文章来源：新智元
传闻中OpenAI的Q*，已经引得AI大佬轮番下场。AI2研究科学家Nathan Lambert和英伟达高级科学家Jim Fan都激动的写下长文，猜测Q*和思维树、过程奖励模型、AlphaGo有关。人类离AGI，已是临门一脚了？图片来源：由无界 AI生成
OpenAI的神秘Q*项目，已经引爆整个AI社区！
疑似接近AGI，因为巨大计算资源能解决某些数学问题，让Sam Altman出局董事会的导火索，有毁灭人类风险……这些元素单拎出哪一个来，都足够炸裂。
无怪乎Q*项目曝出三天后，热度还在持续上升，已经引起了全网AI大佬的探讨。
AI2研究科学家Nathan激动地写出一篇长文，猜测Q假说应该是关于思想树+过程奖励模型。
而且，Q*假说很可能和世界模型有关！
几小时后，英伟达高级科学家Jim Fan也发出长文分析，跟Nathan的看法不谋而合，略有不同的是，Jim Fan的着重点是和AlphaGo的类比。
对于Q*，Jim Fan发出了如此赞叹：在我投身人工智能领域的十年中，我从来见过有这么多人对一个算法有如此多的想象！即使它只有一个名字，没有任何论文、数据或产品。
相比之下，图灵三巨头LeCun则认为，提升大LLM可靠性的一个主要挑战是，利用规划策略取代自回归token预测。
几乎所有顶级实验室都在这方面进行研究，而Q*则很可能是OpenAI在规划领域的尝试。
以及，请忽略那些关于Q*的毫无根据的讨论。
对此，Jim Fan深表赞同：担心「通过Q*实现AGI」是毫无根据的。
「AlphaGo式搜索和LLM的结合，是解决数学和编码等特定领域的有效方法，同时还能提供基准真相的信号。但在正式探讨AGI之前，我们首先需要开发新的方法，将世界模型和具身智能体的能力整合进去。」
两天前，外媒曝出，OpenAI的神秘Q*项目，已现AGI雏形。
突然间，一项来自1992年的技术——Q-learning，就成为了大家竞相追逐的焦点。
简单来说，Q-learning是一种无模型的强化学习算法，旨在学习特定状态下某个动作的价值。其最终目标是找到最佳策略，即在每个状态下采取最佳动作，以最大化随时间累积的奖励。
在人工智能领域，尤其是在强化学习中，Q-learning代表了一种重要的方法论。
很快，这个话题引发了各路网友的激烈讨论：
斯坦福博士Silas Alberti猜测，它很可能是基于AlphaGo式蒙特卡罗树搜索token轨迹。下一个合乎逻辑的步骤是以更有原则的方式搜索token树。这在编码和数学等环境中尤为合理。
随后，更多人猜测，Q*指的就是A*算法和Q学习的结合！
甚至有人发现，Q-Learning竟然和ChatGPT成功秘诀之一的RLHF，有着千丝万缕的联系！
随着几位AI大佬的下场，大家的观点，愈发不谋而合了。
对于引得众人好奇无比的Q*假说，AI2研究科学家Nathan Lambert写了如下一篇长文分析——《Q* 假说：思维树推理、过程奖励模型和增强合成数据》。
文章地址：https://www.interconnects.ai/p/q-star
Lambert猜测，如果Q*（Q-Star）是真的，那么它显然是RL文献中的两个核心主题的合成：Q值和A*（一种经典的图搜索算法）。
A*算法的一个例子
很多天来，坊间关于Q冒出了很多猜测，有一种观点认为，Q指的是最优策略的值函数，不过在Lambert看来这不太可能，因为OpenAI已经几乎泄露了所有内容。
Lambert将自己的猜测称为「锡帽理论」，即Q学习和A*搜索的模糊合并。
所以，正在搜索的是什么？Lambert相信，OpenAI应该是在通过思想树推理来搜索语言/推理步骤，来做一些强大的事情。
如果仅是如此，为何会引起如此大的震动和恐慌呢？
他觉得Q*被夸大的原因是，它将大语言模型的训练和使用与Deep RL的核心组件联系起来，而这些组件，成功实现了AlphaGo的功能——自我博弈和前瞻性规划。
