向量嵌入：AutoGPT的幻觉解法

​

“一本正经胡说八道”的幻觉问题是ChatGPT等大型语言模型（LLM）亟需解决的通病。虽然通过人类反馈的强化学习（RLHF），可以让模型对错误的输出结果进行调整，但在效率和成本上不占优势，况且仅通过RLHF并不能彻底解决问题，由此也限制了模型的实用性。

由于大型语言模型的本质是基于语言的“统计概率”，幻觉现象表明，LLM并没有真正理解它所生成的内容，也不具备对错的概念。

此前，OpenAI首席科学家Ilya Sutskever谈到，他希望通过改进强化学习反馈步骤来阻止神经网络产生“幻觉”，他对解决这一问题非常自信，但只说了一句“让我们拭目以待”。

 不过，向量嵌入（vector embeddings）看上去是解决这一挑战的更为简单有效的方法，它可以为LLM创建一个长期记忆的数据库。通过将权威、可信的信息转换为向量，并将它们加载到向量数据库中，数据库能为LLM提供可靠的信息源，从而减少模型产生幻觉的可能性。
 
最近，爆火的AutoGPT就集成了向量数据库Pinecone，可以让它进行长期内存存储，支持上下文保存并改进决策。
 
Pinecone是OpenAI、Cohere等LLM生成商的合作方。现在，用户可以通过OpenAI的Embedding API生成语言嵌入，然后在Pinecone中为这些嵌入建立索引，以实现快速且可扩展的向量搜索。
 
 “嵌入（embedding）”一词最初由Yoshua Bengio于2003年提出。捷克计算机科学家Tomas Mikolov在2013年提出了文本向量表示的工具包word2vec，可用于下游深度学习任务。
 
Pinecone创始人Edo Liberty在亚马逊工作期间就负责向量嵌入，在离开亚马逊后开始研发Pinecone向量数据库。他是耶鲁大学计算机科学博士学位，曾担任雅虎的技术总监，并负责管理AI实验室。随后在AWS构建了包括SageMaker机器学习平台和服务。2019年年中，他意识到大型语言模型具有特殊意义，通过深度学习模型表示数据的新方法将成为数据和AI的基本组成部分。

近期，在Eye on AI播客的主持人Craig S. Smith与Edo Liberty的对话中，他介绍了如何通过向量嵌入解决LLM的幻觉问题，并分享了技术细节和构建流程。
 
（以下内容经授权后由OneFlow编译发布，译文转载请联系OneFlow获得授权。原文： https://www.eye-on.ai/podcast-117；sponsored by Netsuite，netsuite.com/eyeonai）
 

 1
“幻觉”的解决方法
 
CRAIG：什么是Pinecone？
 
EDO：Pinecone是一个向量数据库，但其并未采用结构或语法树等文本表示方式，而是使用一种数值形式的内部表示方式，这种方式被用于深度学习模型、语言模型或聊天引擎等文本处理任务中。
 
机器学习模型是一种数值引擎，处理的是数字对象，因此唯一能够表示数据的方式就是使用数字列表，这些列表被称为向量或嵌入。如果你想为深度学习模型提供长期记忆（long-term memory）和上下文（context），真正记住事物并了解世界的能力，就需要使用这些数值对象来表示数据。
 
但存储层、查询语言、访问模式以及我们想从数据库得到的一切对这些对象并不适用，你需要特定的硬件和软件才能实现。而Pinecone提供的服务就可以大规模地实现这一点。比如，如果你想增强ChatGPT的上下文能力，以便获得更好的回答，就可以将自己的数据存储在一个特定的数据库中。这些数据可以是用户手册、历史记录、图片、文本、Jira票据或邮件等。
 
Pinecone现在还发布了自己的检索引擎插件，用户可以将这些东西插入到底层，让ChatGPT实时搜索Pinecone，从而获得更准确的答案，并且不需要进行太多的连线设置。
 
Pinecone的优点是你不必成为机器学习专家，只需按教程复制粘贴代码，进行调整来训练模型，无需与我们联系，也无需向我们支付费用。
 
CRAIG：这有助于解决ChatGPT的幻觉问题吗？
 
EDO：完全可以。如果现在问ChatGPT如何关闭C70X车型自动反向刹车灯，它会给出一个非常地道、连贯的答案，但这其实只是它的幻觉。它回答得非常自信，但毫无价值。在说明如何解决幻觉问题之前，我想先强调一下这项技术本身的突破。
 
我并不是想要贬低语言模型。对于从事该领域15-20年的人来说，这项技术无疑是很令人震惊的。ChatGPT在语言的连贯性、组合方式以及所吸纳的数据量方面都让人眼前一亮，但就因幻觉的存在，其价值大打折扣。如果将沃尔沃的用户手册作为向量嵌入输入到Pinecone中，让ChatGPT实时搜索并获取正确的上下文来回答问题，那么ChatGPT就能得到正确的答案。
 
