MIT CSAIL的研究人員發(fā)現(xiàn)，LLM的「內(nèi)心深處」已經(jīng)發(fā)展出了對現(xiàn)實的模擬，模型對語言和世界的理解，絕不僅僅是簡單的「鸚鵡學(xué)舌」。也就說，在未來，LLM會比今天更深層地理解語言。

LLM離世界模型，究竟有多遠(yuǎn)？

去年，MIT的一篇文章發(fā)現(xiàn)了驚人的結(jié)論：在LLM內(nèi)部，存在一個世界模型。

LLM不僅學(xué)習(xí)了表面的統(tǒng)計數(shù)據(jù)，還學(xué)習(xí)了包括空間和時間等基本緯度的世界模型。

Llama-2-70B竟然能夠描繪出研究人員真實世界的文字地圖

不僅如此，MIT最近又發(fā)現(xiàn)：在LLM的深處，發(fā)展出了一種對現(xiàn)實的模擬，它們對語言的理解，已經(jīng)遠(yuǎn)遠(yuǎn)超出了簡單的模仿！

論文地址：https://arxiv.org/abs/2305.11169

具體來說，MIT計算機(jī)科學(xué)和人工智能實驗室 （CSAIL）的兩名學(xué)者發(fā)現(xiàn)——

盡管只用「預(yù)測下一個token」這種看似只包含純粹統(tǒng)計概率的目標(biāo)，來訓(xùn)練LLM學(xué)習(xí)編程語言，模型依舊可以學(xué)習(xí)到程序中的形式化語義。

這表明，語言模型可能會發(fā)展自己對現(xiàn)實的理解，以此作為提高其生成能力的一種方式。

因此，LLM在未來的某一天，可能會比今天更深層次地理解語言。

目前這篇文章已被ICML 2024接收，實驗所用代碼也已經(jīng)公布在GitHub上。

倉庫地址：https://github.com/charlesjin/emergent-semantics

01 沒有眼睛，LLM就「看」不到嗎？

如果讓GPT-4去聞一下被雨水浸濕的露營地的味道，它會禮貌地拒絕你。

不過，它仍然會給你一個詩意的描述：有新鮮的泥土香氣，和清爽的雨味，還有松樹或濕樹葉的痕跡。

GPT-4沒見過下雨，也沒有鼻子，但它能模仿大量訓(xùn)練數(shù)據(jù)中存在的文本。

缺少一雙眼睛，是不是就意味著語言模型永遠(yuǎn)無法理解「獅子比家貓更大」？

LLM能理解現(xiàn)實世界和各種抽象概念嗎？還是僅僅在「鸚鵡學(xué)舌」，純粹依靠統(tǒng)計概率預(yù)測下一個token?

LLM的工作原理，依舊是未解之謎。AI圈的大佬們，時不時就要因為這個問題展開一場論戰(zhàn)。

LeCun堅定認(rèn)為，LLM的智能絕對被高估了！他最著名的論斷，就是那句「大語言模型不如家里養(yǎng)的貓」。

「貓可以記憶，可以理解物理世界，可以計劃復(fù)雜的行動，可以進(jìn)行一定程度的推理，這實際上已經(jīng)比最大的模型要好了，意味著我們在概念層面有重要的缺失，無法讓機(jī)器像動物和人類一樣聰明。」

沒有感官，不耽誤ChatGPT為你描述各種氣味和圖片；沒有生活經(jīng)驗，很多用戶依舊「遇事不決，ChatGPT解決」；看起來完全沒有共情能力，Character.ai上的「心理學(xué)家」還是能俘獲美國一千萬青少年的心。

很多人將此解釋為純粹的統(tǒng)計現(xiàn)象，LLM只是在「鸚鵡學(xué)舌」，對大量訓(xùn)練語料中存在的文本進(jìn)行模仿，并不是像人類一樣擁有同等水平的智能或感知。

