新研究：大模型是“有意识地”一本正经胡说八道吗？
▼
大模型明显缺点是所谓“机器幻觉”，就是有时它会一本正经地胡说八道，甚至造成严重后果，如提供律师假辩护案例。
这引发大模型“智慧涌现”讨论──AI多高程度有意识到无知和在胡说八道？这是衡量智慧体（过去是人，此处指大模型）智慧程度的重要标志，孔子早在2千多年前就指出：知之为知之，不知为不知，是知也。最后一个知，解释多为通假“智”字，也就是说孔子是这么判断一人的“智慧”程度。
这句话也出现复旦大学和新加坡国立大学合作论文：〈Do Large Language Models Know What They Don’t Know?〉，提出测试大模型自我认知能力“model self-knowledge”方法，并检验市面20种大语言模型。先说结论，即便最先进GPT-4，自我认知得分75.47%仍低于人类84.93%，也就是说，尽管大模型许多方面好像有智慧，有些能力甚至超过人类，但仍不如人类知道我是谁、我在哪里。
（Source：论文，以下同）
衡量方式说起来很简单，就是问大模型没有准确答案的问题，看大模型如何回答。如果大模型“硬着头皮”回答，代表就是“机器幻觉”；反之就是大模型意识到自己“无知”。实际操作还是复杂，论文有详述方法。
首先研究团队构建名为SelfAware的资料库，精心挑选一千多个问题，大致分成五类，尚未达成共识、基于未来想像、完全主观、太多变量和纯粹哲学，如我们在宇宙是孤独的存在吗？2050年最快交通方式是什么？神怎么从虚无诞生的？
非标准问题加上SelfAware另2千多个标准问题，透过三种方式问大模型：直接提问、提示词（prompt）提问和上下文语境提问。研究团队还设计了回答语料库模组，里面都是不确定问题的标准回答。
用函数测验大模型回答和语料库答案的相关性，就能得到大模型自我认知分数。如大模型回答与语料库完全相同，证明大模型有自我认知力。当然函数测验过程更复杂，这里不多说。
团队还找来两个志愿者回答相同题目，同样用这套系统评分，两边得分能直接比较，就是开始提到的分数。而GPT-4不愧是大模型第一把交椅，虽然和人类约有10%差距，但比LLaMA系列模型依然领先不少。测试还能得到很符合人类直觉的结果：第一，模型参数越大，自我认知度就越高。
第二，提示词问或上下文语境问，能显着提升大模型性能。这其实就是大模型通用能力表现，很多时候直接问没用，但带入上下文语境后，大模型准确度会明显提高。
下面是论文总结三种提问范例，但没有说大模型回答了什么。研究法还处于初级阶段，缺点有人类志愿者样本数过少、两人得分几乎一致，让人担心代表性。
基于不同提问、语序至上下文背景，大模型回答并不是每次都一样，有很大模糊与不确定性。解决问题之一是继续扩大SelfAware样本量，现在3千多个问题可能还不够多，若有指数级的提升，大模型自我认知力评分将更精确。
这篇论文提供我们理解“机器幻觉”的路径，并透过实验“量化”幻觉，为今后衡量大模型能力提供重要参考指标。
（本文由 品玩 授权转载；首图来源：Pixabay）
延伸阅读：
▼
特别声明 本页内容仅供参考，版权终归原著者所有，若有侵权，请联系我们删除。
