毫末大模型使用了ChatGPT最能打的RLHF学习 网友：快查查，不像假的

原标题：毫末大模型使用了ChatGPT最能打的RLHF学习 网友：快查查，不像假的

去年底，ChatGPT横空出世。真实自然的人机对话，以及比拟专家的回答，还有一本正经的胡说八道，使其快速走红，风靡全世界。

不像之前那些换脸、捏脸、诗歌绘画生成等红极一时又很快热度退散的AIGC应用，ChatGPT不仅保持了热度，而且还有全面爆发的趋势。现如今，谷歌、百度的AI聊天机器人已经在路上。

比尔盖茨如此盛赞：ChatGPT的意义不亚于PC和互联网诞生。

为什么呢？

首先，人机对话实在是刚需。人工智能技术鼻祖的图灵所设计的“图灵测试”，就是试图通过人机对话的方式来检验人工智能是否已经骗过人类。能从人机问题中就能获得准确答案，这可比搜索引擎给到一大堆推荐网页和答案更贴心了。要知道懒惰乃人类进步的原动力。

其次，ChatGPT实在是太能打了。不仅在日常语言当中，ChatGPT能够像人类一样进行聊天对话，还能生成各种新闻、邮件、论文，甚至进行计算和代码，这简直就像小朋友抓到一只 “哆啦A梦”——有求必应了。

除了看看热闹，我们也可以弱弱的问一句：ChatGPT为啥这么能打呢？

ChatGPT：我手握大模型，还会“杠”人类

先看一个“不要你以为，我要我媳妇以为”的例子。

之前，人类在和ChatGPT对话的时候，可以搬出“我媳妇这么说的”，“我媳妇说的……不会错”的时候，它就在稍微坚持之后就认怂并修改自己的回答。

但是经过了大量训练，ChatGPT开始变得十分硬气。无论你是否搬出自己媳妇，它都会坚持真理，2+2就是等于4 了，管你是不是个“妻管严”，它都不会妥协了。

原来是ChatGPT被回炉重造，进行了一番真实性和数学能力的专门训练。也就是说，ChatGPT既可以被人类带偏，也可以被人类强化纠正。

那为啥呢？先来回答ChatGPT到底是个啥？它是个基于上千亿超大语料参数组成的GPT3.0架构训练出来的一个自然语言处理的聊天工具。ChatGPT的算法就是采用了Transformer神经网络架构，具有很好的时序数据的处理能力，说大白话就是能很好处理上下文的语法关系。

Transformer是一种结构简单的编解码器，几乎可以无限堆叠，从而形成一种大规模的预训练语言模型。基于Transformer模型构成的GPT架构可以很好的完成多种语言处理任务，填空、造句、分段、翻译等等，随着数据集和模型参数的大规模增长，等到GPT3.0的时候已经有了千亿规模，GPT就表现出来了非常强的文本生成能力。

自然而然，一问一句的对话模式也就应运而生了。但GPT3.5还不是ChatGPT。

ChatGPT还需要使用监督学习和强化学习来实现。具体来说，ChatGPT使用了一种叫“人类反馈强化学习（RLHF）”的训练方法，在训练中可以根据人类反馈，保证对无益、失真或偏见信息的最小化输出。

简单说，GPT只能保证有问就有答，我可不保证回答的正确的，而ChatGPT既要保证有的聊，还要保证聊的对。就跟小孩子一样，必须在大人一遍遍纠正发音、纠正语法和用词的训练中，学会真正的有效对话。

ChatGPT就是利用人类反馈进行强化学习的产物。

既然ChatGPT这么好用。我们不妨来问它一个问题：

能不能把ChatGPT用在自动驾驶技术训练当中？

答案是：可以。

毫末顾维灏：把ChatGPT引入自动驾驶，毫末走了这三步

我估计ChatGPT还没涉猎过这个问题，因为关于ChatGPT和自动驾驶关联的内容是缺少的。不过，如果ChatGPT最近在中文网络中收录过相关报道的话，那么，它就会知道中国的一家人工智能技术公司已经开始思考这个问题了。

在今年1月毫末智行的AI DAY上，毫末CEO顾维灏非常隆重地提到了ChatGPT，并且直言，毫末已经展开对于ChatGPT背后的技术的研究。

顾维灏说：“实现GPT3到Chat GPT的龙门一跃最重要的是ChatGPT模型使用了“利用人类反馈强化学习RLHF”的训练方式，更好的利用了人类知识，让模型自己能够判断其答案的质量，逐步提升自己给出高质量答案的能力。”

那这对自动驾驶有什么启发呢？

毫末认为，ChatGPT的技术思路和自动驾驶认知决策的思路是不谋而合。

毫末在认知驾驶决策算法的进化上分成了3个阶段：

第一个阶段，是引入了个别场景的端到端模仿学习，直接拟合人驾行为。

第二个阶段是通过大模型，引入海量正常人驾数据，通过Prompt的方式实现认知决策的可控可解释。

第三个阶段，就是引入了真实接管数据，在其中尝试使用“人类反馈强化学习（RLHF）”。一般来说，人类司机的每一次接管，都是对自动驾驶策略的一次人为反馈（Human Feedback）；这个接管数据可以被简单当成一个负样本来使用，就是自动驾驶决策被纠正的一次记录。也可以被当作改进认知决策的正样本来学习。

为此，毫末构建了一个<旧策略、接管策略、人工label策略>的pairwise排序模型。基于这个模型，毫末构建了自动驾驶决策的奖励模型（reward model），从而在各种情况下做出最优的决策。

毫末将这一模型称之为人驾自监督认知大模型。简单来说，就是为了让自动驾驶系统能够学习到老司机的优秀开车方法，让毫末的认知大模型要从人类反馈中学会选择和辨别，并稳定地输出最优解。通过这种方式，毫末在公认的困难场景，例如掉头、环岛等公认的困难场景中，通过率提升30%以上。

当然，如果ChatGPT再继续搜索和学习下去的话，它就会知道在1月初的HAOMO AI DAY上，毫末不仅发布了这个人驾自监督大模型，还一口气发布了另外四个大模型。这五个大模型可以帮助毫末实现车端感知架构跨代升级，也就是将过去分散的多个下游任务都集成到一起，形成一个更加端到端架构，包括红绿灯、局部路网、预测等任务，实现了跨代升级。

总得来说，人工智能技术是当前许多旧产业的改造器，也是新产业的助力器。正如当年互联网喊出的“所有行业都要被互联网重塑一番一样”，今天的一切行业都要被“AI+”改造一番。

而实际上，人工智能的这场变革并不是必然发生，它有赖于一个天才算法结构的横空出世，它有赖于海量数据和算力的成本下降与容易获得，也依赖于人工智能技术从业者的勇敢尝试。ChatGPT的出现是如此，自动驾驶的实现也是如此。