一、強(qiáng)化學(xué)習(xí)基礎(chǔ)概述

強(qiáng)化學(xué)習(xí)是機(jī)器學(xué)習(xí)的一個(gè)分支，核心在于智能體（agent）與環(huán)境（environment）的交互。智能體執(zhí)行動(dòng)作（action），環(huán)境隨之反饋獎(jiǎng)勵(lì)（reward）和新的狀態(tài)（state）。智能體的目標(biāo)便是通過(guò)不斷試錯(cuò)，學(xué)習(xí)到能最大化長(zhǎng)期累積獎(jiǎng)勵(lì)的策略（policy） 。

大語(yǔ)言模型的預(yù)訓(xùn)練依賴海量無(wú)監(jiān)督文本數(shù)據(jù)，構(gòu)建起龐大的參數(shù)空間來(lái)捕捉語(yǔ)言規(guī)律。然而，這一過(guò)程存在諸多短板：

• 缺乏任務(wù)針對(duì)性：預(yù)訓(xùn)練后的模型像是個(gè)“知識(shí)雜燴”，面對(duì)具體任務(wù)，如撰寫專業(yè)法律文書(shū)、創(chuàng)意故事寫作時(shí)，難以迅速精準(zhǔn)輸出，容易給出寬泛、缺乏重點(diǎn)的回答。
• 與人類偏好偏差：預(yù)訓(xùn)練沒(méi)考量人類主觀的審美、價(jià)值觀與交流習(xí)慣，生成內(nèi)容可能冰冷機(jī)械，不符合日常溝通期待，甚至偶爾輸出不當(dāng)、冒犯性言論。
• 數(shù)據(jù)分布適應(yīng)性弱：現(xiàn)實(shí)世界數(shù)據(jù)分布瞬息萬(wàn)變，新流行語(yǔ)、新事件帶來(lái)全新語(yǔ)義分布，單純依靠預(yù)訓(xùn)練時(shí)的固定數(shù)據(jù)難以靈活應(yīng)變。

強(qiáng)化學(xué)習(xí)此時(shí)閃亮登場(chǎng)，它能基于即時(shí)反饋，動(dòng)態(tài)調(diào)整模型行為，宛如給懵懂的“語(yǔ)言天才”配備一位實(shí)時(shí)指導(dǎo)的導(dǎo)師，精準(zhǔn)雕琢模型輸出。

二、強(qiáng)化學(xué)習(xí)受寵于LLM的原因

（一）彌補(bǔ)預(yù)訓(xùn)練局限

大語(yǔ)言模型的預(yù)訓(xùn)練依賴海量文本數(shù)據(jù)，它貪婪地?cái)z取知識(shí)，構(gòu)建起龐大的語(yǔ)言表征體系。然而，預(yù)訓(xùn)練無(wú)法充分考量真實(shí)場(chǎng)景下用戶多樣化、動(dòng)態(tài)化的需求。就好比學(xué)生在圖書(shū)館通讀各類書(shū)籍打基礎(chǔ)，但缺乏應(yīng)對(duì)實(shí)際復(fù)雜考試場(chǎng)景的針對(duì)性練習(xí)。強(qiáng)化學(xué)習(xí)介入后，能夠依據(jù)即時(shí)反饋校準(zhǔn)模型輸出，促使其貼合人類期望的回應(yīng)模式，把寬泛的知識(shí)儲(chǔ)備精準(zhǔn)應(yīng)用于具體任務(wù)。

（二）提升模型適應(yīng)性

現(xiàn)實(shí)世界的數(shù)據(jù)分布處于持續(xù)變動(dòng)中，新話題、新表述、新語(yǔ)境層出不窮。傳統(tǒng)的監(jiān)督學(xué)習(xí)依賴固定數(shù)據(jù)集微調(diào)，面對(duì)分布外的數(shù)據(jù)時(shí)效果大打折扣。強(qiáng)化學(xué)習(xí)構(gòu)建起模型與環(huán)境交互的閉環(huán)，通過(guò)不斷試錯(cuò)與獎(jiǎng)勵(lì)反饋，讓LLM可以迅速適應(yīng)全新的數(shù)據(jù)分布。例如，當(dāng)網(wǎng)絡(luò)流行語(yǔ)更迭時(shí)，經(jīng)強(qiáng)化學(xué)習(xí)優(yōu)化的LLM能更快捕捉語(yǔ)義變化，給出契合當(dāng)下語(yǔ)境的回答。

