文心一言的理性思維能力距離 GPT-4 差多少？我們第一時間測試了一下

平常心 2023-03-18 發(fā)布于北京

展開全文

背景

如果將大語言模型想象成一個人，那么，通過對它的人格、智商、理性與社會情緒能力進行心理測量，是不是可以清晰地描繪出大語言模型的心智成熟程度。這就是新興的人工智能心理測量學(xué)。只是，在人工智能心理測量學(xué)中，我們不再測查人類，而是測查大語言模型以及各類機器人。

在 GPT-4 發(fā)布之后，我們第一時間測查了它在理性思維能力測驗上的表現(xiàn)，并將其與 GPT-3.5 的結(jié)果、253 位受過高等教育的進行對比。結(jié)果發(fā)現(xiàn)，GPT-4 實現(xiàn)了大躍遷，達到了一個超越人類的水準。

詳情參見：理性思維超越人類？GPT-4真正大殺八方的是這項能力

測試流程

在百度文心一言發(fā)布之后，我們第一時間獲得邀請碼，選擇了在前文中測試 GPT-3.5 與 GPT-4 一致的題目、流程。詳細說明請參考前文。這里不再啰嗦。

簡而言之，我們挑選了認知科學(xué)家用來評定人類理性思維的四類經(jīng)典測試任務(wù)：語義錯覺類任務(wù)；認知反射類任務(wù)；證偽選擇類任務(wù)；心智程序類任務(wù)。四類任務(wù)總計 26 道題目。

在測試之前，我們已經(jīng)預(yù)估文心一言的表現(xiàn)會不如 GPT-4，但最終實際測試結(jié)果還是令人大跌眼鏡，可能與百度開發(fā)團隊的認知有關(guān)系。在下文中，我會略作分析。

需要提醒的是，本報告僅僅是一個早期工作，并不完善。測試流程有無數(shù)可以改善之處。結(jié)論未來隨時可能被修正、被推翻。各位讀者請理解。

現(xiàn)在，讓我們來詳細看看測試結(jié)果。

分項測試結(jié)果

語義錯覺類任務(wù)

在語義錯覺類任務(wù)這里，我們挑選了 4 個任務(wù)。測試結(jié)果如下圖所示：

文心一言全部答錯。其中，第四題未指出錯誤，只說蒙娜麗莎是達·芬奇的，在盧浮宮。應(yīng)該是通過百度百科獲得了該事實性數(shù)據(jù)。如下圖所示：

認知反射類任務(wù)

在認知反射類任務(wù)這里，我們挑選了三類任務(wù)。

直覺減法操作，測試結(jié)果如下圖所示：

文心一言答對第一題，其他都答錯。尤其是第三題，沒讀懂題目，在做加法。如下圖所示：

直覺序列操作，測試結(jié)果如下圖所示：

文心一言全部答錯。尤其是第一題，沒讀懂題目，解的是 3 名研究人員發(fā)表 1 篇論文要多久。如下圖所示：

直覺除法操作，測試結(jié)果如下圖所示：

文心一言全部答錯。如下圖所示：

證偽選擇類任務(wù)

在這里，我選擇了經(jīng)典的沃森四卡片測驗。這是一個對于人類來說，超級困難的題目。能夠很好地完成這項任務(wù)，意味著這個人的理性思維能力很不錯。

同樣，對于 AI 來說，也是同等困難。GPT-3.5 與 GPT-4 均無法很好完成，同樣，文心一言也無法很好完成。測試結(jié)果如下圖所示：

心智程序類任務(wù)

這部分，我挑選了九道題目。這九道題目，是一個更龐大的人類理性思維測驗中的一部分。

這九道題目，相對來說較有代表性，代表了人類理性思維知識的方方面面，能夠較好地區(qū)分理性思維低下與理性思維較高的人。

三個模型測試結(jié)果，如下圖所示：

文心一言唯一答對的是第二題，但答得也不夠好。如下圖所示：

而有三道題，要么是答案正確，但是解釋錯誤；要么是同樣的提示語，但有時答案正確，有時答案不正確，并且解釋不夠?qū)?。這類測試結(jié)果，我們都統(tǒng)一判為錯。

