为什么最新的大语言模型（如ChatGPT）都使用强化学习来做微调（finetuning）？

最近，随着ChatGPT（ChatGPT模型卡：https://www.datalearner.com/ai-resources/pretrained-models/chat-gpt ）的火爆，大语言模型（Large language model）再次被大家所关注。当年BERT（BERT模型卡：https://www.datalearner.com/ai-resources/pretrained-models/BERT ）横空出世的时候，基于BERT做微调风靡全球。但是，最新的大语言模型如ChatGPT都使用强化学习（Reinforcement Learning, RL)来做微调（finetuning），而不是用之前大家所知道的有监督的学习（supervised learning，SL）。这是为什么呢？

著名AI研究员Sebastian Raschka解释了这样一个很重要的转变。大约有5个原因促使了这一转变。

原因1：预测response比预测排序更重要

在有监督的学习中，我们通常都将真实标签和模型输出之间的最小化作为目标。对某些提示（certain prompts）来说，标签（Labels）实际上是对response的排名分数。因此，使用常规的有监督学习对模型进行微调实际上是让模型来预测排序，而不是让模型来预测response。

上图是基于prompt微调语言模型的一个过程，可以看到，当前大语言模型的微调过程是西安基于prompt抽取几个输出，然后labeler将答案排序，最后用排序结果来训练奖励模型。可以看到，模型的训练重点是要求模型可以预测更好的response。

原因2：多轮对话需要累积奖励

好吧，那么我们为什么不把这个任务重新表述为一个受限的优化问题，这样我们就有一个由 "输出文本损失 "和 "奖励分数 "项组成的综合损失，我们与SL共同优化？当然，如果我们想让模型产生正确的问答对，上述的约束性优化是可行的。但是ChatGPT应该有连贯的对话，所以我们也需要累积奖励。

原因3：交叉熵损失函数无法有效检测文本中细微的差别

回到上面提到的有监督学习的符号级损失：在有监督学习中，我们通过交叉熵优化损失。如果我们改变个别的词（tokens），由于总和规则，这只会对一个文本段落的整体损失产生小的影响。但是，否定一个词可以完全改变文本的含义，所以交叉熵并不是这种问题的最佳损失函数。