在人工智能领域，大型语言模型（LLM）的能力爆炸式增长，这背后隐藏着训练方法上的重大转变。本文将深入探讨这种转变，并解释其如何导致AI在多个领域的突破性进展。
2023年4月，GPT-4发布后不久，互联网上涌现出两个雄心勃勃的项目：BabyAGI和AutoGPT。这些项目旨在利用LLM（如OpenAI的GPT-4）解决复杂问题。Fast Company的Mark Sullivan指出，这些“自主代理”能够执行诸如网络研究、代码编写和创建待办事项列表等任务。
BabyAGI和AutoGPT通过反复提示GPT-4，试图引发类似代理的行为。例如，给定一个目标（如“为我创建一个7天的膳食计划”），GPT-4会生成一个待办事项列表，然后逐步完成这些任务。然而，最初的炒作过后，人们发现GPT-4并未能胜任这项任务。虽然它可以生成合理的任务列表，有时也能完成一些任务，但模型难以保持专注。
GPT-4常常会犯一些小错误，并且无法纠正，导致后续越来越混乱。一篇早期评论抱怨说，BabyAGI“似乎无法完成其任务列表，并且不断更改任务编号，而不是继续执行下一个任务。”到2023年底，大多数人放弃了AutoGPT和BabyAGI，LLM似乎还不具备可靠的多步骤推理能力。
然而，这种情况在2024年发生了改变。人们开始创建能够持续完成复杂、多步骤任务的AI系统：
- Vibe编码工具，如Bolt.new、Lovable和Replit，允许几乎没有编程经验的人通过简单的提示创建功能齐全的应用程序。
- Agentic编码工具，如Cursor、Claude Code、Jules和Codex，帮助经验丰富的程序员完成重要的编程任务。
- 来自Anthropic、OpenAI和Manus的计算机使用工具，可以使用虚拟键盘和鼠标在桌面计算机上执行任务。
- 来自Google、OpenAI和Perplexity的深度研究工具，可以研究一个主题5到10分钟，然后生成深入的报告。
Bolt.new的CEO Eric Simons表示，更好的模型是其成功的关键。Simons在一次播客采访中提到，他的公司StackBlitz在2024年初尝试构建类似Bolt.new的产品，但当时的AI模型“不够好，无法准确生成代码。”
新一代模型在2024年中期改变了这一点。StackBlitz的开发人员测试后表示，“我们可以围绕这个构建一个产品。”模型能力的这一飞跃与行业范围内模型训练方式的转变同时发生。
在2024年之前，AI实验室将大部分计算能力用于预训练。预训练是指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单词。但在2024年，AI公司将越来越多的训练预算用于后训练，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，但本文将以清晰、简洁的方式解释其基本原理，帮助读者直观地了解强化学习如何促成新一代agentic AI系统的出现。
模仿学习的问题
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是不可能实现的），但它也有一些局限性，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，但他从一个更简单的问题入手：训练神经网络掌握SuperTuxKart，这是一款类似于Mario Kart的开源视频游戏。
当Ross玩游戏时，他的软件会捕获屏幕截图以及他按下游戏控制器上的哪些按钮的数据。Ross使用这些数据来训练神经网络模仿他的游戏。如果他可以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，训练模型预测现有文档中的下一个单词可以用来生成新文档。
但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。它可能会正确行驶几秒钟，但很快，动画车会漂到赛道的一侧，然后坠入虚拟深渊：
Ross和他的顾问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的中间行驶。这意味着网络的大部分训练数据都显示了车辆在没有驶离赛道危险时该怎么做。
但偶尔，模型会稍微偏离航向。因为Ross很少犯同样的错误，所以赛车现在处于其训练数据中没有很好表示的情况。因此，模型更有可能犯第二个错误，这个错误可能会使其更接近边缘。经过几次迭代后，车辆可能会完全冲出赛道。
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”：它们犯的错误越多，就越有可能犯更多的错误，因为错误使它们陷入训练数据没有很好表示的情况。（机器学习专家说这些情况是“超出分布的”。）因此，模型的行为会随着时间的推移变得越来越不稳定。
“这些事情会随着时间的推移而复合，”Ross在最近的一次采访中告诉我。“它可能只是稍微超出分布。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》撰写的著名头版文章。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接受了数百万份文件的训练。但可以肯定的是，这些训练文档中没有一份涉及记者诱使聊天机器人探索其不良一面。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做出回应。（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从模型的上下文窗口中推出，从而消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并滚雪球般变成大错误的机会就越多。因此，BabyAGI和AutoGPT会偏离轨道并陷入隐喻的困境。
试错的重要性
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影响的解决方案。经过少量训练后，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。
“如果赛车开始驶离道路，那么我会提供转向来告诉你，‘嘿，回到道路的中心’，”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的新事物。”
通过让模型自己犯错误，Ross给了它最需要的东西：展示如何在犯错误后恢复的训练示例。在每圈之前，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，并且下一轮训练将侧重于模型仍在犯错误的情况。
这种称为DAgger（代表“数据集聚合”）的技术仍然被认为是模仿学习，因为该模型经过训练可以模仿Ross的游戏玩法。但它比传统的模仿学习效果好得多。如果没有DAgger，即使经过多圈训练，他的模型仍会继续偏离轨道。有了这项新技术，该模型只需经过几圈训练就可以留在赛道上。
这个结果对于任何学会开车的人来说都应该具有直观的意义。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误。
对于AI模型来说也是如此：它们需要犯错误，然后获得有关它们做错了什么的反馈。没有以这种方式训练的模型（例如主要通过普通模仿学习训练的早期LLM）往往是脆弱且容易出错的。
Ross很容易为他的SuperTuxKart模型提供足够的反馈，因为它只需要担心两种错误：向右行驶太远和向左行驶太远。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为训练SuperTuxKart模型而提出的解决方案（让模型犯错误，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。
强化学习的推广
如果我们的目标是让SuperTuxKart赛车留在道路上，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：通过试错来训练模型。
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用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2025年的一篇论文有助于解释原因。来自Google DeepMind和几所大学的一组研究人员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）来教导该模型解决新问题。这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，也就是说，这些问题与其训练数据中的问题相似。你可以看到，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。接受模仿学习训练的模型随着训练的进行而变得更糟。相比之下，接受强化学习训练的模型在分布外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，模仿学习可以快速教导模型模仿其训练数据中的行为，但模型很容易在不熟悉的环境中感到困惑。接受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。
