Tổng quan
AI hiến pháp là phương pháp của Anthropic để căn chỉnh các mô hình bằng cách sử dụng một bộ nguyên tắc bằng văn bản — một 'hiến pháp' — để AI phê bình và sửa đổi các câu trả lời của chính nó thay vì chỉ dựa vào con người để gắn nhãn nội dung có hại. Nó nhằm mục đích làm cho các mô hình trở nên hữu ích và vô hại với ít sức lao động của con người hơn.
AI hiến pháp là một phần của ngăn xếp ngôn ngữ-AI được sử dụng để đọc, tạo, phân loại và chuyển đổi văn bản và giọng nói trên quy mô lớn.
Lặn sâu
Sự liên kết truyền thống dựa vào việc học tăng cường từ phản hồi của con người (RLHF), trong đó mọi người xếp hạng nhiều kết quả đầu ra của mô hình, bao gồm cả những kết quả đáng lo ngại, để dạy cho mô hình những điều cần tránh. AI hiến pháp giảm bớt gánh nặng đó bằng cách cung cấp cho mô hình một danh sách rõ ràng các nguyên tắc bằng văn bản được rút ra từ các nguồn như Tuyên ngôn Nhân quyền của Liên hợp quốc và các phương pháp hay nhất về độ tin cậy và an toàn. Đào tạo có hai giai đoạn. Đầu tiên, một giai đoạn được giám sát: mô hình tạo ra phản hồi, sau đó phê bình nó đi ngược lại nguyên tắc hiến pháp và viết lại để tốt hơn; những câu trả lời tự cải thiện này được sử dụng để tinh chỉnh nó. Thứ hai, giai đoạn học tập củng cố, RLAIF, trong đó mô hình tự xếp hạng các cặp phản hồi theo hiến pháp và dữ liệu ưu tiên do AI tạo ra sẽ huấn luyện một mô hình phần thưởng. Các nguyên tắc này minh bạch và có thể chỉnh sửa, làm cho các giá trị điều khiển mô hình có thể được kiểm tra thay vì bị ẩn bên trong các nhãn mờ đục của con người.
Hiểu biết kỹ thuật
Hai giai đoạn này thường được gọi là SL-CAI và RL-CAI. Trong học tập có giám sát, vòng lặp 'phê bình và sửa đổi' nhắc mô hình tìm ra câu trả lời của chính nó vi phạm nguyên tắc lấy mẫu ở đâu và viết lại nó, tạo ra dữ liệu đào tạo mà không gắn nhãn gây hại cho con người. Trong giai đoạn RL, mô hình thứ hai đánh giá xem phản ứng nào trong số hai phản ứng tuân theo hiến pháp tốt hơn, tạo ra nhãn ưu tiên AI (RLAIF) để đào tạo mô hình phần thưởng được sử dụng trong RL tiêu chuẩn. Hiến pháp là hướng dẫn bằng văn bản thuần túy được đưa vào các lời nhắc, do đó việc thay đổi hành vi của mô hình có thể trực tiếp như việc chỉnh sửa các nguyên tắc.
Nắm vững AI hiến pháp
AI hiến pháp là phương pháp của Anthropic để căn chỉnh các mô hình bằng cách sử dụng một bộ nguyên tắc bằng văn bản — một 'hiến pháp' — để AI phê bình và sửa đổi các câu trả lời của chính nó thay vì chỉ dựa vào con người để gắn nhãn nội dung có hại. Nó nhằm mục đích làm cho các mô hình trở nên hữu ích và vô hại với ít sức lao động của con người hơn. AI hiến pháp là một phần của ngăn xếp ngôn ngữ-AI được sử dụng để đọc, tạo, phân loại và chuyển đổi văn bản và giọng nói trên quy mô lớn. Để xây dựng sự hiểu biết sâu sắc, hãy coi AI Hiến pháp như một mô hình vận hành chứ không phải một tính năng duy nhất: xác định kết quả mong muốn, làm rõ các giả định và tách biệt những gì hệ thống có thể thực hiện một cách đáng tin cậy với những gì vẫn cần đến sự đánh giá của chuyên gia.