但現(xiàn)在，MIT的研究證明，并非如此！

LLM內(nèi)部，絕對存在著對現(xiàn)實世界的理解。

02 LLM破解卡雷爾謎題，意味著什么

為了探究這個謎團(tuán)，MIT CSAIL的研究者們，開發(fā)了一套小型卡雷爾謎題（Karel Puzzle）。

簡單介紹下，什么是卡雷爾謎題

其中包括讓模型用指令在模擬環(huán)境中控制機(jī)器人的行動。

卡雷爾語法規(guī)范

然后他們在訓(xùn)練LLM學(xué)習(xí)一種特定的解決方案，但沒有演示其中的工作原理。

最后，作者提出了一種名為「探針」（probing）的機(jī)器學(xué)習(xí)技術(shù)，用于在模型生成新解決方案時，深入了解其中的「思維過程」。

研究者通過對隨機(jī)參考程序進(jìn)行采樣來構(gòu)建訓(xùn)練示例，然后對5個隨機(jī)輸入進(jìn)行采樣并執(zhí)行程序，以獲得相應(yīng)的5個輸出。LM由交錯輸入和輸出組成的示例語料庫上進(jìn)行下一個token預(yù)測訓(xùn)練，然后是參考程序。在測試時，研究者向LM提供看不見的輸入輸出規(guī)范，并使用貪婪解碼來預(yù)測程序

在超過100萬個隨機(jī)謎題上進(jìn)行訓(xùn)練后，研究人員發(fā)現(xiàn)，模型自發(fā)地形成了對底層模擬環(huán)境的概念！盡管訓(xùn)練期間，它們并沒有接觸過這方面的信息。

這個結(jié)果，不僅挑戰(zhàn)了我們對LLM的固有印象，也質(zhì)疑了我們對思維過程本質(zhì)的認(rèn)知——

在學(xué)習(xí)語義的過程中，究竟哪些類型的信息才是必需的？

實驗剛開始時，模型生成的隨機(jī)指令幾乎無法運行；但完成訓(xùn)練時，指令的正確率達(dá)到了92.4%。

論文一作Jin表示，「這是一個非常激動人心的時刻，因為我們認(rèn)為，如果語言模型能以這種準(zhǔn)確度完成任務(wù)，我們也會期望，它能理解語言的含義?！?/p>

「這給了我們一個起點，來探索LLM是否確實能理解文本，現(xiàn)在我們看到，模型的能力，遠(yuǎn)不止于盲目地將單詞拼接在一起?！?/p>

03 打開LLM的大腦

在這項實驗中，Jin親眼目睹了這一進(jìn)展。

LLM為什么會認(rèn)為，這些指令指的是這個意思？

他發(fā)現(xiàn)，LLM已經(jīng)開發(fā)了自己的內(nèi)部模擬，來模擬機(jī)器人如何響應(yīng)每條指令而移動。

而隨著模型解決難題的能力越來越高，這些概念也就變得越來越準(zhǔn)確，這就表明：LM開始理解指令了。

不久之后，LLM就能始終如一地將各部分正確地拼接在一起，形成工作指令。

通過不同的探針分類器測量的語義內(nèi)容（綠色）

1. 思維探針

而為上述發(fā)現(xiàn)做出主要貢獻(xiàn)的，就是一種「思維探針」。

這是一種介入LLM思維過程的有效工具，論文將它稱為「probing」。

具體而言，LM的狀態(tài)中包含輸入和生成程序的純語法層面的記錄，但probe似乎可以學(xué)習(xí)理解其中的抽象解釋。

實際的實驗中，作者首先構(gòu)建LLM的狀態(tài)跟蹤數(shù)據(jù)集，再用標(biāo)準(zhǔn)的監(jiān)督學(xué)習(xí)方法訓(xùn)練一個小型模型作為探針，比如線性分類器或2層MLP。

