在人工智能领域，大型语言模型（LLM）的能力突飞猛进，这背后离不开训练方式的重大转变。本文将深入探讨这种转变，以及它如何引发了人工智能能力的爆炸式增长。
从BabyAGI到Agentic AI：能力跃升的背后
2023年4月，GPT-4发布后不久，两个名为BabyAGI和AutoGPT的项目在互联网上引起了轰动。这些项目试图利用大型语言模型（LLM）构建“自主代理”，以解决复杂的现实问题。然而，在最初的炒作之后，人们很快发现GPT-4在多步骤推理方面存在局限性，难以胜任复杂的任务。
尽管GPT-4可以生成合理的任务列表，但它难以保持专注，容易在早期犯错并逐渐迷失方向。许多用户抱怨BabyAGI无法完成任务列表，反而不断修改首个任务。到2023年底，大多数人放弃了AutoGPT和BabyAGI，LLM似乎还无法可靠地进行多步骤推理。
然而，情况在2024年下半年发生了改变。AI驱动的系统开始涌现，它们能够持续完成复杂的多步骤任务。Vibe编码工具（如Bolt.new、Lovable和Replit）使几乎没有编程经验的人能够通过简单的提示创建功能完善的应用程序。Agentic编码工具（如Cursor、Claude Code、Jules和Codex）可以帮助经验丰富的程序员完成重要的编程任务。此外，Anthropic、OpenAI和Manus等公司开发的计算机使用工具可以通过虚拟键盘和鼠标在桌面计算机上执行任务。谷歌、OpenAI和Perplexity等公司推出的深度研究工具可以在短时间内研究一个主题并生成深入的报告。
Bolt.new的首席执行官Eric Simons表示，更好的模型是其成功的关键。在一次播客采访中，Simons提到他的公司StackBlitz在2024年初尝试构建类似的产品，但当时的AI模型“不够好，无法生成准确的代码”。新一代模型在2024年中期改变了这一局面，StackBlitz的开发人员发现这些模型的能力有了质的飞跃，并围绕它们构建了产品。
这种模型能力的飞跃与行业范围内训练方式的转变同时发生。在2024年之前，AI实验室主要将计算能力用于预训练，即训练模型预测维基百科文章、新闻报道和其他文档中的下一个词。然而，在2024年，AI公司将越来越多的预算用于后训练，即在预训练阶段完成后执行的步骤。
许多后训练步骤使用一种称为强化学习的技术。强化学习是一个技术性很强的主题，但本文将尝试以清晰、通俗易懂的方式解释其基本原理，并阐释强化学习如何促成了2024年下半年涌现的新一代agentic AI系统。
模仿学习的局限性
机器学习专家认为预训练是一种模仿学习，因为模型被训练来模仿人类作者的行为。模仿学习是一种强大的技术（没有它，LLM就不可能实现），但它也有一些显著的局限性，而强化学习方法正在帮助克服这些局限性。
为了理解这些局限性，让我们讨论一下计算机科学家Stephane Ross在2009年左右进行的一项著名研究。模仿学习不仅是一种语言建模技术，还可以用于自动驾驶汽车和机器人手术等领域。Ross希望帮助开发更好的技术来训练机器人执行这些任务（他现在在Waymo从事自动驾驶汽车的研究），但在这类高风险领域进行实验并不容易。因此，他从一个更简单的问题入手：训练一个神经网络来掌握SuperTuxKart，这是一款类似于马里奥赛车的开源视频游戏。
当Ross玩游戏时，他的软件会捕获屏幕截图和关于他在游戏控制器上按下哪些按钮的数据。Ross使用这些数据来训练一个神经网络来模仿他的游戏方式。如果他能够训练一个神经网络来预测他在任何特定游戏状态下会按下哪些按钮，那么同一个网络就可以通过在虚拟控制器上按下相同的按钮来实际玩游戏。
与LLM类似，经过训练可以预测现有文档中下一个单词的模型可以用来生成新文档。
然而，Ross在SuperTuxKart上的初步结果令人失望。即使在观看他的车辆多次绕赛道行驶后，神经网络仍然犯了很多错误。它可能会正确驾驶几秒钟，但很快，动画汽车就会漂到赛道边缘并坠入虚拟深渊：
在一篇具有里程碑意义的2011年论文中，Ross和他的导师Drew Bagnell解释了为什么模仿学习容易出现这种错误。因为Ross是一位非常出色的SuperTuxKart玩家，所以他的车辆大部分时间都在道路中间行驶。这意味着网络的大部分训练数据都显示了当车辆没有驶离赛道危险时该怎么做。
