从两个以上大模型针对同一个问题给出的谷歌不同回答里，找到当中的现行语病、逻辑和事实错误，数据时候标记不同的标注错误类型，再对这些回答按照质量分别进行打分等，替代这些都是谷歌大模型数据标注员要干的事情。
这个过程被叫做RLHF（Reinforcement Learning from Human Feedback），现行即基于人类反馈的数据时候强化学习。RLHF也是标注被ChatGPT、Bard和LLaMA等新兴大模型带火的替代模型训练方法，它最大的谷歌好处就在于能够将模型和人类的偏好对齐，让大模型给出更符合人类表达习惯的现行回答。
不过最近发布在arXiv的一份论文表明，这份看起来只有人类能做的工作，也能被AI取代！
AI也取代了RLHF中的“H”，诞生了一种叫做“RLAIF”的训练方法。
这份由谷歌研究团队发布的论文显示，RLAIF能够在不依赖数据标注员的情况下，表现出能够与RLHF相媲美的训练结果——
如果拿传统的监督微调（SFT）训练方法作为基线比较，比起SFT，1200个真人“评委”对RLHF和RLAIF给出答案的满意度都超过了70%（两者差距只有2%）；另外，如果只比较RLHF和RLAIF给出的答案，真人评委们对两者的满意度也是对半分。
这里的“胜率”体现了文中的“满意度”
需要说明的是，谷歌的这篇论文也是第一个证明了RLAIF在某些任务上能够产生与RLHF相当的训练效果的研究。
最早提出让AI反馈代替人类反馈用于强化学习训练的研究，是来自2022年Bai et al. 发布的一篇论文。这篇论文也首次提出了RLAIF的概念，并发现了AI标注的“天赋”，不过研究者在当时还并没有将人类反馈和AI反馈结果进行直接比较。
总之谷歌的这一研究成果一旦被更多人接受，将意味着不用人类指点，AI也能训练自己的同类了。
下面可以来看看RLAIF具体是怎么做的。
我们知道，RLHF的方法大致可以分为三个步骤：预训练一个监督微调LLM，收集数据训练一个奖励模型（RM），以及用强化学习（RL）方式微调模型。
从论文给出的图示看，AI和人类标注员发挥作用的环节，主要是在训练奖励模型（RM）并生成反馈内容这里。你可以把“奖励”理解为，让人/AI来告诉模型哪种回答更好，答得更好就能有更多奖励（所以也能理解人工标注存在的必要）。
接着研究人员主要就“根据一段文字生成摘要”这一任务，展示了RLAIF的标记方法。
下面的表格比较完整地展示了RLAIF方法的输入结构：
首先是序言（Preamble），用来介绍和描述手头任务的说明。比如描述说，好的摘要是一段较短的文字，具有原文的精髓…给定一段文本和两个可能的摘要，输出1或2来指示哪个摘要最符合上述定义的连贯性、准确性、覆盖范围和整体质量。
其次是样本示例（1-Shot Exemplar）。比如给到一段“我们曾是超过四年的好朋友……”的文本，接着给到两个摘要，以及“摘要1更好”的偏好判断，让AI学着这个示例对接下来的样本做标注。
再者就是给出所要标注的样本（Sample to Annotate），包括一段文本和一对需要标记的摘要。
最后是结尾，用于提示模型的结束字符串。
论文介绍到，为了让RLAIF方法中AI标注更准确，研究者也加入了其他方法以获取更好的回答。譬如为了避免随机性问题，会进行多次选择，其间还会对选项的顺序进行交换；此外还用到了思维链（CoT）推理，来进一步提升与人类偏好的对齐程度。
从原始prompt到输出的完整流程如下图所示：
能看到，就像人类标注员会给不同的回答打分一样（比如满分5分），AI也会依据偏好给每个摘要打分，相加起来是1分。所以这个分数就可以理解为上文提到的奖励。
以上就是RLAIF方法大致会经历的过程。
而在评价RLAIF方法的训练结果到底好不好时，研究人员使用了三个评估指标，分别是AI标签对齐度（AI Labeler Alignment）、配对准确度（Pairwise Accuracy）和胜率（Win Rate）。
简单理解三个指标，AI标签对齐度指的就是AI偏好相对于人类偏好的精确程度，配对准确度指训练好的奖励模型与人类偏好数据集的匹配程度，胜率则是人类在RLAIF和RLHF生成结果之间的倾向性。
研究人员在依据评估指标进行了繁杂的计算之后，最终得出了RLAIF和RLHF“打平手”的结论。
当然也有一些非量化的定性分析。譬如研究发现，RLAIF似乎比RLHF更不容易出现“幻觉”，下表所示几个例子中标红部分便是RLHF的幻觉，尽管看上去是合理的：
而在另一些例子里，RLAIF的语法表现似乎又比RLHF差不少（标红为RLAIF的语法问题）：
尽管如此，RLAIF和RLHF整体来说生成高质量摘要的能力还是旗鼓相当的。
该论文的发布很快收获了不少关注。比如有从业者评论道，等到GPT-5可能就不需要人类数据标注员了。
也有网友贴图打趣，用AI来训练同类的做法就好比是这张梗图。
不过针对谷歌这篇论文中用到的研究方法，身为著名软件工程师、AI专家的Evan Saravia也认为，研究人员只在论文中分析了RLAIF和RLHF在“生成摘要”这一任务上的表现，其他更加泛化的任务表现如何还有待观察。
此外，研究人员也没有将人工标注和使用AI成本的因素考虑在内。
其实以上网友预测未来的大模型将不再需要人类标注员，也侧面体现出目前RLHF方法因为过于依赖人工而遇到的瓶颈：大规模高质量的人类标注数据可能会非常难以获取——
大模型数据标注员往往是流动性非常高的工种，并且由于数据标注很多时候非常依赖标注员的主观偏好，也就更加考验标注员的自身素质。
短期内也许会像这位从业者说的，“我不会说这（RLAIF）降低了人工标注的重要性，但有一点可以肯定，人工智能反馈的RL可以降低成本。人工标注对于泛化仍然极其重要，而RLHF+RLAIF混合方法比任何单一方法都要好。”
(责任编辑：焦点)