新智元报道
编辑：编辑部 HYZs
【新智元导读】一篇报道，在AI圈掀起轩然大波。文中引用了近2年前的论文直击大模型死穴——Transformer触及天花板，却引来OpenAI研究科学家的紧急回应。
谁能想到，一篇于2023年发表的LLM论文，竟然在一年半之后又「火」了。
聊天机器人开始面临根本性的限制
论文中，来自Ai2、华盛顿大学等机构研究人员称，Transformer在组合能力上存在限制。
以基本的乘法为例，让「GPT-4」计算两个三位数的乘积，最初的正确率仅有59%。当乘数增加到4位数时，准确率直接暴降到4%。
论文地址：https://arxiv.org/abs/2305.18654
与此同时，Quanta Magazined还在报道中引用了曾是哥大博士的彭炳辉于2024发表的论文，去论证Transformer存在着根本性的限制。
论文地址：https://arxiv.org/abs/2402.08164
论文地址：https://arxiv.org/abs/2412.02975
一作彭炳辉和导师同样验证了，由于Transformer缺乏组合能力，由此导致LLM产生了幻觉。
他们指出，「如果一个大模型只有单层Transformer结构，总参数量小于域的大小，AI便无法解决组合任务」。
实际上，这些研究本身并没有什么，但QM却称之为「最近」。评论区瞬间被网友们吐槽淹没了。
OpenAI研究员Noam Brown直言，「学术界研究节奏相对较慢，而LLM领域大发展速度远超其惯常步调」。
DeepMind研究科学家对此进行了反驳，我们在4-5位的算数运算上仍未达到完美的水平。
这些论文中的观点，如今都还成立吗？
四位数相乘，GPT-4正确率4%
艾伦人工智能研究所的科学家Nouha Dziri及其团队，对以ChatGPT为代表LLM进行测试，让它们尝试解决这类逻辑难题，模型的表现并不理想。
Dziri指出，当面对复杂任务时，LLM很难依据训练数据之外的信息进行推理，只能做近似推断，极有可能出错。
需要整合多个子问题的答案，才能得出最终结果的任务被称为组合性任务。
Nouha Dziri团队研究发现，大部分LLM仅依靠预测序列中的下一个词进行训练，在应对组合性推理任务时，存在根本性缺陷。
多数LLM采用的Transformer架构，在处理这类问题时，会受到数学层面的限制。
尽管科学家在突破Transformer的限制方面取得了一定成果，但这些成果越来越像是权宜之计。
这类模型存在基础计算瓶颈，或许是时候考虑转变研究思路了。
「这项研究的真正目的，是帮助学界判断，Transformer是否是适合通用学习的架构。」纽约大学的机器学习专家Andrew Wilson说道。
OpenAI的o1和GPT-4、谷歌的Gemini、Anthropic的Claude，是在几乎所有能获取到的互联网数据上进行训练的。
LLM掌握了语法，积累了大量的语义知识。这些经过预训练的模型，还能进一步训练或优化，完成更复杂的任务，像总结复杂文档，生成游戏代码。
它强大到仿佛真的会推理，但同时也在一些方面表现得极差，笨得让人吃惊。
以基础乘法运算为例，像ChatGPT和GPT-4这样常见的LLM表现糟糕。
2023年初，Dziri团队对GPT-4进行测试，让它计算两个三位数相乘，最初的正确率仅为59%。当计算两个四位数相乘时，准确率更是急剧下降，只剩下4%。
团队还测试了LLM在谜题任务上的表现，结果同样不理想。
当谜题是两座房子，每座房子对应两个属性时，GPT-4还能每次都答对。但当谜题难度升级为四座房子，每座房子对应四个属性时，正确率就锐减至10%。
《国际生活》上的原始谜题版本，也就是五座房子，每座房子对应五个属性的情况，GPT-4的正确率直接归零。
Dziri认为「它只是在模仿自己见过的东西，并没有真正理解。」
LLM存在难以突破的限制
与此同时，另一个研究团队采用了不同的方法，来理解LLM为什么在处理组合性任务时会遇到困难。
当时，正在哥大读博的彭炳辉与导师Christos Papadimitriou等人一起研究LLM为什么会产生幻觉，生成与事实不符的错误信息。
下面三张图中的例子，分别展示了LLM在空间构成、时间构成和关系构成上产生的幻觉。
左右滑动查看
对此，团队怀疑原因在于Transformer缺乏「组合能力」。