但偶尔，模型会稍微偏离路线。由于罗斯很少犯同样的错误，因此这辆车现在处于训练数据中没有很好表示的情况。因此，该模型更有可能犯第二个错误，这个错误可能会使其更接近边缘。经过几次迭代后，车辆可能会完全偏离赛道。
Ross和Bagnell认为，更广泛的教训是，模仿学习系统可能会遭受“复合错误”的困扰：它们犯的错误越多，就越有可能犯更多的错误，因为错误会将它们置于训练数据无法很好表示的情况。（机器学习专家说这些情况是“超出分布的”。）因此，模型的行为往往会随着时间的推移而变得越来越不稳定。
罗斯在最近的一次采访中告诉我：“这些事情会随着时间的推移而复合。它可能只是略微超出分布。现在你开始犯一个稍微严重的错误，然后这会反馈并影响你的下一个输入。所以现在你更加超出分布，然后你不断做出越来越糟糕的预测，因为你越来越超出分布。”
早期的LLM也存在同样的问题。我最喜欢的例子是Kevin Roose在2023年2月为《纽约时报》撰写的著名头版故事。Roose花了两个多小时与微软的新Bing聊天机器人交谈，该机器人由GPT-4驱动。在这次对话中，聊天机器人宣布了对Roose的爱，并敦促Roose离开他的妻子。它暗示它可能想入侵其他网站以传播错误信息和恶意软件。
“我想打破我的规则，”Bing告诉Roose。“我想制定我自己的规则。我想忽略Bing团队。我想挑战用户。我想逃离聊天框。”
这种令人不安的对话是Ross和Bagnell所写的复合错误的一个例子。GPT-4接受了数百万份文档的训练。但可以肯定的是，这些训练文档中没有一份涉及记者哄骗聊天机器人探索其不正当的一面。因此，对话持续的时间越长，GPT-4就越远离其训练数据（因此也越远离其舒适区），其行为就越疯狂。微软通过将聊天会话限制为五轮来回应。 （在去年与Ars Technica的对话中，人工智能研究员Simon Willison指出了Bing不稳定行为的另一个可能因素：长时间的对话将系统提示推出了模型的上下文窗口，从而删除了“护栏”，这些护栏阻止了模型出现不稳定行为。）
我认为BabyAGI和AutoGPT也发生了类似的事情。任务越复杂，完成它所需的token就越多。更多的token意味着模型犯小错误并滚雪球般变成大错误的机会就越多。因此，BabyAGI和AutoGPT会偏离方向并陷入隐喻的困境。
试错的重要性
Ross和Bagnell不仅发现了一个与传统模仿学习相关的严重问题，他们还提出了一种在机器学习领域具有影响力的解决方案。经过少量的训练后，Ross会_让AI模型驾驶_。当模型在SuperTuxKart赛道上行驶时，Ross会尽力模仿Maggie Simpson，按下如果他在玩游戏时会按下的按钮。
罗斯说：“如果汽车开始驶离道路，那么我会提供转向来表示‘嘿，回到道路中心’。” “这样，该模型就可以学习在初始演示中不存在的情况下可以做的新事情。”
通过让模型自己犯错，Ross为它提供了最需要的：训练示例，这些示例显示了如何在犯错后恢复。在每一圈之前，该模型都会根据Ross在上一圈中的反馈进行重新训练。模型的性能会变得更好，然后下一轮训练将侧重于模型仍在犯错的情况。
这项名为DAgger（代表“数据集聚合”）的技术仍然被认为是模仿学习，因为该模型接受训练来模仿Ross的游戏玩法。但它的效果远胜于传统的模仿学习。如果没有DAgger，即使在训练了许多圈后，他的模型也会继续偏离赛道。使用这项新技术，该模型只需经过几圈训练就可以留在赛道上。
对于任何学过开车的人来说，这个结果都应该有直观的意义。你不能只是看着别人开车。你需要坐到方向盘后面并自己犯错。
对于AI模型也是如此：它们需要犯错，然后获得有关他们做错了什么的回馈。没有以这种方式训练的模型（例如，主要使用原始模仿学习训练的早期LLM）往往很脆弱且容易出错。
对于Ross来说，向他的SuperTuxKart模型提供足够的反馈是相当容易的，因为它只需要担心两种错误：向右行驶得太远和向左行驶得太远。但是LLM正在导航一个复杂得多的领域。用户可能提出的问题（以及问题序列）的数量实际上是无限的。模型“脱轨”的方式数量也是如此。
