一切都要从 ChatGPT 的横空出世说起......
曾经一片祥和的 NLP 社区，被这个突如其来的 “怪物” 吓到了！一夜之间，整个 NLP 圈发生了巨大的变化，工业界迅速跟进，资本 “狂飙”，开始了复刻 ChatGPT 之路；学术界突然陷入了一片迷茫的状态......大家慢慢开始相信 “NLP is solved!”
然而，从最近依然活跃的 NLP 学术圈和层出不穷的优秀工作来看，事实并非如此，甚至可以说 “NLP just got real!”
这几个月，北航、Mila、香港科技大学、苏黎世联邦理工学院（ETH）、滑铁卢大学、达特茅斯学院、谢菲尔德大学、中科院等多家机构，经过系统、全面的调研之后，打磨出一篇 110 页的论文，系统阐述了后 ChatGPT 时代的技术链：交互。
- 论文地址：https://arxiv.org/abs/2305.13246
- 项目资源：https://github.com/InteractiveNLP-Team
与传统的 “人在环路（HITL）”、“写作助手” 等类型的交互不同，本文所讨论的交互，有着更高、更全面的视角：
- 对工业界：如果大模型有事实性、时效性等难以解决的问题，那 ChatGPT+X 能否解决呢？甚至就像 ChatGPT Plugins 那样，让它和工具交互帮我们一步到位订票、订餐、画图！也就是说，我们可以通过一些系统化的技术框架缓解当下大模型的一些局限。
- 对学术界：什么是真正的 AGI？其实早在 2020 年，深度学习三巨头、图灵奖获得者 Yoshua Bengio 就描绘了交互型语言模型的蓝图 [1]：一个可以和环境交互，甚至可以和其他智能体进行社会交互的语言模型，才能有最为全面的语言语义表示。在某种程度上，与环境、与人的交互造就了人类智慧。
因此，让语言模型（LM）与外部实体以及自我进行交互，不仅仅可以帮助弥合大模型的固有缺陷，还可能是通往 AGI 的终极理想的一个重要的里程碑！
什么是交互？
其实 “交互” 的概念并不是作者们臆想的。自从 ChatGPT 问世之后，诞生了很多关于 NLP 界新问题的论文，比如：
- Tool Learning with Foundation Models 阐述了让语言模型使用工具进行推理或者执行现实操作 [2]；
- Foundation Models for Decision Making: Problems, Methods, and Opportunities 阐述了如何使用语言模型执行决策任务 (decision making)[3]；
- ChatGPT for Robotics: Design Principles and Model Abilities 阐述了如何使用 ChatGPT 赋能机器人 [4]；
- Augmented Language Models: a Survey 阐述了如何使用思维链 (Chain of Thought)、工具使用（Tool-use）等增强语言模型，并指出了语言模型使用工具可以给外部世界产生实际的影响（即 act）[5]；
- Sparks of Artificial General Intelligence: Early experiments with GPT-4 阐述了如何使用 GPT-4 执行各种类型的任务，其中包括了与人、环境、工具等交互的案例 [6]。
可见，NLP 学界的关注点，逐渐从 “怎么打造模型”，过渡到了 “怎么打造框架”，也就是将更多的实体纳入到语言模型训练、推理的过程当中。最为典型的例子就是大家所熟知的 Reinforcement Learning from Human Feedback (RLHF), 基本原理就是让语言模型从与人的交互（反馈）中进行学习 [7]，这一思想成为了 ChatGPT 画龙点睛的一笔。
因此可以说，“交互” 这个特性，是 ChatGPT 之后，NLP 最为主流的技术发展路径之一！作者们的论文首次定义并系统解构了 “交互式 NLP”，并主要基于交互对象的维度，尽可能全面地讨论了各种技术方案的优劣以及应用上的考虑，包括：
- LM 与人类交互，以更好地理解和满足用户需求，个性化回应，与人类价值观对齐 (alignment)，并改善整体用户体验；
- LM 与知识库交互，以丰富语言表达的事实知识，增强回应的知识背景相关性，并动态利用外部信息生成更准确的回应；
- LM 与模型和工具交互，以有效分解和解决复杂推理任务，利用特定知识处理特定子任务，并促进智能体社会行为的涌现；
- LM 与环境交互，以学习基于语言的实体表征（language grounding），并有效地处理类似推理、规划和决策等与环境观察相关的具身任务（embodied tasks）。
因此，在交互的框架下，语言模型不再是语言模型本身，而是一个可以 “看”(observe)、可以 “动作”(act)、可以 “获取反馈”(feedback) 的基于语言的智能体。
与某个对象进行交互，作者们称之为 “XXX-in-the-loop”, 表示这个对象参与了语言模型训练或者推理的过程，并且是以一种级联、循环、反馈、或者迭代的形式参与其中的。
与人交互
让语言模型与人交互可以分为三种方式：
- 使用提示进行交流
- 使用反馈进行学习
