跳转到内容

随机鹦鹉

本页使用了标题或全文手工转换
维基百科,自由的百科全书

随机鹦鹉”(英语:stochastic parrot)是在机器学习中一个理论的比喻,指大型语言模型虽然能够生成合理的文句,但其实不能理解所处理的语句。[1][2]它由艾米丽·本德英语Emily M. Bender蒂默妮特·格伯鲁、安杰利娜·麦克米伦-梅杰和玛格丽特·米切尔英语Margaret Mitchell (scientist)(以Shmargaret Shmitchell名义)[2][3]在2021年人工智慧研究论文《论随机鹦鹉的危害:语言模型太大有坏处吗?🦜》(On the Dangers of Stochastic Parrots: Can Language Models Be Too Big? 🦜)中提出。[4]

起源和定义

“随机鹦鹉”最初出现于论文《论随机鹦鹉的危害:语言模型太大有坏处吗?🦜》。[4]他们认为大型语言模型带来的害处包括环境损害和金融损失、训练数据中难以察觉的偏见,以及误导大众和科学家,又说它们不能明白所学习事物的深层概念。[5]

“stochastic”源自古希腊语单词“stokhastikos”,意为“基于猜测的”或“随机决定的”。[6]这单词也出现于概率论中的随机过程(stochastic process)。“鹦鹉”是指大型语言模型只会“鹦鹉学舌”,不能理解句子的意思。[6]

在论文中,本德等人认为大型语言模型只是根据概率连接字句,不会考虑含义,所以说这些模型只是“随机鹦鹉”。[4]

根据机器学习专家林霍尔姆、瓦尔斯特伦、林斯滕和舍恩所述,这个比喻强调两个重要限制:[1][7]

  • 大型语言模型只由训练所用的资料受限,只是根据随机概率重复数据集的内容。
  • 因为大型语言模型只是基于训练数据输出文字,所以它们不会知道自己所输出的字句是否错误或不妥。

林霍尔姆等人指出,如果使用劣质数据集,加上其他限制,学习机器可能会产生“又错误又危险的”结果。[1]

后续使用

2021年7月,艾伦·图灵研究院英语Alan Turing Institute就艾米丽的论文举办主题演讲和专家小组讨论。[8]截至2023年5月 (2023-05),它已由1529篇文章引用。[9]“随机鹦鹉”已出现于法律、[10]语法、[11]叙事、[12]和人文学[13]等领域的文章。艾米丽等人依然对基于大型语言模型的聊天机器人(比如GPT-4)的危害表示忧虑。[14]

如今,批评人工智慧的人会用“随机鹦鹉”这个新词,表示机器不理解自己输出的含义,令它类似于“辱骂AI的歧视词”。[6]OpenAI总执行长山姆·奧特曼在一篇讽刺推文中使用这个用语:“我是一只随机鹦鹉,你也一样”,让它广泛流传。[6]“随机鹦鹉”随后获美国方言学会英语American Dialect Society选2023年年度AI词语,胜过“ChatGPT”和“LLM”。[6][15]

一些研究人员会用“随机鹦鹉”,把大型语言模型描述为拼接规律的机器,通过海量训练资料,表面上能产生模拟人类语言的合理文字,但只不过是以随机的方式鹦鹉学舌。然而,其他研究人员声称大型语言模型的确能明白语言。[16]

争论

ChatGPT等部分大型语言模型能与用户产生模仿人类的逼真互动。[16]随着这些新系统的开发,大型语言模型“鹦鹉学舌”的程度成为越来越多探讨的焦点。

在人类思维中,文字和语言与经历相对应。[17]但在大型语言模型的算法中,字词可以只会与训练资料中的其他字词和使用规律对应。[18][19][4]因此,支持“随机鹦鹉”论的人认为大型语言模型不能真正理解语言。[18][4]

支持者认为大型语言模型倾向于把虚假资讯当作事实(称为幻觉),正论证了这一点。[17]大型语言模型有时会合成资讯,虽然能符合某些规律,但其实不切实际。[18][19][17]由于大型语言模型无法区分真伪,支持者声称它们不能像语言一样,把字词和对世界的理解连接。[18][17]此外,大型语言模型一般无法理解上下文,从而辨认复杂或有歧义的文法。[18][19]例如,在萨巴等人的论文中:[18]

The wet newspaper that fell down off the table is my favorite newspaper. But now that my favorite newspaper fired the editor I might not like reading it anymore.

从桌上掉下的湿湿的报纸是我最喜欢的报纸。但我最喜欢的报社解雇了编辑,所以我可能不会再读了。


Can I replace 'my favorite newspaper' by 'the wet newspaper that fell down off the table' in the second sentence?

我可不可以把第二句的“my favorite newspaper”替换成“the wet newspaper that fell down off the table”?

