讓AI自我進化？斯坦福華人博士答辯視頻火了，龐若鳴參與評審

昨天，Thinking Maching Lab 研究者、斯坦福大學博士生 Zitong Yang 正式完成了他的博士論文答辯，課題為「持續(xù)自我提升式 AI」（Continually self-improving AI），并且他在答辯完成后很快就放出了自己的答辯視頻，從中我們可以看到他對未來 AI 發(fā)展路徑的系統(tǒng)性探索。針對當前模型在訓練后權(quán)重靜態(tài)化、高質(zhì)量人類數(shù)據(jù)面臨枯竭，以及新算法發(fā)現(xiàn)高度依賴人力這三大局限，他提出了明確的解決方案。

https://x.com/ZitongYang0/status/2029034067992437139

在本次答辯中，Zitong Yang 主要分享了三個核心研究方向。

首先是「合成持續(xù)訓練」范式，團隊利用實體圖合成數(shù)據(jù)生成技術(shù)，讓模型在預(yù)訓練之后依然能持續(xù)學習小眾領(lǐng)域知識，同時避免災(zāi)難性遺忘。

其次是探索預(yù)訓練能力的自我提升，通過「合成引導(dǎo)預(yù)訓練」技術(shù)，讓模型自主挖掘龐大文檔間的潛在結(jié)構(gòu)與關(guān)聯(lián)，進一步優(yōu)化自身的預(yù)訓練效果并顯著降低事實錯誤率。

最后，他展示了「邁向 AI 設(shè)計 AI」的潛力，通過構(gòu)建包含代碼庫和價值函數(shù)的獨立研究環(huán)境，引入演化搜索機制，讓模型自主提出算法思路、編寫代碼并運行實驗。

Zitong Yang 在總結(jié)中指出，正如愛因斯坦創(chuàng)造的場方程能夠預(yù)言連其本人最初都無法接受的宇宙膨脹一樣，人類基于算法過程所創(chuàng)造出的智能體，也完全擁有進化出超越創(chuàng)造者智能水平的必然性。

其答辯委員會的陣容也非常強大，主席為斯坦福大學電氣工程、計算機科學與管理科學教授 Stephen Boyd，另外還包括斯坦福大學計算機科學教授 Percy Liang、數(shù)學和統(tǒng)計學教授 Emmanuel Candès、計算機科學助理教授 Tatsunori Hashimoto 以及前段時間剛剛離開 Meta 加入 OpenAI 的龐若鳴。

這條推文也收獲了諸多行業(yè)大佬的點贊，包括 Thinking Maching Lab CEO、前 OpenAI CTO Mira Murati 和 PyTorch 之父 Soumith Chintala 等。

下面是對 Zitong Yang 答辯內(nèi)容的整理。

題目：Continually self-improving AI

地址：https://zitongyang.github.io/slides/ZitongYang_defense_slides.pdf

持續(xù)自我提升式 AI

我本次答辯的題目是「持續(xù)自我改進式 AI」，首先我想嘗試定義一下我想要構(gòu)建的系統(tǒng)。

所謂持續(xù)自我改進式 AI 系統(tǒng)，是指一旦被創(chuàng)造出來，就能自主且持續(xù)地進行自我改進，并且其改進效果要優(yōu)于人類創(chuàng)造者對它的改進。

為了使這個定義更加精確和實用，我認為我們應(yīng)該從一些假設(shè)出發(fā)，縮小我們所討論的 AI 系統(tǒng)的范圍，這樣我們提出的主張也會更加嚴謹。因此，在本次演講中，我們探討的 AI 系統(tǒng)僅限于滿足以下兩個假設(shè)的情況。

第一個假設(shè)是參數(shù)化的，即 AI 系統(tǒng)基于一個或多個神經(jīng)網(wǎng)絡(luò)，知識被存儲在一組明確定義的參數(shù)權(quán)重中；第二個假設(shè)是 AI 系統(tǒng)必須經(jīng)過預(yù)訓練。AI 系統(tǒng)經(jīng)歷了一個資源密集型的預(yù)訓練階段，在這個階段中，它接收包含大部分或全部人類知識的訓練信號，并將其轉(zhuǎn)化為參數(shù)權(quán)重。

在這兩個假設(shè)下，持續(xù)自我改進式 AI 應(yīng)該具備三個特性：

在初始預(yù)訓練階段之后，系統(tǒng)能夠繼續(xù)獲取新知識并融入其參數(shù)權(quán)重中，而不會災(zāi)難性地遺忘舊知識。

系統(tǒng)能夠生成自身的訓練信號，并且通過學習這種自生成的信號所帶來的提升，要超越學習人類生成信號所帶來的提升。

系統(tǒng)能夠自主設(shè)計學習算法，以便從其訓練信號中進行學習。

一旦我們確立了這些假設(shè)，這個定義就是精確的。這些假設(shè)的初衷顯然是為了涵蓋我們今天所見到的所有大型語言模型（LLM）或相關(guān)范式。但是，它們排除了早期國際象棋游戲中那種硬編碼的智能。

為什么需要持續(xù)自我改進式 AI？

那么，為什么我們希望 AI 系統(tǒng)具備這三種能力呢？我認為這源于人類創(chuàng)造者固有的三個局限性。

首先，在人類創(chuàng)造它們之后，它們的權(quán)重是靜態(tài)的。

在與 ChatGPT 或 Claude 的典型對話中，一開始你可能有 100 輪對話，然后你會經(jīng)歷一個上下文壓縮階段，試圖總結(jié)到目前為止的對話。在這之后，如果你試圖問 AI 之前發(fā)生過什么，它不會有完美的記憶，因為隨著上下文變長，壓縮是一個非常容易丟失信息的有損過程。但對于人類記憶來說，也許你在前 100 輪對話后睡了一覺，你的記憶轉(zhuǎn)移到了大腦的其他部分，然后你還能隱約記得你之前談?wù)撨^的一些事情。

