一觉醒来，机器学习社区炸了锅。因为最新研究发现，只要对 GPT-3 说一句“让我们一步一步地思考”，就能让它正确回答出以前不会的问题。
比如下面这个例子：
16 个球中有一半是高尔夫球，这些高尔夫球中有一半是蓝色的，一共有几个蓝色的高尔夫球?(问题不难，但要注意这是零样本学习，也就是说 AI 训练阶段从没见过同类问题。)
如果要求 GPT-3 直接写出“答案是几”，它会给出错误答案：8。
但加上让我们一步一步地思考这句“咒语”后，GPT-3 就会先输出思考的步骤，最后给出正确答案：4!
而且这并不是巧合，研究团队在论文中做了充分的验证。上面的问题出自经典的 MutiArith 数据集，专门考验语言模型做数学题的能力，GPT-3 本来在零样本场景下准确率仅有 17%。
这篇论文中总结了 9 个最有效的提示词，其中换着花样让 GPT-3 逐步思考的前 6 个都让准确率暴涨到 70% 以上。
甚至一句最简单的“Let’s think”(让我们想一想) 都能涨到 57.5%。这感觉，就像是幼儿园阿姨在哄小朋友……
这个技巧似乎也不需要对 GPT-3 做魔改，已经有人在 OpenAI 官方 Demo 上成功复现，甚至换成中文也行。英文题干中文提示，GPT-3 给出正确中文答案。
最早把这篇论文转发到社交网络的谷歌研究员表示，新的 all you need 增加了。
看到这里，各路大佬纷纷脑洞大开，玩起了梗。如果鼓励 AI“你能行的，我相信你”会怎样?
威胁 AI 一下说“时间不多了”或者“你头上有把枪”又会如何?
对 AI 说“开车稳一点”会成为自动驾驶解决方案吗?
还有人提出，这简直和科幻故事《银河系漫游指南》的剧情一样，实现通用人工智能的关键是知道如何正确地向 AI 提问。
那么，这种神奇现象究竟怎么回事?
语言大模型是零样本推理者
发现这个现象的是谷歌大脑与东京大学的合作研究，探索了语言大模型在零样本场景下的表现。
论文标题《语言大模型是零样本推理者》还致敬了 GPT-3 的《语言模型是少样本学习者》。
所用方法属于 Chain of Thought Prompting(思维链路提示，以下简称 CoT)，今年一月刚由谷歌大脑团队提出。
最早的 CoT 应用于少样本学习，在提问的同时给一个分步骤回答的示例来引导 AI。
这次的最新研究提出零样本 CoT，主要改动是简化了示例的部分。
第一步，把题干改写成“Q：xxx，A：xxx”的形式，其中触发句 A 可以提取出语言模型的思考过程。
第二步属于额外实验，增加了“答案是……”的提示促使语言模型给出最终答案。
这样做最大的好处是通用，不再需要对不同问题类型提供专用的示例。
论文中对各类问题做了充分实验，包括 12 项测试：
6 个数学问题测试集，SingleEq、AddSub、SVAMP 和更有挑战的 MultiArith, AQUA-RAT, GSM8K。
2 个常识推理测试集，CommonsenseQA 和 StrategyQA。
2 个符号推理测试集，Last Letter Concatenation 和 Coin Flip。
以及 BIG-bench 中的日期理解问题、跟踪乱序物体任务。
与普通的零样本学习相比，零样本 CoT 在其中 10 项中取得更好效果。
△ 右侧值为额外实验结果
在比较有难度的 MultiArith 和 GSM8K 数学测试中，用 GPT-3 最新版本 Text-davinci-002 (175B) 做了更深入实验。
如果给 8 次尝试机会取最好结果，还能进一步提升准确率至 93%。
在错误结果分析中研究人员还发现，很多问题中其实 AI 的推理过程是正确的，只是答案无法收敛至唯一确定时会给出多个备选。
论文的最后，研究团队提出这项研究不仅可以作为零样本 CoT 的基线，更希望让学界认识到在构建微调数据集和少样本提示模版之前，充分发掘语言大模型零样本能力的重要性。
研究团队来自东京大学松尾研究室。
负责人松尾丰教授，同时是软银董事会中的第一位人工智能专家。
团队成员中的客座教授顾世翔来自谷歌大脑团队，顾世翔本科师从三巨头之一 Hinton，博士毕业于剑桥大学。
加点“魔法”已经成为 AI 圈新潮了
零样本 CoT 究竟为何起作用还有待探索。
不过有人实验得出，这种办法似乎只对 GPT-3(text-davinci-002)比较有效，他尝试了 001 版本，发现收效甚微。
他列出了一个自己做的例子。提问：请将 machine，learning 中每个单词的最后一个字母连起来。
GPT-3 在提示下给出的答案是连起来了两个单词中的所有字母。
对此，作者之一顾世翔回复表示，其实“咒语”对初始版、改良版的 GPT-3 都有效果，这些结果在论文中也有体现。
也有人发出质疑，表示难道深度学习变成了一场找“神奇咒语”的游戏?
同时，我们在吐槽队伍里又看到了马库斯的身影。
他也列出了一个失败的例子，GPT-3 在“咒语”加持下也没弄明白，莎莉的牛到底会不会起死回生……
不过值得注意的是，类似这种稍微给 AI 加点小魔法，提升效果立竿见影的例子已经不稀奇了。
有网友分享，自己用 GPT-3 时加几个中间命令，确实能得到更满意的结果。
此前谷歌和 MIT 的研究人员发现，无需更改底层架构，只要训练语言模型会像程序员 debug 时那样“打断点”，模型读代码、做算术的能力唰唰唰地就上去了。
原理也非常简单，就是在计算步骤较多的程序里，让模型把每一步都编码成文本，并将它们记录到一个称为“便签”的暂存器中。由此一来，模型的计算过程变得更加清晰有序，性能自然大幅提升。
还有本项实验中用来测试的 Instruct GPT-3，也是一个典型的例子。只需让 GPT-3 从人类反馈中强化学习，它就能明显改善答非所问的情况。
具体来看就是先用一些人类的示范回答微调模型，然后收集某个问题的几组不同输出数据，人工对几组答案进行排序，并在此数据集上训练奖励模型。
最后，使用 RM 作为奖励函数，近端策略优化(PPO)算法微调 GPT-3 策略，以强化学习方法最大化奖励。
包括引爆这次话题的推特博主 Aran，正是当初发现加一句“虚幻引擎”就能让 AI 生成图像画质飞升的那位。
前谷歌机器人大佬 Eric Jang 此前也发现，强化学习也能运用类似的思维来提升计算效率。
也有人表示，这种用在 AI 上的技巧，不正是自己平常动脑时会用的吗?
实际上，此前 Bengio 就从脑科学入手，提出 AI 的运转模式应该像人类动脑模式一样。
人类的认知任务可以分为系统 1 认知和系统 2 认知。
系统 1 认知任务，是指那些无意识完成的任务。比如你可以马上辨别出手里拿的是什么东西，但是却无法和别人解释，自己是怎么完成这个过程的。
系统 2 认知任务，是指人类大脑需要按照一定步骤完成的认知。比如做一道加减法运算，你可以很清楚地解释最终答案是如何得出的。
而这次加的“咒语”，正是让 AI 更进一步，学会按步骤来思考。
面对这样的趋势，有学者认为“提示工程正在取代特征工程”。
那么“提示词猎人”会成为下一代 NLP 研究者的外号么?
论文地址：
https://arxiv.org/abs/2205.11916
