RLHF 想必今天大家都不陌生，但在 ChatGPT 問世之前，將 RL 和 LM 結(jié)合起來的任務(wù)非常少見。這就導(dǎo)致此前大多做 RL 的同學(xué)不熟悉 Language Model（GPT）的概念，而做 NLP 的同學(xué)又不太了解 RL 是如何優(yōu)化的。在這篇文章中，我們將簡單介紹 LM 和 RL 中的一些概念，并分析 RL 中的「序列決策」是如何作用到 LM 中的「句子生成」任務(wù)中的，希望可以幫助只熟悉 NLP 或只熟悉 RL 的同學(xué)更快理解 RLHF 的概念。

1. RL: Policy-Based & Value Based

強化學(xué)習(xí)（Reinforcement Learning, RL）的核心概念可簡單概括為：一個機(jī)器人（Agent）在看到了一些信息（Observation）后，自己做出一個決策（Action），隨即根據(jù)采取決策后得到的反饋（Reward）來進(jìn)行自我學(xué)習(xí)（Learning）的過程。

光看概念或許有些抽象，我們舉個例子：現(xiàn)在有一個機(jī)器人找鉆石的游戲，機(jī)器人每次可以選擇走到相鄰的格子，如果碰到火焰會被燒死，如果碰到鉆石則通關(guān)。

機(jī)器人找鉆石的例子：碰到火焰則會被燒死

在這個游戲中，機(jī)器人（Agent）會根據(jù)當(dāng)前自己的所在位置（Observation），做出一次行為選擇（Action）：

如果它此時選擇「往上走」，則會碰到火焰，此時會得到一個來自游戲的負(fù)反饋（Reward），于是機(jī)器人會根據(jù)當(dāng)前的反饋進(jìn)行學(xué)習(xí)（Learning），總結(jié)出「在當(dāng)前的位置」「往上走」是一次錯誤的決策。

如果它此時選擇「向右走」，則不會碰到火焰，并且因為離鉆石目標(biāo)更近了一步，此時會得到一個來自游戲的正反饋（Reward），于是機(jī)器人會根據(jù)當(dāng)前的反饋進(jìn)行學(xué)習(xí)（Learning），總結(jié)出「在當(dāng)前位置」「往右走」是一次相對安全的決策。

通過這個例子我們可以看出，RL 的最終目標(biāo)其實就是要讓機(jī)器人（Agent）學(xué)會：在一個給定「狀態(tài)」下，選擇哪一個「行為」是最優(yōu)的。

一種很直覺的思路就是：我們讓機(jī)器人不斷的去玩游戲，當(dāng)它每次選擇一個行為后，如果這個行為得到了「正獎勵」，那么下次就多選擇這個行為；如果選擇行為得到了「負(fù)懲罰」，那么下次就少選擇這個行為。

為了實現(xiàn)「多選擇得分高的行為，少選擇得分低的行為」，早期存在 2 種不同的流派：Policy Based 和 Value Based。

Policy Based 將行為量化為概率；Value Based 將行為量化為值

其實簡單來說，這 2 種流派的最大區(qū)別就是在于將行為量化為「概率」還是「值」，具體來講：

Policy Based：將每一個行為量化為「概率分布」，在訓(xùn)練的時候，好行為的概率值將被不斷提高（向右走，0.9），差行為的概率將被不斷降低（向上走，0.1）。當(dāng)機(jī)器人在進(jìn)行行為選擇的時候，就會按照當(dāng)前的概率分布進(jìn)行采樣，這樣就實現(xiàn)了「多選擇得分高的行為，少選擇得分低的行為」。

Value Based：將每一個行為量化為「值」，在訓(xùn)練的時候，好行為的行為值將被不斷提高（向右走，1分），差行為的行為值將被不斷降低（向上走，-1）。當(dāng)機(jī)器人在進(jìn)行行為選擇的時候會選擇「行為值最大的動作」，這樣也實現(xiàn)了「多選擇得分高的行為，少選擇得分低的行為」。

兩種策略輸入一樣，只是輸出的形式不一樣（概率 v.s. 值）

關(guān)于這 2 種流派的更多訓(xùn)練細(xì)節(jié)在這里就不再展開，如果感興趣可以看看比較出名的代表算法：[Policy Gradient]（Policy Based）和 [Q-Learning]（Value Based）。

講到這里，我們可以思考一下，Language Model（GPT）是屬于 Policy Based 還是 Value Based ？

為了弄明白這個問題，我們下面一起看看 GPT 是怎么工作的。

2. Language Model（GPT）是一種 Policy Based 還是一種 Value Based？

GPT 是一種 Next Token Prediction（NTP），即：給定一段話的前提下，預(yù)測這段話的下一個字是什么。

GPT 工作原理（Next Token Prediction，NTP）

而 GPT 在進(jìn)行「下一個字預(yù)測」的時候，會計算出所有漢字可能出現(xiàn)的概率，并根據(jù)這個概率進(jìn)行采樣。

在這種情況下，我們完全可以將「給定的一段話」看成是我們上一章提到的 Observation，

將「預(yù)測的下一個字」看成是上一章提到的 Action，而 GPT 就充當(dāng)了其中 Agent 的角色：

GPT 生成文本的過程，一個典型的 Policy Based 過程

如此看來，Language Model 的采樣過程其實和 Policy Based 的決策過程非常一致。

回顧一下我們之前提到過 RL 的目標(biāo)：在一個給定「狀態(tài)」下，選擇哪一個「行為」是最優(yōu)的，

遷移到 GPT 生成任務(wù)上就變成了：在一個給定的「句子」下，選擇（續(xù)寫）哪一個「字」是最優(yōu)的。

因此，將 RL 中 Policy Based 的訓(xùn)練過程應(yīng)用到訓(xùn)練 GPT 生成任務(wù)里，一切都顯得非常的自然。

通過 RL 對 GPT 進(jìn)行訓(xùn)練，我們期望 GPT 能夠?qū)W會如何續(xù)寫句子才能夠得到更高的得分，

但，現(xiàn)在的問題是：游戲中機(jī)器人每走一步可以通過游戲分?jǐn)?shù)來得到 reward，GPT 生成了一個字后誰來給它 reward 呢？