第二個局限性是在有限的人類數(shù)據(jù)下進行擴展。

在左邊，我們展示了 Scaling Law。X 軸代表語言模型訓練的 token 數(shù)量，Y 軸代表測試損失。在右邊，我們有 Epoch AI 的預(yù)測：隨著時間的推移，前沿語言模型所使用的 token 數(shù)量正迅速逼近互聯(lián)網(wǎng)上公開可用的 token 總量。當然，人們正試圖購買和獲取私有領(lǐng)域的數(shù)據(jù)。但同樣的邏輯依然適用，即人類數(shù)據(jù)是有限的，并且隨著我們想要訓練越來越深的神經(jīng)網(wǎng)絡(luò)，這些數(shù)據(jù)正在被耗盡。

第三，當前的 AI 系統(tǒng)在某種意義上受限于人類所能發(fā)現(xiàn)的算法。

如果我們思考一下人類是如何提出算法的：它經(jīng)歷了一個產(chǎn)生想法的過程（例如最大似然估計），然后進行實驗（這可能是編寫代碼或進行數(shù)學推導(dǎo)），最終你得到一些研究成果；隨后其他人在此基礎(chǔ)上繼續(xù)研究，這個循環(huán)再次開始。這個過程極其依賴人力，并且成本非常高昂。因此，我們發(fā)現(xiàn)的僅僅是所有可能算法中的一個子集，而我們希望利用 AI 本身來使這個過程自動化。

接下來將從以下這三個方面展開：

持續(xù)知識獲取：合成持續(xù)訓練范式

第一個方面：持續(xù)知識獲取。

在此之前，我想說明一下，本論文包含了四篇文章，所有這些都是與合作者的共同研究成果，特別是那些標注了同等貢獻的合作者。在這段旅程中能與各位共事，我感到非常榮幸。

為了在訓練后不斷獲取新知識，我們提出了這種名為「合成持續(xù)訓練（Synthetic continuing）」的范式。

這里的目標是，我們希望將來自僅包含少量源文檔的小眾領(lǐng)域的知識教授給語言模型。

隨之而來的一個自然的問題是：為什么這個過程必須使用合成數(shù)據(jù)？

我們提出了以下觀察：如果沒有合成數(shù)據(jù)，知識可能是稀疏的。

如果我們對比模型對線性代數(shù)的知識，與對 GitHub 上新發(fā)布的一個代碼庫的了解程度，模型對線性代數(shù)有著極其完美的記憶和深入的理解；但如果你問它關(guān)于這個新代碼庫的問題，比如抽象和 token 計算機之間的關(guān)系是什么，模型可能甚至不理解這個問題在問什么。通過這種對比我們發(fā)現(xiàn)，模型從各種各樣的互聯(lián)網(wǎng)數(shù)據(jù)中獲取線性代數(shù)知識，這些數(shù)據(jù)包括許多教科書、講義、關(guān)于線性代數(shù)習題的在線討論，甚至包括 GitHub 上奇異值分解的代碼實現(xiàn)，而對于新發(fā)布的代碼庫來說，這種多樣化的表征根本不存在。這就是我們?yōu)槭裁葱枰铣蓴?shù)據(jù)的原因。

為了將這個提案轉(zhuǎn)化為具體的實驗設(shè)置，我們需要兩樣東西來確保實驗的嚴謹性。

第一，我們需要收集一些小眾領(lǐng)域的源文檔，并且這不能是語言模型已經(jīng)知道的內(nèi)容。

第二，我們需要一個任務(wù)來測試模型對這些源文檔的了解程度，以便我們追蹤進展。在本文中，我們使用了該團隊構(gòu)建的 QuALITY 數(shù)據(jù)集，它同時滿足源文檔和問答任務(wù)這兩個標準。

關(guān)于源文檔，它是一個包含 265 本專業(yè)書籍的數(shù)據(jù)集，總計約 180 萬個 token，這些內(nèi)容都是模型未曾接觸過的。至于測試部分，它包含約 4000 個高質(zhì)量的多項選擇問答題。這使得評估和解析變得非常簡單，并且題目數(shù)量足夠大，可以獲得可靠的信號。

有了這兩個設(shè)置，回顧一下我們的目標：我們希望模型在不提供上下文書籍的情況下回答問題。所以這就好比是一場閉卷考試。源文檔是高質(zhì)量的書籍，任務(wù)是閉卷問答。

在這個設(shè)置下，我們評估了一些靜態(tài)模型，以了解該任務(wù)的難度。

這是四選一的選擇題，所以隨機瞎蒙的準確率是 25%。我們要微調(diào)的模型是 Llama 3 基礎(chǔ)模型，它開箱即用的準確率只有 39%。一個順理成章的做法是直接在原始數(shù)據(jù)本身上進行微調(diào)。我們稱之為原始的持續(xù)預(yù)訓練，我們發(fā)現(xiàn)準確率實際上略有下降。這是因為 token 的數(shù)量實在太少了，除非你進行合理數(shù)量的回放（replay），否則你的 batch 設(shè)置和學習率規(guī)劃都沒有被正確設(shè)定。此外，我們還有兩個來自閉源模型的靜態(tài)參考， GPT-3.5 和 GPT-4，我們看到它們的準確率分別在 44% 和 45% 左右，所以這是一個模型擁有一定相關(guān)知識的基準測試，它不是完全隨機的，但也絕對達不到 60% 之類的水平。

