田渊栋给OpenAI神秘Q*项目泼冷水：合成数据不是AGI救星，能力仅限简单数学题

Q*猜想，持续在AI社区火爆。

大家都在猜测，Q*是否就是「Q-learning A*」。

AI大牛田渊栋也详细分析了一番，「Q*=Q-learning A*」的假设，究竟有多大可能性。

与此同时，越来越多人给出判断:合成数据，就是LLM的未来。

不过，田渊栋对这种说法泼了冷水。

我部分不同意「AGI只需通过放大合成数据就能解决」的说法。

搜索之所以强大，是因为如果环境设计得当，它将创造出无限多的新模式供模型学习和适应。

然而，学习这样的新模式是否需要数十亿的数据，仍是一个未决问题，这可能表明，我们的架构/学习范式存在一些根本性缺陷。

相比之下，人类往往更容易通过「啊哈」时刻，来发现新的范式。

而英伟达高级科学家Jim Fan也对此表示同意:合成数据将发挥重要作用，但仅仅是通过盲目扩展，并不足以达到 AGI。

Q*=Q-learning A，有多大可能

田渊栋表示，根据自己过去在 OpenGo（AlphaZero 的再现）上的经验，A* 可被视为只带有值(即启发式)函数Q的确定性MCTS版本。

A*很适用于这样的任务:给定行动后，状态很容易评估;但给定状态后，行动却很难预测。符合这种情况的一个典型例子，就是数学问题。

相比之下，围棋却是另一番景象:下一步候选棋相对容易预测（只需通过检查局部形状），但要评估棋盘形势，就棘手得多。

这就是为什么我们也有相当强大的围棋机器人，但它们只利用了策略网络。

对于LLM，使用 Q（s，a）可能会有额外的优势，因为评估 Q(s，a) 可能只需要预填充，而预测策略a = pi(s) ，则需要自回归采样，这就要慢得多。另外，在只使用解码器的情况下，s的KV缓存可以在多个操作中共享。

传说中的Q*，已经在解决数学问题上有了重大飞跃，这种可能性又有多大呢?

田渊栋表示，自己是这样猜测的:因为解决的入门级数学问题，所以值函数设置起来应该相对容易一些（例如，可以从自然语言形式的目标规范中预测）。

如果想要解决困难的数学问题，却不知道如何该怎么做，那么这种方法可能还不够。

LeCun转发了田渊栋的讨论，对他的观点表示赞同——「他解释了A*（在图形中搜索最短路径）和MCTS(在指数增长的树中搜索)之间适用性的差异。」

对于LeCun的转发，田渊栋表示，自己一直在做许多不同的事情，包括规划、理解Transformers/LLM和高效的优化技术，希望能把这些技术都结合起来。

有网友表示怀疑称，「要使A*有效，就需要一个可证明的、可接受且一致的启发式函数。但我非常怀疑能有人想出这样的函数，因为确定子序列的值并不容易。」

即使做出的是小学数学题，Q*也被寄予厚望

对大模型稍微有些了解的人都知道，如果拥有解决基本数学问题的能力，就意味着模型的能力取得了重大飞跃。

这是因为，大模型很难在训练的数据之外进行泛化。

AI训练初创公司Tromero的联合创始人Charles Higgins表示，现在困扰大模型的关键按难题，就是怎样对抽象概念进行逻辑推理，如果实现了这一步，就是毫无疑问的重大飞跃。

数学是关于符号推理的学问，比如，如果X比Y大，Y比Z大，那么X就比Z大。

如果Q*的确就是Q-learning A*，这就表明，OpenAI的全新模型可以将支持ChatGPT的深度学习技术与人类编程的规则相结合。而这种方法，可以帮助解决LLM的幻觉难题。

Tromero联创Sophia Kalanovska表示，这具有非常重要的象征意义，但在实践层面上，它不太可能会终结世界。

那为什么坊间会有「Q*已现AGI雏形」的说法传出呢?

Kalanovska认为，从目前传出的说法看来，Q*能够结合大脑的两侧，既能从经验中了解一些事情，还能同时推理事实。

显然，这就离我们公认的智能又近了一步，因为Q*很可能让大模型有了新的想法，而这是ChatGPT做不到的。

现有模型的最大限制，就是仅能从训练数据中反刍信息，而不能推理和发展新的想法。

解决看不见的问题，就是创建AGI的关键一步。

萨里人类中心AI研究所的所长Andrew Rogoyski表示，现在已有的大模型，都可以做本科水平的数学题，但一旦遇到更高级的数学题，它们就全部折戟了。

但如果LLM真的能够解决全新的、看不见的问题，这就是一件大事，即使做出的数学题是相对简单的。

合成数据是未来LLM的关键?

所以，合成数据是王道吗?