- 使用配置进行调节
另外，为了保证可规模化的部署，往往采用模型或者程序模拟人类的行为或者偏好，即从人类模拟中学习。
总的来说，与人交互要解决的核心问题是对齐问题 (alignment), 也就是如何让语言模型的响应更加符合用户的需要，更加有帮助、无害且有理有据，能让用户有更好的使用体验等。
“使用提示进行交流” 主要着重于交互的实时性和持续性，也就是强调连续性质的多轮对话。这一点和 Conversational AI [8] 的思想是一脉相承的。也就是，通过多轮对话的方式，让用户连续地问下去，让语言模型的响应在对话中慢慢地对齐于用户偏好。这种方式通常在交互中不需要模型参数的调整。
“使用反馈进行学习” 是当前进行 alignment 的主要方式，也就是让用户给语言模型的响应一个反馈，这种反馈可以是描述偏好的 “好 / 坏” 的标注，也可以是自然语言形式的更为详细的反馈。模型需要被训练，以让这些反馈尽可能地高。比较典型的例子就是 InstructGPT 所使用的 RLHF [7]，首先使用用户标注的对模型响应的偏好反馈数据训练奖励模型，然后使用这个奖励模型以某种 RL 算法训练语言模型以最大化奖励（如下图）。
Training language models to follow instructions with human feedback [7]
“使用配置进行调节” 是一种比较特殊的交互方式，允许用户直接调整语言模型的超参数（比如 temperature）、或者语言模型的级联方式等。典型的例子比如谷歌的 AI Chains [9], 带有不同预设 prompt 的语言模型互相连接构成了一个用于处理流程化任务的推理链条，用户可以通过一个 UI 拖拽调整这个链条的节点连接方式。
“从人类模拟中学习” 可以促进上述三种方式的规模化部署，因为尤其在训练过程，使用真实的用户是不现实的。比如 RLHF 通常需要使用一个 reward model 来模拟用户的偏好。另一个例子是微软研究院的 ITG [10], 通过一个 oracle model 来模拟用户的编辑行为。
最近，斯坦福 Percy Liang 教授等人构建了一个非常系统化的 Human-LM 交互的评测方案：Evaluating Human-Language Model Interaction [11], 感兴趣的读者可以参考本论文或者原文。
与知识库交互
语言模型与知识库交互存在三个步骤：
- 确定补充知识的来源：Knowledge Source
- 检索知识：Knowledge Retrieval
- 使用知识进行增强：详细请参阅本论文 Interaction Message Fusion 部分，这里不多做介绍。
总的来说，与知识库进行交互可以减轻语言模型的 “幻觉” 现象 (hallucination), 即提升其输出的事实性、准确性等，还能帮助改善语言模型的时效性问题，帮助补充语言模型的知识能力（如下图）等。
MineDojo [16]：当一个语言模型智能体遇到不会的任务，可以从知识库中查找学习资料，然后在资料的帮助下，完成这个任务。
“Knowledge Source” 分为两种，一种是封闭的语料知识 (Corpus Knowledge), 如 WikiText 等 [15]；另一种是开放的网络知识 (Internet Knowledge), 比如使用搜索引擎可以得到的知识 [14]。
“Knowledge Retrieval” 分为四种方式：
- 基于语言的稀疏表示以及 lexical matching 的稀疏检索 (sparse retrieval)：如 n-gram 匹配，BM25 等。
- 基于语言的稠密表示以及 semantic matching 的稠密检索 (dense retrieval)：如使用单塔或者双塔模型作为检索器等。
- 基于生成式检索器：属于比较新的方式，代表工作是谷歌 Tay Yi 等人的 Differentiable Search Index [12], 将知识都保存在语言模型的参数当中，给一个 query 后，直接输出对应知识的 doc id 或者 doc content. 因为语言模型，就是知识库 [13]！
- 基于强化学习：也是比较前沿的方式，代表工作比如 OpenAI 的 WebGPT [14]，使用 human feedback 训练模型，以进行正确知识的检索。
与模型或者工具交互
语言模型与模型或者工具交互，主要的目的是进行复杂任务的分解，比如将复杂的推理任务分解为若干子任务，这也是 Chain of Thought [17] 的核心思想。不同的子任务可以使用具有不同能力的模型或者工具解决，比如计算任务可以使用计算器解决，检索任务可以使用检索模型解决。因此，这种类型的交互不仅可以提升语言模型的推理 (reasoning)、规划 (planning)、决策 (decision making) 能力，还能减轻语言模型的 “幻觉” (hallucination)、不准确输出等局限。特别地，当使用工具执行某种特定的子任务时，可能会对外部世界产生一定影响，比如使用 WeChat API 发了一条朋友圈等，称为 “面向工具的学习”(Tool-Oriented Learning) [2].