那么問題來了，我們該如何生成合成數(shù)據(jù)呢？

我們考慮的一個非常簡單的基準做法，就是直接重寫這篇論文提出的文檔。讓我們來看看它的表現(xiàn)。

在這里的圖表中， X 軸是我們在重寫過程中生成的合成 token 的數(shù)量。在重寫過程中，我們的提示詞實際上就是：「這是一本書，你能像維基百科文章一樣重寫它嗎」。我們有一組四個固定的提示詞，并且我們迭代地將它們應(yīng)用于本書。在這個過程中，我們可以看到雖然取得了一些成功，準確率有所提高，但斜率并不算陡峭，最終達到的最高點也不是很高。

我們認為，重寫數(shù)據(jù)之所以存在這種問題，是因為缺乏多樣性。因為我們一遍又一遍地重復(fù)相同的提示詞，我們所依賴的只是通過調(diào)整生成溫度來讓模型生成不同的數(shù)據(jù)，而當你經(jīng)歷 200 或 300 次迭代后，你得到的數(shù)據(jù)基本上是一樣的。

實體圖合成數(shù)據(jù)生成

它缺乏多樣性，這就是為什么我們提出了這種稱為「實體圖（EntiGraph）合成數(shù)據(jù)生成」的數(shù)據(jù)增強技術(shù)。

實體圖的操作方式在精神上類似于單純的重寫，但它通過一個兩階段的過程增強了這一操作。我們首先從這里的源文檔開始，這些源文檔就像是來自 QuALITY 書籍的示例，然后我們將從書中提取實體。在這里，我們只需提示語言模型：「這是源文檔，書中有哪些核心實體能幫助我很好地理解這篇文章？」模型會輸出一個字符串列表。然后我們應(yīng)用關(guān)系描述的提示詞，我們只需隨機抽取實體的一個子集。接著，我們讓模型描述這些實體之間的關(guān)系。模型會生成諸如「在某某背景下，這兩個實體之間的相互作用是……」之類的內(nèi)容，這就能讓我們擁有用于訓練的多樣化數(shù)據(jù)。

所以它與重寫之間的區(qū)別在于，在提示詞中你總是在改變實體；當你在提示詞中改變一個 token 時，這是一個非常非線性的過程，因為你實際上是在改變詞向量，模型的輸出會有很大的差異，因此你獲得了多樣化的語料用于合成持續(xù)訓練，這就是它在實踐中的運作方式。

我們看到，隨著我們生成越來越多的 token，問答的準確率不斷提高，并且它有一個好得多的截距。此外，其斜率也遠優(yōu)于參考基準。因此，這就是最終的成果：如果正確使用合成數(shù)據(jù)，可以產(chǎn)生極具規(guī)模效應(yīng)的改進。

以上是閉卷考試部分的主要結(jié)果。接下來，我們考慮一個不同的任務(wù) —— 開卷問答，這是一個非常自然的任務(wù)。這里我們看第二行，關(guān)于書籍訪問權(quán)限：閉卷、開卷、閉卷、開卷。這意味著，當你向模型提出有關(guān) QuALITY 的問題時。「閉卷」意味著你不提供任何上下文；而「開卷」意味著你提供問題所依據(jù)的確切書籍文本，然后讓模型來回答問題。開卷考試有點像測試模型的閱讀理解能力，就像 SAT 考試一樣。對于我們繼續(xù)進行實驗的 Llama 3 API 模型，我們和之前一樣以 39% 的準確率起步，而開卷測試將其提升到了 60%，這是非常高的。

對于實體圖方法，在閉卷情況下，我們的準確率大約是 56%，雖然這并沒有完全填補與開卷測試的差距，但我們發(fā)現(xiàn)，如果你將開卷方法和持續(xù)預(yù)訓練結(jié)合起來，實際上能得到最好的結(jié)果。這意味著它們的改進是互補的。

這張表格傳達的意義是，合成持續(xù)預(yù)訓練加上檢索工具可以帶來更好的效果歸因。我認為這非常有意義，因為在實踐中，假設(shè)你想為你的公司或業(yè)務(wù)設(shè)計一個語言模型，你要抓住任何可以提升性能的機會，你應(yīng)該設(shè)計所有最好的方法，比如合成訓練，或者結(jié)合工具使用，設(shè)計出最佳的可用工具以獲得最佳性能。我認為這可能是未來將開源語言模型適配到個性化應(yīng)用場景的一種范式。

預(yù)訓練能力的自我提升

這就解決了我們期望的第一個特性，即我們希望模型在回到人類創(chuàng)造者手中后能夠持續(xù)獲取知識。第二點是，我們希望自我改進模型本身的預(yù)訓練能力。

在此之前，我想談?wù)劄槭裁次覀円谝膺@里的訓練。我致力于這個項目的原因源于我在 o1 論文發(fā)表時積累的 s1 經(jīng)驗。那是推理還非常新穎的時候，大約在 2024 年的 9 月或 10 月。我記得在那個時候，AI 推理這種事情還很難想象。所以當時的猜測是，他們肯定耗費了大量資源（比如人工標注）來構(gòu)建這個模型。

但我們在這篇論文中展示的是，僅僅對 10,000 條思維鏈數(shù)據(jù)執(zhí)行監(jiān)督微調(diào)，就能提供達到 o1-preview 級別的能力。這是 s1 和 o1-preview 之間的對比。這讓我意識到，后訓練能力就像是對預(yù)訓練知識的一種極其奇妙的泛化。

因此，從某種意義上說，預(yù)訓練才是主心骨。困惑度揭示了模型能力的核心，它通常與預(yù)訓練的數(shù)據(jù)規(guī)模和模型規(guī)模有更大的相關(guān)性。因此，為了見證真正的自我改進，你必須看到在訓練層面上的自我改進，而不僅僅是我們之前項目中看到的中期訓練或后訓練層面的改進。