大型语言模型回答说可以,但不明白“newspaper”在这两个语境中的意思不同:第一个是报纸,第二个是报社。[18]一些AI专家由此认为它们仅仅是随机鹦鹉。[18][17][4]

然而,也有论点认为大型语言模型不只是随机鹦鹉。它们能通过许多理解能力测验,包括超级通用语言理解评估(Super General Language Understanding Evaluation;SuperGLUE)。[19][20]由于许多大型语言模型都能作出通顺回应,加上此类测验的支持,根据一份2022年的调查,51%的AI专家认为只要有足够数据,这些模型可以真正理解语言。[19]

探究大型语言模型是否具备理解能力时,“机制可理解性”这个技巧也可以运用,原理是把模型逆向工程,分析它的神经网络如何处理资讯。Othello-GPT便是其中一例。这个小型Transformer模型经过训练可以预测黑白棋的合法走棋方式。它的网络里有黑白棋棋盘的表示式,而修改这个表示式后,合法走棋方式也会改为正确的组合。因此,有论点称大型语言模型具有“世界模型”,不只是依赖表面统计。[21][22]

又例如,一个小型Transformer模型用Karel程序英语Karel (programming language)训练。这个模型和Othello-GPT一样,可以在网络里产生Karel程序语法的表示式。改变这个表达后,输出也会改正。这个模型也能生产正确的程序,平均长度比训练集中的程序的短。[23]

然而,如果将人类语文理解的测验用于大型语言模型,它们有时会因在数据文本中建立错误联系而产生假阳性结果。[24]模型有时会进行快捷学习(shortcut learning),即是不使用类似人类的理解,从数据中作出不相关的联系。[25]一项实验测验Google的BERT大型语言模型的论点推理技巧。模型需要从两个陈述句中选择更符合论点的句子。以下是其中一个论点的例子:[19][26]

论点:重罪犯应该有投票权。我们不应该禁止17岁时就偷了一辆车的人终身享有普通市民的一切权利。
陈述句甲:盗窃汽车是重罪。
陈述句乙:盗窃汽车不是重罪。

研究人员发现,“不”等特定单词能引导模型答对问题。如果加入这些单词,则模型会几乎获得满分;如果不加入它们,则模型会倾向于随机选择。[19][26]基于这个问题,加上智力的定义中的已知难题,有论点称所有探究大型语言模型理解的基准都有缺陷,而且都让这些模型有捷径产生错误理解。

如果没有可靠的基准,研究人员则难以分辨随机鹦鹉和真正具备理解能力的模型。在一项实验中,一位科学家认为ChatGPT-3一时具备人类理解能力,一时变成随机鹦鹉。[16]他发现这个模型根据提示词中的资料预测将来事件时,可以给出通顺而资讯量丰富的回答。[16]ChatGPT-3也经常能从文本提示词解析潜在资讯。但它往往无法正确回答有关逻辑和推理的问题,尤其是涉及空间知觉的问题。[16]模型的回答质量不一,表示大型语言模型遇到某些类别的问题时具备某种形式上的“理解”,遇到其他问题时则会变成随机鹦鹉。[16]

另外,由于动物研究显示鹦鹉不只是会模仿人类说话,甚至有时能理解语言,一些研究鹦鹉的科学家可能认为“随机鹦鹉”具冒犯性。[27]

