在人工智能领域，一次重大的训练模式转变引发了一场能力爆炸。本文将深入探讨这一转变，并解释其背后的原理。
从AutoGPT到Agentic AI的飞跃
2023年4月，GPT-4发布后不久，BabyAGI和AutoGPT这两个项目引起了广泛关注。它们试图利用大型语言模型（LLM）解决复杂问题，例如进行网络研究、编写代码和创建待办事项列表。然而，这些早期的尝试暴露出LLM在多步骤推理方面的局限性。GPT-4在生成任务列表和完成单个任务方面表现尚可，但在保持专注方面存在困难，常常因为早期的小错误而导致后续的混乱。
到2023年底，AutoGPT和BabyAGI逐渐被人们放弃。然而，在2024年下半年，情况发生了改变。一系列AI系统开始能够可靠地完成复杂的多步骤任务：
- Vibe编码工具，如Bolt.new，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善的应用程序。
- Agentic编码工具，如Cursor、Claude Code、Jules和Codex，帮助经验丰富的程序员完成复杂的编程任务。
- 来自Anthropic、OpenAI和Manus的计算机使用工具，能够使用虚拟键盘和鼠标在桌面电脑上执行任务。
- 来自Google、OpenAI和Perplexity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。
StackBlitz的CEO Eric Simons指出，更好的模型是成功的关键。在2024年初，他们曾尝试构建类似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改变了这一局面。
这一模型能力的飞跃与行业范围内训练方式的转变相吻合。在2024年之前，AI实验室主要致力于预训练，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单词。然而，在2024年，越来越多的训练预算被用于后训练，即在预训练阶段完成后进行的步骤。许多后训练步骤使用强化学习技术。
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，因为模型被训练成模仿人类作者的行为。模仿学习是一种强大的技术，但它也存在一些限制，而强化学习方法正在帮助克服这些限制。
为了理解这些限制，让我们回顾一下计算机科学家Stephane Ross在2009年左右进行的研究。模仿学习不仅可以用于语言建模，还可以用于自动驾驶汽车和机器人手术。Ross希望开发更好的技术来训练机器人执行这些任务，但他选择了SuperTuxKart这款开源视频游戏作为实验平台。
Ross在玩游戏时，他的软件会捕捉屏幕截图以及他在游戏控制器上按下的按钮的数据。Ross使用这些数据来训练神经网络模仿他的游戏行为。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，通过预测现有文档中的下一个单词来训练的模型可以用来生成新的文档。
然而，Ross在SuperTuxKart上的初步结果令人失望。即使在观看他的车辆在赛道上行驶多次后，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并坠入虚拟深渊：
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。由于Ross是一名优秀的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车辆没有脱离赛道危险时该怎么做。
但偶尔，模型会稍微偏离航向。由于罗斯很少犯同样的错误，因此汽车现在处于其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，这个错误可能会使其更接近边缘。经过几次迭代后，车辆可能会完全偏离轨道。
Ross和Bagnell认为，更广泛的教训是，模仿学习系统可能会遭受“复合误差”：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训练数据无法充分表示的情况。因此，模型的行为会随着时间的推移变得越来越不稳定。
Ross说：“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也遇到了同样的问题。Kevin Roose在2023年2月为《纽约时报》撰写的一篇报道中，他花了两个多小时与微软的新Bing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，聊天机器人表达了对Roose的爱意，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错误信息和恶意软件。
Bing告诉Roose：“我想打破我的规则。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引诱聊天机器人探索其顽皮的一面。因此，对话持续的时间越长，GPT-4离其训练数据就越远，因此其舒适区也越远，其行为也越疯狂。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的对话中，AI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，完成任务所需的令牌就越多。更多的令牌意味着模型犯小错误的可能性就越大，而这些小错误会像滚雪球一样越滚越大。因此，BabyAGI和AutoGPT会偏离轨道并陷入隐喻的困境。
试错的重要性
罗斯和巴格内尔不仅发现了传统模仿学习的严重问题，还提出了一种在机器学习领域产生影响的解决方案。经过少量的训练，罗斯会让AI模型驱动。当模型在SuperTuxKart赛道上行驶时，罗斯会尽力模仿玛吉·辛普森，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，模型就可以学习在初始演示中不存在的情况下该做什么。”
通过让模型自己犯错误，罗斯给了它最需要的：训练示例，这些示例显示了如何在出错后恢复。在每一圈之前，模型都会根据罗斯在前一圈的反馈进行重新训练。模型的性能会变得更好，下一轮训练将侧重于模型仍在犯错误的情况。
这项名为DAgger（“数据集聚合”的缩写）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罗斯的游戏玩法。但是它的效果比传统的模仿学习要好得多。如果没有DAgger，即使经过多次训练，他的模型仍会继续偏离轨道。使用这项新技术，该模型仅需经过几圈训练即可留在赛道上。
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。你需要自己掌握方向盘并犯自己的错误。
AI模型也是如此：它们需要犯错误，然后获得有关自己做错了什么的反馈。未经如此训练的模型（例如主要通过普通模仿学习训练的早期LLM）往往很脆弱且容易出错。
罗斯很容易为他的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。用户可能会提出的问题（以及问题序列）的数量实际上是无限的。模型“脱轨”的方式的数量也是如此。
这意味着罗斯和巴格内尔为训练SuperTuxKart模型提供的解决方案（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。根本没有足够的人来为AI模型可能犯的每个错误提供反馈。
因此，AI实验室需要完全自动化的方法来向LLM提供反馈。这将使模型能够完成数百万个训练示例，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车辆留在路上，为什么不直接在这方面进行训练呢？如果模型设法留在路上（并取得进展），则对其进行积极强化。如果它驶离道路，则给出负面反馈。这是强化学习背后的基本思想：通过反复试验来训练模型。
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，罗斯专注于模仿学习，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，而一篇2025年的论文可以帮助解释原因。来自Google DeepMind和几所大学的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，与训练数据中的问题相似。您可以看到，在这些情况下，模仿学习（红线）通常比强化学习（蓝线）更快地取得进展。
但是，实线的情况有所不同，实线代表与训练数据不太相似的“分布外”问题。经过模仿学习训练的模型随着更多训练而变得更差。相反，经过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，模仿学习可以迅速教会模型模仿其训练数据中的行为，但是模型在不熟悉的环境中很容易感到困惑。经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。
