華人青年科學(xué)家、OpenAI研究副總裁（安全）翁荔（Lilian Weng）近期在2024Bilibili超級科學(xué)晚上發(fā)表主題為《AI 安全與“培養(yǎng)”之道》的演講。這是其首次在國內(nèi)發(fā)表關(guān)于 AI 技術(shù)的演講。

翁荔表示，ChatGPT橫空出世以來，AI技術(shù)如同搭乘了高速列車，迅速滲透并影響著人類。AI每天都在變化，需要我們用心引導(dǎo)、教育，確保是更好的服務(wù)于人類，同時確保安全。而一個既安全又智能的AI，無異于將為我們的生活帶來諸多裨益。

具體來說，隨著AI的智能化和自主化，確保其行為符合人類價值觀變得重要，AI可能因偏見而變得狹隘，或因?qū)�抗性攻擊而受到質(zhì)疑。因此，需要用心引導(dǎo)AI，確保其服務(wù)于人類并確保安全，而AI安全是實現(xiàn)其潛在益處的基礎(chǔ)，類似于自動駕駛技術(shù)。

從數(shù)據(jù)層面，提供多樣、全面、正確的數(shù)據(jù)，可以減少AI的偏見，而依賴于多人標注的數(shù)據(jù)，以提高AI的準確性；同時，基于強化學(xué)習(xí)（RL）和基于人類反饋的強化學(xué)習(xí)（RLHF），通過獎懲機制訓(xùn)練AI，類似于訓(xùn)練小狗；此外，使用模型自我評價和詳細的行為規(guī)則來提升AI的輸出質(zhì)量。比如，在文檔寫作和視頻音樂制作中，普通人可以通過設(shè)定背景、角色思想和關(guān)鍵詞來引導(dǎo)AI。

翁荔畢業(yè)于北京大學(xué)信息管理系，如今該系名為北京大學(xué)數(shù)字人文實驗室，她是2005 級本科生，是“兜樂”項目的骨干設(shè)計人員，畢業(yè)后赴美攻讀博士學(xué)位，曾就職于Facebook，如今是OpenAI華人科學(xué)家、ChatGPT的貢獻者之一。

翁荔在2018年加入OpenAI，后來在GPT-4項目中主要參與預(yù)訓(xùn)練、強化學(xué)習(xí)&對齊、模型安全等方面的工作。她曾提出最著名的Agent公式——Agent=大模型+記憶+主動規(guī)劃+工具使用。

翁荔在演講中表示，人類需要教會AI安全基本原則和道德準則，使其成為人類的伙伴。同時，通過思維鏈（CoT）推理和擴展性研究來提升AI的可靠性和監(jiān)督。

翁荔強調(diào)，AI安全需要每個人的參與，社區(qū)可以共同影響AI的成長。

“AI的安全不僅僅是研究者的責任，它需要每一個人的參與。AI 技術(shù)是一把雙刃劍，它帶來的便利和挑戰(zhàn)并行，我們的參與至關(guān)重要�！蔽汤蠓Q。

以下是翁荔演講內(nèi)容，經(jīng)鈦媒體AGI編輯整理：

大家好，我是翁荔。今天我想與大家探討一個既深刻又有趣的話題，AI安全，以及我們?nèi)绾蜗衽囵B(yǎng)下一代一樣，培育出既聰明又安全的人工智能。

繼ChatGPT橫空出世以來，AI技術(shù)如同搭乘了高速列車，迅速滲透并影響著我們的日常。

AI每天都在進化，需要我們用心引導(dǎo)與教育，以確保其更好地服務(wù)于人類，同時確保安全無虞。一個既安全又智能的AI無疑將為我們的生活帶來諸多裨益。

試想一下，一個能洞察你生活習(xí)慣的智能家居系統(tǒng)，能根據(jù)你的需求自動調(diào)節(jié)室內(nèi)溫度和光線，或是一個時刻關(guān)注你健康狀況的AI助手，能為你提供量身定制的健康建議。