CRAIG：Ilya Sutskever关注点是用人类反馈的强化学习（RLHF）方式来训练模型，以避免幻觉。但这种方法的效率似乎不是很高，很多人对模型能否学会贴合现实也存在疑虑。我还曾和Yann LeCun探讨过建立一个世界模型（world model），以供语言模型参考。而你所讲的是通过Pinecone来构建一个特定领域的“世界模型”。
 
EDO：比如学医，人们学习的是一整个知识体系，而不是医学英语。实际上，在进入医学院前人们就已经掌握了英语，因此我们学到的是一些知识、记忆和事实，现在你可以将这些知识清晰地表达出来。你学到的不是将自然语言模型微调到医学领域，而是将知识注入到语言中。
 
其实，将OpenAI和Pinecone配对也与之类似。我们把数据和知识存储到Pinecone中，这些数据和知识可以是任何领域的专业知识，比如Jira票证、销售电话等等。然后语言模型就可以把这些知识转化成语言，并进行总结、理解问题等。
 
这些都是完全不同的功能，所以不应该使用相同的机制。比如“理解你说的话”和“确定你说的内容是否正确”就是两个完全不同的机制。前者关于语言处理，后者则关于记忆。
 
比如我说可以用木棍推动某些东西，也可以说用绳子推动某些东西。但事实上，我们只能能用绳子拉东西，而不能推东西。这是世界知识的一部分，也是记忆的一部分，既需要理解，也需要判断。人们会以一种现实可行的方式谈论世界，因此不会使用“用绳子推东西”这样不切实际的词汇来表达。
 
所以，如果训练的语言模型足够大，它就能像正常人类一样来谈论世界。但这并不代表模型真的就理解任何东西，也有可能会像《猫鼠游戏》中的主人公一样来“冒充”医生。比如，如果你只是在医院待了五年，可能会接触到很多专业术语，因此在谈论相关知识和技能时，你就像一个经验丰富的医生，但实际上并没有任何实际经验。
 
有些所谓的“幻觉解决方案”就像这样，它们似乎可以让人看起来拥有某种技能或知识，但实际上并没有真正理解这些内容。对我来说，这就是幻觉。就像是听医生讲述了很多医学术语，我们可以用英语说出这些术语，但却根本不懂医学。
 
CRAIG：所以增加记忆能力就是Pinecone目前正在做的事情。是否有其他用于增加记忆或领域知识的机制呢？据我所知，可以用无监督方式预训练大型语言模型，但最后会有一个监督层训练。我们能否在监督训练时将领域知识给到大型语言模型呢？
 
EDO：我会区分能够做的事和经常做的事。我们可以做很多事，并用各种方式进行训练，且已做过大量尝试。不过在我看来，AI领域真正值得兴奋的点是，AI终于真正走进了人们的生活。现在普通工程师、用户等终于能够实际利用AI，并在AI的基础上构建应用。
 
就拿Pinecone和OpenAI的结合来说，我们无需重新训练或发明任何东西，也无需微调，更不必收集数据标签。基本上只需用向量嵌入的形式将数据输入Pinecone就可以，网上有很多类似范例。我们可以实时向OpenAI提问，让它在Pinecone上查找相关信息。
 
比如，我是一个销售员，并且已经将所有的销售对话输入了Pinecone。那么我可以进行提问，“我是否给某个顾客打折？如果打折了，折扣又是多少？”现在我们可以用OpenAI或其他大型语言模型供应商，基本上我们只需输入查询，找到与答案相关的对话部分，就能得到答案，并且还能获得明确起因。比如给顾客发的有关折扣信息的邮件，内容显示打了八折等等。
 
总之，我们不需要再重新训练任何东西，只需在大型语言模型中输入它所需的上下文，当我们调用聊天API时，它们会包含查询（即提问），我们也能提供与答案相关的上下文，以便获取更多信息。
 
如果我们能提供正确的上下文，就可以得到更好的答案。就像对他人提问一样，比如问销售员某个问题，如果他们知道问题的相关信息，就能进行整合，从而给出回答；如果不知道相关信息，人类会如实回答不知道，但现在聊天机器人却可能编造答案。
 
2
如何将信息转换为向量嵌入
 
CRAIG：OpenAI曾表示ChatGPT会应用在医学领域，但目前还不太可靠。如果没有医生审核，我们就不能依赖ChatGPT给出的任何医学建议。但如果能让大型语言模型参考可信的医疗文件或教科书，那么不需要医生，直接参考大型语言模型给出的答案了。所以，如何才能将实用医学文本导入Pinecone呢？
 
