AI辅助对齐的理论体系

直接人工监督在微调 (fine-tuning)（SFT）和偏好标注（RLHF）中存在固有的规模限制。这些限制要求我们考虑不同的理论方法。如果人工监督无法切实覆盖先进LLM的庞大输出空间，那么AI本身或许可以提供所需的指导。本方法引入了AI辅助对齐 (alignment)，其中AI系统在监督信号的生成或应用中发挥重要作用。

这些方法不一定完全消除人工输入的需求；相反，它们旨在增强或完善人工指导，使对齐过程更具可扩展性，并可能更具一致性。两种主要的理论途径显现出来：

AI自我审视与修改

这种方法将对齐 (alignment)视为一个迭代的自我提升过程，遵循一套预设的规则或原则（即“宪法”）。其核心思想是LLM或相关AI系统可以被提示或训练来：

1. 审视： 根据指定的原则评估给定输出，指出违规之处或不足。
2. 修改： 根据审视结果修改输出，使其更好地符合原则。

从理论角度看，这将对齐问题转变为一种自动化的质量控制和完善方式。无需依靠人工仔细审查和修正输出，AI系统来完成这项功能。这可以被看作是生成一个合成的监督数据集，其中“标签”不仅是期望的输出，还包括根据原则得出的审视结果和修改后的输出。

其理论支撑与以下方面相关：

• 指令遵循： 扩展模型遵循指令的能力，使其涵盖对抽象原则的遵从。
• 自我监督： 凭借模型自身能力（受宪法指导）生成训练信号。
• 自动化规则执行： 实施一种机制，以一致地应用预设的行为准则。

这种方法直接解决了SFT的可扩展性问题，通过自动化生成高质量、符合原则的训练样本。宪法AI（CAI），将在第2章和第3章中详述，是这种理论方法的首要实际实现。

AI作为偏好预测器

这种方法解决了RLHF中的瓶颈：即需要大量的人工偏好判断。其核心假设是，一个能力足够的AI模型（“AI标注器”或“偏好模型”）能够高准确度地学习预测不同LLM输出之间的人类偏好。

人类不再需要对给定提示$x$的响应对（$y_1, y_2$）进行比较，以确定哪个更受青睐（$y_1 \succ y_2$或$y_2 \succ y_1$），而是由AI模型执行此比较。这个AI标注器本身可以在少量人工偏好数据上进行训练，或者可能由类似于自我审视方法的宪法指导。

一旦训练完成，AI标注器生成偏好数据的速度和成本远超人类。这些合成偏好数据 $D_{AI} = \{(x, y_1, y_2, p_{AI})\}$（其中$p_{AI}$表示AI预测的偏好）随后用于训练奖励模型，类似于RLHF过程。对齐 (alignment)过程随后通过强化学习 (reinforcement learning)进行，优化LLM的策略$\pi$，以最大化该AI训练奖励模型所分配的预期奖励。

RLHF与AI辅助对齐方式（如RLAIF或CAI驱动的完善）中反馈生成流程的比较。AI辅助旨在替代或增强直接的人工标注步骤。

其理论依据在于：

• 迁移学习 (transfer learning)： AI标注器将关于人类价值观的知识（从初始数据或原则中习得）迁移到大规模偏好生成任务中。
• 统计近似： AI标注器充当近似人类偏好分布的统计模型。
• 可扩展性： 大幅增加可用于训练奖励模型的偏好数据量。

强化学习自AI反馈（RLAIF），将在第4章和第5章中介绍，直接建立在此理论方法之上。

潜在假设与挑战

两种方法都基于重要假设：

1. AI反馈的准确性： 核心假设是AI生成的审视结果或偏好能准确反映预期原则或人类价值观。辅助AI中的错误或偏差在训练过程中可能被放大。
2. 自举问题： AI反馈的质量通常取决于生成它的AI的能力。我们如何确保初始辅助AI足够好，尤其是在处理复杂或精细的对齐 (alignment)目标时？
3. 规范复杂度： 定义有效的宪法或准确训练初始AI标注器仍然是一项不简单的工作，需要仔细的人工输入和验证。
4. 对齐偏差的可能性： AI反馈机制可能导致意想不到的后果，例如模型为辅助AI的独特之处而非预期的基本价值观进行优化（一种奖励作弊或规范博弈的形式）。

尽管存在这些挑战，这些AI辅助方法代表了实现可扩展且可靠的LLM对齐最有前景的方向。它们将关注点从直接的、逐实例的人工标注转向设计、指导和验证能够大规模提供监督信号的AI系统。随后的章节将研究宪法AI和RLAIF的实际实现和具体内容，它们是从这些基本思想派生出的主要方法。