AI经过多轮“自我提升”，能力不增反降？

上海交通大学GAIR团队最新研究表明，在常识理解、数学推理和代码生成等复杂任务中，AI经过多轮“自我提升”后，可能会出现一种称为“自我提升逆转”（self-improvement reversal）的现象。

LLaMA-2-7B、Mistral-7B、LLaMA-8B都没逃过。

这就像一个学生刷题刷到”走火入魔”——虽然考试成绩提高了，但实际解决问题的能力反而可能下降！

更值得警惕的是，这种训练还可能导致AI的回答变得千篇一律，失去了原有的创造力和适应新情况的能力。好比一个学生只会应付考试，遇到真实世界的问题就束手无策。

要知道，OpenAI最近被曝光的项目“草莓”，据说还在使用post-training阶段的自我提升来提升模型复杂推理能力……

目前该研究《Progress or Regress？Self-Improvement Reversal in Post-training》已获得了 ICML 2024 （AI for Math Workshop） 的Honorable Mention Award。

刷分更高但是能力下降

具体说来，该工作将”迭代后训练”（Iterative post-training）分成三个主要步骤：

• 答案采样：让AI回答一系列问题，每个问题回答多次。
• 训练集构建：从AI的回答中挑选出好的答案。
• 模型后训练：用这些好答案来”教”AI，让它学会更好的回答方式。

研究人员尝试了不同的”教学”方法：

• 迭代SFT：直接告诉AI哪些答案是对的。
• 迭代DPO：让AI学会比较不同答案的好坏。
• 迭代SFT-DPO：将上面两种方法结合起来。

他们还研究了影响AI学习效果的几个关键因素（如图1所示）：

• 训练次数：一般来说，多训练几次，AI的表现会更好。但训练4-5次后，进步就不明显了。
• AI的基础能力：有趣的是，最聪明的AI并不一定学得最快，但最后表现通常最好。
• 问题类型：有些类型的问题（如常识问答和简单数学）AI学得比较快，而复杂的数学问题和编程任务就比较困难。
• 训练方法：不同的问题可能需要不同的训练方法。研究者发现，如果AI一开始就表现不错，用DPO或SFT-DPO方法效果更好。

图1：三种迭代后训练范式在多个任务求解上的Pass@1性能（从常识知识、数学推理、代码生成方向选择了四个聚焦复杂问题求解能力的数据集：CSQA，GSM8k，MATH，MBPP以及三种不同的基座模型LLaMA-2-7B，Mistral-7B，LLaMA-8B。所有实验的迭代次数$$$$设置为5。评估时使用贪婪解码，并且选择Pass@1作为性能评价指标。）

起初，结果看起来很令人兴奋。AI在测试中的分数确实提高了！但研究团队深入观察后，发现了一些“出人意料”的现象：

1、能力幻觉：

研究者发现，AI并没有真正学会解决更难的问题。相反，它只是变得更擅长在已知的答案中挑选正确的那个。他们用”正确答案覆盖率”这个指标来衡量这一现象。结果显示，即使是未经过多轮训练的AI，只要给它足够多的尝试机会，也能在那些看似”学会”的问题上得到正确答案。这就像一个学生通过背答案提高了考试分数，但实际解决问题的能力并没有提升。

2、多样性丧失：

随着训练次数增加，AI的回答变得越来越“千篇一律”。研究者从三个方面测量了这种变化：

• 语法多样性：使用”Distinct N-gram”指标。
• 语义多样性：使用句子嵌入的余弦相似度。
• 逻辑多样性：在数学问题中计算不同方程的数量。结果显示，无论哪种训练方法，AI的回答都变得越来越相似，失去了原有的创意和多样性。

3、泛化能力下降：

研究者还测试了AI面对全新类型问题时的表现。他们先让AI在一个简单的数学问题集（GSM8K）上训练，然后用一个更难的数学问题集（MATH）来测试它。结果发现，经过多轮”自学”的AI在面对这些新问题时，表现反而更差。而且，AI在简单问题和困难问题上的表现差距越来越大，这说明它可能只是在”死记硬背”，而不是真正理解和学习。

毫无疑问，post-training阶段的”自我提升“仍然是一个充满潜力的研究方向，”让AI自我提升”也是一个很酷的想法。但GAIR团队的发现表明，AI的进化之路可能比想象中更加复杂和充满挑战。在追求AI性能提升的同时，也需要更全面地考虑：

• AI真正的问题解决能力是否提升了？
• AI是否保持了创造力和多样性？
• AI能否灵活应对新的、未知的情况？

人工智能的未来令人期待，但同时也需要以更加审慎和全面的视角来看待其发展。只有这样，才能真正实现AI的潜力，创造出既智能又可靠的系统，为人类社会带来真正的价值。

来源：量子位