•
世界模型又近了？MIT驚人研究：LLM已模擬現實世界，絕非隨機鸚鵡！
【新智元導讀】MIT CSAIL的研究人員發現，LLM的「內心深處」已經發展出了對現實的模擬，模型對語言和世界的理解，絕不僅僅是簡單的「鸚鵡學舌」。也就說，在未來，LLM會比今天更深層地理解語言。
LLM離世界模型，究竟有多遠？
去年，MIT的一篇文章發現了驚人的結論：在LLM內部，存在一個世界模型。
LLM不僅學習了表面的統計資料，還學習了包括空間和時間等基本緯度的世界模型。
Llama-2-70B竟然能夠描繪出研究人員真實世界的文字地圖
不僅如此，MIT最近又發現：在LLM的深處，發展出了一種對現實的模擬，它們對語言的理解，已經遠遠超出了簡單的模仿！
論文地址：https://arxiv.org/abs/2305.11169
具體來說，MIT電腦科學和人工智慧實驗室 （CSAIL）的兩名學者發現——
儘管只用「預測下一個token」這種看似只包含純粹統計機率的目標，來訓練LLM學習程式語言，模型依舊可以學習到程序中的形式化語義。
這表明，語言模型可能會發展自己對現實的理解，以此作為提高其生成能力的一種方式。
因此，LLM在未來的某一天，可能會比今天更深層次地理解語言。
目前這篇文章已被ICML 2024接收，實驗所用程式碼也已經公佈在GitHub上。
倉庫地址：https://github.com/charlesjin/emergent-semantics
沒有眼睛，LLM就「看」不到嗎？
如果讓GPT-4去聞一下被雨水浸濕的露營地的味道，它會禮貌地拒絕你。
不過，它仍然會給你一個詩意的描述：有新鮮的泥土香氣，和清爽的雨味，還有松樹或濕樹葉的痕跡。
GPT-4沒見過下雨，也沒有鼻子，但它能模仿大量訓練資料中存在的文字。
缺少一雙眼睛，是不是就意味著語言模型永遠無法理解「獅子比家貓更大」？
LLM能理解現實世界和各種抽象概念嗎？還是僅僅在「鸚鵡學舌」，純粹依靠統計機率預測下一個token?
LLM的工作原理，依舊是未解之謎。AI圈的大佬們，時不時就要因為這個問題展開一場論戰。
LeCun堅定認為，LLM的智能絕對被高估了！他最著名的論斷，就是那句「大語言模型不如家裡養的貓」。
「貓可以記憶，可以理解物理世界，可以計畫複雜的行動，可以進行一定程度的推理，這實際上已經比最大的模型要好了，意味著我們在概念層面有重要的缺失，無法讓機器像動物和人類一樣聰明。」
很多人將此解釋為純粹的統計現象，LLM只是在「鸚鵡學舌」，對大量訓練語料中存在的文字進行模仿，並不是像人類一樣擁有同等水平的智能或感知。
但現在，MIT的研究證明，並非如此！
LLM內部，絕對存在著對現實世界的理解。
LLM破解卡雷爾謎題，意味著什麼
為了探究這個謎團，MIT CSAIL的研究者們，開發了一套小型卡雷爾謎題（Karel Puzzle）。
簡單介紹下，什麼是卡雷爾謎題
其中包括讓模型用指令在模擬環境中控制機器人的行動。
卡雷爾語法規範
然後他們在訓練LLM學習一種特定的解決方案，但沒有演示其中的工作原理。
最後，作者提出了一種名為「探針」（probing）的機器學習技術，用於在模型生成新解決方案時，深入瞭解其中的「思維過程」。
研究者通過對隨機參考程序進行採樣來建構訓練示例，然後對5個隨機輸入進行採樣並執行程序，以獲得相應的5個輸出。LM由交錯輸入和輸出組成的示例語料庫上進行下一個token預測訓練，然後是參考程序。在測試時，研究者向LM提供看不見的輸入輸出規範，並使用貪婪解碼來預測程序
在超過100萬個隨機謎題上進行訓練後，研究人員發現，模型自發地形成了對底層模擬環境的概念！儘管訓練期間，它們並沒有接觸過這方面的資訊。
這個結果，不僅挑戰了我們對LLM的固有印象，也質疑了我們對思維過程本質的認知——
在學習語義的過程中，究竟那些類型的資訊才是必需的？
實驗剛開始時，模型生成的隨機指令幾乎無法運行；但完成訓練時，指令的正確率達到了92.4%。
論文一作Jin表示，「這是一個非常激動人心的時刻，因為我們認為，如果語言模型能以這種精準度完成任務，我們也會期望，它能理解語言的含義。」
「這給了我們一個起點，來探索LLM是否確實能理解文字，現在我們看到，模型的能力，遠不止於盲目地將單詞拼接在一起。」
打開LLM的大腦
在這項實驗中，Jin親眼目睹了這一進展。
LLM為什麼會認為，這些指令指的是這個意思？
他發現，LLM已經開發了自己的內部模擬，來模擬機器人如何響應每條指令而移動。
而隨著模型解決難題的能力越來越高，這些概念也就變得越來越準確，這就表明：LM開始理解指令了。
不久之後，LLM就能始終如一地將各部分正確地拼接在一起，形成工作指令。
通過不同的探針分類器測量的語義內容（綠色）
思維探針
而為上述發現做出主要貢獻的，就是一種「思維探針」。
這是一種介入LLM思維過程的有效工具，論文將它稱為「probing」。
具體而言，LM的狀態中包含輸入和生成程序的純語法層面的記錄，但probe似乎可以學習理解其中的抽象解釋。
實際的實驗中，作者首先建構LLM的狀態跟蹤資料集，再用標準的監督學習方法訓練一個小型模型作為探針，比如線性分類器或2層MLP。