（三）對(duì)齊人類偏好

人工智能產(chǎn)品最終服務(wù)于人類用戶，模型輸出需契合人類的價(jià)值觀、審美與交流習(xí)慣。強(qiáng)化學(xué)習(xí)中的獎(jiǎng)勵(lì)信號(hào)能夠融入人類反饋，構(gòu)建起人類偏好模型，引導(dǎo)LLM生成的文本更人性化、更有同理心。未經(jīng)優(yōu)化的生成內(nèi)容可能冗長(zhǎng)、晦澀，而基于人類反饋的強(qiáng)化學(xué)習(xí)能讓回復(fù)變得親切自然，像貼心老友給出靠譜建議。

（四）優(yōu)化效率與成本

持續(xù)擴(kuò)大模型規(guī)模來(lái)提升性能，面臨算力瓶頸與高昂成本。強(qiáng)化學(xué)習(xí)聚焦于策略優(yōu)化而非單純的數(shù)據(jù)堆砌，利用少量高質(zhì)量反饋數(shù)據(jù)，就能對(duì)模型行為做出顯著改進(jìn)。相比海量數(shù)據(jù)的二次預(yù)訓(xùn)練，強(qiáng)化學(xué)習(xí)像是四兩撥千斤的巧勁，用精打細(xì)算的方式讓LLM“更上一層樓”。

三、近端策略優(yōu)化（PPO）在LLM中的應(yīng)用

（一）PPO算法原理

近端策略優(yōu)化屬于策略梯度算法家族，旨在更高效、穩(wěn)定地更新策略網(wǎng)絡(luò)。它限制新策略與舊策略的偏離程度，防止策略更新步子邁得太大，掉進(jìn)局部最優(yōu)陷阱。通過(guò)優(yōu)化目標(biāo)函數(shù)，利用重要性采樣，權(quán)衡新舊策略下動(dòng)作的概率與獎(jiǎng)勵(lì)反饋，實(shí)現(xiàn)策略的漸進(jìn)式優(yōu)化。

（二）在LLM里的實(shí)踐

OpenAI將PPO廣泛應(yīng)用于GPT系列。模型生成文本片段時(shí)，PPO會(huì)依據(jù)獎(jiǎng)勵(lì)函數(shù)評(píng)估。獎(jiǎng)勵(lì)考量多維度因素：

• 連貫性：文本讀起來(lái)是否通順流暢，有無(wú)邏輯跳躍，例如在講述歷史事件脈絡(luò)時(shí)，連貫的敘述才能讓讀者跟上節(jié)奏。
• 準(zhǔn)確性：針對(duì)科普、資訊類內(nèi)容，輸出的事實(shí)、數(shù)據(jù)必須精準(zhǔn)無(wú)誤，不然會(huì)誤導(dǎo)受眾。
• 安全性：禁止生成包含歧視、暴力、虛假信息等不良內(nèi)容，一旦觸及紅線，給予嚴(yán)厲負(fù)向獎(jiǎng)勵(lì)。

借助PPO，GPT不斷微調(diào)策略網(wǎng)絡(luò)，讓生成質(zhì)量穩(wěn)步攀升，輸出從混亂無(wú)序走向條理清晰、合規(guī)有用。

四、基于人類反饋的強(qiáng)化學(xué)習(xí)（RLHF）

（一）RLHF流程拆解

1. 數(shù)據(jù)收集：首先要匯聚海量人類反饋數(shù)據(jù)。比如向志愿者展示模型對(duì)同一問(wèn)題的不同回答，讓他們標(biāo)記出更喜歡的回復(fù)；或是收集專業(yè)編輯對(duì)模型生成文章的修改意見(jiàn)，標(biāo)記優(yōu)劣差異。
2. 獎(jiǎng)勵(lì)模型構(gòu)建：把收集的人類偏好數(shù)據(jù)“翻譯”成量化的獎(jiǎng)勵(lì)信號(hào)，訓(xùn)練出一個(gè)小型的獎(jiǎng)勵(lì)模型，用于預(yù)測(cè)給定文本能獲得的人類偏好分?jǐn)?shù)。
3. 強(qiáng)化學(xué)習(xí)循環(huán)：主模型生成文本，獎(jiǎng)勵(lì)模型打分，依據(jù)分?jǐn)?shù)用強(qiáng)化學(xué)習(xí)算法更新主模型，促使它下次生成更契合人類喜好的內(nèi)容。

（二）RLHF的變革性影響

以ChatGPT為例，RLHF是它風(fēng)靡全球的關(guān)鍵“魔法”。在日常閑聊場(chǎng)景，未經(jīng)RLHF的模型可能回復(fù)生硬簡(jiǎn)短；經(jīng)RLHF打磨后，ChatGPT能感知用戶情緒，俏皮打趣、暖心安慰，瞬間拉近與用戶距離。在答疑領(lǐng)域，回答也從干巴巴的條文羅列，變成通俗易懂、舉例生動(dòng)的貼心講解，深度匹配用戶期望。