另外，有时候显式地分解一个复杂的任务是很困难的，这种时候，可以为不同的语言模型赋予不同的角色或者技能，然后让这些语言模型在互相协作、沟通的过程当中，隐式、自动地形成某种分工方案 (division of labor)，进行任务的分解。这种类型的交互不仅仅可以简化复杂任务的解决流程，还可以对人类社会进行模拟，构造某种形式的智能体社会。
作者们将模型和工具放在一起，主要是因为模型和工具不一定是分开的两个范畴，比如一个搜索引擎工具和一个 retriever model 并没有本质的不同。这种本质，作者们使用 “任务分解后，怎样的子任务由怎样的对象来承担” 进行界定。
语言模型与模型或者工具交互时，有三种类型的操作：
- Thinking: 模型与自己本身进行交互，进行任务的分解以及推理等；
- Acting：模型调用其他的模型，或者外部工具等，帮助进行推理，或者对外部世界产生实际作用；
- Collaborating: 多个语言模型智能体互相沟通、协作，完成特定的任务，或者模拟人类的社会行为。
注意：Thinking 主要论及的是 “多阶段思维链” (Multi-Stage Chain-of-Thought)，即：不同的推理步骤，对应着语言模型不同的调用 (multiple model run)，而不是像 Vanilla CoT [17] 那样，跑一次模型同时输出 thought+answer (single model run).
这里部分承袭的是 ReAct [18] 的表述方式。
Thinking 的典型工作包括了 ReAct [18], Least-to-Most Prompting [19], Self-Ask [20] 等。例如，Least-to-Most Prompting [19] 首先将一个复杂问题分解为若干简单的模块子问题，然后迭代式地调用语言模型逐个击破。
Acting 的典型工作包括了 ReAct [18], HuggingGPT [21], Toolformer [22] 等。例如，Toolformer [22] 将语言模型的预训练语料处理成了带有 tool-use prompt 的形式，因此，经过训练后的语言模型，可以在生成文本的时候，自动地在正确的时机调用正确的外部工具（如搜索引擎、翻译工具、时间工具、计算器等）解决特定的子问题。
Collaborating 主要包括：
- 闭环交互：比如 Socratic Models [23] 等，通过大型语言模型、视觉语言模型、音频语言模型的闭环交互，完成特定于视觉环境的某些复杂 QA 任务。
- 心智理论 (Theory of Mind): 旨在让一个智能体能够理解并预测另一个智能体的状态，以促进彼此的高效交互。例如 EMNLP 2021 的 Outstanding Paper, MindCraft [24], 给两个不同的语言模型赋予了不同但互补的技能，让他们在交流的过程中协作完成 MineCraft 世界中的特定任务。著名教授 Graham Neubig 最近也非常关注这一条研究方向，如 [25].