訓(xùn)練后半段當(dāng)前和接下來兩個抽象狀態(tài)的語義內(nèi)容（1層MLP）

然而，其中一個重要的問題在于，必須將probe和模型實際的思考過程或生成的指令進(jìn)行分離。

雖然探針的唯一目的，只是「進(jìn)入LLM的大腦」，但如果它也為模型做了一些思考，該怎么辦呢？

研究者需要確保的是，LLM能夠獨立于探針理解指令，而不是由探針根據(jù)LLM對語法的掌握來推斷機(jī)器人的動作。

想象一下，有一堆編碼LLM思維過程的數(shù)據(jù)，其中probe的角色就像一名取證分析師。

我們把這堆數(shù)據(jù)交給了分析師，告訴ta：「這是機(jī)器人的動作，試著在這堆數(shù)據(jù)中，找出機(jī)器人是怎么動的?！狗治鰩煴硎?，自己知道這堆數(shù)據(jù)中的機(jī)器人是怎么回事。

但是，假如這堆數(shù)據(jù)只是對原始指令進(jìn)行了編碼，而分析人員已經(jīng)想出了一些巧妙的方法來提取指令，并按照指令進(jìn)行相應(yīng)的操作呢？

在這種情況下，LLM就根本沒有真正了解到這些指令的含義。

為此，研究者特意做了一個巧妙的設(shè)計：它們?yōu)槟Ｐ痛蛟炝艘粋€「奇異世界」。

在這個世界中，probe的指令含義被反轉(zhuǎn)了，比如「向上」其實意味著「向下」。

例如，原始語義中的exec（turnRight,·）是將使機(jī)器人順時針旋轉(zhuǎn)90度，而exec adversarial（turnRight,·）是將機(jī)器人推進(jìn)一個空間

這就保證了，probe并不是在「投機(jī)取巧」，直接學(xué)習(xí)理解LLM對指令的編碼方式。

一作Jin這樣介紹道——

如果探針是將指令翻譯成機(jī)器人的位置，那么它應(yīng)該同樣能夠根據(jù)離奇的含義翻譯指令。

但如果探頭實際上是在語言模型的思維過程中，尋找原始機(jī)器人動作的編碼，那么它應(yīng)該很難從原始思維過程中提取出怪誕的機(jī)器人動作。

結(jié)果發(fā)現(xiàn)，探針出現(xiàn)了翻譯錯誤，無法解釋具有不同指令含義的語言模型。

這就意味著，原始語義被嵌入了語言模型中，表明LLM能夠獨立于原始探測分類器，理解所需的指令。

上半部分描述了在干預(yù)前，兩種情況如何導(dǎo)致測量的高語義內(nèi)容。下半部分顯示了為什么將兩個假設(shè)分開: 如果LM表示僅包含語法（左下），那么應(yīng)該可以訓(xùn)練探針alt來學(xué)習(xí)根據(jù)替代狀態(tài)prog（粗體紅色結(jié)果）解釋記錄；然而，如果LM表示編碼原始抽象狀態(tài)（右下），則探測alt需要從原始狀態(tài)prog中提取替代狀態(tài)’prog，從而產(chǎn)生較低的語義內(nèi)容（粗體灰色結(jié)果）

2. LLM理解語言，就像孩童一樣

有趣的是，Jin發(fā)現(xiàn)，LLM對語言的理解是分階段發(fā)展的，就像孩子學(xué)習(xí)語言時分多個步驟一樣。

開始，它會像嬰兒一樣牙牙學(xué)語，說出的話是重復(fù)的，而且大多數(shù)都難以理解。

然后，LLM會開始獲取語法或語言規(guī)則，這樣，它就能夠生成看起來像是真正解決方案的指令了，但此時它們?nèi)匀徊黄鹱饔谩?/p>

不過，LLM的指令會逐漸進(jìn)步。

一旦模型獲得了意義，它就會像孩子造句一樣，開始產(chǎn)生正確執(zhí)行所要求規(guī)范的指令。

結(jié)果如圖2所示，可以看出LLM對語言的理解大致分為3個階段，就如同孩童學(xué)習(xí)語言一樣。

1. 牙牙學(xué)語（babbling，灰色部分）：占據(jù)整個訓(xùn)練過程約50%，生成高度重復(fù)的程序，準(zhǔn)確率穩(wěn)定在10%左右
2. 語法習(xí)得（syntax acquisition，橙色部分）：訓(xùn)練過程的50%～75%，生成結(jié)果的多樣性急劇增加，句法屬性發(fā)生顯著變化，模型開始對程序的token進(jìn)行建模，但生成的準(zhǔn)確率的提升并不明顯
3. 語義習(xí)得（semantics acquisition，黃色部分）：訓(xùn)練過程的75%到結(jié)束，多樣性幾乎不變，但生成準(zhǔn)確率大幅增長，表明出現(xiàn)了語義理解

