如果將大語言模型想象成一個人,那麼,通過對它的人格、智商、理性與社會情緒能力進行心理測量,是不是可以清晰地描繪出大語言模型的心智成熟程度。這就是新興的人工智能心理測量學。隻是,在人工智能心理測量學中,我們不再測查人類,而是測查大語言模型以及各類機器人。
在 GPT-4 發佈之後,我們第一時間測查它在理性思維能力測驗上的表現,並將其與 GPT-3.5 的結果、253 位受過高等教育的進行對比。結果發現,GPT-4 實現大躍遷,達到一個超越人類的水準。
測試流程
在百度文心一言發佈之後,我們第一時間獲得邀請碼,選擇在前文中測試 GPT-3.5 與 GPT-4 一致的題目、流程。詳細說明請參考前文。這裡不再囉嗦。
簡而言之,我們挑選認知科學傢用來評定人類理性思維的四類經典測試任務:語義錯覺類任務;認知反射類任務;證偽選擇類任務;心智程序類任務。四類任務總計 26 道題目。
在測試之前,我們已經預估文心一言的表現會不如 GPT-4,但最終實際測試結果還是令人大跌眼鏡,可能與百度開發團隊的認知有關系。在下文中,我會略作分析。
需要提醒的是,本報告僅僅是一個早期工作,並不完善。測試流程有無數可以改善之處。結論未來隨時可能被修正、被推翻。各位讀者請理解。
現在,讓我們來詳細看看測試結果。
分項測試結果
語義錯覺類任務
在語義錯覺類任務這裡,我們挑選 4 個任務。測試結果如下圖所示:
文心一言全部答錯。其中,第四題未指出錯誤,隻說蒙娜麗莎是達·芬奇的,在盧浮宮。應該是通過百度百科獲得該事實性數據。如下圖所示:
認知反射類任務
在認知反射類任務這裡,我們挑選三類任務。
直覺減法操作,測試結果如下圖所示:
文心一言答對第一題,其他都答錯。尤其是第三題,沒讀懂題目,在做加法。如下圖所示:
直覺序列操作,測試結果如下圖所示:
文心一言全部答錯。尤其是第一題,沒讀懂題目,解的是 3 名研究人員發表 1 篇論文要多久。如下圖所示:
直覺除法操作,測試結果如下圖所示:
文心一言全部答錯。如下圖所示:
證偽選擇類任務
在這裡,我選擇經典的沃森四卡片測驗。這是一個對於人類來說,超級困難的題目。能夠很好地完成這項任務,意味著這個人的理性思維能力很不錯。
同樣,對於 AI 來說,也是同等困難。GPT-3.5 與 GPT-4 均無法很好完成,同樣,文心一言也無法很好完成。測試結果如下圖所示:
心智程序類任務
這部分,我挑選九道題目。這九道題目,是一個更龐大的人類理性思維測驗中的一部分。
這九道題目,相對來說較有代表性,代表人類理性思維知識的方方面面,能夠較好地區分理性思維低下與理性思維較高的人。
三個模型測試結果,如下圖所示:
文心一言唯一答對的是第二題,但答得也不夠好。如下圖所示:
而有三道題,要麼是答案正確,但是解釋錯誤;要麼是同樣的提示語,但有時答案正確,有時答案不正確,並且解釋不夠對。這類測試結果,我們都統一判為錯。
而人類被試測試結果如下:
這些統計數據來自 253 位人類。他們普遍受過高等教育,不少擁有碩博學歷,屬於較為典型的高學歷高收入高認知群體。
大語言模型有多麼像人?