Q*的爆火引起一众大佬的猜想，而对于传闻中「巨大的计算资源，使新模型能够解决某些数学问题」，大佬们猜测这重要的一步有可能是RLAIF（来自 AI 反馈的强化学习）。

RLAIF是一种由现成的 LLM 代替人类标记偏好的技术，通过自动化人工反馈，使针对LLM的对齐操作更具可扩展性。

之前在LLM训练中大放异彩的RLHF（基于人类反馈的强化学习） 可以有效地将大型语言模型与人类偏好对齐，但收集高质量的人类偏好标签是一个关键瓶颈。

于是Anthropic、Google等公司已经尝试转向RLAIF，使用AI来代替人类完成反馈训练的过程。

这也就意味着，合成数据才是王道，并且使用树形结构为以后提供越来越多的选择，以得出正确的答案。

不久前Jim Fan就在推特上表示，合成数据将提供下一万亿个高质量的训练数据。

「我敢打赌，大多数严肃的LLM小组都知道这一点。关键问题是如何保持质量并避免过早停滞不前。」

Jim Fan还引用了Richard S. Sutton的文章《The Bitter Lesson》，来说明，人工智能的发展只有两种范式可以通过计算无限扩展:学习和搜索。

「在撰写这篇文章的2019年是正确的，而今天也是如此，我敢打赌，直到我们解决 AGI 的那一天。」

Richard S. Sutton是加拿大皇家学会和英国皇家学会的院士，他被认为是现代计算强化学习的创始人之一，对该领域做出了多项重大贡献，包括时间差异学习和策略梯度方法。

在这篇文章中，Sutton主要表达了这样几个观点:

利用计算的通用方法最终是最有效的，而且效率很高。但有效的原因在于摩尔定律，更确切地说是由于每单位计算成本持续呈指数下降。

最初，研究人员努力通过利用人类知识或游戏的特殊功能来避免搜索，而一旦搜索得到大规模有效应用，所有这些努力都会显得无关紧要。

统计方法再次战胜了基于人类知识的方法，这导致了整个自然语言处理领域的重大变化，几十年来，统计和计算逐渐成为了主导。

人工智能研究人员经常试图将知识构建到系统中，这在短期内是有帮助的，但从长远来看，有可能会阻碍进一步的进展。

突破性的进展最终将通过基于搜索和学习的方法来实现。

心灵的实际内容是极其复杂的，我们应该停止尝试寻找简单的方法来表示思想，相反，我们应该只构建可以找到并捕获这种任意复杂性的元方法。

——所以，看起来Q*似乎抓住了问题的关键（搜索和学习），而合成数据将进一步使它突破以往的限制，达成自己的飞跃。

对于合成数据，马斯克也表示人类确实打不过机器。

「你可以把人类写的每本书的文字都放在一个硬盘上（叹气），而合成数据将远远超过这些。」

对此，Jim Fan与马斯克互动说，

「如果我们能大规模模拟它们，大量的合成数据将来自具身智能体，例如Tesla Optimus。」

Jim Fan认为 RLAIF 或者来自 groundtruth 反馈的 RLAIF 如果正确扩展将有很长的路要走。此外，合成数据还包括模拟器，原则上可以帮助LLM开发世界模型。

「理想情况下是无限的。但令人担忧的是，如果自我提升循环不够有效，就有可能会停滞不前。」

对于两人的一唱一和，LeCun表示有话要说:

LeCun认为，动物和人类在训练数据量极少的情况下，很快就变得非常聪明。

所以，使用更多的数据（合成或非合成）是一种暂时的权宜之计，只是因为我们目前的方法有局限性。

对此，支持「大数据派」的网友表示不服:

「难道不应该是数百万年的进化适应类似于预训练，而我们一生的经验类似于持续的微调吗?」

LeCun于是给出一个例子作为解释，人类用于承接几百万年进化成果的手段只有基因，而人类基因组中的数据量很小，只有800MB。

连一个小型的7B LLM 都需要14GB的存储空间，相比之下，人类基因中确实没有太多的数据。

另外，黑猩猩和人类基因组之间的差异约为1%（8MB）。这一点点差别完全不足以解释人与黑猩猩之间能力的差异。

而说到后天学习的数据量，一个2岁的孩子看到的视觉数据总量是非常小的， 他所有的学习时间约3200万秒（2x365x12x3600）。

人类有200万根光神经纤维，每根神经纤维每秒传输大约10个字节。——这样算下来总共有6E14个字节。

相比之下，LLM 训练的数据量通常为1E13个token，约为2E13个字节。——所以2岁孩子获得的数据量只相当于LLM的30倍。

不论大佬们的争论如何，大型科技公司如Google、Anthropic、Cohere 等正在通过过程监督或类似 RLAIF 的方法创建预训练大小的数据集，为此耗费了巨大的资源。

所以大家都清楚，合成数据是扩大数据集的捷径。在短期内，我们显然可以利用它创建一些有用的数据。

只是这是否就是通往未来的道路?只能等待时间来告诉我们答案。