其中，自我博弈（Self-play）理论是指，智能体可以和跟自己版本略有不同的另一个智能体对战，来改善游戏玩法，因为它遇到的情况会越来越有挑战性。
在LLM领域，自我博弈理论看起来就像是AI反馈。
前瞻性规划（Look-ahead planning），是指使用世界模型来推理未来，并产生更好的行动或输出。
这种理论基于模型预测控制（MPC）和蒙特卡洛树搜索（MCTS），前者通常用于连续状态，后者适用于离散动作和状态。
https://www.researchgate.net/publication/320003615_MCTSUCT_in_solving_real-life_problems
Lambert之所以做出这种推测，是基于OpenAI和其他公司最近发布的工作。这些工作，回答了这样两个问题——
1. 我们如何构建一个我们自己可以搜索的语言表示？2. 在分隔和有意义的语言块（而不是整个语言块）上，我们怎样才能构建一个价值概念？如果想明白了这两个问题，我们就该清楚，应该如何使用用于RLHF的RL方法——我们用RL优化器来微调语言模型，并且通过模块化奖励，获得更高质量的生成（而不是像今天那样，完整的序列）。
现在，让模型「深呼吸」和「一步步思考」之类的方法，正在扩展到利用并行计算和启发式进行推理的高级方法上。
思维树是一种提示语言模型创建推理路径树的方法，这些路径可能会、也可能不会收敛到正确答案。
实现思维树的关键创新，就是推理步骤的分块，以及提示模型创建新的推理步骤。
思维树或许是第一个提高推理性能的「递归」提示技术，听起来非常接近人工智能安全所关注的递归自我改进模型。
https://arxiv.org/abs/2305.10601
使用推理树，就可以应用不同的方法来对每个顶点或节点进行评分，或者对最终路径进行采样。
它可以基于最一致答案的最小长度，或者需要外部反馈的复杂事物，而这恰恰就把我们带到了RLHF的方向。
用思维树玩24点游戏
迄今为止，大多数RLHF，都是通过给模型的整个响应打分而完成的。
但对于具有RL背景的人，这种方法很令人失望，因为它限制了RL方法对文本的每个子组件的值建立联系的能力。
有人指出，在未来，这种多步骤优化将在多个对话回合的层面上进行，但由于需要有人类或一些提示源参与循环，整个过程仍然很牵强。
这可以很容易地扩展到自我博弈风格的对话上，但很难给出LLM一个目标，让它转化为持续改进的自我博弈动态。
毕竟，我们想用LLM做的大多数事情还是重复性任务，并不是像围棋那样，需要达到近乎无限的性能上限。
不过，有一种LLM用例，可以自然地抽象为包含的文本块，那就是分步推理。而最好的例子，就是解决数学问题。
过去6个月内，过程奖励模型（PRM）一直是RLHF人员热烈探讨的话题。
关于PRM的论文很多，但很少有论文会提到，如何将它们与RL结合使用。
PRM的核心思想，就是为每个推理步骤分配一个分数，而不是一个完整的信息。
OpenAI的论文「Let's Verify Step by Step」中，就有这样一个例子——
在这个过程中，他们使用的反馈界面长这个样子，非常有启发性。
这样，就可以通过对最大平均奖励或其他指标进行采样，而不是仅仅依靠一个分数，对推理问题的生成进行更精细的调整。
使用「N最优采样」（Best-of-N sampling），即生成一系列次数，并使用奖励模型得分最高的一次，PRM在推理任务中的表现，要优于标准RM。
（注意，它正是Llama 2中「拒绝采样」Rejection Sampling的表兄弟。）
而且迄今为止，大多数PRM仅展示了自己在推理时的巨大作用。但如果把它用于训练进行优化，就会发挥真正的威力。
而为了创建最丰富的优化设置，就需要能够生成用于评分和学习的多种推理路径。
