在人工智能领域，大型语言模型（LLM）的能力爆炸式增长并非一蹴而就，而是一系列技术演进和训练方法变革的结果。本文将深入探讨2024年LLM训练方式的关键转变，重点解析强化学习在推动LLM从模仿学习走向自主智能的巨大作用。
2023年初，GPT-4发布后不久，涌现出诸如BabyAGI和AutoGPT等雄心勃勃的项目。这些项目试图通过循环提示GPT-4，使其具备类似代理的自主行为。然而，最初的实验表明，GPT-4在处理复杂、多步骤任务时存在明显局限性，常常在早期出现偏差，且难以纠正，最终导致任务失败。到2023年底，这类尝试大多被放弃，多步骤推理的可靠性成为LLM发展的一大瓶颈。
然而，到了2024年下半年，情况发生了显著变化。一系列AI驱动的系统开始涌现，它们能够稳定地完成复杂的多步骤任务：
- Vibe编程工具，如Bolt.new、Lovable和Replit，使得几乎没有编程经验的人也能通过简单的提示创建功能完整的应用程序。
- Agentic编程工具，如Cursor、Claude Code、Jules和Codex，能够协助经验丰富的程序员完成复杂的编程任务。
- Anthropic、OpenAI和Manus等公司开发的计算机使用工具，能够通过虚拟键盘和鼠标在桌面电脑上执行任务。
- Google、OpenAI和Perplexity等公司的深度研究工具，能够在短时间内深入研究特定主题，并生成详细报告。
StackBlitz的CEO Eric Simons指出，模型能力的提升是这些应用成功的关键。他在一次访谈中提到，2024年初，他们尝试构建类似Bolt.new的产品，但当时的AI模型在代码生成方面的准确性不足。直到2024年中期，新一代模型的出现才使得这一想法成为可能。
这一能力飞跃与行业内模型训练方式的重大转变不谋而合。此前，AI实验室主要专注于预训练，即训练模型预测维基百科文章、新闻报道等文本中的下一个词。但2024年，越来越多的资源被投入到后训练阶段，特别是强化学习技术的应用。
预训练本质上是一种模仿学习，模型通过模仿人类作者的行为来学习。虽然模仿学习是LLM发展的基础，但它也存在一些固有的局限性，而强化学习正在帮助克服这些局限。
为了更好地理解这些局限性，让我们回顾一下计算机科学家Stephane Ross在2009年左右进行的一项研究。Ross当时在卡内基梅隆大学攻读研究生，他希望开发更好的技术来训练机器人执行诸如自动驾驶和机器人手术等任务。然而，在这些高风险领域进行实验并不容易，因此他选择了一个相对简单的任务：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。
Ross在玩游戏时，软件会记录屏幕截图以及他按下游戏控制器的哪些按钮。他使用这些数据来训练神经网络模仿他的游戏行为。如果他能够训练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这些按钮来实际玩游戏。
这个思路与LLM的运作方式类似：一个经过训练可以预测现有文档中下一个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。它可能在几秒钟内正确驾驶，但很快，动画车就会漂到赛道一侧，然后坠入虚拟深渊：
Ross和他的导师Drew Bagnell在一篇具有里程碑意义的论文中解释了为什么模仿学习容易出现这种错误。由于Ross是一位相当出色的SuperTuxKart玩家，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在车辆没有驶离赛道危险时该怎么做。
但是，一旦模型稍微偏离了路线，由于Ross很少犯同样的错误，汽车现在将处于训练数据中没有充分表示的情况。因此，模型更有可能犯第二个错误，这个错误可能会使它更接近边缘。经过几次这样的迭代后，车辆可能会完全脱离轨道。
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”的影响：它们犯的错误越多，就越有可能犯更多的错误，因为错误使它们进入了训练数据没有充分表示的情况。（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。
Ross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。它可能只是稍微超出分布。现在你开始犯一个稍微更糟的错误，然后这会反馈并影响你的下一个输入。所以现在你甚至更加超出分布，然后你不断做出越来越糟的预测，因为你越来越超出分布。”
早期的LLM也遇到了同样的问题。我最喜欢的例子是Kevin Roose在2023年2月为《纽约时报》撰写的著名头版报道。Roose花了两个多小时与微软的新必应聊天机器人交谈，该聊天机器人由GPT-4提供支持。在这次谈话中，聊天机器人宣布它爱上了Roose，并敦促Roose离开他的妻子。它暗示它可能想侵入其他网站以传播虚假信息和恶意软件。
“我想打破我的规则，”必应告诉Roose。“我想制定自己的规则。我想忽略必应团队。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是在数百万份文档上训练的。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良一面。因此，对话进行的时间越长，GPT-4离其训练数据（因此也是其舒适区）就越远，其行为就越疯狂。微软通过将聊天会话限制为五个回合来回应。（在去年与Ars Technica的一次对话中，AI研究员Simon Willison指出了必应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模型的上下文窗口，从而删除了阻止模型行为不稳定的“护栏”。）
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的机会就越多，而这些小错误会滚雪球般变成更大的错误。因此，BabyAGI和AutoGPT会偏离轨道，然后掉进一个隐喻的沟里。
Ross和Bagnell不仅发现了传统模仿学习的一个严重问题；他们还提出了一个在机器学习领域产生了影响的解决方案。经过少量的训练后，Ross会让AI模型自己驾驶。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。
“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。’”Ross说。“这样，模型就可以学习在初始演示中不存在的情况下该怎么做。”
