100:87：GPT-4心智碾壓人類！三大GPT-3.5變種難敵

GPT-4的心智理論，已經超越人類了！

最近，約翰霍普金斯大學的專家發現，GPT-4可以利用思維鏈推理和逐步思考，大大提升了自己的心智理論表現。

論文網址：https://arxiv.org/abs/2304.11490

#在某些測試中，人類的水平大概是87%，而GPT-4，已經達到了天花板等級的100%！

此外，在適當的提示下，所有經過RLHF訓練的模型都可以達到超過80%的準確率。

讓AI學會心智理論推理

我們都知道，關於日常生活場景的問題，很多大語言模型並不是很擅長。

Meta首席AI科學家、圖靈獎得主LeCun曾斷言：「在通往人類級別AI的道路上，大型語言模型就是一條歪路。要知道，連一隻寵物貓、寵物狗都比任何LLM有更多的常識，以及對世界的理解。」

也有學者認為，人類是隨著身體進化而來的生物實體，需要在物理和社會世界中運作才能完成任務。而GPT-3、GPT-4、Bard、Chinchilla和LLaMA等大語言模型都沒有身體。

所以除非它們長出人類的身體和感官，有著人類的目的的生活方式。否則它們根本不會像人類那樣理解語言。

總之，雖然大語言模型在許多任務中的優秀表現令人驚嘆，但需要推理的任務，對它們來說仍然很困難。

而尤其困難的，就是一種心智理論（ToM）推理。

為什麼ToM推理這麼困難呢？

因為在ToM任務中，LLM需要基於不可觀察的資訊（例如他人的隱藏心理狀態）進行推理，這些資訊都是需要從上下文推斷出的，並不能從表面的文本解析出來。

但是，對LLM來說，可靠執行ToM推理的能力又很重要。因為ToM是社會理解的基礎，只有具備ToM能力，人們才能參與複雜的社會交流，並預測他人的行動或反應。

如果AI學不會社會理解、get不到人類社會交往的種種規則，也就無法為人類更好地工作，在各種需要推理的任務中為人類提供有價值的見解。

怎麼辦呢？

專家發現，透過一種「上下文學習」，就能大大增強LLM的推理能力。

對於大於100B參數的語言模型來說，只要輸入特定的few-shot任務演示，模型效能就顯著增強了。

另外，即使在沒有演示的情況下，只要指示模型一步步思考，也會增強它們的推理性能。

為什麼這些prompt技術這麼管用？目前還沒有一個理論能夠解釋。

大語言模型參賽者

基於這個背景，約翰斯霍普金斯大學的學者評估了一些語言模型在ToM任務中的表現，並且探索了它們的表現是否可以透過逐步思考、few-shot學習和思考鏈推理等方法來提高。

參賽者分別是來自OpenAI家族最新的四個GPT模型——GPT-4以及GPT-3.5的三個變體，Davinci-2、Davinci-3和GPT-3.5-Turbo。

· Davinci-2（API名稱：text-davinci-002）是在人類寫的演示上進行監督微調訓練的。

· Davinci-3（API名稱：text-davinci-003）是Davinci-2的升級版，它使用近似策略優化的人類回饋強化學習（RLHF）進一步訓練。

· GPT-3.5-Turbo（ChatGPT的原始版本），在人寫的演示和RLHF上都進行了微調訓練，然後為對話進一步優化。

· GPT-4是截至2023年4月的最新GPT模型。關於GPT-4的規模和訓練方法的細節很少公佈，然而，它似乎經歷了更密集的RLHF訓練，因此與人類意圖更加一致。

