世界模型又近了?MIT驚人研究:LLM已模擬現實世界,絕非隨機鸚鵡!

0 評論 2812 瀏覽 15 收藏 19 分鐘

MIT CSAIL的研究人員發現,LLM的「內心深處」已經發展出了對現實的模擬,模型對語言和世界的理解,絕不僅僅是簡單的「鸚鵡學舌」。也就說,在未來,LLM會比今天更深層地理解語言。

LLM離世界模型,究竟有多遠?

去年,MIT的一篇文章發現了驚人的結論:在LLM內部,存在一個世界模型。

LLM不僅學習了表面的統計數據,還學習了包括空間和時間等基本緯度的世界模型。

Llama-2-70B竟然能夠描繪出研究人員真實世界的文字地圖

不僅如此,MIT最近又發現:在LLM的深處,發展出了一種對現實的模擬,它們對語言的理解,已經遠遠超出了簡單的模仿!

論文地址:https://arxiv.org/abs/2305.11169

具體來說,MIT計算機科學和人工智能實驗室 (CSAIL)的兩名學者發現——

盡管只用「預測下一個token」這種看似只包含純粹統計概率的目標,來訓練LLM學習編程語言,模型依舊可以學習到程序中的形式化語義。

這表明,語言模型可能會發展自己對現實的理解,以此作為提高其生成能力的一種方式。

因此,LLM在未來的某一天,可能會比今天更深層次地理解語言。

目前這篇文章已被ICML 2024接收,實驗所用代碼也已經公布在GitHub上。

倉庫地址:https://github.com/charlesjin/emergent-semantics

01 沒有眼睛,LLM就「看」不到嗎?

如果讓GPT-4去聞一下被雨水浸濕的露營地的味道,它會禮貌地拒絕你。

不過,它仍然會給你一個詩意的描述:有新鮮的泥土香氣,和清爽的雨味,還有松樹或濕樹葉的痕跡。

GPT-4沒見過下雨,也沒有鼻子,但它能模仿大量訓練數據中存在的文本。

缺少一雙眼睛,是不是就意味著語言模型永遠無法理解「獅子比家貓更大」?

LLM能理解現實世界和各種抽象概念嗎?還是僅僅在「鸚鵡學舌」,純粹依靠統計概率預測下一個token?

LLM的工作原理,依舊是未解之謎。AI圈的大佬們,時不時就要因為這個問題展開一場論戰。

LeCun堅定認為,LLM的智能絕對被高估了!他最著名的論斷,就是那句「大語言模型不如家里養的貓」。

「貓可以記憶,可以理解物理世界,可以計劃復雜的行動,可以進行一定程度的推理,這實際上已經比最大的模型要好了,意味著我們在概念層面有重要的缺失,無法讓機器像動物和人類一樣聰明?!?/p>

沒有感官,不耽誤ChatGPT為你描述各種氣味和圖片;沒有生活經驗,很多用戶依舊「遇事不決,ChatGPT解決」;看起來完全沒有共情能力,Character.ai上的「心理學家」還是能俘獲美國一千萬青少年的心。

很多人將此解釋為純粹的統計現象,LLM只是在「鸚鵡學舌」,對大量訓練語料中存在的文本進行模仿,并不是像人類一樣擁有同等水平的智能或感知。

但現在,MIT的研究證明,并非如此!

LLM內部,絕對存在著對現實世界的理解。

02 LLM破解卡雷爾謎題,意味著什么

為了探究這個謎團,MIT CSAIL的研究者們,開發了一套小型卡雷爾謎題(Karel Puzzle)。

簡單介紹下,什么是卡雷爾謎題

其中包括讓模型用指令在模擬環境中控制機器人的行動。

卡雷爾語法規范

然后他們在訓練LLM學習一種特定的解決方案,但沒有演示其中的工作原理。

最后,作者提出了一種名為「探針」(probing)的機器學習技術,用于在模型生成新解決方案時,深入了解其中的「思維過程」。

研究者通過對隨機參考程序進行采樣來構建訓練示例,然后對5個隨機輸入進行采樣并執行程序,以獲得相應的5個輸出。LM由交錯輸入和輸出組成的示例語料庫上進行下一個token預測訓練,然后是參考程序。在測試時,研究者向LM提供看不見的輸入輸出規范,并使用貪婪解碼來預測程序

在超過100萬個隨機謎題上進行訓練后,研究人員發現,模型自發地形成了對底層模擬環境的概念!盡管訓練期間,它們并沒有接觸過這方面的信息。

這個結果,不僅挑戰了我們對LLM的固有印象,也質疑了我們對思維過程本質的認知——

在學習語義的過程中,究竟哪些類型的信息才是必需的?