既然我們的目標是解決預(yù)訓練問題，我們先停下來思考一下：預(yù)訓練中的知識到底從何而來？

為了回答這個問題，我提出了這樣一個思想實驗。假設(shè)世界上只有 5 個 token ： A、B、C、D 和 E，而我們用于訓練的文本文檔只是像這種格式的隨機字符串，所以在每個位置，我們都在這些 token 中均勻隨機地采樣一個字符，因此它不是一個馬爾可夫鏈。它就像一個完全平穩(wěn)的過程。

如果我們用 Transformer 語言模型在這些文本上執(zhí)行下一個 token 預(yù)測，我們將看不到任何有意義的學習信號，因為在初始化時，模型會給每個 token 分配 20% 的概率。這與你的訓練數(shù)據(jù)所規(guī)定的概率是一樣的。所以當你在訓練時，你實際上并沒有學到任何東西。

但這顯然不是自然語言文本的樣子。自然語言文本比隨機字符串擁有更多的結(jié)構(gòu)。在撰寫這篇論文的過程中，共同作者之間進行了許多有趣的討論，探討這種結(jié)構(gòu)究竟是什么。

我將這些討論總結(jié)為兩種互補的觀點。

一種統(tǒng)計學觀點是，將自然語言中的 token 視為從某種分布中抽取的隨機變量，并且這些 token 彼此之間存在統(tǒng)計相關(guān)性。

另一種更偏向計算層面的觀點，即更接近香農(nóng)最初提出的理論是，自然語言文本具有允許其被壓縮的模式，而下一個 token 預(yù)測本質(zhì)上是在進行信源編碼以壓縮文本。但拋開具體觀點不談，無論是統(tǒng)計學還是計算學的視角， token 之間確實存在使得模型能夠?qū)W習的結(jié)構(gòu)性相關(guān)性。

所以，如果預(yù)訓練的知識就是來源于此，我認為，在當前的預(yù)訓練范式中，遺漏了一個豐富但未被充分利用的相關(guān)性來源。即現(xiàn)有的互聯(lián)網(wǎng)文檔之間存在極其豐富的相關(guān)性。

例如，《哈利?波特》這本書與三年后其電影版劇本之間的相關(guān)性；或者《Attention is All You Need 》這篇論文與 GPT-2 代碼庫之間的相關(guān)性。比如在代碼的第 91 行，它實現(xiàn)了點積注意力機制，而在《 Attention is All You Need 》論文中的某個地方，他們確切地用英語寫了「dot-product attention」。因此，英文短語「dot-product attention」與 Python 代碼實現(xiàn)之間存在著這種相關(guān)性。

合成引導(dǎo)預(yù)訓練

我們將要采用的技術(shù)是，希望通過合成數(shù)據(jù)等手段來利用這種跨文檔的相關(guān)性。鑒于我們要使用合成數(shù)據(jù)，我們必須確保我們所看到的是預(yù)訓練能力的普遍引導(dǎo)提升，而不僅僅是從教師模型中進行的知識蒸餾。 因此，我們會遵循以下三個步驟：

首先，我們使用固定數(shù)量的數(shù)據(jù)從頭預(yù)訓練一個語言模型；

然后，在不引入任何新文本的情況下，我們將該模型微調(diào)為一個合成數(shù)據(jù)生成器。

最后，我們將真實數(shù)據(jù)和合成數(shù)據(jù)結(jié)合起來重新預(yù)訓練語言模型，以此來提升性能。

如果我們能成功驗證這條流水線，我們就看到了一種對預(yù)訓練能力的真正自我改進。這正是「合成引導(dǎo)預(yù)訓練（Synthetic Bootstrap Pre-training）」。

為了實施這項技術(shù)，它包含了三個操作步驟。

第一步，我們進行這種最近鄰詞向量編碼計算。我們使用了 DCLM 數(shù)據(jù)集的一個子集，然后將其輸入到 Qwen 6 的 embedding 模型中，我們就會得到類似這樣的結(jié)果。這些詞向量會對相似度進行編碼。例如， Transformer 的論文將會在距離上非常靠近它的 PyTorch 實現(xiàn)代碼。

接下來的第二步是，將這些相鄰的文檔連接成圖，并執(zhí)行合成微調(diào)。

合成微調(diào)的具體做法是：把一個經(jīng)過預(yù)訓練的檢查點作為語言模型的初始化狀態(tài)（這里的預(yù)訓練檢查點指的是已經(jīng)在所有真實數(shù)據(jù)上訓練過的模型）；然后通過類似 SFT （監(jiān)督微調(diào)）的目標對模型進行微調(diào)。

在這個過程中，以圖中相鄰的一側(cè)文檔作為條件，試圖最大化另一側(cè)相鄰文檔的對數(shù)概率。這里需要說明的是，每一個源文檔（d1）可能對應(yīng)多個目標文檔（d2）。這個過程會極大程度地增加模型的熵，例如，如果每個 d1 對應(yīng) 20 個 d2，那么在邏輯回歸下，最大似然估計的分布就會像黑墻一樣，將均勻的概率質(zhì)量分配給每一個文檔。因此，經(jīng)過這種微調(diào)后，你的模型會處于極高熵的狀態(tài)。

在這個過程之后，因為模型存在很多誤差，所以在我們生成合成數(shù)據(jù)時，我們不使用任何花哨的提示詞技巧，只是直接使用溫度為 1 的設(shè)置，對你所擁有的所有真實文檔反復(fù)應(yīng)用溫度為 1 的生成過程。

