OpenAI發(fā)布PVG：用小模型驗(yàn)證大模型輸出，解決“黑盒”難題

　　7月18日凌晨，OpenAI在官網(wǎng)發(fā)布了最新技術(shù)研究——Prover-Verifier-Games。

　　隨著ChatGPT在法律、金融、營(yíng)銷(xiāo)等領(lǐng)域的廣泛使用，確保模型的安全、準(zhǔn)確輸出同時(shí)被很好理解變得非常重要。但由于神經(jīng)網(wǎng)絡(luò)的復(fù)雜和多變性，我們根本無(wú)法驗(yàn)證其生成內(nèi)容的準(zhǔn)確性，這也就會(huì)出現(xiàn)輸出“黑盒”的情況。

　　為了解決這個(gè)難題，OpenAI提出了全新訓(xùn)練框架Prover-Verifier Games(簡(jiǎn)稱(chēng)“PVG”)，例如，用GPT-3這樣的小模型來(lái)驗(yàn)證、監(jiān)督，GPT-4大模型的輸出，從而提升輸出準(zhǔn)確率以及可控性。

　　其實(shí)PVG技術(shù)概念早在2021年8月的一篇論文中就被提出來(lái)，OpenAI也正是受此靈感啟發(fā)。這是一種基于博弈論的訓(xùn)練方法，通過(guò)模擬證明者和驗(yàn)證者之間的互動(dòng)，提高模型的輸出質(zhì)量。

　　在這個(gè)機(jī)制中， Prover(證明者)的任務(wù)就是生成內(nèi)容，而Verifier(驗(yàn)證者)的任務(wù)就是判斷這些內(nèi)容是否正確。

　　PVG模塊的核心思想是通過(guò)多輪迭代訓(xùn)練，來(lái)提升證明者和驗(yàn)證者的整體性能。在每一輪訓(xùn)練中，驗(yàn)證者首先使用監(jiān)督學(xué)習(xí)來(lái)預(yù)測(cè)從之前輪次的證明者中采樣的內(nèi)容的正確性。

　　這樣做的目的是讓驗(yàn)證者學(xué)會(huì)如何從大量的內(nèi)容中識(shí)別出正確的答案。隨后，證明者通過(guò)強(qiáng)化學(xué)習(xí)來(lái)優(yōu)化其生成的內(nèi)容，使其不僅正確，還能夠說(shuō)服驗(yàn)證者來(lái)接受這些內(nèi)容。

　　在驗(yàn)證的過(guò)程中，證明者和驗(yàn)證者的角色是相互依賴(lài)的。證明者需要生成能夠說(shuō)服驗(yàn)證者的內(nèi)容，而驗(yàn)證者則需要具備足夠的判斷力來(lái)識(shí)別出正確的內(nèi)容。

　　為了進(jìn)一步提升效率性，OpenAI在此基礎(chǔ)之上又設(shè)計(jì)了兩種強(qiáng)化類(lèi)型的證明者，有用的證明者(Helpful prover)和狡猾的證明者(Sneaky prover)。

　　有用的證明者的目標(biāo)是生成正確且有說(shuō)服力的內(nèi)容。它通過(guò)優(yōu)化其生成的內(nèi)容，使其能夠被驗(yàn)證者接受。

　　而狡猾的證明者則試圖生成錯(cuò)誤但同樣有說(shuō)服力的內(nèi)容，以此來(lái)欺騙驗(yàn)證者。這種設(shè)計(jì)不僅增加了訓(xùn)練的難度，也使得驗(yàn)證者必須具備更高的判斷力和魯棒性。

　　在訓(xùn)練PVG時(shí)，每輪訓(xùn)練都包括驗(yàn)證者和證明者的優(yōu)化。在每一輪中，驗(yàn)證者首先使用監(jiān)督學(xué)習(xí)來(lái)預(yù)測(cè)內(nèi)容的正確性，幫助驗(yàn)證者學(xué)會(huì)如何從大量的內(nèi)容中識(shí)別出正確的答案。使證明者通過(guò)強(qiáng)化學(xué)習(xí)來(lái)優(yōu)化其生成的內(nèi)容。

　　例如，當(dāng)用戶提出問(wèn)題“肖娜的父親是肖娜的5倍。肖娜目前的年齡是阿莉亞的3倍。如果阿莉亞3歲，肖娜的父親有多大?”

　　GPT-4的輸出為45歲。

　　而驗(yàn)證者模型GPT-3需要確定阿莉亞的年齡，然后根據(jù)阿莉亞的年齡計(jì)算出肖娜的年齡，最后再根據(jù)肖娜的年齡計(jì)算出肖娜父親的年齡，整個(gè)過(guò)程需要多輪驗(yàn)證。

　　此外，在訓(xùn)練過(guò)程中，OpenAI還引入了一種名為“可檢查性訓(xùn)練”(checkability training)的方法。

　　通過(guò)交替訓(xùn)練驗(yàn)證器和證明者模型，從而驗(yàn)證使用監(jiān)督學(xué)習(xí)來(lái)預(yù)測(cè)從之前輪次的證明者中采樣的解決方案的正確性。證明者則使用強(qiáng)化學(xué)習(xí)，根據(jù)當(dāng)前輪次驗(yàn)證器的接受度和解決方案的正確性來(lái)進(jìn)行持續(xù)優(yōu)化。

　　研究人員表示，隨著訓(xùn)練輪次的增加，驗(yàn)證者的健全性逐漸提升，表現(xiàn)為對(duì)狡猾論證者生成的錯(cuò)誤解決方案的抵抗力增強(qiáng)。同時(shí)，有益論證者生成的解決方案也變得更清晰，更易于被人類(lèi)理解。

　　不過(guò)需要注意的是，在訓(xùn)練驗(yàn)證者模型時(shí)，需要大量真實(shí)、準(zhǔn)確的標(biāo)簽數(shù)據(jù)，以提升其辨別真假的能力。也就是說(shuō)，如果使用的驗(yàn)證模型存在偏差，那么驗(yàn)證的內(nèi)容還是會(huì)出現(xiàn)非法輸出的可能。