實驗剛開始時,模型生成的隨機指令幾乎無法運行;但完成訓練時,指令的正確率達到了92.4%。

論文一作Jin表示,「這是一個非常激動人心的時刻,因為我們認為,如果語言模型能以這種準確度完成任務,我們也會期望,它能理解語言的含義?!?/p>

「這給了我們一個起點,來探索LLM是否確實能理解文本,現在我們看到,模型的能力,遠不止于盲目地將單詞拼接在一起?!?/p>

03 打開LLM的大腦

在這項實驗中,Jin親眼目睹了這一進展。

LLM為什么會認為,這些指令指的是這個意思?

他發現,LLM已經開發了自己的內部模擬,來模擬機器人如何響應每條指令而移動。

而隨著模型解決難題的能力越來越高,這些概念也就變得越來越準確,這就表明:LM開始理解指令了。

不久之后,LLM就能始終如一地將各部分正確地拼接在一起,形成工作指令。

通過不同的探針分類器測量的語義內容(綠色)

1. 思維探針

而為上述發現做出主要貢獻的,就是一種「思維探針」。

這是一種介入LLM思維過程的有效工具,論文將它稱為「probing」。

具體而言,LM的狀態中包含輸入和生成程序的純語法層面的記錄,但probe似乎可以學習理解其中的抽象解釋。

實際的實驗中,作者首先構建LLM的狀態跟蹤數據集,再用標準的監督學習方法訓練一個小型模型作為探針,比如線性分類器或2層MLP。

訓練后半段當前和接下來兩個抽象狀態的語義內容(1層MLP)

然而,其中一個重要的問題在于,必須將probe和模型實際的思考過程或生成的指令進行分離。

雖然探針的唯一目的,只是「進入LLM的大腦」,但如果它也為模型做了一些思考,該怎么辦呢?

研究者需要確保的是,LLM能夠獨立于探針理解指令,而不是由探針根據LLM對語法的掌握來推斷機器人的動作。

想象一下,有一堆編碼LLM思維過程的數據,其中probe的角色就像一名取證分析師。

我們把這堆數據交給了分析師,告訴ta:「這是機器人的動作,試著在這堆數據中,找出機器人是怎么動的。」分析師表示,自己知道這堆數據中的機器人是怎么回事。

但是,假如這堆數據只是對原始指令進行了編碼,而分析人員已經想出了一些巧妙的方法來提取指令,并按照指令進行相應的操作呢?

在這種情況下,LLM就根本沒有真正了解到這些指令的含義。

為此,研究者特意做了一個巧妙的設計:它們為模型打造了一個「奇異世界」。

在這個世界中,probe的指令含義被反轉了,比如「向上」其實意味著「向下」。

例如,原始語義中的exec(turnRight,·)是將使機器人順時針旋轉90度,而exec adversarial(turnRight,·)是將機器人推進一個空間

這就保證了,probe并不是在「投機取巧」,直接學習理解LLM對指令的編碼方式。

一作Jin這樣介紹道——

如果探針是將指令翻譯成機器人的位置,那么它應該同樣能夠根據離奇的含義翻譯指令。

但如果探頭實際上是在語言模型的思維過程中,尋找原始機器人動作的編碼,那么它應該很難從原始思維過程中提取出怪誕的機器人動作。

結果發現,探針出現了翻譯錯誤,無法解釋具有不同指令含義的語言模型。

這就意味著,原始語義被嵌入了語言模型中,表明LLM能夠獨立于原始探測分類器,理解所需的指令。

上半部分描述了在干預前,兩種情況如何導致測量的高語義內容。下半部分顯示了為什么將兩個假設分開: 如果LM表示僅包含語法(左下),那么應該可以訓練探針alt來學習根據替代狀態prog(粗體紅色結果)解釋記錄;然而,如果LM表示編碼原始抽象狀態(右下),則探測alt需要從原始狀態prog中提取替代狀態’prog,從而產生較低的語義內容(粗體灰色結果)