舉例來說，如果你有一篇不那么長的小說，你會得到一段對這篇小說的合成評論。這就能讓你獲得極其多樣化的合成內(nèi)容。

為了讓大家了解在這種類似于無條件生成范式下生成的內(nèi)容是什么樣子的，這里展示一個我們訓練中的例子。在左側(cè)，這是一份來自 DCLM 數(shù)據(jù)集的真實文檔。它討論了圣地亞哥的咖啡館，基本上是列出了不同的咖啡館。

而右側(cè)的合成文檔，內(nèi)容開始像是在講述一趟圣地亞哥之旅，然后它開始把焦點轉(zhuǎn)向濃縮咖啡機，而濃縮咖啡機并非源文檔關(guān)注的內(nèi)容。也就是說，模型完全自主地想出了這個主意，這也展示了合成內(nèi)容的多樣性。我們還有另一篇不同的合成文章，試圖將圣地亞哥的咖啡館與紐約進行對比，而「紐約」這個詞根本沒有在真實文檔中出現(xiàn)過。這就是為了讓大家體會一下這種生成過程會呈現(xiàn)出什么樣的感覺。在我們準備好所有這些真實數(shù)據(jù)和合成數(shù)據(jù)之后，我們將用它們混合在一起來進行訓練。

這就是「合成引導(dǎo)預(yù)訓練」算法層面的內(nèi)容。接下來為了將其付諸實踐，我們需要一個實驗設(shè)計。

對于這個設(shè)置，你主要需要三個組件：數(shù)據(jù)、模型架構(gòu)和評估基準。

關(guān)于數(shù)據(jù)我們之前已經(jīng)討論過了；在架構(gòu)方面，我們使用了 Llama 3 的架構(gòu)，并額外加上了 QK LayerNorm，我們發(fā)現(xiàn)這有助于穩(wěn)定訓練過程；在評估方面，我們采用了六項問答準確率、 Few-shot 問答準確率以及三項困惑度評估，這些都是常用于預(yù)訓練階段的指標。在這個設(shè)置下，我們進行了計算量匹配的對比：我們的基準是通過簡單的重復(fù)來復(fù)用固定數(shù)量的數(shù)據(jù)。這非常直接明了。對于合成引導(dǎo)預(yù)訓練，我們以基準為參考，控制了兩個變量。

首先是相同的數(shù)據(jù)，我們沒有使用任何額外的數(shù)據(jù)源，否則就成作弊了。

其次，我們控制了訓練的計算量，以確保整個過程的總訓練周期是相同的。我在這里要強調(diào)的是，我們并沒有控制總的絕對計算量，比如生成合成數(shù)據(jù)的所有推理成本等。從這個角度來看，合成引導(dǎo)預(yù)訓練（SBPT）使用了更多的算力，我們僅僅是控制了預(yù)訓練階段的計算量。

區(qū)別在于，每當基準方法試圖重復(fù)數(shù)據(jù)時，我們使用的是合成數(shù)據(jù)，而不是簡單的復(fù)制。最后，為了將 SBPT 和基準測試的性能置于更廣的背景下比較，我們還引入了 Oracle 過程：在這里我們不再控制對相同數(shù)據(jù)的訪問限制，但我們依然控制使用相同的計算量。這個作為參考的 Oracle 基準可以使用無限的真實數(shù)據(jù)。 所以它試圖模擬這樣一種情況：如果數(shù)據(jù)永遠增長下去會發(fā)生什么。

讓我們先從更能反映定性結(jié)果的訓練動態(tài)開始，試圖直觀地告訴你它是如何運作的。

X 軸代表訓練 token 的數(shù)量， Y 軸代表在 OpenWebText2 上的測試損失。一開始我們可以看到， Oracle 和基準測試的表現(xiàn)很相似，但它們都不及合成引導(dǎo)預(yù)訓練的效果。我認為它們兩者表現(xiàn)相似是很有道理的，因為基準方法只是單純的重復(fù)數(shù)據(jù)，當你的訓練計算量不大時，它們的表現(xiàn)或多或少是一樣的。但隨后基準方法就會飽和。當 Oracle 的損失繼續(xù)下降時，基準方法的曲線開始變平，這是因為它一遍又一遍地重復(fù)相同的訓練信號。它再也無法從中獲取新知識了。但是，到了最后階段， Oracle 和合成引導(dǎo)預(yù)訓練都繼續(xù)以近似線性的方式進行擴展。這是定性層面的結(jié)果。接下來，我們來看一個更具定量性質(zhì)的結(jié)果表。

這個表格包含三個主要列。這里的 200B 指的是總的訓練 token 長度，也就是模型被訓練了多久，而 1 萬億相當于 5 倍的訓練量。

在第一列中，我們使用了一個 3B 參數(shù)的模型；在第二列中，我們固定了 3B 參數(shù)模型，但將訓練計算量放大到了 1 萬億 token ；在第三列中，我們固定了 1 萬億 token 的訓練計算量，但將模型規(guī)模放大到了 6B 參數(shù)。

我們看到的關(guān)鍵結(jié)論是，如果我們觀察問答準確率的平均提升情況，包括 SBPT 和 Oracle 相對于基準的相對提升，在所有這三種情況下，我們都看到了可以由 Oracle 實現(xiàn)的約 30% 的提升，所以這種改進是非常一致的。有趣的是，我們發(fā)現(xiàn)在某些基準測試中， 6B 參數(shù)、 1 萬億 token 的模型已經(jīng)幾乎像是一個可用的語言模型了，這相當于 Llama 計算量的一半，理應(yīng)如此，這意味著我們能改進的空間應(yīng)該更少了。但是，在某些基準測試中，我們實際上在 6B 參數(shù)的處理條件下看到了更大的提升。這是因為你的合成數(shù)據(jù)生成器也變得更強大了。它的幻覺變少了。正是這個觀察將我們引向了關(guān)于自我改進預(yù)訓練能力的最后一張結(jié)果表。