3. 序列決策（Sequence Decision）以及單步獎勵（Step Reward）的計算

在第一章和第二章中，我們其實討論的都是「單步?jīng)Q策」：機(jī)器人只做一次決策，GPT 也只生成一個字。

但事實上，機(jī)器人想要拿到鉆石，通常需要做出 N 次行為選擇。

不同的行為選擇序列得到的得分：假設(shè)拿到 得1分，碰到 得-1分，其余情況不加分也不扣分

在這種情況下我們最終只有 1 個得分和 N 個行為，但是最終 RL 更新需要每個行為都要有對應(yīng)的分?jǐn)?shù)，

我們該如何把這 1 個總得分對應(yīng)的分配給所有的行為呢？

答案是計算「折扣獎勵（discount reward）」。

我們認(rèn)為，越靠近最末端的行為對得分的影響越大，于是從后往前，每往前行為就乘以 1 次折扣因子 γ：

根據(jù)最終得分（total reward），從后往前倒推出每一個行為的得分（step reward）

同樣，GPT 在生成一個完整句子的過程中，也會做出 N 個行為（續(xù)寫 N 個字），

而我們在評分的時候，只會針對最后生成的完整句子進(jìn)行一個打分（而不是生成一個字打一個分），

最后，利用上述方法通過完整句子的得分倒推出每個字的對應(yīng)得分：

注意：在 GPT 的得分計算中，通常折扣因子（γ）取 1.0

值得注意的是：通常在對 GPT 生成句子進(jìn)行得分拆解的時候，折扣因子（γ）會取 1.0，

這意味著，在句子生成任務(wù)中，每一個字的生成都會同等重要地影響著最后生成句子的好壞。

我們可以這么理解：在找鉆石的游戲中，機(jī)器人采取了一些「不當(dāng)」的行為后是可以通過后續(xù)行為來做修正，比如機(jī)器人一開始向右走（正確行為），再向左走（不當(dāng)行為），再向右走（修正行為），再向上走（正確行為），這個序列中通過「修正行為」能夠修正「不當(dāng)行為」帶來的影響；但在句子生成任務(wù)中，一旦前面生成了一個「錯別字」，后面無論怎么生成什么樣的字都很難「修正」這個錯別字帶來的影響，因此在文本生成的任務(wù)中，每一個行為都會「同等重要」地影響最后句子質(zhì)量的好壞。

4. 加入概率差異（KL Penalty）以穩(wěn)定 RL 訓(xùn)練

除了折扣獎勵，在 OpenAI 的 [Learning to summarize from human feedback] 這篇工作中指出，

在最終生成句子的得分基礎(chǔ)上，我們還可以在每生成一個字時候，計算 RL 模型和 SFT 模型在生成當(dāng)前字的「概率差異」，并以此當(dāng)作生成當(dāng)前字的一個 step reward：

通過概率差異（KL）作為 reward 有 2 個好處：1. 避免模型崩潰到重復(fù)輸出相同的一個字（模式崩潰）。2. 限制 RL 不要探索的離一開始的模型（SFT）太遠(yuǎn)

通常在進(jìn)行 RL 訓(xùn)練時，初始都會使用 SFT 模型做初始化，隨即開始探索并學(xué)習(xí)。

由于 RL 的訓(xùn)練本質(zhì)就是：探索 + 試錯，

加上「概率差異」這一限制條件，就相當(dāng)于限制了 RL 僅在初始模型（SFT）的附近進(jìn)行探索，

這就大大縮小了 RL 的探索空間：既避免了探索到那些非常差的空間，又緩解了 Reward Model 可能很快被 Hacking 的問題。

我們舉一個具體的例子：

加上 KL 懲罰（概率差異）約束后的 step reward

如上圖所示，對于「大家好，我是」這個 prompt，Policy（RL）Model 認(rèn)為「雞太美」是一個很好的答案，

這可能是 Reward Model 打分不準(zhǔn)導(dǎo)致的（這很常見），上圖中 RM 給「雞太美」打出了 2 分的高分（綠色）。

但是，這樣一個不通順的句子在原始的模型（SFT Model）中被生成出來的概率往往是很低的，

因此，我們可以計算一下「雞太美」這 3 個字分別在 RL Model 和在 SFT Model 中被采樣出來的概率，

并將這個「概率差異」加到 RM 給出的「折扣分?jǐn)?shù)」中，

我們可以看到：盡管對于這個不通順的句子 RM 給了一個很高的分?jǐn)?shù)，但是通過「概率差異」的修正，每個字的 reward 依然被扣除了很大的懲罰值，從而避免了這種「RM 認(rèn)為分?jǐn)?shù)很高，但實則并不通順句子」被生成出來的情況。

通過加入「概率差異」的限制，我們可以使得 RL 在 LM 的訓(xùn)練中更加穩(wěn)定，防止進(jìn)化為生成某種奇怪的句子，但又能「哄騙」Reward Model 給出很高分出的情況（RL 非常擅長這一點）。

但，如果你的 RM 足夠的強大，永遠(yuǎn)無法被 Policy 給 Hack，或許你可以完全放開概率限制并讓其自由探索。