概述
憲法人工智慧是Anthropic使用一套書面原則（「憲法」）來調整模型的方法，因此人工智慧可以批評和修改自己的答案，而不是僅僅依靠人類來標記有害內容。它的目標是用更少的人力使模型變得有用且無害。
憲法人工智慧是語言人工智慧堆疊的一部分，用於大規模閱讀、生成、分類和轉換文字和語音。
深入探討
傳統的對齊依賴人類回饋的強化學習（RLHF），人們對大量模型輸出（包括令人不安的輸出）進行排名，以教導模型要避免什麼。憲法人工智慧透過為模型提供一份明確的書面原則清單來減輕這一負擔，這些原則來自《聯合國人權宣言》和信任與安全最佳實踐等來源。訓練有兩個階段。首先，監督階段：模型產生回應，然後針對憲法原則對其進行批評，並將其重寫為更好的；這些自我改進的答案用於對其進行微調。其次，強化學習階段，RLAIF，模型本身根據構成對反應對進行排名，並且人工智慧產生的偏好資料訓練獎勵模型。這些原則是透明且可編輯的，使得指導模型的值可以檢查，而不是隱藏在不透明的人類標籤中。
技術洞察
這兩個階段通常稱為 SL-CAI 和 RL-CAI。在監督式學習中，「批評和修改」循環促使模型找到自己的答案違反採樣原則的地方並重寫它，產生沒有人類傷害標籤的訓練資料。在強化學習階段，第二個模型會判斷兩個反應中哪一個比較符合憲法，產生人工智慧偏好標籤 (RLAIF)，用於訓練標準強化學習中使用的獎勵模型。該憲法是注入提示的純文本指導，因此更改模型的行為可以像編輯原則一樣直接。
掌握憲法人工智慧
憲法人工智慧是Anthropic使用一套書面原則（「憲法」）來調整模型的方法，因此人工智慧可以批評和修改自己的答案，而不是僅僅依靠人類來標記有害內容。它的目標是用更少的人力使模型變得有用且無害。憲法人工智慧是語言人工智慧堆疊的一部分，用於大規模閱讀、生成、分類和轉換文字和語音。為了建立深入的理解，請將憲政人工智慧視為操作模型，而不是單一功能：定義期望的結果，澄清假設，並將系統可以可靠地完成的任務與仍需要專家判斷的任務分開。
在實踐中，強大的團隊使用憲法人工智慧設計提示、檢索和審查循環作為一個整合的通訊系統。他們記錄明確的成功標準，根據實際數據和工作流程進行測試，並根據觀察到的失敗模式而不是一次性基準測試勝利進行迭代。這就是理論理解轉變為跨產品、政策和營運的持久能力的地方。
語言工作流程可以在不犧牲一致性的情況下更快地移動。同時，幻覺事實可以悄悄地進入報告、支持流程或研究成果。最具彈性的方法是將實驗速度與治理規則結合：運行試點、捕獲證據、發布決策日誌，並隨著模型行為、使用者期望和監管要求的發展不斷更新保障措施。
戰略影響
語言工作流程可以在不犧牲一致性的情況下更快地移動。
語言工作流程可以在不犧牲一致性的情況下更快地移動。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
它擴展了跨語言和溝通方式的訪問。
它擴展了跨語言和溝通方式的訪問。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
團隊可以花更多時間進行判斷，而自動化則可以處理重複。
團隊可以花更多時間進行判斷，而自動化則可以處理重複。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
現實世界的實施
訓練聊天機器人拒絕幫助製造武器，讓其根據避免傷害原則批評自己的草案答案並重寫它
以憲法指導下的人工智慧產生的偏好數據（RLAIF）取代昂貴的人類紅隊有毒輸出標籤
編輯書面原則來調整模型的謹慎程度，然後觀察行為變化，而無需重新標記數千個範例
進行集體意見練習，讓大眾提出塑造模型構成的原則
實施模式
憲法人工智慧的實踐
訓練聊天機器人拒絕幫助製造武器，讓其根據避免傷害原則批評自己的草稿答案並重寫它。
訓練聊天機器人拒絕幫助製造武器，讓其根據避免傷害原則批評自己的草稿答案並重寫它。當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並隨著時間的推移追蹤生產力增益和錯誤成本時，通常會得到更好的結果。
憲法人工智慧的實踐
以憲法指導下的人工智慧產生的偏好數據（RLAIF）取代昂貴的人類紅隊有毒輸出標籤。
以憲法指導下的人工智慧產生的偏好數據 (RLAIF) 取代昂貴的人工紅隊標籤有毒輸出。當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並隨著時間的推移追蹤生產力增益和錯誤成本時，通常會獲得更好的結果。
憲法人工智慧的實踐
編輯書面原則來調整模型的謹慎程度，然後觀察行為變化，而無需重新標記數千個範例。
編輯書面原則來調整模型的謹慎程度，然後觀察行為變化，而無需重新標記數千個範例。當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並隨著時間的推移追蹤生產力增益和錯誤成本時，通常會獲得更好的結果。
憲法人工智慧的實踐
進行集體意見練習，讓大眾提出塑造模型構成的原則。
進行集體輸入練習，讓大眾提出塑造模型構成的原則。當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並隨著時間的推移追蹤生產力增益和錯誤成本時，通常會得到更好的結果。
風險與防護欄
幻覺的事實可以悄悄地進入報告、支持流程或研究成果。
及時的敏感性可能會在類似的請求中產生不一致的結果。
如果存取控制薄弱，敏感文字資料可能會暴露。
實施路線圖
在推出之前定義輸出格式、語氣和品質標準。
在推出之前定義輸出格式、語氣和品質標準。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
當準確性很重要時，請使用可信任來源進行地面回應。
當準確性很重要時，請使用可信任來源進行地面回應。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
為高風險輸出保留人工審查檢查點。
為高風險輸出保留人工審查檢查點。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
追蹤故障模式並定期重新訓練提示或工作流程。
追蹤故障模式並定期重新訓練提示或工作流程。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。