这，就是思维树的用武之地。
人气极高的数学模型Wizard-LM-Math，就是使用PRM进行训练的：https://arxiv.org/abs/2308.09583
Nathan Lambert猜测，Q*似乎正在使用PRM，对ToT推理数据进行评分，然后再使用Offline RL进行优化。
这与现有的RLHF工具没有太大区别，它们用的是DPO或ILQL等离线算法，这些算法在训练期间不需要从LLM生成。
RL算法看到的「轨迹」，就是推理步骤的序列，因此，我们得以用多步方式，而不是通过上下文，来执行RLHF。
现有的传言显示，OpenAI正在将离线RL用于RLHF，这似乎不是一个很重大的飞跃。
它的复杂性在于要收集正确的提示，让模型生成出色的推理，而最重要的，就是准确地给数以万计的响应评分。
而传闻中的庞大计算资源，就是使用AI而非人类，来给每一步打分。
的确，合成数据才是王道，使用树而非单一宽度路径（思维链），就可以为以后越来越多的选择，给出正确答案。
如果传言是真的，OpenAI和其他模型的差距，无疑会很可怕。
毕竟，现在大多数科技公司，比如谷歌、Anthropic、Cohere等，创建预训练数据集用的还是过程监督或类似RLAIF的方法，轻易就会耗费数千个GPU小时。
超大规模AI反馈的数据未来
根据外媒The Information的传言，Ilya Sutskever的突破使OpenAI解决了数据荒难题，这样就有了足够的高质量数据来训练下一代新模型。
而这些数据，就是用计算机生成的数据，而非真实世界的数据。
另外，Ilya多年研究的问题，就是如何让GPT-4等语言模型解决涉及推理的任务，如数学或科学问题。
Nathan Lambert表示，如果自己猜得没错，Q*就是生成的合成推理数据。
通过类似剔除抽样（根据RM分数进行筛选）的方法，可以选出最优秀的样本。而通过离线RL，生成的推理可以在模型中得到改进。
对于那些拥有优质大模型和大量算力资源的机构来说，这是一个良性循环。
结合GPT-4给大家的印象，数学、代码、推理，都应该是最从Q*技术受益的主题。
许多AI研究者心中永恒的问题是：究竟哪些应用值得在推理计算上花费更多成本？
毕竟，对于大多数任务（如阅读文章、总结邮件）来说，Q*带来的提升可能不值一提。
但对于生成代码而言，使用最佳模型，显然是值得的。
Lambert表示，自己脑子中有一种根深蒂固的直觉，来自于和周围人餐桌上的讨论——使用RLHF对扩展推理进行训练，可以提高下游性能，而无需让模型一步一步思考。
如果Q*中实现了这一点，OpenAI的模型，无疑会显示出重大的飞跃。
Nathan在我之前几个小时发布了一篇博客，并讨论了非常相似的想法：思想树+过程奖励模型。他的博客列出了更多的参考文献，而我更倾向于与AlphaGo的类比。
Jim Fan表示，要理解搜索和学习结合的强大威力，我们需要先回到2016年，这个人工智能历史上的辉煌时刻。
在重新审视AlphaGo时，可以看到它包含了四个关键要素：
1. 策略神经网络（Policy NN，学习部分）：评估每种走法获胜的可能性，并挑选好的走法。
2. 价值神经网络（Value NN，学习部分）：用于评估棋局，从任意合理的布局中预测胜负。
3. 蒙特卡罗树搜索（MCTS，搜索部分）：利用策略神经网络模拟从当前位置出发的多种可能的走法，然后汇总这些模拟的结果来决定最有希望的走法。这是一个「慢思考」环节，与大语言模型（LLM）中的快速token采样形成鲜明对比。
4. 推动整个系统的真实信号：在围棋中，这个信号就像「谁获胜」这种二元标签一样简单，由一套固定的游戏规则所决定。你可以把它想象成一种能量源，持续地推动着学习的进程。
那么，这些组件是如何相互作用的呢？
AlphaGo通过自我博弈（即与自己之前的版本对弈）来学习。