訓練後半段當前和接下來兩個抽象狀態的語義內容（1層MLP）
然而，其中一個重要的問題在於，必須將probe和模型實際的思考過程或生成的指令進行分離。
雖然探針的唯一目的，只是「進入LLM的大腦」，但如果它也為模型做了一些思考，該怎麼辦呢？
研究者需要確保的是，LLM能夠獨立於探針理解指令，而不是由探針根據LLM對語法的掌握來推斷機器人的動作。
想像一下，有一堆編碼LLM思維過程的資料，其中probe的角色就像一名取證分析師。
我們把這堆資料交給了分析師，告訴ta：「這是機器人的動作，試著在這堆資料中，找出機器人是怎麼動的。」分析師表示，自己知道這堆資料中的機器人是怎麼回事。
但是，假如這堆資料只是對原始指令進行了編碼，而分析人員已經想出了一些巧妙的方法來提取指令，並按照指令進行相應的操作呢？
在這種情況下，LLM就根本沒有真正瞭解到這些指令的含義。
為此，研究者特意做了一個巧妙的設計：它們為模型打造了一個「奇異世界」。
在這個世界中，probe的指令含義被反轉了，比如「向上」其實意味著「向下」。
例如，原始語義中的exec（turnRight,·）是將使機器人順時針旋轉90度，而exec adversarial（turnRight,·）是將機器人推進一個空間
這就保證了，probe並不是在「投機取巧」，直接學習理解LLM對指令的編碼方式。
一作Jin這樣介紹道——
如果探針是將指令翻譯成機器人的位置，那麼它應該同樣能夠根據離奇的含義翻譯指令。
但如果探頭實際上是在語言模型的思維過程中，尋找原始機器人動作的編碼，那麼它應該很難從原始思維過程中提取出怪誕的機器人動作。
結果發現，探針出現了翻譯錯誤，無法解釋具有不同指令含義的語言模型。
這就意味著，原始語義被嵌入了語言模型中，表明LLM能夠獨立於原始探測分類器，理解所需的指令。
上半部分描述了在干預前，兩種情況如何導致測量的高語義內容。下半部分顯示了為什麼將兩個假設分開: 如果LM表示僅包含語法（左下），那麼應該可以訓練探針alt來學習根據替代狀態prog（粗體紅色結果）解釋記錄；然而，如果LM表示編碼原始抽象狀態（右下），則探測alt需要從原始狀態prog中提取替代狀態'prog，從而產生較低的語義內容（粗體灰色結果）
LLM理解語言，就像孩童一樣
有趣的是，Jin發現，LLM對語言的理解是分階段發展的，就像孩子學習語言時分多個步驟一樣。
開始，它會像嬰兒一樣牙牙學語，說出的話是重複的，而且大多數都難以理解。
然後，LLM會開始獲取語法或語言規則，這樣，它就能夠生成看起來像是真正解決方案的指令了，但此時它們仍然不起作用。
不過，LLM的指令會逐漸進步。
一旦模型獲得了意義，它就會像孩子造句一樣，開始產生正確執行所要求規範的指令。
結果如圖2所示，可以看出LLM對語言的理解大致分為3個階段，就如同孩童學習語言一樣。
- 牙牙學語（babbling，灰色部分）：佔據整個訓練過程約50%，生成高度重複的程序，精準率穩定在10%左右
- 語法習得（syntax acquisition，橙色部分）：訓練過程的50%～75%，生成結果的多樣性急劇增加，句法屬性發生顯著變化，模型開始對程序的token進行建模，但生成的精準率的提升並不明顯
- 語義習得（semantics acquisition，黃色部分）：訓練過程的75%到結束，多樣性幾乎不變，但生成精準率大幅增長，表明出現了語義理解
實驗使用了三種不同的probe架構作為對比，分別是線性分類器、單層MLP和2層MLP。
提前2步預測時，2層MLP預測準確率的絕對值高於用當前狀態預測的基線模型。或許可以得出這樣一種推測：LLM在生成指令前，其思維過程，以及生成指令的「意圖」已經儲存在模型內部了。
LLM = 世界模型？
這項研究解釋了LLM如何思考訓練資料中每條指令的含義，如何在內部狀態中模擬機器人對指令的響應。
這些都直指當前AI研究的一個核心問題——LLM令人驚訝的能力，僅僅是由於大規模的統計相關性，還是對它們現實產生了有意義的理解？
研究表明，LLM開發了一個模擬現實的內部模型，儘管它從未接受過開發該模型的訓練。
而且，語言模型還可以進一步加深對語言的理解。
然而，僅靠一篇論文顯然不能完全回答這個問題。
作者Jin也承認，這項研究存在一些侷限性：他們僅使用了非常簡單的程式語言Karel，以及非常簡單的probe模型架構。
未來的工作將關注更通用的實驗設定，也會充分利用對於LLM「思維過程」的見解來改進訓練方式。
本文另一位作者Rinard表示，「一個有趣的懸而未決的問題是，在解決機器人導航問題時，LLM是在用內部現實模型來推理現實嗎？」
雖然論文展現的結果可以支援這一結論，但實驗並不是為回答這個問題而設計的。
布朗大學電腦科學和語言學系助理教授Ellie Pavlick高度讚揚了這項研究。
她表示，對LLM工作原理的理解，可以讓我們對這項技術的內在可能性和侷限性有更合理的期望。這項研究正是在受控環境中探索這個問題。
電腦程式碼像自然語言一樣，既有語法又有語義；但與自然語言不同的是，程式碼的語義更直觀，並可以根據實驗需要直接控制。
「實驗設計很優雅，他們的發現也很樂觀，這表明也許LLM可以更深入地瞭解語言的『含義』。」 (新智元)