强化学习，正在引领AI跨越LLM之谷

OpenAI的研究科学家布朗（Noam Brown），这两天在他的自我介绍中，加上了一条：OpanAI o1的联合创始人。

他在OpenAI主要研究多步推理、自我对弈和多智能体人工智能。之前他已经取得成就可谓辉煌：他和FAIR（Meta）的团队开发了CICERO，这是第一个在策略游戏《外交》中达到人类水平表现的人工智能。在卡内基梅隆大学期间，他与导师一起开发了Libratus和Pluribus，在人机对抗赛中击败了顶级人类扑克职业选手。

他早期的职业，其实是金融交易员。布朗在美联储的国际金融市场部门工作，研究金融市场的算法交易，之前是华尔街上一名从事算法交易的工程师。

2012年，深度学习开始进入黄金时代，他进入卡内基梅隆大学计算机系，硕士和博士的专业分别是机器人和计算机科学。2017年，布朗在Deepmind实习，参与了AlphaGO Zero项目。

早在大模型兴起之前，DeepMind用强化学习的方法，在游戏和博弈中，已经取得了超人的成就，问题在于，这种在给定领域的超人智能，能否泛化到其他领域，产生通用的人工智能。早在OpenAI之前，AGI已经是DeepMind的使命：解决智能，然后解决一切。

今年3月10日，布朗在X上发布了一组推文，纪念AlphaGo战胜围棋世界冠军8周年。他实际上是在向席尔弗（David Silver）致敬。

席尔弗是DeepMind的首席研究科学家，他领导了AlphaGo项目，首次在围棋比赛中击败顶级职业选手；之后的AlphaZero能自我对弈学习，成为世界上最强大的国际象棋、将棋和围棋程序。他还共同领导了AlphaStar项目，开发出了世界上首个达到特级大师水平的星际争霸玩家。西尔弗在谷歌的研究重点是基于强化学习的人工智能代理，共同领导了将深度学习和强化学习相结合的项目。

最近，西尔弗在MIT的一次演讲中指出，强化学习，正在引领AI跨越大型语言模型（LLM）之谷。他认为，单靠LLMs不足以取得超级人工智能。超级规模的强化学习展开了一条通向超人智能的明确路径。其有效性已经一再得到证明（如Atari，AlphaGo，AlphaZero……）。同样的方法也适用于强大的LLM先验模型（例如AlphaProof）。而这一切“仅仅是开始”。

演讲截图

这个大模型新时代的机会，被布朗抓住了。2023年7月，布朗从Meta跳槽到OpenAI，当时他的想法很明确：“多年来，我一直在研究人工智能在扑克和外交等游戏中的自我博弈和推理。现在，我将探讨如何使这些方法真正通用。如果成功，我们或许有一天会看到比GPT-4强大1000倍的大型语言模型。”

布朗认为，AlphaGo在击败世界冠军李世石时，关键在于每下一步棋之前一分钟的“思考”。AlphaGoZero的学习和推理方法，相当于预训练10万倍的规模。布朗在扑克游戏中也发现了同样的规律，并且用AI首次在扑克游戏中战胜了人类顶级选手。2021年，琼斯（Andy Jones）在六边形游戏（Hex）的实验中，发现并总结了这一规律，他的论文《通过棋盘游戏扩展缩放定律》展示了如何在蒙特卡罗树搜索（MCTS）的训练计算和推理计算之间进行权衡。增加10倍的MCTS步骤几乎等同于多训练10倍。

布朗认为，如果发现一种通用的方法，不仅限于游戏，会带来巨大的好处。“是的，推理可能会慢上1000倍，而且会更昂贵，但是，为了研发一种治疗癌症的药物，或者证明黎曼猜想，多少推理的代价我们不会付出呢？”而且它会对AI大模型的安全对齐研究带来新的方法。

o1在OpenAI准备了很久，在2023年3月微软发布了测评GPT-4的深度论文时，就提出解决大模型中的幻觉问题，需要开发出类似人脑的“第二系统”，即慢思考功能。直到去年10月份，o1的研发才开始展开，OpenAI逾百名员工参与。此时正值OpenAI董事会突然解除奥特曼的CEO职位前夕，传得沸沸扬扬的OpenAI的Q*模型项目，主要负责人之一正是布朗。Meta的首席AI科学家杨立昆认为布朗正在研究Q*，即强化学习中的Q-learning（值函数算法）。

o1预览版和轻量版发布了，被广泛认可开辟了大模型研究的新方向，也是扩展定律的新范式。布朗回忆自去年7月加入OpenAI，现在这一切都发生得快于预期。

随着最初创始人的纷纷离去，新一代的顶级人才正在接过火炬。o1正在接管OpenAI的一些工作——关于Codebase的公关稿，已经几乎完全由o1撰写。

据硅谷媒体报道，为了实现以1500亿美元的估值融资65亿美元，奥特曼可能会彻底改变OpenAI的治理结构，在2025年废除顶层非营利公司，让OpenAI完全成为一家营利性公司。

OpenAI还是原来的那家公司吗？它的创始人几乎走光了，它的治理结构已经改变，它所做的大模型发展方向已经发生改变，原先从事的工作，已经被称为“传统大模型”。现在，在OpenAI内部，有些人认为，已经没有必要做出一个GPT-6级别的基础模型，才能达到人类水平的推理表现，通向AGI，就差一个强化学习了。o1开启了这一进程，并且初步证明了这一点。

原联合创始人兼首席科学家苏茨克沃（Ilya Sutzkever）对于扩展定律的信仰，成为OpenAI的灵魂。苏茨克沃的离开，标志着OpenAI正在进入一个新的发展阶段。

苏茨沃克对强化学习的大模型不感兴趣吗？无论是当年西尔弗关于AlphaGo的论文，还是后来OpenAI的论文Let’s Verify Step by Step，苏茨克沃都是其中的作者之一。他本人对于用强化学习实现Superman Intelligence那一套，一点都不陌生，而且当年正是他把布朗招至麾下。

如果说实现AGI，就差一个强化学习，这样的方向，苏茨克沃在离开之前就已经为OpenAI定下。他后来共同负责安全对齐工作，并且打算用4年时间解决“超级智能”的对齐问题。但他离开了OpenAI，创办了自己的公司SSI（Safe Superintelligence Inc）并且称他未来推出的第一个产品将是安全的超级人工智能。

现在，我们要面对三个概念，它们之间的关系要搞清楚：

• 超人智能（Superhuman Intelligence），在个别特定领域超过人类（通过强化学习实现，如AlphaGo Zero）；

• 通用人工智能（Artificial General Intelligence），达到通用人类智能的水平，具有广泛的灵活性和适应性（以为只要不停地扩展下去，通过大模型可以实现）；

• 超级智能（Superintelligence），在所有方面超过人类一般智能（苏茨克沃的新创业项目）。

o1出现之后，LLM+RL=AGI，AGI+Ilya=SSI或ASI？

今年以来，OpenAI公司闹个不停，苏茨克沃等创始人及团队主力出走、奥特曼的领导力受到质疑、GPT-4已经被主要对手赶超而GPT-5迟迟没有发布，由于出现高达50亿美元的亏损，公司的财务可持续性也令人担忧。所以这一切，在让OpenAI看起来像是团正在燃烧的“垃圾箱大火”（dumpster fire）。现在，随着o1的发布，Open AI一时又成为街上最靓的仔，对外称不缺算力只缺人，展开了新一轮的招兵买马。

“来吧，加入这场垃圾箱大火。”

文章来自于微信公众号“未尽研究 ”，作者“未尽研究 ”