随着自我博弈的持续，策略神经网络和价值神经网络都在不断迭代中得到改善：随着策略在选择走法上变得更精准，价值神经网络也能获得更高质量的数据进行学习，进而为策略提供更有效的反馈。更强大的策略也有助于MCTS探索出更佳的策略。
这些最终构成了一个巧妙的「永动机」。通过这种方式，AlphaGo能自我提升，最终在2016年以4-1的成绩击败了人类世界冠军李世石。仅仅通过模仿人类的数据，人工智能是无法达到超越人类的水平的。
对于Q*来说，又会包含哪四个核心组件呢？
1. 策略神经网络（Policy NN）：这将是OpenAI内部最强大的GPT，负责实现解决数学问题的思维过程。
2. 价值神经网络（Value NN）：这是另一个GPT，用来评估每一个中间推理步骤的正确性。
OpenAI在2023年5月发布了一篇名为「Let's Verify Step by Step」的论文，作者包括Ilya Sutskever、John Schulman和Jan Leike等知名大佬。虽然它不像DALL-E或Whisper那样知名，但却为我们提供了不少线索。
在论文中，作者提出了「过程监督奖励模型」（Process-supervised Reward Models，PRM），它为思维链中的每一步提供反馈。相对的是「结果监督奖励模型」（Outcome-supervised Reward Models，ORM），它只对最终的整体输出进行评估。
ORM是RLHF的原始奖励模型，但它的粒度太粗，不适合对长响应中的各个部分进行适当的评估。换句话说，ORM在功劳分配方面表现不佳。在强化学习文献中，我们将ORM称为「稀疏奖励」（仅在最后给予一次），而PRM则是「密集奖励」，能够更平滑地引导LLM朝我们期望的行为发展。
3. 搜索：不同于AlphaGo的离散状态和动作，LLM运行在一个复杂得多的空间中（所有合理字符串）。因此，我们需要开发新的搜索方法。
在思维链（CoT）的基础上，研究界已经开发出了一些非线性变体：
- 思维树（Tree of Thought）：就是将思维链和树搜索结合在一起
- 思维图（Graph of Thought）：将思维链和图结合，就可以得到一个更为复杂的搜索运算符
4. 真实信号：（几种可能）
（a）每个数学问题都有一个已知答案，OpenAI可能已经从现有的数学考试或竞赛中收集了大量的数据。
（b）ORM本身可以作为一种真实信号，但这样可能会被利用，从而「失去维持学习所需的能量」。
（c）形式化验证系统，如Lean定理证明器，可以把数学问题转化为编程问题，并提供编译器反馈。
就像AlphaGo那样，策略LLM和价值LLM可以通过迭代相互促进进步，并在可能的情况下从人类专家的标注中学习。更优秀的策略LLM将帮助思维树搜索发现更好的策略，这反过来又能为下一轮迭代收集更优质的数据。
Demis Hassabis之前提到过，DeepMind的Gemini将采用「AlphaGo式算法」来增强推理能力。即使Q*不是我们所想象的那样，谷歌也一定会用自己的算法迎头赶上。
Jim Fan表示，以上只是关于推理的部分。目前并没有迹象表明Q*在写诗、讲笑话或角色扮演方面会更具创造性。本质上，提高创造力是人的事情，因此自然数据仍将胜过合成数据。
而深度学习专家Sebastian Raschka对此表示——
如果你出于任何原因，不得不在这个周末学习Q-learning，并且碰巧在你的书架上有一本「Machine Learning with PyTorch and Scikit-Learn」，那么，现在是时候解决最后一章了。
参考资料：
https://www.interconnects.ai/p/q-star
https://twitter.com/DrJimFan/status/1728100123862004105
关注微信