在這里，我們希望考察的是合成數(shù)據(jù)的質(zhì)量。這張表包含四行，前三行分別代表了我們實驗中的一種設(shè)置。即 200B-3B 、 1T-3B 、 1T-6B，最后一行是真實數(shù)據(jù)。

這里我們采用的通用范式是，因為我們試圖評估數(shù)據(jù)集的某項屬性，而該數(shù)據(jù)集非常龐大。因此，我們會對一部分文檔進行子采樣，然后使用像現(xiàn)成的 GPT 模型那樣，編寫一些評分標準來檢測文檔中是否存在重復(fù)內(nèi)容，或者是否包含不符合事實的信息。我們發(fā)現(xiàn)，隨著模型規(guī)模的擴大，生成的數(shù)據(jù)質(zhì)量也更好，而且這些合成數(shù)據(jù)并不僅僅是簡單的復(fù)述。在表格的各列中，我想重點強調(diào)「非事實」這一列，我認為這非常令人興奮。因為對于合成數(shù)據(jù)而言，事實性始終是一個難題。在 200B 規(guī)模下，我們看到，事實錯誤率甚至達到了 50%。存在著大量的幻覺。當你把訓練計算量增加 5 倍時，非事實的比例顯著下降；當你把模型規(guī)模增大一半時，這一比例進一步降低。雖然它還沒有達到完全比肩真實數(shù)據(jù)的水平，但我認為這種從 3B 到 6B 的下降非常有趣。因為事實性在某種程度上，取決于模型掌握了多少關(guān)于世界的知識。

如果你只是將訓練數(shù)據(jù)規(guī)模從第一列增加到第二列，這是令人驚訝的，因為模型看到了更多獨特的數(shù)據(jù)，它擁有更多的世界信息。但當你增加模型規(guī)模時，環(huán)境的總熵是相同的。你所做的，只是花費更多的計算能力，從環(huán)境中提取信息。如果熵是守恒的，但這允許你擁有更低的事實錯誤率。我認為這是一個非常有意思的結(jié)果。

自我訓練能力的部分就講到這里。這表明我們可以普遍地提升語言模型的預(yù)訓練能力。

邁向 AI 設(shè)計 AI

在最后一部分，我想展示的是「邁向 AI設(shè)計AI」的方向。

從根本上說，我們現(xiàn)在在做的是試圖讓語言模型來做我們的工作。

我想先探討這樣一個哲學問題：為什么我們期望 AI 在 AI 研究領(lǐng)域能做得更好？

我想追溯到這個科學方法論。Fisher 提出了科學進步的兩階段過程：首先提出假設(shè)，在提出假設(shè)之后，你需要做兩件事：進行實驗，然后試圖證偽這個假設(shè)。這帶來了一個非常嚴謹?shù)目茖W過程。例如，你可能會說你無法證偽牛頓定律，但你不能理所當然地假設(shè)牛頓定律是絕對正確的。后來，我們有了愛因斯坦的理論，那只是因為在當時的實驗條件下，你無法證偽牛頓定律而已。這意味著科學的本質(zhì)就是運行實驗和產(chǎn)生想法。

不用說，對于語言模型來說，產(chǎn)生想法就像寫文本一樣簡單。所以它能夠做到，只是校準度還不夠。

更有趣的部分在于運行實驗。如果你看看當前 AI 領(lǐng)域的狀態(tài)，首先， AI 的進展非常依賴基準測試驅(qū)動，比如 ImageNet 或其他各種基準數(shù)據(jù)集；其次， AI 實驗最終都會具體化為編寫代碼，而編寫代碼正是計算機極其擅長的事情。我們可以看到 SWE-bench 的準確率隨著時間推移，從最初的 20% 一路上升，幾乎飽和到了 80%。

這意味著，運用 AI 來推動 AI 科學本身的發(fā)展，擁有強大的第一性原理支撐。

為了使模型能夠做到這一點，我將引入「研究環(huán)境」的概念。它提供了一個簡潔的抽象，告訴你進行 AI 實驗需要什么。我們先從一個更通用的研究環(huán)境開始。

它實際上有兩個屬性：其一，是傳遞給語言模型的上下文，用于描述任務(wù)是什么；其二，是一個價值函數(shù)，你向它輸入一個想法（表現(xiàn)為一段字符串），它會輸出一個數(shù)字，來指示這個想法的優(yōu)劣程度。而對于 AI 研究環(huán)境而言，實現(xiàn)方式非常直接了當。

至于上下文，它應(yīng)該包含代碼庫屬性。也就是說，要告訴你一個研究問題是什么，只需要告訴你相關(guān)的 GitHub 倉庫是什么，或者你的實驗所操作的核心代碼是什么。

另一件事是，為了評估價值函數(shù)，你還需要一個沙盒來分配運行實驗所需的資源。因此，你將資源（例如一塊 H100 GPU）分配給沙盒。隨后，沙盒首先執(zhí)行這段代碼差異，在 AI 研究的背景下，正是這段代碼將你的想法具體化了。接著，沙盒會執(zhí)行 run 命令，然后運行評估腳本。你可以通過精心設(shè)計你的環(huán)境，使得評估腳本的標準輸出正是你所關(guān)心的最終獎勵信號。

所以，在這個抽象概念之下，讓我們首先具體談?wù)勎覀儗崿F(xiàn)了哪些 AI 研究環(huán)境。

我們進行了預(yù)訓練實驗，其代碼庫只是一個執(zhí)行 GPT-2 預(yù)訓練的獨立 Python 腳本。我們投入的資源是 8 張 A100 GPU。這主要用于基準測試目的，因為排行榜上的評價指標是在此資源限制下，測試損失達到 3.28 所需的時間。

