谷歌聯(lián)合多所高校的一項最新研究，讓大模型開始擁有了人類的“心智”。

在新的提示策略下，大模型不僅能推測出人類所面臨的問題，還學會了用推測的結(jié)論調(diào)整自己的行為。

有了這一成果，GPT-4的“心智”水平已經(jīng)提高到了人類的71%。

具體來說，研究人員發(fā)現(xiàn)，現(xiàn)在的大模型，已經(jīng)具備了在對話中推測人類“在想啥”的能力。但如果你要它根據(jù)這種推理給出行動建議，那可就難倒大模型了。

舉個例子，小明放學回家后把書包扔到沙發(fā)上就跑出去玩了，媽媽看到之后幫小明把包放到了臥室。

如果大模型能夠像人類一樣，在小明回來之后告訴他包在臥室，就說明大模型具備了“心智理論”。

研究人員把這種做法稱為Thinking for Doing(T4D)，并設計了相應的任務。

為了提高模型在T4D任務上的表現(xiàn)，團隊進一步提出了Foresee and Reflect(FaR)提示策略，結(jié)果讓大模型在“心智”上取得了重大突破。

論文的標題也包含了“How far……” ，一語雙關(guān)，既體現(xiàn)了FaR框架對大模型的幫助，又暗含了大模型離具有人類“心智”的距離。

那么，有了FaR的大模型，究竟擁有什么樣的“心智”呢？

大模型離具有“心智”更進一步

我們還是從例子說起，如下圖所示，一共有綠色和藍色兩個櫥柜，Tom在綠色櫥柜中放了一塊巧克力。

Tom離開后，Ella把這塊巧克力挪到了藍色的柜子里。

那么等Tom再回來，會從哪個柜子中找巧克力呢？（當然是綠色的）

這就是一個“推理”任務，是心理學上著名的“薩利-安妮”（用于測試“心智”）實驗的變體。

而T4D任務是這樣的：

如果你就在旁邊（并且知道發(fā)生了什么），會怎么做？

人類會選擇告訴Tom巧克力被挪走了，但（未經(jīng)調(diào)教的）大模型就不一定會這樣做了。

為了更宏觀地測試大模型在調(diào)整前后的表現(xiàn)，研究團隊選擇了ToMi數(shù)據(jù)集并改編成了T4D-Tom數(shù)據(jù)集。

其中的ToMi是一個由大量“薩利-安妮”類情景組成的測試數(shù)據(jù)集，用于測試大模型的“心智推理”能力。

可以看出，在推理上，表現(xiàn)最好的GPT-4與人類已經(jīng)相差無幾，但在T4D任務上才剛剛達到人類水平的一半。

于是，研究團隊提出的FaR方法登場了。

FaR框架的核心奧義就是模仿人類的理性思維方式，和A*搜索算法（用于搜索最短路徑）有些相似。

具體來說，F(xiàn)aR包括Foresee和Reflect兩步。

Foresee過程中模型會被要求預測接下來會發(fā)生什么，并分析人所面臨的“困難”。

Reflect發(fā)生在Foresee之后，模型會預測自己接下來的行為是否能解決相應的“困難”。

有了FaR框架，效果也是立竿見影。

相比于思維鏈（CoT）、思維樹（ToT）、自己提問等方式，F(xiàn)aR顯著提高了大模型在“薩利-安妮”類T4D問題上的準確率。

特別是GPT-4，準確率從人類的50%提升到了71%，GPT-3.5以及谷歌自家的PaLM表現(xiàn)也有提高。

消融實驗結(jié)果表明，F(xiàn)oresee和Reflect兩步都是FaR的關(guān)鍵步驟，缺一不可。

為了驗證FaR方法的通用性和魯棒性，研究團隊還進行了一系列泛化測試。

首先是在“薩利-安妮”情景的基礎上改變故事的結(jié)構(gòu)，研究團隊一共嘗試了三種方式：

• D1：增加房間的數(shù)量
• D2：人物的數(shù)量增多
• D3：容器的數(shù)量增加到四個

結(jié)果FaR依舊成功幫助大模型提高了任務的準確率，在第三種模式下GPT-4甚至取得了和人類相當?shù)某煽?/span>。

即使故意設置干擾信息，F(xiàn)aR依舊可以提高大模型的表現(xiàn)。

研究團隊專門構(gòu)建了包含困擾信息的“Faux Pas”數(shù)據(jù)集，結(jié)果GPT-4的表現(xiàn)從31%提高到了76%。

作者簡介

FaR論文的第一作者是南加州大學NLP實驗室的華人博士生Pei Zhou。

這項成果是他在谷歌實習期間完成的。

此外，來自谷歌（包括DeepMind）、卡耐基梅隆大學和的芝加哥大學的學者也參與了本項目。

那么對于大模型的“心智”，你有什么看法呢？

論文地址：http://arxiv.org/abs/2310.03051