五、OpenAI O1開(kāi)啟的強(qiáng)化學(xué)習(xí)持續(xù)優(yōu)化范式

（一）動(dòng)態(tài)“后訓(xùn)練”理念

OpenAI O1打破傳統(tǒng)訓(xùn)練的階段性局限，倡導(dǎo)全生命周期的持續(xù)后訓(xùn)練。模型上線不是終點(diǎn)，而是新征程開(kāi)端。每日海量用戶交互反饋，都化作強(qiáng)化學(xué)習(xí)的燃料，當(dāng)晚就能微調(diào)模型參數(shù)，優(yōu)化第二天輸出。遇上突發(fā)新聞熱點(diǎn)、新網(wǎng)絡(luò)用語(yǔ)誕生，快速響應(yīng)更新知識(shí)與表達(dá)風(fēng)格。

（二）復(fù)合反饋融合

不再單純依賴用戶點(diǎn)贊、差評(píng)，O1整合文本語(yǔ)法檢查、語(yǔ)義完整性評(píng)估、倫理合規(guī)審查、任務(wù)完成效能考量等多源反饋。一篇財(cái)經(jīng)評(píng)論，既要語(yǔ)法正確、語(yǔ)義連貫，不能違規(guī)薦股，還得精準(zhǔn)預(yù)測(cè)市場(chǎng)走向，綜合反饋塑造更優(yōu)質(zhì)模型。

（三）拓展能力邊界

傳統(tǒng)框架下，LLM被初始設(shè)定束縛，O1利用強(qiáng)化學(xué)習(xí)試探未知策略空間。鼓勵(lì)模型挖掘冷門知識(shí)、新興學(xué)術(shù)理論，催生新穎創(chuàng)意內(nèi)容，不斷拓展智能邊界，給用戶帶來(lái)新奇體驗(yàn)。

六、強(qiáng)化學(xué)習(xí)應(yīng)用于LLM的挑戰(zhàn)與應(yīng)對(duì)

（一）獎(jiǎng)勵(lì)設(shè)計(jì)復(fù)雜性

設(shè)計(jì)普適公平的獎(jiǎng)勵(lì)函數(shù)困難重重。過(guò)于側(cè)重準(zhǔn)確性獎(jiǎng)勵(lì)，會(huì)扼殺創(chuàng)意；過(guò)度鼓勵(lì)新奇，又易產(chǎn)出不靠譜內(nèi)容。需結(jié)合對(duì)抗訓(xùn)練、分層獎(jiǎng)勵(lì)架構(gòu)，不同任務(wù)定制差異化獎(jiǎng)勵(lì)細(xì)則，平衡激勵(lì)方向。

（二）數(shù)據(jù)偏差與噪聲

人類反饋數(shù)據(jù)夾雜主觀偏見(jiàn)、文化局限，采集渠道局限也會(huì)引入噪聲。要擴(kuò)大數(shù)據(jù)收集范圍，跨地域、跨文化采集，用數(shù)據(jù)清洗、異常值剔除、多源數(shù)據(jù)交叉驗(yàn)證等手段凈化數(shù)據(jù)。

（三）算力與時(shí)長(zhǎng)難題

強(qiáng)化學(xué)習(xí)頻繁更新模型，算力消耗巨大，訓(xùn)練耗時(shí)漫長(zhǎng)。借助云算力租賃、自研高效計(jì)算芯片、算法并行化改造，削減計(jì)算成本，提速訓(xùn)練進(jìn)程。

七、未來(lái)展望

強(qiáng)化學(xué)習(xí)與LLM的融合正處于蓬勃發(fā)展的蜜月期。隨著算法創(chuàng)新持續(xù)迭代，獎(jiǎng)勵(lì)機(jī)制愈發(fā)精妙，反饋數(shù)據(jù)越發(fā)純凈海量，算力基建蓬勃發(fā)展，我們有望見(jiàn)證LLM蛻變成為真正的“智能伴侶”。

從無(wú)縫融入創(chuàng)意產(chǎn)業(yè)，激發(fā)人類無(wú)限靈感，到深度嵌入專業(yè)領(lǐng)域，成為可靠的決策輔助，強(qiáng)化學(xué)習(xí)驅(qū)動(dòng)的LLM將跨越當(dāng)下局限，勾勒出一個(gè)人機(jī)深度協(xié)同、知識(shí)共創(chuàng)共享的嶄新未來(lái)。

本文轉(zhuǎn)載自 ??智駐未來(lái)??，作者： 小智