豐色 發自 凹非寺
量子位 | 公衆号 QbitAI
ChatGPT中有這樣一個核心訓練方法，名叫“人類回報強化學習（RLHF）”。
它可以讓模型更安全、輸出結果更遵循人類意圖。
現在，來自谷歌Research和UC伯克利的研究人員發現，将該方法用在AI繪畫上，“治療”圖像跟輸入不完全比對的情況，效果也奇好——
可以實作高達47%的改進。
△ 左為Stable Diffusion，右為改進後效果
這一刻，AIGC領域中兩類大火的模型，似乎找到了某種“共鳴”。
如何将RLHF用于AI繪畫？
RLHF，全稱“Reinforcement Learning from Human Feedback”，是OpenAI和DeepMind于2017年合作開發的一種強化學習技術。
正如其名，RLHF就是用人類對模型輸出結果的評價（即回報）來直接優化模型，在LLM中，它可以使得“模型價值觀”更符合人類價值觀。
而在AI圖像生成模型中，它可以讓生成圖像與文本提示得到充分對齊。
具體而言，首先，收集人類回報資料。
在這裡，研究人員一共生成了27000餘個“文本圖像對”，然後讓一些人類來打分。
為了簡單起見，文本提示隻包括以下四種類别，分别關乎數量、顔色、背景和混合選項；人類的回報則隻分“好”、“壞”與“不知道（skip）”。
其次，學習獎勵函數。
這一步，就是利用剛剛獲得的人類評價組成的資料集，訓練出獎勵函數，然後用該函數來預測人類對模型輸出的滿意度（公式紅色部分）。
這樣，模型就知道自己的結果究竟有幾分符合文本。
除了獎勵函數，作者還提出了一個輔助任務（公式藍色部分）。
也就是當圖像生成完成後，模型再給一堆文本，但其中隻有一個是原始文本，讓獎勵模型“自己檢查”圖像是否跟該文本相比對。
這種逆向操作可以讓效果得到“雙重保險”（可以輔助下圖中的step2進行了解）。
最後，就是微調了。
即通過獎勵權重最大似然估計（reward-weighted likelihood maximization）（下公式第一項），更新文本-圖像生成模型。
為了避免過拟合，作者對預訓練資料集上的NLL值（公式第二項）進行了最小化。這種做法類似于InstructionGPT (ChatGPT的“直系前輩”）。
效果提升47%，但清晰度下滑5%
如下一系列效果所示，相比原始的Stable Diffusion，用RLHF微調過後的模型可以：
（1）更正确地get文本裡的“兩隻”和“綠色”；
（2）不會忽略“大海”作為背景的要求；
（3）想要紅老虎，能給出“更紅”的結果。
從具體資料來看，微調後的模型人類滿意度為50%，相比原來的模型（3%），得到了47%的提高。
不過，代價是失去了5%的圖像清晰度。
從下圖我們也能很清楚的看到，右邊的狼明顯比左邊的糊一些：
對此，作者表示，使用更大的人類評價資料集和更好的優化 (RL) 方法，可以改善這種情況。
關于作者
本文一共9位作者。
一作為谷歌AI研究科學家Kimin Lee，南韓科學技術院博士，博士後研究在UC伯克利大學展開。
華人作者三位：
Liu Hao，UC伯克利在讀博士生，主要研究興趣為回報神經網絡。
Du Yuqing，同UC伯克利博士在讀，主要研究方向為無監督強化學習方法。
Shixiang Shane Gu (顧世翔)，通訊作者，大學師從三巨頭之一Hinton，博士畢業于劍橋大學。
△ 顧世翔
值得一提的是，寫這篇文章時他還是谷歌人，如今已經跳槽至OpenAI，并在那裡直接向ChatGPT負責人報告。
論文位址：
https://arxiv.org/abs/2302.12192
參考連結：
[1]https://twitter.com/kimin_le2/status/1629158733736718336
[2]https://openai.com/blog/instruction-following/
— 完 —
量子位 QbitAI · 頭條号簽約
關注我們，第一時間獲知前沿科技動态