- 沟通式代理 (Communicative Agents): 旨在让多个智能体能够进行彼此交流协作。最为典型的例子就是斯坦福大学最近震惊世界的 Generative Agents [26]：搭建一个沙盒环境，让好多个由大模型注入 “灵魂” 的智能体在其中自由活动，它们竟然可以自发地呈现一些类人的社会行为，比如聊天打招呼等，颇有一种 “西部世界” 的味道（如下图）。除此之外，比较出名的工作还有 DeepGCN 作者的新工作 CAMEL [27]，让两个大模型赋能的智能体在彼此沟通的过程当中开发游戏，甚至炒股，而不需要人类的过多干预。作者在文章中明确提出了 “大模型社会” (LLM Society) 的概念。
Generative Agents: Interactive Simulacra of Human Behavior, https://arxiv.org/pdf/2304.03442.pdf
与环境交互
语言模型和环境属于两个不同的象限：语言模型建立在抽象的文字符号之上，擅长 high-level 的推理、规划、决策等任务；而环境建立在具体的感知信号之上（如视觉信息、听觉信息等），模拟或者自然发生一些 low-level 的任务，如提供观察 (observation)、反馈 (feedback)、状态更新 (state transition) 等（如：现实世界中一个苹果落到了地上，模拟引擎中一个 “苦力怕” 出现在了你的面前）。
因此，要让语言模型能够有效且高效地与环境进行交互，主要包括了两个方面的努力：
- Modality Grounding: 让语言模型可以处理图像、音频等多模态信息；
- Affordance Grounding: 让语言模型在环境具体场景的尺度下对可能的、恰当的对象执行可能的、恰当的动作。
对于 Modality Grounding 最为典型的就是视觉 - 语言模型。一般而言可以使用单塔模型如 OFA [28], 双塔模型如 BridgeTower [29], 或者语言模型与视觉模型的交互如 BLIP-2 [30] 来进行。这里不再多说，读者可以详看本论文。
对于 Affordance Grounding 主要有两个考虑，即：如何在给定任务的条件下进行 (1) 场景尺度的感知 (scene-scale perception), 以及 (2) 可能的动作 (possible action)。举个例子：
比如上图的场景，给定任务 “请关闭客厅里面的灯”，“场景尺度的感知” 要求我们找到全部红色框选的灯，而不要选中不在客厅而在厨房的绿色圈选的灯，“可能的动作” 要求我们确定可行的关灯方式，比如拉线灯需要使用 “拉” 的动作，而开关灯需要使用 “拨动开关” 的动作。
通常而言，Affordance Grounding 可以使用一个依附于环境的价值函数解决，如 SayCan [31] 等，也可以使用一个专门的 grounding model 如 Grounded Decoding [32] 等。甚至也可以通过与人、与模型、与工具等的交互来解决（如下图）。
Inner Monologue [33]
用什么交互：交互接口
在论文 Interaction Interface 章节，作者们系统地讨论了不同交互语言、交互媒介的用法和优劣，包括：
- 自然语言：如 few-shot example, task instruction, role assignment 甚至结构化的自然语言等。主要讨论了其在泛化性、表达性上的特点及作用等。
- 形式语言：如代码、语法、数学公式等。主要讨论了其在可解析性、推理能力上的特点及作用等。
- 机器语言：如 soft prompts, 离散化的视觉 token 等。主要讨论了其在泛化性、信息瓶颈理论、交互效率上的特点及作用等。
- 编辑：主要包括了对文本进行的删除、插入、替换、保留等操作。讨论了它的原理、历史、优势以及目前存在的局限。
- 共享记忆：主要包括了 hard memory 和 soft memory. 前者将历史状态记录在一个 log 里面作为记忆，后者使用一个可读可写的记忆外置模块保存张量。论文讨论了两者的特点、作用以及存在的局限等。
怎么交互：交互方法
论文还全面、详细、系统地讨论了各种各样的交互方法，主要包括：
- Prompting: 不调整模型参数，仅仅通过 prompt engineering 的方式调用语言模型，涵盖了上下文学习（In-Context Learning）、思维链提示 (Chain of Thought)、工具使用提示 (Tool-use)、级联推理链 (Prompt Chaining) 等多种方法，详细讨论了各种 Prompting 技巧的原理、作用、各种 trick 和局限等，比如在可控性和鲁棒性上的考虑等。