EDO：首先，我不建议就医学问题参考大型语言模型给出的答案，尤其是当自身或所爱之人面临健康危机时。但我也理解想要勇于尝试的想法，毕竟有总比没有好，相比没有医生，技艺不精的医生也并非不能接受。总之，我并不提倡这一行为。
 
其实要做到这一点非常简单。我们可以获取医学领域教科书或医学笔记，将它们分成句子或段落，然后将分好的句子、段落喂入嵌入模型，这些语言模型以深度学习模型表示文本的方式来表示语言，这种数字表示形式称为向量或嵌入。
 
然后将它们保存到Pinecone，保存的时候，我们可以将有用的资料一起保存，比如文本来源，或者源文本，但数字表示才是可操作部分。在实际查询的时候，比如我们有一些症状或者医学问题时，基本上就是在做相同的事。你可以嵌入问题、搜索嵌入、要求提供相关文件或者与查询主题相同或相似的内容。查询以后，比如我们得到了一百个文件或一百个段落句子，将它们作为上下文添加到查询中，输入聊天引擎，之后就可以对聊天引擎说“这些是我的症状，我想了解这些方面的信息”。
 
假如搜出来50个与答案相关的不同来源数据，我们可以在短时间内将这些数据整合起来，就像旧金山、纽约等地举办的黑客马拉松那样，参赛人员可以在一天内整合这些信息。要整合这些信息其实非常容易，因为我们不用重新训练任何东西，一切都可以交给托管服务，不必启动硬件，也不必处理大量废话，只需调用API，让它们处理并调整数据。这样一天内就能完成一项大工程。
 
CRAIG：我对pipeline比较好奇，假如我想把一本权威历史书籍喂入Pinecone，应该怎么做？如何将信息转换为向量嵌入？
 
EDO：首先，必须将文本数据化，你可以通过扫描或其他方式，也可以直接用PDF、word等格式的数据文本。然后我们需要将这些文本拆分成更小的部分，比如句子、段落等连贯的形式。也就是不能直接喂入一整本书或者只喂入一两个单词，而是有意义、人类能够阅读且逻辑连贯的精炼内容。
 
在完成文本拆分以后，就可以将其嵌入到深度学习模型中。此外，线上有很多免费的文本资源可以使用，人们只需简单编写几行Python代码，便可以将这些文本导入到计算机中，然后使用这些资源进行训练或者你也可以使用API在云上进行训练。
 
如此一来，你会得到模型返回的向量嵌入以及包含大量成百上千数字的列表。随后，再将向量传递给Pincone数据库，并告诉它哪些是有用信息，比如历史书上拿破仑入侵的介绍在第712页，这个过程等同于建立了自己的数据库。现在，你可以在此基础上构建机器模型，并将该历史书内容用作模型对话的知识源。
 
CRAIG：Pincone是否能提供前端来完成所有操作？或者说用户需提前备好向量嵌入将其融入Pincone？
 
EDO：目前，我们公司只负责数据库，因此选择何种机器学习模型或语言模型的决定权仍在用户手中，我们只提供最便利的工具，以便用户能毫不费力找到该模型。我们与OpenAI、Hugging Face、Cohere、Google、Amazon和Azure等公司有合作，共同构建新型语言模型。约有50或60家初创公司获得我们的支持，旨在构建更好的语言模型。
 
CRAIG：如果Pinecone将信息转换为向量嵌入，是否涉及版权问题？
 
EDO：客户使用Pinecone的方式类似于MongoDB、Elasticsearch、Redis、Dynamo DB、Spanner等其他数据库服务。作为客户的数据基础设施，我们通过Pinecone来存储和管理客户数据，但作为服务提供商，我们不会接触、使用、分享这些数据，也不会用作模型训练。
 
人们之所以更倾向于使用类似向量数据库的工具来创建上下文，而不是重新训练或优化模型，最实际的原因是前者可以删除数据。举个例子，若需要删除某些数据以满足GDPR相关规定，你可以说：“针对已有数据，进行明确操作，即删除数据点776。”随后便可以执行删除操作，实现数据点永久删除。
 
若将这些数据点输入优化后的模型，并尝试利用这些数据点来改善任务的执行，那么这些数据点就会保留在模型中，因为不存在可以将其删除的机制。
 
CRAIG：你们目前遇到的挑战是什么？
 
EDO：最大挑战是启动足够的硬件来支持所有训练需求，这也几乎是我们核心工程师团队每天都需要解决的问题。当前的硬件使用需求巨大，而ChatGPT的出现，使其需求量更是猛增。

​Read More