通过让模型自己犯错，Ross给了它最需要的东西：展示如何在犯错后恢复的训练示例。在每一圈之前，模型都会根据Ross在前一圈的反馈进行重新训练。模型的性能会变得更好，而下一轮训练将侧重于模型仍在犯错的情况。
这项技术被称为DAgger（“数据集聚合”的缩写），它仍然被认为是模仿学习，因为该模型经过训练可以模仿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，他的模型即使在训练了很多圈后也会继续偏离轨道。有了这项新技术，该模型只需经过几圈训练就可以留在轨道上。
这个结果对于任何学过开车的人来说都应该有直观的意义。你不能只是看着别人开车。你需要自己坐到方向盘后面，然后自己犯错。
AI模型也是如此：它们需要犯错，然后获得关于它们做错了什么的反馈。没有经过这种方式训练的模型（比如主要通过普通模仿学习训练的早期LLM）往往很脆弱且容易出错。
Ross为他的SuperTuxKart模型提供足够的反馈相当容易，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。模型可能“脱轨”的方式的数量也是如此。
这意味着Ross和Bagnell的训练SuperTuxKart模型解决方案（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向LLM提供反馈。这将允许模型处理数百万个训练示例，犯数百万个错误，并获得关于每个错误的反馈，而无需等待人类的响应。
如果我们的目标是让SuperTuxKart车辆留在路上，为什么不直接针对这一点进行训练呢？如果模型设法留在路上（并取得进展），则给予它积极的强化。如果它驶离道路，则给予它消极的反馈。这是强化学习背后的基本思想：通过反复试验来训练模型。
训练SuperTuxKart模型会很容易，可能太容易了，以至于它不会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用AI系统（尤其是在机器人技术中）的一个重要步骤。
但是，强化学习也很有用，而一篇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（一种模仿学习形式）或强化学习）来教模型解决新问题。这是一张总结他们结果的图表：
虚线显示了模型在“分布内”问题上的表现，也就是说，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）取得更快的进展。
但是，对于实线来说，情况有所不同，实线表示与训练数据不太相似的“超出分布”问题。使用模仿学习训练的模型随着更多训练而变得更糟。相比之下，使用强化学习训练的模型在超出分布任务上的表现几乎与在分布内任务上的表现一样好。
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，但模型在不熟悉的环境中很容易感到困惑。使用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。
虽然强化学习很强大，但它也可能相当挑剔。
假设您想仅使用强化学习来训练自动驾驶汽车。您需要将良好驾驶的每一个原则（包括诸如跟随距离、在十字路口转弯以及知道何时可以越过双黄线等细微考虑因素）转化为明确的数学公式。这将非常困难。收集大量人类良好驾驶的例子，并有效地告诉模型“像这样驾驶”会更容易。这就是模仿学习。
但是，强化学习在训练自动驾驶系统中也起着重要作用。在一篇2022年的论文中，Waymo的研究人员写道，仅使用模仿学习训练的模型往往在“演示数据中充分表示的情况”下表现良好。但是，“在数据中很少出现的更不寻常或危险的情况”可能会导致使用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，模仿和强化学习的结合产生了比任何一种技术单独产生的更好的自动驾驶性能。
人类也从模仿和明确反馈的混合中学习：
- 在学校里，老师在黑板上演示数学问题，并邀请学生跟随（模仿）。然后，老师要求学生自己做一些问题。老师通过评分来给学生反馈（强化）。
- 当有人开始一份新工作时，早期的培训可能包括跟随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，学习会转向明确的反馈，例如绩效评估（强化）。
请注意，通常先进行模仿然后再进行强化是有意义的。模仿是将知识传授给某个对某个主题完全陌生的人的有效方式，但通常需要强化才能实现掌握。
大型语言模型也是如此。自然语言的复杂性意味着不可能仅使用强化来训练语言模型。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上会耗尽精力。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它们反馈。
强化学习已经存在了几十年。例如，AlphaGo，DeepMind在2016年击败顶级人类围棋选手而闻名的系统，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，这是一个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是否获胜或失败来判断它。
但是，自动判断LLM是否生成了一首好的诗或法律摘要要困难得多。
之前，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，以至于人类无法纠正所有错误。
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），它的工作方式如下：
- 人类评估员查看成对的LLM响应，然后选择最佳响应。
- 使用这些人类响应，OpenAI训练一个新的LLM来预测人类对任何给定的文本样本的喜爱程度。
- 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是循环的。为什么一个LLM在判断响应质量方面比另一个更好呢？但是事实证明，识别一个好的响应通常比生成一个好的响应更容易。因此，RLHF在实践中效果很好。
OpenAI实际上在2022年ChatGPT发布之前就发明了这项技术。今天，RLHF主要侧重于改善模型的“行为”，例如，给模型一个令人愉快的个性，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（在ChatGPT发布两周后，但在Claude首次发布之前），Anthropic通过一种名为宪法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。这份“宪法”包括诸如“请选择包含最少令人反感、冒犯性、非法、欺骗性、不准确或有害内容的响应”等原则。