- Fine-Tuning: 进行模型参数的调整，以让模型从交互信息中进行学习更新。本节涵盖了监督指令精调 (Supervised Instruction Tuning)、参数高效精调 (Parameter-Efficient Fine-Tuning)、持续学习 (Continual Learning)、半监督学习 (Semi-Supervised Fine-Tuning) 等方法。详细讨论了这些方法的原理、作用、优势、在具体使用时的考虑、及其局限。其中还包括了部分 Knowledge Editing 的内容（即编辑模型内部的知识）。
- Active Learning: 交互式的主动学习算法框架。
- Reinforcement Learning: 交互式的强化学习算法框架，讨论了在线强化学习框架、离线强化学习框架、从人类反馈中学习（RLHF）、从环境反馈中学习（RLEF）、从 AI 反馈中学习 (RLAIF) 等多种方法。
- Imitation Learning: 交互式的模仿学习算法框架，讨论了在线模仿学习、离线模仿学习等。
- Interaction Message Fusion: 为上述所有交互方法提供了一个统一的框架，同时在这个框架中，向外扩展，讨论了不同的知识、信息融合方案，比如跨注意力融合方案 (cross-attention)、约束解码融合方案 (constrained decoding) 等。
其他讨论
囿于篇幅，本文不详细介绍其他方面的讨论，如评测、应用、伦理、安全以及未来发展方向等。但是这些内容在该论文原文中，仍然占据了 15 页的内容，因此推荐读者在原文中查看更多细节，以下为这些内容的大纲：
对交互的评测
论文中对评测的讨论主要涉及以下关键词：
交互式 NLP 的主要应用
- 可控文本生成 (Controllable Text Generation)
- 与人交互：RLHF 的思想钢印现象等
- 与知识交互：Knowledge-Aware Fine-Tuning [34] 等
- 与模型、工具交互：Classifier-Guided CTG 等
- 与环境交互：affordance grounding 等
- 交互式写作助手 (Writing Assistant)
- Content Support: 内容支持型
- Content Checking and Polishing：内容检查、润色型
- Content Enrichment：内容丰富型
- Content Co-creation：内容创作型
- 具身智能 （Embodied AI）
- Observation and Manipulation: 基础
- Navigation and Exploration: 进阶 (e.g., long-horizon embodied tasks)
- Multi-Role Tasks: 高级
- 游戏 (Text Game)
- 包含文本的交互式游戏平台：Interactive Text Game Platforms
- 交互型语言模型如何玩转仅文本类型的游戏：Playing Text-Only Games
- 交互型语言模型如何赋能包含文本媒介的游戏：Powering Text-Aided Games
- 其他应用
- 领域、任务专门化（Specialization）：比如如何基于交互打造特定于金融领域、医学领域等的语言模型框架。
- 个性化与人格化 (Personalization & Personality)：比如如何基于交互打造特定于用户个人的、或者带有特定人格的语言模型。
- 基于模型的评测（Model-based Evaluation）
伦理与安全
讨论了交互型语言模型在教育上的影响，还针对社会偏见、隐私等伦理安全问题进行了讨论。
未来发展方向与挑战
- Alignment：语言模型的对齐问题，如何让模型的输出更加无害、更加符合人类价值观、更加有理有据等。
- Social Embodiment：语言模型的 Grounding 问题，如何进一步推动语言模型具身化和社会化。
- Plasticity：语言模型的可塑性问题，如何保证模型知识的持续更新，且不会在更新的过程中遗忘先前获得的知识。
- Speed & Efficiency：语言模型的推理速度、训练效率等问题，如何在不影响性能的情况下，加速推理，以及加速训练的效率。
- Context Length：语言模型的上下文窗口大小限制。如何扩充上下文的窗口大小，使其能够处理更长的文本。
- Long Text Generation：语言模型的长文本生成问题。如何让语言模型在极长文本的生成场景下，也能保持优良的性能。
- Accessibility：语言模型的可用性问题。如何让语言模型从闭源到开源，如何在不过度损失性能的前提下，让语言模型能够部署在边缘设备如车载系统、笔记本上等。
- Analysis：语言模型的分析、可解释性等问题。比如如何预测模型 scaling up 之后的性能，以指导大模型的研发，如何解释大模型内部的机理等。
- Creativity：语言模型的创造性问题。如何让语言模型更加具有创造性，能够更好地使用比喻、隐喻等，能够创造出新的知识等。
- Evaluation：如何更好地针对通用大模型进行评测，如何评测语言模型在交互上的特性等。
