硅星人的读者朋友们，应该对 GPT-3 完全不陌生了：它是由硅谷顶级 AI 基础研究机构 OpenAI 推出的超大规模语言生成模型，“-3” 也表示它已经是这个 GPT 系列的第三代了。它的训练参数量超过了1750亿，在当时惊为天人。

虽然谷歌和智源等机构也在后来发布了各自的万亿参数量超大模型，GPT-3 仍然在大模型的领域占有一席之地——关键原因之一，就在于 GPT-3 已经被开发成了 OpenAI API，广泛投入到了商业使用，被微软等一众大公司所采用。

GPT-3 的能力非常强，被称为“万能生成器”，不仅限于语言，甚至还能生成数学公式、Excel 表格函数、回答问题、作诗、解数学题、翻译代码等等——此前，我们在这篇文章里曾经介绍过，GPT-3 的能力有多么的强大。

然而，自从诞生以来，GPT-3 一直伴随着巨大的争议。比如，一些来自顶级学府的调查论文发现，以 GPT 系列为代表的一些生成模型，其生成的结果通常包含基于性别和族裔的偏见。硅星人还曾独家报道过，因为意见不合、对组织的研究方向不满等，一些 OpenAI 前核心员工在2020年底集体离职，创办了新的研究机构 Anthropic。

OpenAI 想要用 GPT-3/OpenAI API 大赚特赚，这完全可以理解，毕竟现在的 OpenAI 早已不是纯粹的研究机构，而是有着研究和商业混合的双重身份。但不管怎样，它都需要尽快妥善解决生成类神经网络模型“不听话”、“不可解释”、“体现甚至放大训练数据当中偏见”等各种各样的问题……

过去的一年里，OpenAI 也确实是这样做的。

最近，该机构终于发布了最新进展：一个改良版的，更“听话”也更“安全”的 GPT-3——InstructGPT.

“我们成功训练出了在遵守用户意图方面比 GPT-3 显著更强的新语言模型，并且同时确保这些模型更加诚实，减少了有害结果的生成。具体来说，我们采用了在对齐 (alignment) 研究当中掌握的技术，使得这些训练结果成为可能，”OpenAI 表示。

新的模型名为 InstructGPT（instruct 是指导的意思），意即和一般模型训练的自我监督模式不同，这次在新模型的训练当中，OpenAI 重度使用了人类作为“教师”的身份，对模型训练进行反馈和指导。

这次的 InstructGPT 模型，可以说是“原版” GPT-3 基础之上的“加强版”。

之前的 OpenAI API 采用的是“原版” GPT-3 模型。然而在完成任务的时候，有时候会生成不诚实、有害的内容，或者反映某些不健康的情绪。

OpenAI 指出，这是因为原版 GPT-3 的训练语料数据来自全网，并且模型的设计功能就是根据现有单词预测下一单词，它的任务不是“根据用户的需要，安全地完成语言任务”。也即，原版的 GPT-3 模型并没有和用户“对齐”(align)。

在新模型的训练中，OpenAI 采用了一种已经存在的训练技巧，从人类反馈中进行强化学习 (reinforcement learning from human feedback，简称 RLHF)。

首先，OpenAI API 的用户对 GPT-3 发出了各种各样的提问 (prompt)；OpenAI 找了40个人作为数据标记员，根据这些用户提问生成理想答案；然后，OpenAI 再用这些数据对 GPT-3 进行优化微调，设计出新的激励模型；数据标记员对不同 GPT-3 模型版本生成的结果进行打分：

在内容有害性 benchmark 中，OpenAI 采用了 RealToxicity 这样一个包含大量有害内容的训练数据集，结果显示 InstructGPT 的有害性 0.196，低于 GPT-3 的 0.233.

值得一提的是：InstructGPT 已经作为 OpenAI API 的语言模型，内测长达一年的时间了，提升非常显著，效果令人满意。

所以，OpenAI 也已经决定，将 OpenAI API 的背后的默认语言模型技术，从原版 GPT-3 直接更换为 InstructGPT。

“我们相信，在训练循环中加入人类反馈对模型进行微调，能够有效改善模型的安全性和可靠性，我们也将持续在此方向上努力，”OpenAI 在官网上写道，

更重要的是，据 OpenAI 透露，InstructGPT 也是该机构持续多年的对齐研究的成果首次应用于其产品，“我们这样做的一个最重要目的，就是让语言模型更加有用，更加真诚，并且有效抑制有害内容和偏见的生成。”