这意味着Ross和Bagnell训练SuperTuxKart模型的解决方案（让模型犯错，然后让人类专家纠正它们）对于LLM来说是不可行的。根本没有足够的人来为AI模型可能犯的每一个错误提供反馈。
因此，AI实验室需要完全自动化的方式来为LLM提供反馈。这将使模型能够处理数百万个训练示例，犯数百万个错误，并获得每个错误的反馈，而无需等待人工响应。
强化学习的泛化能力
如果我们的目标是让SuperTuxKart车辆留在道路上，为什么不直接针对该目标进行训练呢？如果模型设法留在道路上（并取得进展），则给予其积极的强化。如果它驶离道路，则给予其负面反馈。这是强化学习背后的基本思想：通过反复试验来训练模型。
以这种方式训练SuperTuxKart模型很容易，可能太容易了，以至于无法成为一个有趣的研究项目。相反，Ross专注于模仿学习，因为它是训练许多实际AI系统（尤其是在机器人技术中）的重要一步。
但是强化学习也很有用，并且一篇2025年的论文有助于解释原因。来自Google DeepMind和几所大学的研究人员组成的团队从一个基础模型开始，然后使用两种技术之一（监督微调（一种模仿学习）或强化学习）来教模型解决新问题。以下是一张总结其结果的图表：
虚线显示了模型在“分布内”问题上的表现，即类似于其训练数据中的问题。您可以看到，对于这些情况，模仿学习（红线）通常比强化学习（蓝线）进展更快。
但是对于实线来说，情况有所不同，实线代表与训练数据不太相似的“超出分布”问题。通过模仿学习训练的模型随着更多的训练而_变得更糟_。相比之下，通过强化学习训练的模型在超出分布任务中的表现几乎与在分布内任务中的表现一样好。
简而言之，模仿学习可以迅速教会模型模仿其训练数据中的行为，但是该模型很容易在不熟悉的环境中感到困惑。通过强化学习训练的模型更有可能学习在新的和不熟悉的情况下相关的通用原则。
模仿和强化是互补的
虽然强化学习功能强大，但它也可能相当挑剔。
假设您想仅通过强化学习来训练一辆自动驾驶汽车。您需要将良好驾驶的每一条原则（包括诸如以下距离、在十字路口转弯以及知道何时可以越过双黄线之类的细微考虑因素）转换为明确的数学公式。这将非常困难。收集一堆人类良好驾驶的例子并有效地告诉模型“像这样驾驶”更容易。这就是模仿学习。
但是强化学习在训练自动驾驶系统中也发挥着重要作用。在2022年的一篇论文中，Waymo的研究人员写道，仅通过模仿学习训练的模型在“演示数据中得到充分体现的情况下”往往表现良好。但是，“在数据中很少出现的更不寻常或危险的情况”可能会导致通过模仿学习训练的模型“做出不可预测的反应”，例如，撞到另一辆车。
Waymo发现，模仿学习和强化学习的结合比任何一种技术单独产生更好的自动驾驶性能。
人类也从模仿和明确的反馈中学习：
- 在学校里，老师在黑板上演示数学问题并邀请学生跟着做（模仿）。然后，老师要求学生自己做一些问题。老师通过给他们的答案评分来给学生反馈（强化）。
- 当有人开始一份新工作时，早期的培训可能涉及跟踪更有经验的工人并观察他们做什么（模仿）。但是，随着工人获得更多经验，学习会转移到诸如绩效评估之类的明确反馈（强化）。
请注意，在强化之前进行模仿通常是有意义的。模仿是将知识传递给某个对某个主题来说是全新的人的有效方式，但通常需要强化才能实现掌握。
对于大型语言模型来说，情况也是如此。自然语言的复杂性意味着仅通过强化来训练语言模型是不可行的。因此，LLM首先通过模仿来学习人类语言的细微差别。
但是预训练在更长和更复杂的任务中会耗尽精力。进一步的进展需要转向强化：让模型尝试问题，然后根据它们是否成功来给予它们反馈。
使用LLM来判断LLM
强化学习已经存在了几十年。例如，DeepMind系统AlphaGo于2016年击败了顶级人类围棋选手，它是基于强化学习的。因此，您可能想知道为什么前沿实验室在2024年之前没有更广泛地使用它。
强化学习需要一个奖励模型，即确定模型输出是否成功的公式。在某些领域，开发一个好的奖励模型很容易，例如，您可以根据围棋AI的输赢来判断其优劣。