参见

参考文献

  1. ^ 1.0 1.1 1.2 Lindholm et al. 2022,第322–3页.
  2. ^ 2.0 2.1 Uddin, Muhammad Saad. Stochastic Parrots: A Novel Look at Large Language Models and Their Limitations. Towards AI. 2023-04-20 [2023-05-12] (美国英语). 
  3. ^ Weil, Elizabeth. You Are Not a Parrot. 纽约. 2023-03-01 [2023-05-12]. 
  4. ^ 4.0 4.1 4.2 4.3 4.4 4.5 Bender, Emily M.; Gebru, Timnit; McMillan-Major, Angelina; Shmitchell, Shmargaret. On the Dangers of Stochastic Parrots: Can Language Models Be Too Big? 🦜. Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency. FAccT '21. New York, NY, USA: Association for Computing Machinery. 2021-03-01: 610–623. ISBN 978-1-4503-8309-7. S2CID 232040593. doi:10.1145/3442188.3445922可免费查阅. 
  5. ^ Haoarchive, Karen. We read the paper that forced Timnit Gebru out of Google. Here's what it says.. 麻省理工科技评论. 2020-12-04 [2022-01-19]. (原始内容存档于2021-10-06) (英语). 
  6. ^ 6.0 6.1 6.2 6.3 6.4 Zimmer, Ben. 'Stochastic Parrot': A Name for AI That Sounds a Bit Less Intelligent. WSJ. [2024-04-01] (美国英语). 
  7. ^ Uddin, Muhammad Saad. Stochastic Parrots: A Novel Look at Large Language Models and Their Limitations. Towards AI. 2023-04-20 [2023-05-12] (美国英语). 
  8. ^ Weller (2021).
  9. ^ Bender: On the Dangers of Stochastic Parrots. Google学术搜索. [2023-05-12]. 
  10. ^ Arnaudo, Luca. Artificial Intelligence, Capabilities, Liabilities: Interactions in the Shadows of Regulation, Antitrust – And Family Law. SSRN. 2023-04-20. S2CID 258636427. doi:10.2139/ssrn.4424363. 
  11. ^ Bleackley, Pete; BLOOM. In the Cage with the Stochastic Parrot. Speculative Grammarian. 2023, CXCII (3) [2023-05-13]. 
  12. ^ Gáti, Daniella. Theorizing Mathematical Narrative through Machine Learning.. Journal of Narrative Theory (Project MUSE). 2023, 53 (1): 139–165. S2CID 257207529. doi:10.1353/jnt.2023.0003. 
  13. ^ Rees, Tobias. Non-Human Words: On GPT-3 as a Philosophical Laboratory. Daedalus. 2022, 151 (2): 168–82. JSTOR 48662034. S2CID 248377889. doi:10.1162/daed_a_01908可免费查阅. 
  14. ^ Goldman, Sharon. With GPT-4, dangers of 'Stochastic Parrots' remain, say researchers. No wonder OpenAI CEO is a 'bit scared'. VentureBeat. 2023-03-20 [2023-05-09] (美国英语). 
  15. ^ Corbin, Sam. Among Linguists, the Word of the Year Is More of a Vibe. The New York Times. 2024-01-15 [2024-04-01]. ISSN 0362-4331 (美国英语). 
  16. ^ 16.0 16.1 16.2 16.3 16.4 16.5 Arkoudas, Konstantine. ChatGPT is no Stochastic Parrot. But it also Claims that 1 is Greater than 1. Philosophy & Technology. 2023-08-21, 36 (3): 54. ISSN 2210-5441. doi:10.1007/s13347-023-00619-6 (英语). 
  17. ^ 17.0 17.1 17.2 17.3 17.4 Fayyad, Usama M. From Stochastic Parrots to Intelligent Assistants—The Secrets of Data and Human Interventions. IEEE Intelligent Systems. 2023-05-26, 38 (3): 63–67. ISSN 1541-1672. doi:10.1109/MIS.2023.3268723. 
  18. ^ 18.0 18.1 18.2 18.3 18.4 18.5 18.6 18.7 Saba, Walid S. Stochastic LLMS do not Understand Language: Towards Symbolic, Explainable and Ontologically Based LLMS. Almeida, João Paulo A.; Borbinha, José; Guizzardi, Giancarlo; Link, Sebastian; Zdravkovic, Jelena (编). Conceptual Modeling. Lecture Notes in Computer Science 14320. Cham: Springer Nature Switzerland. 2023: 3–19. ISBN 978-3-031-47262-6. arXiv:2309.05918可免费查阅. doi:10.1007/978-3-031-47262-6_1 (英语). 
  19. ^ 19.0 19.1 19.2 19.3 19.4 19.5 19.6 Mitchell, Melanie; Krakauer, David C. The debate over understanding in AI's large language models. Proceedings of the National Academy of Sciences. 2023-03-28, 120 (13): e2215907120. Bibcode:2023PNAS..12015907M. ISSN 0027-8424. PMC 10068812可免费查阅. PMID 36943882. arXiv:2210.13966可免费查阅. doi:10.1073/pnas.2215907120 (英语). 
  20. ^ Wang, Alex; Pruksachatkun, Yada; Nangia, Nikita; Singh, Amanpreet; Michael, Julian; Hill, Felix; Levy, Omer; Bowman, Samuel R. SuperGLUE: A Stickier Benchmark for General-Purpose Language Understanding Systems. 2019-05-02. arXiv:1905.00537可免费查阅 [cs.CL] (英语). 
  21. ^ Li, Kenneth; Hopkins, Aspen K.; Bau, David; Viégas, Fernanda; Pfister, Hanspeter; Wattenberg, Martin, Emergent World Representations: Exploring a Sequence Model Trained on a Synthetic Task, 2023-02-27, arXiv:2210.13382可免费查阅 
  22. ^ Li, Kenneth. Large Language Model: world models or surface statistics?. The Gradient. 2023-01-21 [2024-04-04] (英语). 
  23. ^ Jin, Charles; Rinard, Martin, Evidence of Meaning in Language Models Trained on Programs, 2023-05-24, arXiv:2305.11169可免费查阅 
  24. ^ Choudhury, Sagnik Ray; Rogers, Anna; Augenstein, Isabelle, Machine Reading, Fast and Slow: When Do Models "Understand" Language?, 2022-09-15, arXiv:2209.07430可免费查阅 
  25. ^ Geirhos, Robert; Jacobsen, Jörn-Henrik; Michaelis, Claudio; Zemel, Richard; Brendel, Wieland; Bethge, Matthias; Wichmann, Felix A. Shortcut learning in deep neural networks. Nature Machine Intelligence. 2020-11-10, 2 (11): 665–673. ISSN 2522-5839. arXiv:2004.07780可免费查阅. doi:10.1038/s42256-020-00257-z (英语). 
  26. ^ 26.0 26.1 Niven, Timothy; Kao, Hung-Yu, Probing Neural Network Comprehension of Natural Language Arguments, 2019-09-16, arXiv:1907.07355可免费查阅 
  27. ^ Shute, Nancy. What a parrot knows, and what a chatbot doesn’t (paper). Science News. Vol. 205 no. 2. 2024-01-27. 

引述文献

延伸阅读

外部链接