生成：例如衡量艺术品的现实性、技术性或意境
• 在音乐生成中，RLHF 可以帮助创作与活动的特定情绪和音轨相匹配的音乐
• RLHF 可以用在语音助手中，引导语音，使其听起来更友好、充满好奇、更值得信赖

--------------------------------------

由于笔者对微调以及RLHF技术的了解还不够深入，有些表达可能会不太准确/有误，欢迎大家在评论区指出，我们一起讨论、学习、进步！