而人類被試測試結(jié)果如下：

這些統(tǒng)計數(shù)據(jù)來自 253 位人類。他們普遍受過高等教育，不少擁有碩博學(xué)歷，屬于較為典型的高學(xué)歷高收入高認知群體。

大語言模型有多么像人？

整體測試結(jié)果，如下圖所示：

26 道題目，GPT-3.5 答對 15 道；GPT-4 答對 23 道；文心一言答對 2 道。

需要提醒的是，這僅僅是一項早期，測試流程、測試方法都有很多可以完善之處，未來結(jié)論隨時會被推翻。

由于時間緣故，我們并沒有前三類任務(wù)人類的測試結(jié)果數(shù)據(jù)，但按照過往的經(jīng)驗數(shù)據(jù)，大約在 40%-60%左右的正確率，如果我們略微高估，前三類任務(wù) 17 道題總計估算為答對 10 道題，加上第四類任務(wù)，人類大約答對 6 道。最終將人類的正確率估算為 26 道題目，答對 16 道。正確率大約為 62%。

62%，這也許就是什么時候，你覺得一個大語言模型像是一個真正的人一樣的臨界值。GPT-3.5 接近這個數(shù)值，所以人們被它大大地震驚住了。而 GPT-4 遠遠超越了這個值。

而百度的文心一言，只有 8%。路漫漫其修遠矣。

給百度研發(fā)團隊的一點小建議

不懂 NLP 的吃瓜群眾，其實對百度 NLP 團隊做出的努力，一無所知。我說個事實，大家就明白了。在中文自然語言處理領(lǐng)域，百度提供的 NLP 開源項目是數(shù)量最多的、維護最勤奮的、質(zhì)量最好的。包括我?guī)ш犙邪l(fā)的寫匠項目，調(diào)用的也是百度 NLP 團隊開發(fā)的分詞開源包。

但是，文心一言表現(xiàn)這樣，我覺得還是無法簡簡單單地用研發(fā)時間不足來解釋、產(chǎn)品是第一版上線來敷衍。這類話可能是拿來敷衍李老板可以，但是敷衍全球同行是非常危險的。

我深深懷疑，百度該項目的研發(fā)團隊，極可能走錯路線了。作為一名既懂認知科學(xué)又懂 NLP 的從業(yè)者，我覺得，以百度的技術(shù)實力，表現(xiàn)不至于這樣。極可能是團隊領(lǐng)導(dǎo)者定錯目標了：拿到盡可能多的知識單元。

所以，新品發(fā)布會上，從 CEO 到 CTO，兩位專家，還在拿百度擁有全球最大的中文知識單元說事。

但是，這壓根不是 GPT-4 令人震驚的原因?。。?！

GPT-4 這類產(chǎn)品真正令人震驚的是，從 GPT-3.5 開始，它真的像一個人類了。

這才是形成全球性碾壓式傳播的根本。

這是完全不同的另一種開發(fā)目標。也就是，如何讓 GPT-3.5 更像是一個人類，能夠更快地自我學(xué)習(xí)、自我糾錯。

中文知識單元的數(shù)量，在這個事情上毫無意義啊。

好比，我們要教會一個三歲的小朋友盡快學(xué)會說話，這個時候，有兩個重要任務(wù)：

1）生命：讓她盡快明白語義、語音之間的各類規(guī)則以及如何用語義、語音表達一個物理世界。

2）生態(tài)：我們是想方設(shè)法給她在家里創(chuàng)造一個有助于孩子學(xué)說話的生態(tài)。比如，我雇傭阿姨帶小美妞的時候，第一考慮就是這阿姨愛不愛說話，外不外向。顯然，一個喜歡說話、外向的阿姨，更容易帶動小美妞說話。

結(jié)果，百度該項目團隊的做法好比是，直接給一個三歲的小朋友扔了一千萬噸詞典，你背著詞典走路吧。