假设你想仅使用强化学习来训练自动驾驶汽车。你需要将良好驾驶的每一项原则（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）转换为明确的数学公式。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”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，仅使用模仿学习训练的模型在“演示数据中充分体现的情况”下往往效果良好。但是，“在数据中很少发生的更不寻常或危险的情况”可能会导致接受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比任何一种技术单独产生的自动驾驶性能更好。
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，并邀请学生跟随（模仿）。然后，老师要求学生自己解决一些问题。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一位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，学习会转移到明确的反馈，例如绩效评估（强化）。
请注意，通常在强化之前进行模仿是有意义的。模仿是将知识传达给某个主题的新手的一种有效方式，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纯粹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，AlphaGo是DeepMind的系统，该系统在2016年击败了顶级人类围棋选手，它是基于强化学习的。因此，你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，开发良好的奖励模型很容易，例如，你可以根据围棋AI的输赢来判断它。
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。
之前，我描述了Stephane Ross如何让他的模型玩SuperTuxKart，并在它犯错误时直接提供反馈。我认为这种方法不适用于语言模型；LLM犯错误的途径太多了，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：
- 人类评估员会查看LLM响应对，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。
你可能会认为，使用LLM来判断另一个LLM的输出听起来很可疑。为什么一个LLM在判断响应质量方面比另一个LLM更好？但事实证明，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ChatGPT发布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，赋予模型令人愉悦的个性，鼓励它不要过于健谈或过于简洁，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用简单的英语编写了LLM应遵循的原则的描述。这个“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回应”之类的原则。
在训练期间，Anthropic通过要求“判断”LLM来决定“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来充当判断者。因此，这是一个引导过程：随着模型变得越来越复杂，它们就越能监督下一代模型。
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升级版本的培训过程。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，它只发布了一个中型模型，称为Sonnet。
那么Opus发生了什么？
Semianalysis报告说，“Anthropic完成了Claude 3.5 Opus的培训，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（因此成本很高），对于普通大众来说不是一个好选择。但是通过强化学习和其他技术，Anthropic可以训练一个在功能上接近Claude Opus的Claude Sonnet版本，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途径是通过启用扩展的链式思维推理。如果提示LLM“逐步思考”，将其复杂问题分解为简单步骤并一次推理，则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链式思维推理。
然后在去年9月，OpenAI发布了o1，这是一个模型，它将链式思维推理推向了比以前的模型更远的程度。o1模型可以在生成响应之前生成数百甚至数千个token来“思考”一个问题。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，因为仅使用模仿学习训练的模型会遭受复合错误：它生成的token越多，就越有可能搞砸。
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成功一段时间的情况下才有效，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，从而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，随着培训过程的继续，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。它包括对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，因为它们具有可以由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。正如你所看到的，培训过程持续的时间越长，其响应就越长。
以下是DeepSeek如何描述其培训过程：
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。通过利用扩展的测试时间计算，R1自然而然地获得了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，使模型能够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之类的行为会自发地出现。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。
这是模型正在自学的一种技术的示例。在训练过程的某个时刻，DeepSeek研究人员注意到，该模型已经学会使用以下语言回溯并重新思考先前的结论：
同样，DeepSeek表示它没有对模型进行编程来执行此操作，也没有故意提供演示此推理风格的训练数据。相反，该模型在培训过程的中途“自发地”发现了这种推理风格。
当然，这并非完全自发。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。那是一个顿悟时刻。”之类的数据进行过预训练的模型。
因此，R1并非从头开始发明这个短语。但显然，它确实自发地发现将这个短语插入到其推理过程中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费解的不一致之处。Claude 3.7 Sonnet可以在_汉诺塔_中执行多达100个正确的步骤，但在过河难题中仅执行5个步骤后就失败了，尽管后者需要的总步骤数更少。”
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。解决此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到LLM的上下文窗口中。RAG系统可以制作引人注目的演示。但它们在实践中往往效果不佳，因为一次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“代理式的”，如果它可以在多轮搜索和分析中保持任务，此方法才有效。正如AutoGPT和BabyAGI的例子所表明的那样，LLM在2024年之前在这方面表现很糟糕。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。你可以将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、采取另一项行动等等。