假设给LLM输入两条信息：一是弗雷德里克·肖邦的父亲是尼古拉·肖邦，二是尼古拉·肖邦出生于1771年4月15日。然后问它：弗雷德里克·肖邦的父亲的出生日期是什么？
这时，LLM需要把这两条信息整合起来，才能作答。
实际上，它要解答的是一个嵌套问题，先找出弗雷德里克·肖邦的父亲是谁，再回答这个人的出生日期。
要是LLM给出的答案不对，出现了所谓的「幻觉」，很可能就是因为它没能成功完成这种组合性任务。
为了验证这个猜想，团队首先研究了一种简单Transformer的特性。
这种模型只有一层，在预测下一个单词时，会根据句子中单词的顺序和位置来判断。现代LLM通常包含多层这样的结构。
团队找到了Transformer层的复杂程度和域大小（也就是表示问题所需的比特数）之间的联系。
通过研究这个简单模型，他们证明了一个数学限制条件。
如果单层Transformer的总参数数量小于域的大小，从理论上来说，Transformer就解决不了组合性任务。
仅有一个Transformer层的LLM，在数学层面存在明显的局限性。
虽说这是一个很有说服力的理论成果，但它的实际影响还不明确，因为现代LLM要复杂得多。
于是，团队换了一种方法来研究更复杂的Transformer的能力。他们运用计算复杂性理论，通过分析解决问题所需的时间、内存等资源，来探究问题的本质。
他们借助一个著名的猜想证实，即使是多层Transformer在解决复杂的组合性问题时，计算能力也存在限制。
2024年12月，彭炳辉和加州大学伯克利分校的研究员发表了一项证明。这次，他们抛开计算复杂性理论的猜想，直接证实了多层Transformer确实无法解决某些复杂的组合性任务。
彭炳辉说：「模型规模增大后，确实能解决更具挑战性的问题。但要是同时扩大问题的规模，就算模型变得更大，解决起来照样棘手。」
这充分表明，Transformer架构存在着难以逾越的局限性。
但这并不意味着LLM的终结。
纽约大学的Wilson指出，虽然存在这些局限性，研究人员已经开始改进Transformer，帮助它们更好地处理包括算术在内的各类问题。
马里兰大学的计算机科学家Tom Goldstein和他的同事在给Transformer输入数字时做了些调整，他们在每个数字里嵌入额外的位置信息，再训练加法运算模型。
经过20位数训练的模型，在进行100位数加法时，准确率能稳定达到98%；而没有嵌入额外位置信息的模型，准确率只有3%左右。
这表明，也许有一些基础的改进方法可以采用，这样就能在这些问题上取得重大进展，而无需重新设计整个架构。
除了扩大模型规模，还有一种克服LLM局限性的办法，就是在提示中给出问题的逐步解决步骤，即思维链提示。
研究显示，这种方法能让GPT-4这类LLM，具备解决更多相关任务的能力。
斯坦福大学博士生Haotian Ye表示：「我们很好奇，为什么它这么有效，能带来这么多突破。」
他在北大读本科时，就曾对比过Transformer在使用思维链提示与否时的表现。
他们借助计算机科学的另一分支——电路复杂性理论进行论证，解释了思维链提示是如何把一个大问题拆解成一系列小问题，进而让Transformer处理更复杂的组合性任务。
不过Haotian Ye也提醒，这并不意味着模型用了思维链提示，就真能解决这些难题。
这项研究关注的是理论能力，而模型的训练方式，决定了它们能在多大程度上发挥出这一理论上限。
LLM本质上是在匹配以前见过的模式，它们的能力受到数学限制。嵌入技巧和思维链提示，只是拓展了它们处理更复杂模式匹配的能力。
从数学原理来看，总能找到一些组合性任务，其复杂程度超出了给定系统的处理能力。
Dziri表示：「我们必须彻底弄清楚模型内部是如何运作的。要是能搞明白它们执行任务和推理的方式，或许就能对它们进行优化改进。要是不清楚，那就真的很难开展任何工作了。」
作者介绍
彭炳辉，现任加州大学伯克利分校西蒙斯研究所的博士后研究员。此前，在哥伦比亚大学获得博士学位，导师是Xi Chen和Christos Papadimitriou。并在清华大学姚班获得学士学位。
彭炳辉的研究领域广泛，涉及机器学习理论、博弈论以及理论计算机科学。最近，他尤其关注计算理论与AI之间的相互作用。
参考资料：
https://x.com/polynoamial/status/1888467178879627546
https://x.com/QuantaMagazine/status/1888269583800225958