Trong thực tế, các nhóm mạnh sử dụng các lời nhắc thiết kế, truy xuất và vòng lặp đánh giá AI Hiến pháp như một hệ thống liên lạc tích hợp. Họ ghi lại các tiêu chí thành công rõ ràng, kiểm tra dựa trên dữ liệu và quy trình làm việc thực tế, đồng thời lặp lại dựa trên các kiểu thất bại được quan sát thay vì chiến thắng điểm chuẩn một lần. Đây là nơi sự hiểu biết về mặt lý thuyết biến thành khả năng bền vững trên toàn bộ sản phẩm, chính sách và hoạt động.
Quy trình công việc ngôn ngữ có thể di chuyển nhanh hơn mà không làm mất tính nhất quán. Đồng thời, các sự kiện ảo giác có thể âm thầm đưa vào các báo cáo, luồng hỗ trợ hoặc kết quả nghiên cứu. Cách tiếp cận linh hoạt nhất là kết hợp tốc độ thử nghiệm với kỷ luật quản trị: chạy thử nghiệm, thu thập bằng chứng, xuất bản nhật ký quyết định và liên tục cập nhật các biện pháp bảo vệ khi hành vi của mô hình, kỳ vọng của người dùng và các yêu cầu pháp lý phát triển.
Tác động chiến lược
Quy trình công việc ngôn ngữ có thể di chuyển nhanh hơn mà không làm mất tính nhất quán.
Quy trình công việc ngôn ngữ có thể di chuyển nhanh hơn mà không làm mất tính nhất quán. Trong quá trình triển khai chất lượng cao, điều này được chuyển thành các quy tắc vận hành, ranh giới quyền sở hữu và quy trình đánh giá định kỳ có thể đo lường được để các nhóm có thể mở rộng quy mô một cách tự tin thay vì mở rộng quy mô sự mơ hồ.
Nó mở rộng quyền truy cập vào các ngôn ngữ và phong cách giao tiếp.
Nó mở rộng quyền truy cập vào các ngôn ngữ và phong cách giao tiếp. Trong quá trình triển khai chất lượng cao, điều này được chuyển thành các quy tắc vận hành, ranh giới quyền sở hữu và quy trình đánh giá định kỳ có thể đo lường được để các nhóm có thể mở rộng quy mô một cách tự tin thay vì mở rộng quy mô sự mơ hồ.
Các nhóm có thể dành nhiều thời gian hơn để đánh giá trong khi quá trình tự động hóa xử lý sự lặp lại.
Các nhóm có thể dành nhiều thời gian hơn để đánh giá trong khi quá trình tự động hóa xử lý sự lặp lại. Trong quá trình triển khai chất lượng cao, điều này được chuyển thành các quy tắc vận hành, ranh giới quyền sở hữu và quy trình đánh giá định kỳ có thể đo lường được để các nhóm có thể mở rộng quy mô một cách tự tin thay vì mở rộng quy mô sự mơ hồ.
Triển khai trong thế giới thực
Huấn luyện một chatbot từ chối giúp chế tạo vũ khí bằng cách yêu cầu nó phê bình câu trả lời dự thảo của chính nó dựa trên nguyên tắc tránh tác hại và viết lại nó
Thay thế việc ghi nhãn tốn kém của đội đỏ đối với các kết quả đầu ra độc hại bằng dữ liệu ưu tiên do AI tạo ra (RLAIF) theo hướng dẫn của hiến pháp
Chỉnh sửa nguyên tắc bằng văn bản để điều chỉnh mức độ thận trọng của một mô hình, sau đó quan sát sự thay đổi hành vi mà không cần dán nhãn lại cho hàng nghìn ví dụ
Tổ chức các bài tập đóng góp tập thể trong đó công chúng đề xuất các nguyên tắc hình thành nên hiến pháp của mô hình
Các mẫu triển khai
AI hiến pháp trong thực tế
Huấn luyện một chatbot từ chối giúp chế tạo vũ khí bằng cách yêu cầu nó phê bình câu trả lời dự thảo của chính nó dựa trên nguyên tắc tránh tác hại và viết lại nó.
Huấn luyện một chatbot từ chối giúp chế tạo vũ khí bằng cách yêu cầu nó phê bình câu trả lời dự thảo của chính nó dựa trên nguyên tắc tránh tác hại và viết lại. Các nhóm thường đạt được kết quả tốt hơn khi họ xác định trước các ngưỡng chất lượng, duy trì lộ trình leo thang của con người đối với các trường hợp khó khăn và theo dõi cả mức tăng năng suất và chi phí do lỗi theo thời gian.