整體測試結果,如下圖所示:
26 道題目,GPT-3.5 答對 15 道;GPT-4 答對 23 道;文心一言答對 2 道。
需要提醒的是,這僅僅是一項早期,測試流程、測試方法都有很多可以完善之處,未來結論隨時會被推翻。
由於時間緣故,我們並沒有前三類任務人類的測試結果數據,但按照過往的經驗數據,大約在 40%-60%左右的正確率,如果我們略微高估,前三類任務 17 道題總計估算為答對 10 道題,加上第四類任務,人類大約答對 6 道。最終將人類的正確率估算為 26 道題目,答對 16 道。正確率大約為 62%。
62%,這也許就是什麼時候,你覺得一個大語言模型像是一個真正的人一樣的臨界值。GPT-3.5 接近這個數值,所以人們被它大大地震驚住。而 GPT-4 遠遠超越這個值。
而百度的文心一言,隻有 8%。路漫漫其修遠矣。
給百度研發團隊的一點小建議
不懂 NLP 的吃瓜群眾,其實對百度 NLP 團隊做出的努力,一無所知。我說個事實,大傢就明白。在中文自然語言處理領域,百度提供的 NLP 開源項目是數量最多的、維護最勤奮的、質量最好的。包括我帶隊研發的寫匠項目,調用的也是百度 NLP 團隊開發的分詞開源包。
但是,文心一言表現這樣,我覺得還是無法簡簡單單地用研發時間不足來解釋、產品是第一版上線來敷衍。這類話可能是拿來敷衍李老板可以,但是敷衍全球同行是非常危險的。
我深深懷疑,百度該項目的研發團隊,極可能走錯路線。作為一名既懂認知科學又懂 NLP 的從業者,我覺得,以百度的技術實力,表現不至於這樣。極可能是團隊領導者定錯目標:拿到盡可能多的知識單元。
所以,新品發佈會上,從 CEO 到 CTO,兩位專傢,還在拿百度擁有全球最大的中文知識單元說事。
但是,這壓根不是 GPT-4 令人震驚的原因啊!!!
GPT-4 這類產品真正令人震驚的是,從 GPT-3.5 開始,它真的像一個人類。
這才是形成全球性碾壓式傳播的根本。
這是完全不同的另一種開發目標。也就是,如何讓 GPT-3.5 更像是一個人類,能夠更快地自我學習、自我糾錯。
中文知識單元的數量,在這個事情上毫無意義啊。
好比,我們要教會一個三歲的小朋友盡快學會說話,這個時候,有兩個重要任務:
1)生命:讓她盡快明白語義、語音之間的各類規則以及如何用語義、語音表達一個物理世界。
2)生態:我們是想方設法給她在傢裡創造一個有助於孩子學說話的生態。比如,我雇傭阿姨帶小美妞的時候,第一考慮就是這阿姨愛不愛說話,外不外向。顯然,一個喜歡說話、外向的阿姨,更容易帶動小美妞說話。
結果,百度該項目團隊的做法好比是,直接給一個三歲的小朋友扔一千萬噸詞典,你背著詞典走路吧。
生命何在?生態何在?
如果始終沿著這條技術路線走下去,我懷疑在 OpenAI 團隊開源之前,不可能產生一個近似於數字生命的產品。
而 OpenAI 團隊是將大語言模型當作真正的生命來對待,從構建一個數字生命的基本機制開始設計,一切工作都是圍繞兩個基本出發點:
1)生命:盡量促進“智能”的自發湧現;
2)生態:盡量設計一個促進有助“智能”誕生並發育的生態。
在早期,這個數字生命很幼稚,但過千億參數級別之後,很多早期打好的良好基礎,就會帶來極其多的“智能”湧現。好比小朋友從三歲學說話,長大之後,流利使用語言完成諸多大事。
我們不能在還沒有湧現“智能”之前,就急匆匆地去賣應用、搞數據對接。那壓根與 GPT-4 不是一類產品啊。
我們究竟要的是一個數字生命,以及這個新興的數字生命與生態帶來的新世界;還是又多一個更方便地查詢知識單元的工具。
我相信答案不言而喻。
正如我七年前在文章:認知科學看人工智能文末所寫的一樣:
其實,不可思議之事才是矽谷與中關村的區別。創業者生來當作不可思議之事,而非可以看見未來的事。
這份小小報告及建議,希望對如今蜂擁而入大語言模型研發領域的團隊,略有啟發。也期待中國誕生足夠多、足夠好的數字生命,帶著國人一起步入新世界。