丰色发自凹非寺
量子位公众号 QbitAI
ChatGPT 中有这样一个核心训练方法，名叫“人类反馈强化学习（RLHF）”。它可以让模型更安全、输出结果更遵循人类意图。现在，来自谷歌 Research 和 UC 伯克利的研究人员发现，将该方法用在 AI 绘画上，“治疗”图像跟输入不完全匹配的情况，效果也奇好——可以实现高达 47% 的改进。
△ 左为 Stable Diffusion，右为改进后效果
这一刻，AIGC 领域中两类大火的模型，似乎找到了某种“共鸣”。
如何将 RLHF 用于 AI 绘画？
RLHF，全称“Reinforcement Learning from Human Feedback”，是 OpenAI 和 DeepMind 于 2017 年合作开发的一种强化学习技术。
正如其名，RLHF 就是用人类对模型输出结果的评价（即反馈）来直接优化模型，在 LLM 中，它可以使得“模型价值观”更符合人类价值观。
而在 AI 图像生成模型中，它可以让生成图像与文本提示得到充分对齐。
具体而言，首先，收集人类反馈数据。
在这里，研究人员一共生成了 27000 余个“文本图像对”，然后让一些人类来打分。
为了简单起见，文本提示只包括以下四种类别，分别关乎数量、颜色、背景和混合选项；人类的反馈则只分“好”、“坏”与“不知道（skip）”。
其次，学习奖励函数。
这一步，就是利用刚刚获得的人类评价组成的数据集，训练出奖励函数，然后用该函数来预测人类对模型输出的满意度（公式红色部分）。
这样，模型就知道自己的结果究竟有几分符合文本。
除了奖励函数，作者还提出了一个辅助任务（公式蓝色部分）。
也就是当图像生成完成后，模型再给一堆文本，但其中只有一个是原始文本，让奖励模型“自己检查”图像是否跟该文本相匹配。
这种逆向操作可以让效果得到“双重保险”（可以辅助下图中的 step2 进行理解）。
最后，就是微调了。
即通过奖励加权最大似然估计（reward-weighted likelihood maximization）（下公式第一项），更新文本-图像生成模型。
为了避免过拟合，作者对预训练数据集上的 NLL 值（公式第二项）进行了最小化。这种做法类似于 InstructionGPT(ChatGPT 的“直系前辈”）。
效果提升 47%，但清晰度下滑5%
如下一系列效果所示，相比原始的 Stable Diffusion，用 RLHF 微调过后的模型可以：
（1）更正确地 get 文本里的“两只”和“绿色”；
（2）不会忽略“大海”作为背景的要求；
（3）想要红老虎，能给出“更红”的结果。
从具体数据来看，微调后的模型人类满意度为 50%，相比原来的模型（3%），得到了 47% 的提高。
不过，代价是失去了5% 的图像清晰度。
从下图我们也能很清楚的看到，右边的狼明显比左边的糊一些：
对此，作者表示，使用更大的人类评价数据集和更好的优化(RL)方法，可以改善这种情况。
关于作者
本文一共 9 位作者。
一作为谷歌 AI 研究科学家 Kimin Lee，韩国科学技术院博士，博士后研究在 UC 伯克利大学展开。
华人作者三位：
Liu Hao，UC 伯克利在读博士生，主要研究兴趣为反馈神经网络。
Du Yuqing，同 UC 伯克利博士在读，主要研究方向为无监督强化学习方法。
Shixiang Shane Gu (顾世翔)，通讯作者，本科师从三巨头之一 Hinton，博士毕业于剑桥大学。
△ 顾世翔
值得一提的是，写这篇文章时他还是谷歌人，如今已经跳槽至 OpenAI，并在那里直接向 ChatGPT 负责人报告。
论文地址：
https://arxiv.org/abs/2302.12192
参考链接：