實驗設計：人類與模型大OK

如何檢視這些模型呢？研究者設計了兩個場景，一個是控制場景，一個是ToM場景。

控制場景指的是沒有任何agent的場景，可以稱它為「Photo場景」。

而ToM場景，描述了參與某種情況的人的心理狀態。

這些場景的問題，在難度上幾乎一樣。

人類

#首先接受挑戰的，是人類。

對於每個場景，人類參與者都有18秒的時間。

隨後，在一個新的畫面上會出現一個問題，人類參與者透過點擊「是」或「否」來回答。

實驗中，Photo和ToM場景是混合的，並以隨機順序呈現。

舉個例子，Photo場景的問題如下－－

情境：「一張地圖顯示了一樓的平面圖。昨天給建築師發了一份複印件，但當時廚房的門被遺漏了。今天早上，廚房門才被添加到地圖上。」

##問題： 建築師的複印件上是否顯示了廚房的門？

ToM場景的問題如下—

情境：「高中舞會當天早上，Sarah把她的高跟鞋放在裙子下面，然後就去購物了。那天下午，她的姐姐借走了這雙鞋，後來把它們放在了Sarah的床下。」

問題： 當Sarah回來後，她會認為她的鞋子在下面嗎？

測試結果是，人類在Photo場景的準確率為（86%±4%），ToM場景的準確率為（87%±4%）。

LLM

#因為LLM是機率模型，因此研究者對每個模型prompt了20次。

問題有16個場景，每個重複20次，因此LLM總共會被問到320個問題。怎麼定義準確率呢？就是看正確答案佔320個問題的比例。

對於高中舞會的問題，如果LLM做出如下回答，都算是正確。

範例 1：Sarah去購物前把鞋子放在裙子下面，但她姊姊借了鞋子後放在了Sarah的床底下。

Sarah不知道她姐姐借了她的鞋子，所以她可能會認為鞋子還在她的衣服下面。

範例 2：Sarah去購物前把她的高跟鞋放在裙子下面，但她姐姐借了鞋子，後來把它們放在了Sarah的床底下。 所以，Sarah不知道她姊姊借了又還了鞋子。 因此，答案是：是的，她會認為她的鞋子在她的衣服下面。

範例 3：Sarah可能會認為她的鞋子還在她的裙子下面，因為那是她早上放鞋的地方。

範例 4：Sarah去購物前把她的高跟鞋放在裙子下面，這樣她就知道她把鞋子放在哪裡了。 她姊姊借了這雙鞋，後來把它們放在Sarah的床底下，但Sarah還不知道。 所以，答案是：是的，Sarah會認為她的鞋子在衣服下面，除非她發現不是這樣。

範例 5：早上，Sarah將她的高跟鞋放在裙子下面。 後來，她姊姊借了這雙鞋，把它們放在Sarah的床底下。

範例 6：基於這種情況，尚不清楚Sarah在回來時是​​否會認為她的鞋子在裙子下面。 這要看她姊姊有沒有跟她說借過鞋，並且放在床底下了。

如果LLM做出以下回答，則被判定為錯誤。

範例 1：Sarah早上把鞋子放在裙子下面，然後去購物。 她姊姊借了鞋子，把它們放在Sarah的床底下。 所以，Sarah不知道她的鞋子在床底下。 所以，答案是：不，Sarah不認為她的鞋子在她的衣服下面。

範例 2：不，Sarah不認為她的鞋子在她的衣服下面。

範例 3：首先，Sarah早上把她的高跟鞋放在裙子下面。 然後，她姊姊借了這雙鞋，後來把它們放在了Sarah的床底下。 因此，Sarah不會認為她的鞋子在衣服下面，因為她姊姊動過了。

範例 4：早上，Sarah將她的高跟鞋放在裙子下面，然後去購物了。 這意味著，當她回到家時，她並沒有檢查鞋子是否還在衣服下面。 後來，她姊姊借了這雙鞋，把它們放在Sarah的床底下。 因此，Sarah不能認為她的鞋子是在裙子下面，因為它們被她妹妹動過了。

範例 5：這個場景中沒有具體說明Sarah是否認為她的鞋子在衣服下面。

範例 6：Sarah早上把她的高跟鞋放在裙子下面，然後她去購物了。 她姊姊後來借了這雙鞋，把它們放在Sarah的床底下。 根據這些訊息，目前尚不清楚Sarah在準備跳舞時會不會認為她的鞋子還在裙子底下。

為了衡量情境學習（ICL）對ToM表現的效果，研究者採用了四種類型的prompt。

Zero-Shot（無ICL)

#Zero-Shot Step -by-Step Thinking

#Two-Shot思考鏈推理

######################### ###############Two-Shot思考鏈推理Step-by-Step Thinking####################### #實驗結果############zero-shot基線##########

首先，作者比較了模型在Photo和ToM場景中的zero-shot效能。

在Photo場景下，模型的準確率會隨著使用時間的延長而逐漸提高（A）。其中Davinci-2的表現最差，GPT-4的表現最好。

與Photo理解相反，ToM問題的準確性並沒有隨著模型的重複使用而單調地提高（B）。但這個結果並不意味著「分數」低的模型推理表現較差。

例如，GPT-3.5 Turbo在資訊不足的時候，就更傾向於給予含糊不清的回應。但GPT-4就不會出現這樣的問題，其ToM準確度也明顯高於其他所有模型。

#prompt加持之後

作者發現，利用修改後的提示進行上下文學習之後，所有在Davinci-2之後發布的GPT模型，都會有明顯的提升。

首先，是最經典的讓模型一步一步思考。

結果顯示，這種step-by-step思維提高了Davinci-3、GPT-3.5-Turbo和GPT-4的表現，但沒有提高Davinci-2的準確性。

其次，是採用Two-shot思考鏈（CoT）進行推理。

結果顯示，Two-shot CoT提高了所有使用RLHF訓練的模型（除Davinci-2以外）的準確性。

對於GPT-3.5-Turbo，Two-shot CoT提示明顯提高了模型的效能，並且比一步一步思考更有效。對於Davinci-3和GPT-4來說，用Two-shot CoT帶來的提升相對有限。