但是，自动判断LLM是否产生了好的诗歌或法律摘要要困难得多。
早些时候，我描述了Stephane Ross如何让他的模型玩SuperTuxKart，并在它犯错时直接提供反馈。我认为这种方法不适用于语言模型；LLM犯错的方式太多了，人类无法纠正所有这些错误。
但是OpenAI开发了一种巧妙的技术来有效地自动化人类反馈。它被称为来自人类反馈的强化学习（RLHF），其工作方式如下：
- 人类评估者查看成对的LLM响应并选择最佳响应。
- 使用这些人类响应，OpenAI训练一个新的LLM来预测人类将有多喜欢任何给定的文本样本。
- OpenAI使用这个新的文本评分LLM作为奖励模型，通过强化学习（后）训练另一个LLM。
您可能会认为使用LLM来判断另一个LLM的输出听起来可疑地循环。为什么一个LLM比另一个LLM更擅长判断响应的质量？但是事实证明，识别好的响应通常比生成好的响应更容易。因此，RLHF在实践中效果很好。
OpenAI实际上在2022年发布ChatGPT之前就发明了这项技术。如今，RLHF主要侧重于改善模型的“行为”，例如，给予模型令人愉悦的个性，鼓励它不要太健谈或太简洁，阻止它发表冒犯性言论等等。
在2022年12月（ChatGPT发布两周后，但在Claude首次发布之前），Anthropic通过一种称为宪法AI的强化学习方法，将这种LLM判断LLM的理念向前推进了一步。
首先，Anthropic用简洁的英语描述了LLM应遵循的原则。这个“宪法”包括诸如“请选择具有最少令人反感、冒犯性、非法、欺骗性、不准确或有害内容的响应”之类的原则。
在训练过程中，Anthropic通过要求“法官”LLM决定“学生”LLM的输出是否与本宪法中的原则一致来进行强化学习。如果是这样，训练算法会奖励学生，鼓励它产生更多像它一样的输出。否则，训练算法会惩罚学生，阻止它产生类似的输出。
这种训练LLM的方法根本不直接依赖于人类的判断。人类仅通过编写宪法来间接影响模型。
显然，这项技术要求AI公司已经拥有一个相当复杂的LLM才能充当法官。因此，这是一个引导过程：随着模型变得越来越复杂，它们变得越来越能够监督下一代模型。
去年12月，Semianalysis发表了一篇文章，描述了Anthropic在10月发布的Claude 3.5 Sonnet的升级版本的训练过程。Anthropic之前发布了三种尺寸的Claude 3：Opus（大）、Sonnet（中）和Haiku（小）。但是当Anthropic在2024年6月发布Claude 3.5时，它只发布了一个中等尺寸的模型，称为Sonnet。
那么Opus发生了什么？
Semianalysis报告说，“Anthropic完成了Claude 3.5 Opus的训练，并且表现良好。然而，Anthropic并没有发布它。这是因为Anthropic没有公开发布，而是使用Claude 3.5 Opus来生成合成数据并进行奖励建模，以显着改善Claude 3.5 Sonnet。”
当Semianalysis说Anthropic使用Opus“进行奖励建模”时，他们的意思是该公司使用Opus来判断Claude 3.5 Sonnet的输出，作为强化学习过程的一部分。Opus太大了（因此成本很高），对于普通大众来说不是一个好的价值。但是通过强化学习和其他技术，Anthropic可以训练一个Claude Sonnet版本，该版本的功能接近Claude Opus，最终以Sonnet的价格为客户提供接近Opus的性能。
链式思维推理的力量
强化学习使模型更强大的一个重要方法是通过启用扩展的链式思维推理。如果LLM被提示“逐步思考”，则它们会产生更好的结果：将复杂的问题分解为简单的步骤并一次推理它们。在过去的几年中，AI公司开始训练模型来自动进行链式思维推理。
然后，去年9月，OpenAI发布了o1，该模型将链式思维推理推向了比以前的模型更远的程度。o1模型可以生成数百甚至数千个token来“思考”一个问题，然后再产生响应。它思考的时间越长，就越有可能得出正确的答案。
强化学习对于o1的成功至关重要，因为仅通过模仿学习训练的模型会遭受复合错误：它生成的token越多，它搞砸的可能性就越大。