2. LLM理解語言,就像孩童一樣

有趣的是,Jin發現,LLM對語言的理解是分階段發展的,就像孩子學習語言時分多個步驟一樣。

開始,它會像嬰兒一樣牙牙學語,說出的話是重復的,而且大多數都難以理解。

然后,LLM會開始獲取語法或語言規則,這樣,它就能夠生成看起來像是真正解決方案的指令了,但此時它們仍然不起作用。

不過,LLM的指令會逐漸進步。

一旦模型獲得了意義,它就會像孩子造句一樣,開始產生正確執行所要求規范的指令。

結果如圖2所示,可以看出LLM對語言的理解大致分為3個階段,就如同孩童學習語言一樣。

  1. 牙牙學語(babbling,灰色部分):占據整個訓練過程約50%,生成高度重復的程序,準確率穩定在10%左右
  2. 語法習得(syntax acquisition,橙色部分):訓練過程的50%~75%,生成結果的多樣性急劇增加,句法屬性發生顯著變化,模型開始對程序的token進行建模,但生成的準確率的提升并不明顯
  3. 語義習得(semantics acquisition,黃色部分):訓練過程的75%到結束,多樣性幾乎不變,但生成準確率大幅增長,表明出現了語義理解

實驗使用了三種不同的probe架構作為對比,分別是線性分類器、單層MLP和2層MLP。

提前2步預測時,2層MLP預測準確率的絕對值高于用當前狀態預測的基線模型。或許可以得出這樣一種推測:LLM在生成指令前,其思維過程,以及生成指令的「意圖」已經存儲在模型內部了。

04 LLM = 世界模型?

這項研究解釋了LLM如何思考訓練數據中每條指令的含義,如何在內部狀態中模擬機器人對指令的響應。

這些都直指當前AI研究的一個核心問題——LLM令人驚訝的能力,僅僅是由于大規模的統計相關性,還是對它們現實產生了有意義的理解?

研究表明,LLM開發了一個模擬現實的內部模型,盡管它從未接受過開發該模型的訓練。

而且,語言模型還可以進一步加深對語言的理解。

然而,僅靠一篇論文顯然不能完全回答這個問題。

作者Jin也承認,這項研究存在一些局限性:他們僅使用了非常簡單的編程語言Karel,以及非常簡單的probe模型架構。

未來的工作將關注更通用的實驗設置,也會充分利用對于LLM「思維過程」的見解來改進訓練方式。

本文另一位作者Rinard表示,「一個有趣的懸而未決的問題是,在解決機器人導航問題時,LLM是在用內部現實模型來推理現實嗎?」

雖然論文展現的結果可以支持這一結論,但實驗并不是為回答這個問題而設計的。

布朗大學計算機科學和語言學系助理教授Ellie Pavlick高度贊揚了這項研究。

她表示,對LLM工作原理的理解,可以讓我們對這項技術的內在可能性和局限性有更合理的期望。這項研究正是在受控環境中探索這個問題。

計算機代碼像自然語言一樣,既有語法又有語義;但與自然語言不同的是,代碼的語義更直觀,并可以根據實驗需要直接控制。

「實驗設計很優雅,他們的發現也很樂觀,這表明也許LLM可以更深入地了解語言的『含義』?!?/p>

05 作者介紹

本文一作Charles Jin是MIT EECS系和CSAIL實驗室的在讀博士,導師Martin Rinard是本文的另一位作者,他的研究主要關注穩健的機器學習和程序合成。

Jin本科和碩士畢業于耶魯大學,獲得了計算機科學和數學雙學位,曾經在Weiss資產管理公司擔任分析師,博士期間曾在Google Brain擔任研究實習生。

參考資料:

https://the-decoder.com/training-language-models-on-synthetic-programs-hints-at-emergent-world-understanding/

https://news.mit.edu/2024/llms-develop-own-understanding-of-reality-as-language-abilities-improve-0814

本文由人人都是產品經理作者【新智元】,微信公眾號:【新智元】,原創/授權 發布于人人都是產品經理,未經許可,禁止轉載。

題圖來自Unsplash,基于 CC0 協議。

更多精彩內容,請關注人人都是產品經理微信公眾號或下載App
評論
評論請登錄
  1. 目前還沒評論,等你發揮!