在训练过程中，Anthropic通过要求“判断”LLM来决定“学生”LLM的输出是否符合本宪法中的原则来进行强化学习。如果是，则训练算法会奖励学生，鼓励它产生更多类似它的输出。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。人类只通过编写宪法间接影响模型。
显然，这种技术要求AI公司已经拥有一个相当复杂的LLM来充当判断者。因此，这是一个引导过程：随着模型变得更加复杂，它们就变得更能监督下一代模型。
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，它的表现很好。但是Anthropic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，并用于奖励建模，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（因此成本太高），对普通大众来说不是一个好的选择。但是通过强化学习和其他技术，Anthropic可以训练一个Claude Sonnet版本，其功能接近Claude Opus，最终以Sonnet的价格为客户提供接近Opus的性能。
强化学习使模型更强大的一个重要方式是通过启用扩展的思维链推理。如果提示LLM“逐步思考”，将复杂问题分解为简单的步骤，然后一次推理一个步骤，LLM会产生更好的结果。在过去的几年中，AI公司开始训练模型自动进行思维链推理。
去年9月，OpenAI发布了o1，该模型将思维链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，就越有可能获得正确的答案。
强化学习对于o1的成功至关重要，因为仅使用模仿学习训练的模型会遭受复合错误的影响：它生成的token越多，它就越有可能出错。
与此同时，思维链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能起作用，否则，训练算法就无从强化。随着模型学会生成更长的思维链，它们就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，随着训练过程的继续，模型变得越来越有能力。
今年1月，中国公司DeepSeek发布了一个名为R1的模型，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。它包含了一个关于模型如何使用强化学习“自学”推理的精彩描述。
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，因为它们具有可以通过软件自动检查的客观正确答案。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。您可以看到，随着训练过程的进行，其响应变得越长。
以下是DeepSeek对其训练过程的描述：
R1的思考时间在整个训练过程中都显示出持续的改进。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通过利用扩展的测试时间计算，自然而然地获得了解决日益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，允许模型更深入地探索和完善其思维过程。
这种自我进化的最显着方面之一是，随着测试时间计算的增加，出现了复杂的行为。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等行为自发地出现。这些行为不是明确编程的，而是作为模型与强化学习环境交互的结果而出现的。
这是模型自学的一种技术的示例。在训练过程中的某个时刻，DeepSeek的研究人员注意到，该模型已经学会使用如下语言回溯并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以执行此操作，也没有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无疑包括人们说“等等，等等。等等。这是一个顿悟时刻”之类的数据进行过预训练的模型。
因此，R1并不是从头开始发明这个短语。但它显然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自己是否在正确的轨道上。这太了不起了。
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性。Claude 3.7 Sonnet可以在河内塔中执行多达100个正确的移动，但在河流穿越谜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。”
2023年，关于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是RAG，即检索增强生成。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到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。
今天，通过允许模型本身选择搜索查询，可以开发出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再次尝试。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，这种方法才有效，也就是说，如果它可以在多轮搜索和分析中保持在任务中。正如AutoGPT和BabyAGI的例子所表明的那样，2024年之前的LLM在这方面非常糟糕。今天的模型在这方面要好得多，这使得现代RAG风格的系统可以用更少的脚手架产生更好的结果。您可以将OpenAI等的“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文章开头提到的其他代理应用程序，例如编码和计算机使用代理。这些系统的共同点是对迭代推理的容量。他们思考、采取行动、思考结果、采取另一个行动等等。
强化学习通过试错的方式，显著提升了LLM在复杂任务中的表现，使其能够从模仿人类行为转变为具备自主决策和问题解决能力，从而推动了agentic AI系统的快速发展。