AI不僅能顯著提升我們的生活質(zhì)量，還能開辟新的就業(yè)領(lǐng)域，提升工作效率。

然而，這一切均建立在AI安全的基礎(chǔ)之上。正如自動駕駛技術(shù)一樣，它能極大的提升生活便利性，但是一旦出錯，后果可能不堪設(shè)想。

隨著AI應(yīng)用日益智能化與自主化，如何確保AI的行為符合人類價值觀，真正做到以人為本，成為了AI安全與對齊研究的核心議題。人類在成長過程中會不斷學(xué)習(xí)進步，但也會遇到成長的煩惱。AI同樣如此，它可能會因為數(shù)據(jù)偏見而變得狹隘，也可能因為對抗性攻擊而被惡意利用。

悉心教育，也就是AI安全和對其研究，才能使AI成長過程更加順利。

讓我們以健康領(lǐng)域的應(yīng)用為例，很多疾病研究的數(shù)據(jù)往往以男性群體為主，這可能導(dǎo)致AI在處理女性的健康問題時風(fēng)險評估不準確。此外數(shù)據(jù)本身也有可能存在偏見，比如有研究表明女性心臟病癥狀更容易被歸結(jié)成焦慮等心理問題而造成診斷遺漏。因此，我們需要通過對AI安全和對其的研究來減少這種偏見。

AI學(xué)習(xí)的基礎(chǔ)是數(shù)據(jù)，數(shù)據(jù)是它的實物，要想讓AI變得聰明可靠，我們必須確保它營養(yǎng)均衡，也就是提供多樣、全面、正確的數(shù)據(jù)，幫助它能夠正確的理解這個復(fù)雜的世界并減少偏差。

在使用人類標注的數(shù)據(jù)時，我們可以依賴于群體智慧，也就是the wisdom of the crowd，即同一個數(shù)據(jù)點被多人標注多數(shù)票獲勝，這種方法簡單而有效。有意思的是，1907年的一篇自然科學(xué)雜志中的文章，作者追蹤了一場年度展覽會上的一個有趣的競有獎競猜。展覽會上人們選出一頭肥牛，讓大家來猜測牛的重量，最接近真實數(shù)據(jù)的人將獲得大額的獎金。

作者發(fā)現(xiàn)，最中間值往往是最接近真實的the medium value，而這個數(shù)估計值也被稱為wax popular。它是拉丁語中the voice of the people，也就是人民的聲音的意思。在這篇將近120年前的科學(xué)文章中，作者總結(jié)道，我認為這個結(jié)果比人們預(yù)期的更能證明民主判斷的可信度。這也是最早提到群體智慧如何發(fā)生作用的科學(xué)文獻。

而至于如何把高質(zhì)量標注的數(shù)據(jù)喂給AI，基于人類反饋的強化學(xué)習(xí)，也就是RLHF技術(shù)起到了關(guān)鍵作用。

在了解RLHF之前，讓我們快速了解一下什么是RL reinforce learning。強化學(xué)習(xí)是一種機器學(xué)習(xí)方法，它主要通過獎懲機制來讓模型學(xué)會完成任務(wù)，而不是依靠直接告訴模型如何去做這些任務(wù)。想象一下它就好像你要訓(xùn)練小狗，如果小狗做對了一個動作，比如坐下你就給它一塊骨頭餅干，做錯了就不給獎勵。這樣小狗就會因為想吃到更多的餅干，而學(xué)會如何正確的坐下。

同理，AI也在這種獎懲機制中學(xué)習(xí)，通過不斷的嘗試并得到反饋，找到最佳的行動策略。一個早期的研究表明，強化學(xué)習(xí)能利用少量人類反饋，快速有效的教會智能體做復(fù)雜的動作，比如學(xué)會如何后空翻。

同樣的方法也可以用于訓(xùn)練大語言模型。當我們看到，針對同一問題的不同AI回答時，我們可以告訴模型，哪一個回答更好、更正確、更符合人類價值觀。這樣我們就像家長糾正孩子一樣，能夠調(diào)節(jié)AI的學(xué)習(xí)過程。