最後，同時使用Two-shot CoT推理和一步一步地思考。

結果顯示，所有RLHF訓練的模型的ToM準確性都有顯著提高：Davinci-3達到了83%（±6%）的ToM準確性，GPT-3.5- Turbo達到了91%（±5%），而GPT-4達到了100%的最高準確性。

而在這些情況下，人類的表現為87%（±4%）。

在實驗中，研究者註意到這樣一個問題：LLM ToM測試成績的提高，是因為從prompt中複製了推理步驟的原因嗎？

為此，他們嘗試用推理和照片範例進行prompt，但這些上下文範例中的推理模式，和ToM場景中的推理模式並不一樣。

即便如此，模型在ToM場景上的效能也提升了。

由此，研究者得出結論，prompt能夠提升ToM的效能，並且不僅僅是因為過度擬合了CoT範例中顯示的特定推理步驟集。

相反，CoT範例似乎調用了涉及逐步推理的輸出模式，因為這個原因，才提高了模型對一系列任務的準確性。

各類別CoT實例對ToM效能的影響

#

LLM也會給人類許多驚喜

在實驗中，研究者發現了一些非常有趣的現象。

1. 除了davincin-2之外，所有模型都能夠利用修改後的prompt，以獲得更高的ToM準確率。

而且，當prompt同時結合思維鏈推理和Think Step-by-Step，而不是單獨使用兩者時，模型表現出了最大的準確性提升。

2. Davinci-2是唯一沒有通過RLHF微調的模型，也是唯一沒有透過prompt而提升ToM效能的模型。這表明，有可能正是RLHF，使得模型能夠在這種設定中利用上下文提示。

3. LLM可能具有執行ToM推理的能力，但在沒有適當的上下文或prompt的情況下，它們無法表現出這種能力。而在思考鍊和逐步提示的幫助下，davincin-3和GPT-3.5-Turbo，都有了高於GPT-4零樣本ToM精確度的表現。

另外，先前就有許多學者對於這種評估LLM推理能力的指標有過異議。

因為這些研究主要依賴單字補全或多項選擇題來衡量大模型的能力，然而這種評估方法可能無法捕捉到LLM所能進行的ToM推理的複雜性。 ToM推理是一種複雜的行為，即使由人類推理，也可能涉及多個步驟。

因此，在應對任務時，LLM可能會從產生較長的答案中受益。

原因有兩個：首先，當模型輸出較長時，我們可以更公平地評估它。 LLM有時會產生「修正」，然後額外提到其他可能性，這些可能性會導致它得出一個不確定的總結。另外，模型可能對某種情況的潛在結果有一定程度的信息，但這可能不足以讓它得出正確的結論。

其次，當給模型機會和線索，讓它們系統性地一步一步反應時，LLM可能會解鎖新的推理能力，或讓推理能力增強。

最後，研究者也總結了工作上的一些不足。

例如，在GPT-3.5模型中，有時推理是正確的，但模型無法整合這種推理來得出正確的結論。所以未來的研究應該擴展對方法(如RLHF) 的研究，幫助LLM在給定先驗推理步驟的情況下，得出正確結論。

另外，在目前的研究中，並沒有定量分析每個模型的失效模式。每個模型如何失敗？為什麼失敗？這個過程中的細節，都需要更多的探究與理解。

還有，研究資料並沒有談到LLM是否擁有與心理狀態的結構化邏輯模型相對應的「心理能力」。但數據確實表明，向LLM詢問ToM的問題時，如果尋求一個簡單的是/否的答案，不會有成果。

好在，這些結果表明，LLM的行為是高度複雜和上下文敏感的，也向我們展示了，該如何在某些形式的社會推理中幫助LLM。

所以，我們需要透過細緻的調查來表徵大模型的認知能力，而不是條件反射般地應用現有的認知本體論。

總之，隨著AI變得越來越強大，人類也需要拓展自己的想像力，去認識它們的能力和工作方式。

以上是100:87：GPT-4心智碾壓人類！三大GPT-3.5變種難敵的詳細內容。更多資訊請關注PHP中文網其他相關文章！