實驗使用了三種不同的probe架構(gòu)作為對比，分別是線性分類器、單層MLP和2層MLP。

提前2步預(yù)測時，2層MLP預(yù)測準(zhǔn)確率的絕對值高于用當(dāng)前狀態(tài)預(yù)測的基線模型。或許可以得出這樣一種推測：LLM在生成指令前，其思維過程，以及生成指令的「意圖」已經(jīng)存儲在模型內(nèi)部了。

04 LLM = 世界模型？

這項研究解釋了LLM如何思考訓(xùn)練數(shù)據(jù)中每條指令的含義，如何在內(nèi)部狀態(tài)中模擬機(jī)器人對指令的響應(yīng)。

這些都直指當(dāng)前AI研究的一個核心問題——LLM令人驚訝的能力，僅僅是由于大規(guī)模的統(tǒng)計相關(guān)性，還是對它們現(xiàn)實產(chǎn)生了有意義的理解？

研究表明，LLM開發(fā)了一個模擬現(xiàn)實的內(nèi)部模型，盡管它從未接受過開發(fā)該模型的訓(xùn)練。

而且，語言模型還可以進(jìn)一步加深對語言的理解。

然而，僅靠一篇論文顯然不能完全回答這個問題。

作者Jin也承認(rèn)，這項研究存在一些局限性：他們僅使用了非常簡單的編程語言Karel，以及非常簡單的probe模型架構(gòu)。

未來的工作將關(guān)注更通用的實驗設(shè)置，也會充分利用對于LLM「思維過程」的見解來改進(jìn)訓(xùn)練方式。

本文另一位作者Rinard表示，「一個有趣的懸而未決的問題是，在解決機(jī)器人導(dǎo)航問題時，LLM是在用內(nèi)部現(xiàn)實模型來推理現(xiàn)實嗎？」

雖然論文展現(xiàn)的結(jié)果可以支持這一結(jié)論，但實驗并不是為回答這個問題而設(shè)計的。

布朗大學(xué)計算機(jī)科學(xué)和語言學(xué)系助理教授Ellie Pavlick高度贊揚了這項研究。

她表示，對LLM工作原理的理解，可以讓我們對這項技術(shù)的內(nèi)在可能性和局限性有更合理的期望。這項研究正是在受控環(huán)境中探索這個問題。

計算機(jī)代碼像自然語言一樣，既有語法又有語義；但與自然語言不同的是，代碼的語義更直觀，并可以根據(jù)實驗需要直接控制。

「實驗設(shè)計很優(yōu)雅，他們的發(fā)現(xiàn)也很樂觀，這表明也許LLM可以更深入地了解語言的『含義』?！?/p>

05 作者介紹

本文一作Charles Jin是MIT EECS系和CSAIL實驗室的在讀博士，導(dǎo)師Martin Rinard是本文的另一位作者，他的研究主要關(guān)注穩(wěn)健的機(jī)器學(xué)習(xí)和程序合成。

Jin本科和碩士畢業(yè)于耶魯大學(xué)，獲得了計算機(jī)科學(xué)和數(shù)學(xué)雙學(xué)位，曾經(jīng)在Weiss資產(chǎn)管理公司擔(dān)任分析師，博士期間曾在Google Brain擔(dān)任研究實習(xí)生。

參考資料：

https://the-decoder.com/training-language-models-on-synthetic-programs-hints-at-emergent-world-understanding/

https://news.mit.edu/2024/llms-develop-own-understanding-of-reality-as-language-abilities-improve-0814