AI hiến pháp trong thực tế
Thay thế việc ghi nhãn tốn kém của đội đỏ đối với các kết quả đầu ra độc hại bằng dữ liệu ưu tiên do AI tạo ra (RLAIF) theo hướng dẫn của hiến pháp.
Thay thế việc ghi nhãn tốn kém của đội đỏ đối với các đầu ra độc hại bằng dữ liệu ưu tiên do AI tạo ra (RLAIF) do hiến pháp hướng dẫn. Các nhóm thường đạt được kết quả tốt hơn khi họ xác định trước các ngưỡng chất lượng, duy trì lộ trình leo thang của con người đối với các trường hợp khó khăn và theo dõi cả mức tăng năng suất và chi phí lỗi theo thời gian.
AI hiến pháp trong thực tế
Chỉnh sửa nguyên tắc bằng văn bản để điều chỉnh mức độ thận trọng của một mô hình, sau đó quan sát sự thay đổi hành vi mà không cần dán nhãn lại cho hàng nghìn ví dụ.
Chỉnh sửa nguyên tắc bằng văn bản để điều chỉnh mức độ thận trọng của mô hình, sau đó quan sát sự thay đổi hành vi mà không cần gắn nhãn lại hàng nghìn ví dụ. Các nhóm thường đạt được kết quả tốt hơn khi họ xác định trước các ngưỡng chất lượng, duy trì lộ trình leo thang của con người đối với các trường hợp khó khăn và theo dõi cả mức tăng năng suất và chi phí lỗi theo thời gian.
AI hiến pháp trong thực tế
Tiến hành các bài tập lấy ý kiến tập thể trong đó công chúng đề xuất các nguyên tắc hình thành nên hiến pháp của mô hình.
Tiến hành các bài tập đầu vào tập thể trong đó công chúng đề xuất các nguyên tắc định hình cấu trúc của mô hình. Các nhóm thường đạt được kết quả tốt hơn khi họ xác định trước các ngưỡng chất lượng, duy trì lộ trình leo thang của con người đối với các trường hợp khó khăn và theo dõi cả mức tăng năng suất và chi phí sai sót theo thời gian.
Rủi ro & lan can
Sự thật ảo giác có thể lặng lẽ đi vào báo cáo, luồng hỗ trợ hoặc kết quả nghiên cứu.
Sự nhạy cảm kịp thời có thể tạo ra kết quả không nhất quán đối với các yêu cầu tương tự.
Dữ liệu văn bản nhạy cảm có thể bị lộ nếu khả năng kiểm soát quyền truy cập yếu.
Lộ trình thực hiện
Xác định định dạng đầu ra, âm thanh và tiêu chuẩn chất lượng trước khi triển khai.
Xác định định dạng đầu ra, âm thanh và tiêu chuẩn chất lượng trước khi triển khai. Hãy coi mỗi bước như một cổng bằng chứng: nếu không đáp ứng được các tiêu chí, hãy tạm dừng triển khai, thu hẹp khoảng cách và chỉ sau đó mới mở rộng mức sử dụng.
Phản hồi mặt đất với các nguồn đáng tin cậy bất cứ khi nào độ chính xác quan trọng.
Phản hồi mặt đất với các nguồn đáng tin cậy bất cứ khi nào độ chính xác quan trọng. Hãy coi mỗi bước như một cổng bằng chứng: nếu không đáp ứng được các tiêu chí, hãy tạm dừng triển khai, thu hẹp khoảng cách và chỉ sau đó mới mở rộng mức sử dụng.
Duy trì điểm kiểm tra đánh giá của con người đối với các kết quả đầu ra có mức độ rủi ro cao.
Duy trì điểm kiểm tra đánh giá của con người đối với các kết quả đầu ra có mức độ rủi ro cao. Hãy coi mỗi bước như một cổng bằng chứng: nếu không đáp ứng được các tiêu chí, hãy tạm dừng triển khai, thu hẹp khoảng cách và chỉ sau đó mới mở rộng mức sử dụng.
Theo dõi các kiểu lỗi và đào tạo lại các lời nhắc hoặc quy trình làm việc thường xuyên.
Theo dõi các kiểu lỗi và đào tạo lại các lời nhắc hoặc quy trình làm việc thường xuyên. Hãy coi mỗi bước như một cổng bằng chứng: nếu không đáp ứng được các tiêu chí, hãy tạm dừng triển khai, thu hẹp khoảng cách và chỉ sau đó mới mở rộng mức sử dụng.