至于后訓練環(huán)境，我們有這個使用 GRPO 算法進行數(shù)學推理的任務(wù)。其代碼庫是在 GSM8K 數(shù)據(jù)集上進行訓練，并在 MATH500 數(shù)據(jù)集上進行測試。這實際上取自斯坦福 CS336 課程的作業(yè)。在資源方面，我們使用了一張單卡 Blackwell GPU，以便在單個設(shè)備上實現(xiàn)采樣器和訓練器底層權(quán)重的無縫切換。

這就消除了大量繁雜的工程障礙。最終的評估指標是使用人工驗證的 MATH 測試準確率。一旦有了這樣一個研究環(huán)境，我很喜歡自動化的 AI 研究員的運作方式，它首先會經(jīng)歷這四個步驟的過程。

就像從可操作化提議的階段開始，研究員內(nèi)部擁有一個被稱為構(gòu)思器的組件。所以，首先你要獲取研究環(huán)境的上下文，將其輸入給構(gòu)思器，生成你關(guān)心的想法。然后，你調(diào)用研究員類內(nèi)部的執(zhí)行器。你把上下文（在這個場景下是指研究環(huán)境的代碼庫）以及構(gòu)思器生成的想法提供給它。這會輸出代碼差異，然后你就可以運行實驗了。于是，你用生成的代碼差異來調(diào)用研究環(huán)境的價值函數(shù)，它會返回這個想法的性能表現(xiàn)。同時，在另一側(cè)，你也保留了這個想法的記錄。這樣你就會積累一張實驗經(jīng)驗清單，接著時不時地，你可以從這些實驗結(jié)果中進行學習。

想象一下，這個「學習 API」有點像是在更新研究員的一些內(nèi)在特質(zhì)。對于這個「學習 API」或構(gòu)思器的更新，可以采用強化學習的方法，這意味著將修改研究員內(nèi)部神經(jīng)網(wǎng)絡(luò)的參數(shù)權(quán)重；它也可以像是一個演化搜索過程，維護一個類似實驗結(jié)果清單的庫。在本次演講的范疇內(nèi)，我將只聚焦于演化搜索的部分。

我們把「學習結(jié)果」的過程實現(xiàn)為一個迭代的測試時搜索過程。

這個測試時搜索所做的是，它一輪一輪地運行實驗；在運行了一些實驗之后，它會把過去的想法保存在一個庫中。有了研究員內(nèi)部的這個想法庫，當它想要生成一個新想法時，可以執(zhí)行以下兩項操作之一。

它可以通過結(jié)合結(jié)果列表中高價值想法的優(yōu)勢，來利用現(xiàn)有的好想法；

它也可以進行探索，嘗試生成與結(jié)果列表中已有想法截然不同的全新想法。

因此，這變成了一個搜索問題。以下是搜索的最終核心結(jié)果：我們可以看到，后訓練任務(wù)的初始準確率是 48%，而我們的搜索方法將其提升到了 69%。而 CS336 課程排行榜上的最好成績是 68%。所以，這像是在一種非常弱的意義上，擊敗了最好的人類成績。在預(yù)訓練方面，我們確實取得了一些進展，將時間從 36 分鐘優(yōu)化到了 90 分鐘，但排行榜上的成績實在太驚人了。排行榜的成績大約是 2.1 分鐘。

所以在那個案例中，它并沒有達到超人類的水平。

作為這一部分的總結(jié)，我想將其與 s1 項目中的預(yù)算強制技術(shù)聯(lián)系起來。讓我們稍微轉(zhuǎn)換一下話題，談?wù)動糜跀?shù)學推理的測試時縮放。

在數(shù)學推理中，這里的關(guān)鍵點在于如何強迫模型思考比常規(guī) token 數(shù)量更長的時間。假設(shè)你想強制模型思考超過 10,000 個 token，如果不采用預(yù)算強制技術(shù)，模型會先生成一個開始思考的 token，接著生成最初的 500 個 token，然后就會生成一個結(jié)束思考的 token。但是有了這項預(yù)算強制技術(shù)，你可以去掉那個結(jié)束思考的 token，并強行追加一個逗號，然后模型就會繼續(xù)思考下去。

因此，無論是算法搜索還是預(yù)算強制，從原則上講，我們都在類似編寫一個非常簡單的循環(huán)，強迫模型一直運行下去。

我們觀察到了一個非常一致的規(guī)律：不管是算法搜索還是寫循環(huán)讓模型強行思考，單純地擴展測試時計算量都能帶來性能提升，但它們都會非常迅速地達到性能瓶頸。另一個觀察結(jié)果是，無論是在測試時搜索，還是在測試時推理中，都存在一種模式：串行搜索比并行搜索更加強大。

在左圖中，這是在 nanoGPT 任務(wù)上的表現(xiàn)，最佳選擇和多數(shù)投票并沒有帶來有意義的提升，但搜索方法卻能帶來持續(xù)一致的改進。這與推理任務(wù)中的情況十分相似：多數(shù)投票雖然有正的斜率，但提升不大，而串行搜索則大幅提高了這個斜率。

所以我認為，這里反映出復(fù)用具有一定的價值，這就好比一條法則：串行計算比并行計算更有價值。

我認為這正是其價值的體現(xiàn)。在結(jié)束實驗結(jié)果部分的討論之前，我還沒有展示任何定性結(jié)果，即模型到底能生成什么類型的想法。

在這里，我想向你們展示一個我非常喜歡的想法，盡管它的準確率并不是非常高。

這個想法產(chǎn)生于使用 GRPO 進行數(shù)學推理的任務(wù)中。它提議通過維護一個包含數(shù)學事實、定義和中間結(jié)果的上下文緩沖區(qū)，來創(chuàng)建一個「數(shù)學工作記憶模擬」。

