没有外部数据，AI 自己也能进化？
听起来有点吓人，于是谷歌 DeepMind 的这项研究很快引起了广泛关注。
论文地址：https://arxiv.org/pdf/2411.16905
新的方法被命名为「苏格拉底式学习」（Socratic Learning），能够使 AI 系统自主递归增强，超越初始训练数据的限制。
研究人员表示，只要满足三个条件，在封闭系统中训练的智能体可以掌握任何所需的能力：
a）收到足够信息量和一致的反馈；
b）经验 / 数据覆盖范围足够广泛；
c）有足够的能力和资源。
本文考虑了假设 c）不是瓶颈的情况下，在封闭系统中 a）和 b）会产生哪些限制。
苏格拉底式学习的核心是语言游戏（即结构化的交互），智能体在其中交流、解决问题并以分数的形式接收反馈。
整个过程中，AI 在封闭的系统中自己玩游戏、生成数据、然后改进自身的能力，无需人工输入。如果游戏玩腻了，AI 还可以自己创建新游戏，解锁更多抽象技能。
Socratic Learning 消除了固定架构的局限，使 AI 的表现能够远超其初始数据和知识，且仅受时间的限制。
迈向真正自主的 AI
考虑一个随时间演变的封闭系统（无输入、无输出），如下图所示。
在系统中，有一个具有输入和输出的实体（智能体，agent），它也会随着时间的推移而变化。系统外部有一个观察者，负责评估智能体的性能。
由于系统是封闭的，观察者的评估无法反馈到系统中。因此，智能体的学习反馈必须来自系统内部，例如损失、奖励函数、偏好数据或批评者。
考虑蓝色虚线的路径，让智能体输出影响未来的智能体输入，并且性能得到提高（自我改进过程），如果输入和输出空间兼容，则这种自我提升是递归的。
自我提升过程的一个典型例子是自我博弈，系统让智能体作为游戏的双方，从生成一个无限的体验流，并带有获胜反馈，来指导学习的方向。
反馈是其中的关键一环，AI 的真正意义是相对于外部观察者的，但在封闭的系统中，反馈只能来自内部的智能体。
这对于系统来说是一个挑战：让反馈与观察者保持一致，并在整个过程中保持一致。
RL 的自我纠正能力在这里并不适用，可以自我纠正的是给定反馈的行为，而不是反馈本身。
苏格拉底式学习
与输出仅影响输入分布的一般情况相比，递归的自我提升更具限制性，但中介作用更少，最常见的是将智能体输出映射到输入的环境实例化。
这种类型的递归是许多开放式流程的一个属性，而开放式改进正是 ASI 的一个核心特征。
输入和输出空间兼容的一个例子是语言。人类的广泛行为都是由语言介导的，特别是在认知领域。
语言的一个相关特征是它的可扩展性，即可以在现有语言中开发新的语言，比如在自然语言中开发的形式数学或编程语言。
综上，本文选择研究智能体在语言空间中递归自我提升的过程。苏格拉底式学习，模仿了苏格拉底通过提问、对话和重复的语言互动，来寻找或提炼知识的方法。
苏格拉底并没有去外界收集现实世界中的观察结果，这也符合本文强调的封闭系统。
局限性
在自我提升的三个必要条件中，覆盖率和反馈原则上适用于苏格拉底式学习，并且是不可简化的。
从长远角度来看，如果计算和内存保持指数级增长，那么规模限制只是一个暂时的障碍。另一方面，即使是资源受限的场景，苏格拉底式学习可能仍会产生有效的高级见解。
覆盖率意味着苏格拉底式学习系统必须不断生成数据（语言），同时随着时间的推移保持或扩大多样性。
生成对于 LLM 来说是小菜一碟，难的是在递归过程中防止漂移、崩溃或者生成分布不够广泛。
反馈要求系统继续产生关于智能体输出的反馈，这在结构上需要一个能够评估语言的批评者，且应与观察者的评估指标保持充分一致。
然而，语言空间中定义明确的指标通常仅限于特定的任务，而 AI 反馈则需要更通用的机制，尤其是在允许输入分布发生变化的情况下。
目前的 LLM 训练范式都没有足以用于苏格拉底式学习的反馈机制。比如下一个标记预测损失，与下游使用情况不一致，并且无法推断训练数据之外的情况。
根据定义，人类的偏好是一致的，但无法在封闭系统的学习中使用。将人类偏好缓存到学习的奖励模型中或许可行，但从长远来看，可能会产生错位，并且在分布外的数据上效果也很弱。
换句话说，纯粹的苏格拉底式学习是可能的，但需要通过强大且一致的批评者生成广泛的数据。当这些条件成立时，这种方法的上限就只取决于能够提供的计算资源。
LANGUAGE GAMES ARE ALL YOU NEED
语言、学习和基础是经过充分研究的话题。其中一个特别有用的概念是哲学家 Wittgenstein 提出的「语言游戏」。
对他来说，捕捉意义的不是文字，而需要语言的互动性质才能做到这一点。
具体来说，将语言游戏定义为交互协议（一组规则，可以用代码表达），指定一个或多个智能体（玩家）的交互，这些智能体具有语言输入和输出，以及在游戏结束时每个玩家的标量评分函数。
这样定义的语言游戏解决了苏格拉底式学习的两个主要需求：为无限的交互式数据生成提供了一种可扩展的机制，同时自动提供反馈信号（分数）。
从实用的角度来看，游戏也是一个很好的入门方式，因为人类在创造和磨练大量游戏和玩家技能方面有着相当多的记录。
实际上，许多常见的 LLM 交互范式也能被很好地表示为语言游戏，例如辩论、角色扮演、心智理论、谈判、越狱防御，或者是在封闭系统之外，来自人类反馈的强化学习。
Wittgenstein 曾表示，他坚决反对语言具有单一的本质或功能。
相比于单一的通用语言游戏，使用许多狭义但定义明确的语言游戏的优势在于：对于每个狭义的游戏，都可以设计一个可靠的分数函数（或评论家），这对于通用游戏来说非常困难。
从这个角度来看，苏格拉底式学习的整个过程就是一个元游戏，一个安排了智能体玩和学习的语言游戏（一个「无限」的游戏）。
苏格拉底因「腐蚀青年」而被判处死刑并被处决。这也意味着，苏格拉底过程并不能保证与外部观察者的意图保持一致。
语言游戏作为一种机制也没有回避这一点，但它所需要的不是在单个输入和输出的细粒度上对齐的批评家，而是一个可以判断应该玩哪些游戏的「元批评家」：根据是否对整体性能有贡献来过滤游戏。
此外，游戏的有用性不需要先验评估，可以在玩了一段时间后事后判断，毕竟事后检测异常可能比设计时阻止要容易得多。
那么问题来了，如果从苏格拉底和他的弟子开始，数千年来一直不受干扰地思考和改进，到现在会产生什么样的文化产物、什么样的知识、什么样的智慧？