此外，我們還可以使用模型本身作為輸出I輸出質(zhì)量的評分者。比如在entropic發(fā)表的constitutional AI中，模型就通過對自己行為的自我評價進行改進�；蛘呦馩penAI最近發(fā)表的對齊強化學(xué)習(xí)中，我們可以制定非常詳細的行為規(guī)則來告訴AI，比如如何何時拒絕用戶的請求，如何表達同理心等等。然后我們在RL的獎勵機制中，非常精準的來給予相應(yīng)的評分和獎勵。這個過程中，一個更加強大的AI有能力更精準的判斷他是否有在遵循人類的價值觀和行為準則。

總之，強化學(xué)習(xí)技術(shù)就像一把鑰匙，幫助我們打開AI高質(zhì)量學(xué)習(xí)和發(fā)展的大門。在培養(yǎng)AI更懂我們的過程中，普通人也能發(fā)揮重要的作用。

在文檔寫作，我們可以采用兩個小技巧。首先設(shè)定詳細的背景和角色，就像導(dǎo)演為演員準備劇本一樣，讓AI在豐富的情境中捕捉我們的意圖。其次，精心挑選關(guān)鍵詞，構(gòu)建邏輯清晰的文檔結(jié)構(gòu)，使文檔既美觀又實用。

在視頻音樂制作領(lǐng)域，我們可以通過使用專業(yè)術(shù)語來引導(dǎo)AI比如黃金分割構(gòu)圖或和弦進行將創(chuàng)意轉(zhuǎn)化為現(xiàn)實。同時別忘了感情的投入，因為這是賦予靈作品靈魂的關(guān)鍵。

簡而言之，通過細致的指導(dǎo)和情感的融入，我們可以幫助AI創(chuàng)作出既豐富又富有感染力的作品。

在西游記中，孫悟空有緊箍咒約束行為，我們應(yīng)該給AI模型也帶上緊箍咒，也就是教會AI安全基本準則約束和道德標準，讓其遵守行為規(guī)范。以人類利益為先，成為我們貼心的伙伴，而不是冰冷的機器。

讓AI學(xué)習(xí)基本原則和道德準則，可以使模型在面對復(fù)雜問題時運用推理得出正確的結(jié)論。

比如在OpenAI最近發(fā)表的o1-preview模型中，我們通過思維鏈推理，加強了模型的魯棒性，Robust使得模型可以更好的抵抗越獄攻擊。

擴展性監(jiān)督在AI對其研究中也非常重要。隨著AI模型擴大，需要結(jié)合自動化工具和人類監(jiān)督，有效的監(jiān)督其行為，確保它朝著正確的方向發(fā)展。在一組研究中，我們用監(jiān)督學(xué)習(xí)訓(xùn)練語言模型，對網(wǎng)絡(luò)文本摘要進行批評。比如提高提供這個摘要非常準確，或者這個摘要遺漏了要點等等。評論相比對照組，我們發(fā)現(xiàn)有AI幫助的標注員比沒有幫助的能多。找出摘要中約50%的問題，而且多數(shù)批評都參考了模型提供的內(nèi)容�？傊�，給AI設(shè)定標準并進行有效監(jiān)督，可以提升它對人們的幫助。

其實，AI的安全不僅僅是研究者的責任，它需要每一個人的參與。

以B站為例，這個充滿活力的社區(qū)聚集了眾多AI愛好者和創(chuàng)作者，我們在這里分享見解、討論問題，甚至監(jiān)督AI的表現(xiàn)，共同影響著AI的成長。

我們每個人都應(yīng)該成為AI的大家長，不僅監(jiān)督和反饋AI的表現(xiàn)，還參與塑造一個安全可信的AI 世界。

AI技術(shù)是一個雙刃劍，它帶來了便利與挑戰(zhàn)并行，我們的參與至關(guān)重要。讓我們攜手培養(yǎng)出一個既聰明又負責的AI伙伴。感謝大家的聆聽，希望今天的分享能激發(fā)大家對于安全的熱情和興趣。也感謝B站提供這個平臺，讓我們共同為AI的未來貢獻力量。