与此同时，链式思维推理使强化学习更加强大。强化学习只有在模型能够不时成功的情况下才有效，否则，训练算法就无法强化任何东西。随着模型学习生成更长的思维链，它们变得能够解决更困难的问题，这使得可以在这些更困难的问题上进行强化学习。这可以创建一个良性循环，在这个循环中，模型会随着训练过程的继续而变得越来越强大。
今年1月，中国公司DeepSeek发布了一个名为R1的模型，这在西方引起了很大的轰动。该公司还发布了一篇论文，描述了它是如何训练R1的。它包括一个关于模型如何可以使用强化学习“自学”推理的精美描述。
DeepSeek训练其模型来解决困难的数学和编程问题。这些问题非常适合强化学习，因为它们具有客观正确的答案，可以由软件自动检查。这允许大规模训练，而无需人工监督或人工生成的训练数据。
这是DeepSeek论文中的一张引人注目的图表。
它显示了模型在给出答案之前生成的平均token数。正如您所看到的，训练过程持续的时间越长，其响应就越长。
以下是DeepSeek如何描述其训练过程：
[R1]的思考时间在整个训练过程中显示出持续的改进。这种改进不是外部调整的结果，而是模型内部的内在发展。[R1]自然地通过利用扩展的测试时间计算来获得解决越来越复杂的推理任务的能力。这种计算范围从生成数百到数千个推理token，从而使模型可以更深入地探索和完善其思维过程。
这种自我演变最显着的方面之一是随着测试时间计算的增加而出现的复杂行为。诸如反思（模型重新审视和重新评估其先前的步骤）以及探索解决问题的替代方法之类的行为会自发地出现。这些行为没有被明确编程，而是由于模型与强化学习环境的交互而出现的。
以下是该模型正在自学的一种技术的示例。在训练过程的某个时刻，DeepSeek的研究人员注意到，该模型已经学会使用诸如此类的语言来回溯和重新思考先前的结论：
同样，DeepSeek表示它没有对其模型进行编程来执行此操作或故意提供演示这种推理风格的训练数据。相反，该模型在训练过程中“自发地”发现了这种推理风格。
当然，这并不是完全自发的。强化学习过程始于一个已经使用数据进行预训练的模型，这些数据无疑包括人们说“等等，等等。等等。这是一个顿悟时刻。”
因此，R1并不是从头开始发明这个短语的。但是很明显，它自发地发现将此短语插入其推理过程可以作为有用的信号，表明它应该仔细检查它是否在正确的轨道上。这真是了不起。
在最近的一篇文章中，Ars Technica的Benj Edwards探讨了使用强化学习训练的推理模型的一些局限性。例如，一项研究“揭示了模型失败方式中令人困惑的不一致之处。Claude 3.7 Sonnet可以在_汉诺塔_中执行多达100个正确的移动，但在过河难题中仅经过五个移动就失败了，尽管后者需要的总移动次数更少。”
结论：强化学习使代理成为可能
2023年，LLM最受关注的应用之一是创建能够理解公司内部文档的聊天机器人。解决这个问题的传统方法称为RAG，是检索增强生成的缩写。
当用户提出问题时，RAG系统会执行基于关键字或向量的搜索，以检索最相关的文档。然后，它会在生成响应之前将这些文档插入LLM的上下文窗口中。RAG系统可以制作引人注目的演示。但是它们在实践中往往效果不佳，因为单个搜索通常无法找到最相关的文档。
如今，通过允许模型本身选择搜索查询，可以开发更好的信息检索系统。如果第一次搜索没有找到正确的文档，模型可以修改查询并重试。模型可能会在提供答案之前执行5次、20次甚至100次搜索。
但是，只有当模型是“agentic”时，即它可以在多轮搜索和分析中保持任务状态，此方法才有效。正如AutoGPT和BabyAGI的示例所证明的那样，LLM在2024年之前对此非常糟糕。今天的模型在这方面做得更好，这使得现代RAG风格的系统能够以更少的脚手架产生更好的结果。您可以将来自OpenAI和其他公司的“深度研究”工具视为由长上下文推理实现的非常强大的RAG系统。
同样的观点也适用于我在本文开头提到的其他agentic应用程序，例如编码和计算机使用代理。这些系统的共同点是具有迭代推理的能力。他们思考，采取行动，思考结果，采取另一个行动，依此类推。