不过，这种新的模型训练方式也有其弊端。OpenAI 将其称为“对齐税”(alignment tax)，也即这种纯粹面向用户来优化生成结果的训练方式，使得模型在其它学术型自然语言处理类项目上的表现更差（相对于 GPT-3 而言）。

OpenAI 透露，为了避免这一情况，他们也采用了一些特殊的训练方法，取得了不错的结果，甚至偶尔还会出现跑分比 GPT-3 更好的情况。

机器学习技术近几年突飞猛进，许多强大的 AI 算法诞生。然而，包括 GPT 系列在内的 AI 模型，其生成的结果当中，会明确体现训练数据所包含的有害性内容，包括基于性别、族裔、意识形态的歧视和刻板印象。

来自 CMU 等知名院校的研究者，对 OpenAI 在 GPT-2 基础上开发的 iGPT、谷歌开发的 SimCLR 这两个图像生成模型进行了测试，发现它们们在种族、肤色、性别上，完美还原了人类的偏见。

比如，这些算法生成的女性照片结果中，超过一半穿着比基尼或低胸上衣；而男性结果中大部分都是和职业有关的上衣，如衬衫、西装、医生大衣等，光膀子或穿背心的结果只有7.5%。

研究者还发现，这些算法更多将男人和“商务”、“办公室”关联，将女人和“孩子”、“家庭”关联；白人更多和工具关联，而黑人更多和武器关联。

另一篇来自于斯坦福大学和麦克马斯特大学的论文指出，GPT-3 等大规模语言生成模型对一些民族存在严重的歧视问题，在生成结果中经常将他们和枪支、炸药、谋杀、暴力关联在一起。

批评者普遍认为，生成类模型出现这种问题的背后原因就是它们所采用的方法——无监督或自监督学习。这种训练方式的好处，在于一些领域普遍缺乏标注数据集，而无监督学习在缺乏标注数据的条件下表现仍然比较优秀；然而它的坏处，就在于它会不可避免地“学会”数据集当中所隐含的歧视思维。

与此同时，OpenAI 也在加大、加快 GPT-3 的商业化。比如在2020年 OpenAI 正式公布 GPT-3 不久后，微软就宣布和该机构展开深度合作，独家获得 GPT-3 授权，将其应用到微软用户使用的各种产品和 AI 解决方案中。

而这样的问题得不到解决，意味着更多人可能会在使用科技产品时，受到歧视和偏见的“二次伤害”……

去年，一家名为 Anthropic 的 AI 科研机构宣布成立 。该机构的非营利运作模式和初期的 OpenAI 十分相似，而实际上其创始团队正是从 OpenAI 出走的：

创始人 Dario & Daniela Amodei 兄妹 都是 OpenAI 早期员工。Dario 曾在百度研究院工作，在吴恩达手下干过，发表过多篇可解释 AI、AI 安全方面的论文，离职前在 OpenAI 担任研究 VP；Daniela 离职前担任 OpenAI 安全和政策 VP；其它创始成员如 Chris Olah、Jared Kaplan、Sam McCandlish、Gabriel Goh 等，均为 OpenAI 核心人员。

而在当时，硅星人曾经独家报道，这些人从 OpenAI 出走并创立 Anthropic，正是因为不认可 OpenAI 的方向改变和某些做法。

Anthropic 成员认为，人们正在疯狂地把某些“一知半解”的知识用于开发神经网络，并且又把这样开发出来的 AI 系统用于越来越高风险的场景，同时却又缺额发对于 AI 可解释性和安全的思考——这就是深度学习领域的现状。

Dario Amodei 接受媒体采访时就曾直言，AI 研究人员应该开发更安全的系统，而不是执迷于“放卫星”似的，盲目开发参数量越来越大的神经网络。

——这基本就是在对 OpenAI 隔空喊话：你们已经忘记了初心。

今天的 OpenAI 已经不再是一家纯粹的非营利研究机构了，而是基本成为了商业公司。但好在，它似乎也已痛定思痛，认清了模型越大偏见越大的问题，并且也看到了这种超大模型应用于商业场景时带来的极大社会风险，所以加紧对 GPT-3 进行可控、可解释，以及安全方面的优化，带来了今天的 InstructGPT 模型。

OpenAI 首席科学家，AI 大神 Ilya Sutskever 表示：“我们很兴奋地看到客户也更青睐这些对齐模型（即 InstructGPT），这意味着我们有更多的激励来开发和完善此类模型。”

*注：题图来自于 Pixabay/Protocol ，版权属于原作者。如果不同意使用，请尽快联系我们，我们会立即删除。