隨著模型逐步解決問題，這個緩沖區(qū)也會隨之更新，并為后續(xù)的推理步驟提供額外的上下文。這就模擬了人類在進行復(fù)雜計算時，如何維持和利用工作記憶的過程。令我驚訝的第一件事是，模型能夠非常準確地將這個想法編寫成可執(zhí)行的代碼。

它的具體做法是，引入了一個名為「上下文緩沖區(qū)」的類。這個類本質(zhì)上有兩個方法：添加上下文和基于查詢獲取上下文。在 RL 訓練循環(huán)中，它會初始化該緩沖區(qū)。對于每一個提示詞，它都會嘗試從緩沖區(qū)中獲取上下文，并將檢索到的上下文附加到提示詞中。

這樣一來，在解決數(shù)學問題時，這就好比在考試情境中直接給你提示。該方法的性能比基準提升了 10%，雖然不是最好的結(jié)果，但我真的非常喜歡它，因為我個人也有一個類似的緩沖區(qū)。我實際上有一本手寫的筆記本，里面記錄了各種數(shù)學技巧，比如裂項相消、 epsilon 球空間、琴生不等式以及何時使用它們。所以我非常高興能看到它提出了與我在做的事情非常類似的方法，而且像 GPT-4 這樣的模型竟然能夠?qū)⑵鋵崿F(xiàn)出來。

結(jié)語：超越人類的必然性

關(guān)于持續(xù)自我改進式 AI 的三個方面的主要結(jié)果就講到這里。接下來，我想進入結(jié)語部分，內(nèi)容可能稍微有點形而上。

在演講的開頭，我們明確了這個定義：持續(xù)自我改進式 AI 所能實現(xiàn)的改進，要比人類創(chuàng)造者所能達到的改進更好。我之所以這么說，是為了保持嚴謹，這樣這個主張就能被我們現(xiàn)有的實驗結(jié)果所證實。但就目前而言，我們看到 AI 勝過人類的方式，主要是通過用數(shù)量堆疊來克服質(zhì)量上的限制。

這種機制非常無趣。如果我們看一下這張圖，基準模型是在有限的人類數(shù)據(jù)上訓練的。你問 AI 能否擴展得更好，但事實是，首個檢查點的初始損失表明，人類生成的數(shù)據(jù)質(zhì)量依然更好。只是因為 AI 的數(shù)據(jù)是無限的，它可以通過數(shù)量來彌補質(zhì)量上的不足。

另外，這是我們團隊的 Weights & Biases 實驗面板，你可以看到，對于研究人員來說，可能只跑了 13 個或 9 個實驗，但對于 AI 執(zhí)行的實驗來說，我們看到的是 5,000 個甚至 30,000 個實驗記錄。如果一個人類博士生下周來找導(dǎo)師，他不可能說「好的，我上周測試了 30,000 個想法」。雖然我無法預(yù)見未來，但根據(jù)我們目前的結(jié)果，人類研究員依然具有更強的構(gòu)思能力，只不過 AI 研究員工作得太努力、太不知疲倦了，所以它能霸榜 CS336 的排行榜。

是的。因此我認為，AI 社區(qū)里的人們真正關(guān)心的問題是：AI 是否能夠自我改進，并變得比它的創(chuàng)造者更強大？

因為我目前沒有這方面的實驗結(jié)果，所以我想從物理學中一個完全正交的視角，來解釋為什么我認為這是可能的，甚至幾乎是必然的。

我想向你們展示愛因斯坦是如何以一種安靜而精確的方式，創(chuàng)造了一個超越他自身認知的理論的。

首先，我們可以將一個理論視作一種生命，因為它能夠進化、能夠變異，它有自己的生命力。愛因斯坦創(chuàng)造的場方程就比他本人更聰明。

起初，愛因斯坦提出了廣義相對論的場方程，這個方程在未經(jīng)修改的狀態(tài)下，已經(jīng)精準地預(yù)言了宇宙正在膨脹。然而在 1910 年代，當時的科學界普遍篤信宇宙是靜止且永恒的。為了迎合這種時代觀念，愛因斯坦在 1917 年主動修改了自己的方程，硬生生地讓它計算出一個靜止的宇宙。直到 1929 年，哈勃通過天文觀測證實了宇宙確實在膨脹，而且其規(guī)律與愛因斯坦最初那版未修改的方程所預(yù)測的一模一樣。愛因斯坦后來坦言，那次修改是他一生中「最大的錯誤」。

也就是說，當一個理論被創(chuàng)造出來的那一刻，它就擁有了生命并開始演化。就像當愛因斯坦寫下那個場方程的那一刻，該方程就已經(jīng)編碼了一個當時沒有任何人類能夠理解的真理。

通過類比，我認為人類確實可以創(chuàng)造出比自身更聰明的 AI，而不僅僅是像我剛才說的那種依靠數(shù)量優(yōu)勢。

因此，從某種意義上說，我對「AI 能否超越人類」這個問題的回答是：從一開始我們就不該問這個問題。

僅僅因為某樣東西是我們創(chuàng)造的，沒有任何理由去斷定它就不能超越我們。

我認為那種認為它不能超越人類的邏輯，源于一種子集邏輯。這就好比：我們?nèi)祟悡碛幸唤M規(guī)模為 10 的能力集，而我創(chuàng)造了一個擁有我能力子集的次級存在，所以它永遠無法超越我。但是，目前創(chuàng)造 AI 的方式非常具有算法性，比如在海量數(shù)據(jù)上進行訓練。這種過程與愛因斯坦推導(dǎo)并創(chuàng)造出超越自己認知的物理方程的過程極其相似。這種問題一開始就不該被提出。所以我堅信，答案絕對是肯定的。

? THE END

文章來源：機器之心。