最近出现很多 ChatGPT 相关论文，但基本都是讨论其使用场景和伦理问题，至于其原理，ChatGPT 在其 主页上 介绍，它使用来自人类反馈的强化学习训练模型，方法与 InstructGPT 相同，只在数据收集上有细微的差别。

那么，InstructGPT 和 ChatGPT 为什么使用强化学习呢？先看个示例：

聊天示例|500

先不论答案是否正确，回答依赖之前的对话，且不仅是前一句。

强化学习用于解决具有马尔可夫性的问题，马尔可夫性是指每个状态仅依赖前一个状态，而这种链式的关系，又使历史信息被传递到了未来。

强化学习使用的场景是 马尔可夫决策过程，包含以下核心点：

  • 随机过程：人机聊天你一句我一句
  • 马尔可夫性：回答依赖问题
  • 奖利：问题可能有多种答案，答案没有绝对的对错，但提问者会对某个答案更满意
  • 行为：每一次决定如何回答都对后续对话走向产生影响

可以看到聊天的场景是一个马尔可夫决策过程。

进而产生了另一个问题：模型需要大量数据训练，如果用户问个问题，出三个答案，让用户选一个，收集以用于训练模型。这肯定是不够友好，软件在初期效果不佳时也不会有人去用。且有些用户的回答还可能误导模型。

于是，需模仿真实的使用场景，根据用户对答案的偏好，生成奖励值，以进一步训练强化学习模型。即：对场景建模，这也是强化学习的重要部分：基于模型的强化学习（model-based reinforcement learning）。

结合 GPT 自然语言模型（第一列），奖励模型（第二列），代入强化学习算法（第三列），让模型训练和更新筛选答案的策略。简言之，自然语言模型针对人提出的问题生成 N 种答案，由强化学习根据当前情况，选择其中最符合用户偏好的答案。

用什么样的文本训练它，它就会生成什么样的文字，从互联网上抓取的数据，学到的也都是大多数声音。而通过人标注数据的引导，可以影响和改变它的行为，比如：在第一列可通过喂给模型更多更高质量的数据，让它在细分领域更具专业性；而通过人工标注数据训练第二列的奖励模型，可以约束和引导它的行为。当然，日后还会发展出更好的结构。

至少，到目前为止，它们只是自然语言生成工具，具有一定的语言能力，可以照猫画虎地根据上文生成下文（一种或多种答案），再用强化学习方法，根据当前情境，从答案中选出相对靠谱的显示出来。所以说，不能指忘它是全知，具有上帝视角回答那些专家都不确定的问题。