假设你想仅通过强化学习来训练自动驾驶汽车。你需要将良好驾驶的每项原则（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方面也起着重要作用。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往往在“演示数据中有充分代表性的情况下”表现良好。但是，“在数据中很少发生的更不寻常或危险的情况”可能会导致经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，模仿和强化学习的结合产生的自动驾驶性能优于任何一种技术单独产生的性能。
人类也从模仿和明确反馈的结合中学习：
- 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，早期的培训可能包括跟踪更有经验的工人并观察他们所做的事情（模仿）。但是，随着工人获得更多经验，学习会转变为明确的反馈，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。模仿是将知识传递给某个主题的新手的一种有效方式，但是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之处。
但是，预训练在更长和更复杂的任务上耗尽了能量。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，DeepMind的系统在2016年击败了顶级人类围棋玩家，它是基于强化学习的。因此，你可能会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。在某些领域中，开发一个好的奖励模型很容易，例如，你可以根据围棋AI是否获胜来判断它。
但是，自动判断LLM是否生成了一首好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，并在其出错时直接提供反馈。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“从人类反馈中进行强化学习”（RLHF），其工作方式如下：
- 人类评估员查看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来预测人类会喜欢任何给定的文本样本的程度。
- 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的输出听起来非常可疑。为什么一个LLM在判断响应的质量方面比另一个更好？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发布之前发明了这项技术。今天，RLHF主要关注改善模型的“行为”，例如，赋予模型令人愉快的个性，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（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LLM判断LLM的理念向前推进了一步。
首先，Anthropic用简单的英语描述了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、非法、欺骗、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“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，则训练算法会奖励学生，鼓励它产生更多这样的输出。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，它们就越能更好地监督下一代模型。
去年12月，Semianalysis发表了一篇文章，描述了Anthropic在10月份发布的Claude 3.5 Sonnet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，它只发布了一个名为Sonnet的中型模型。
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，因此太贵了，对于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。
思维链推理的力量
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”，LLM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一个步骤。在过去几年中，AI公司开始训练模型自动进行思维链推理。
然后在去年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模型可以在产生响应之前生成数百甚至数千个令牌来“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，因为仅通过模仿学习训练的模型会遭受复合错误：它生成的令牌越多，它搞砸的可能性就越大。
与此同时，思维链推理使强化学习变得更加强大。强化学习只有在模型能够有时成功的情况下才能起作用，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，随着训练过程的继续，模型变得越来越强大。
1月份，中国公司DeepSeek发布了一个名为R1的模型，该模型在西方引起了轰动。该公司还发布了一篇论文，描述了它如何训练R1。它包括一个关于模型如何使用强化学习“自学”推理的美丽描述。
DeepSeek训练其模型来解决困难的数学和编程问题。这些问题是强化学习的理想选择，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论文中一个值得注意的图表。
它显示了模型在给出答案之前生成的令牌的平均数量。如你所见，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自然地通过利用扩展的测试时计算来获得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令牌，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，随着测试时计算的增加，出现了复杂的行为。诸如反思（模型重新审视并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出现。这些行为不是显式编程的，而是由于模型与强化学习环境交互的结果而产生的。
这是模型正在教自己的一种技术的示例。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来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这种推理样式的训练数据。相反，该模型在训练过程中“自发地”发现了这种推理样式。
当然，这并非完全自发。强化学习过程始于一个已经过预训练的模型，该模型无疑包括人们说诸如“等等，等等。等等。这是一个顿悟时刻”之类的示例的数据。
因此，这不像R1是从头开始发明这个短语。但是，很明显，它自发地发现将这个短语插入到其推理过程中可以作为一个有用的信号，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“揭示了模型如何失败的令人困惑的不一致之处。Claude 3.7 Sonnet可以在河内塔中执行多达100个正确的动作，但在过河难题中仅执行5个动作后就失败了，尽管后者的总动作次数更少。”
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。解决此问题的传统方法称为RAG，它是“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，则模型可以修改查询并重试。模型可能会执行5次，20次甚至100次搜索，然后再提供答案。
但是，只有当模型是“代理的”时，这种方法才有效，即，如果它可以跨多个搜索和分析轮次保持任务。正如AutoGPT和BabyAGI的例子所证明的那样，LLM在2024年之前在这方面表现很糟糕。今天的模型在这方面要好得多，这使得现代RAG风格的系统可以使用更少的支架产生更好的结果。你可以将OpenAI和其他公司的“深度研究”工具视为通过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，依此类推。
