在线和离线对齐算法的性能差距根源何在？DeepMind实证剖析出炉
AI对齐是否必需在线强化学习？
对于这个问题，人们希望既知道其理论上的答案，也希望明晰实验给出的解答。
从实证角度看，相比于大家常用的在线RLHF（由偏好建模和从模型采样组成），离线算法实现起来要简单得多，成本也低得多。因此，收集有关离线算法的充分性的证据可让AI对齐变得更加简单。另一方面，如果能明晰常用在线RLHF的优势，也能让我们理解在线交互的基本作用，洞见离线对齐方法的某些关键挑战。
在线算法与离线算法的对比
要公平地比较在线和离线算法并非易事，因为它们存在许多实现和算法方面的差异。举个例子，在线算法所需的计算量往往大于离线算法，因为它需要采样和训练另一个模型。因此，为了比较公平，需要在衡量性能时对不同算法所耗费的预算进行一定的校准。
在DeepMind的这项研究中，研究团队在比较时并未将计算量作为一个优先考虑因素，而是采用了Gaoetal.(2023)的论文《Scalinglawsforrewardmodeloveroptimization》中的设置：使用RLHF策略和参考SFT策略之间的KL散度作为预算的衡量指标。
在不同的算法和超参数设置中，KL散度是以一种统一的方式衡量RLHF策略与SFT策略的偏离程度，从而能以一种经过校准的方式对算法进行比较。
基于古德哈特定律比较在线和离线算法的性能
首先，该团队比较了在线和离线算法的过度优化（over-optimization）行为——该行为可通过将古德哈特定律外推至AI对齐领域而预测得到。
简单总结起来，古德哈特定律（Goodhart’slaw）可以表述成：一项指标一旦变成了目标，它将不再是个好指标。
该团队采用了与Gaoetal.(2023)类似的设置，基于一组开源数据集进行了实验，结果表明：在同等的优化预算（相对于SFT策略的KL散度）下，在线算法的性能表现通常优于离线算法。
图1给出了在线和离线算法在四个不同的开源数据集上表现出的KL散度与策略性能之间的权衡。图中的每个数据点代表了在训练过程中某个特定检查点下，针对特定一组超参数的策略评估结果。
其中，对于在线算法，超参数并未被大量调整，而是始终使用一组固定的超参数；对于离线算法，则是将不同超参数的结果池化后得出。可以观察到如下结果：
总之，在线算法完全胜过离线算法，这也奠定了后续研究的基础。
对于在线和离线算法性能差异的假设
为了更好地理解在线和离线算法性能差异的根源，该团队通过假设验证的形式进行了研究。
也就是说首先提出一些假设，然后验证它是否正确。先来看看他们提出了怎样的假设。
假设2：次优的离线数据集。离线算法处于劣势，因为其初始的偏好数据集是由一个次优的策略生成的。如果使用有更高绝对质量的响应训练离线算法，则性能会更好。
假设3：分类能力更好，则性能更好。离线算法通常是将策略作为分类器进行训练。但是，作为分类器，它们可能并不如代理偏好模型那样准确（因为对分类进行参数化的有效方式不同）。如果准确度提升，则其性能也会提升。
假设4：非对比式损失函数。在这样的性能差异中，有多大部分可归因于对比式的损失函数，而不是离线的样本？
假设5：扩展策略就足够了。要弥合在线和离线算法之间的差距，只需提升策略大小就足够了。
实验和结果
实验设置
为了验证上述假设，该团队进行了大量对照实验。
所有实验都使用T5X模型，并搭配了T5X数据和计算框架。为了较好地覆盖RLHF问题，他们研究了四种任务：OpenAI摘要、Anthropic辅助、聊天竞技场、Anthropic无害性。
图2给出了这些对照实验的设置情况，其整体上基于Gaoetal.,2023。其中，绿框表示数据集，蓝框表示学习到的偏好模型或策略。
该团队的实验研究涉及多个维度，其得到的主要结果如下。
数据
该团队提出的一些假设涉及到离线数据集的性质。其中包括假设离线数据集的覆盖情况比在线生成的数据集差；假设离线算法对离线数据集更敏感，而离线数据集中响应的绝对质量要差一些。（图4和图5分别证否了这两个假设）。
尽管这些假设听上去似乎是对的，但实验结果表明它们无法可信地解释在线和离线算法的性能差距。
他们通过消融研究发现，提升离线优化的一种有效方法是生成分布上接近起始RLHF策略（这里就刚好是SFT策略）的数据，这本质上就模仿了在线算法的起始阶段。
优化性质
该团队发现判别能力和生成能力之间存在一种有趣的相互作用：尽管离线策略的分类能力胜过在线策略，但离线策略生成的响应却更差（见图6、7、8）。
不管是类间分类还是类内分类实验，分类性能和生成性能之间的关联似乎都不大。尽管离线和在线采样都是针对一个判别目标优化的，但离线采样是提升在一个静态数据集上的分类准确度，而在线采样则是通过不断改变采样分布来提升生成质量。实验表明，离线策略的生成性能提升不如在线策略的直接。
损失函数与扩展
为了确保所得结果更普适，他们还研究了用于RLHF的对比式和非对比式损失函数。
在线与离线性能之间的差距似乎总体上持续存在，尽管这种差异的根本原因可能与算法有关。他们也研究了性能差距随策略网络规模扩展的变化情况（见图10和11）。性能差距一直存在这一事实说明：只是扩展模型规模可能无法解决采样问题。
尽管实验结果暗示了在策略采样对模型对齐的根本重要性，但这些结果也许有助于揭示离线对齐算法的实验内部工作原理，并揭示性能差异的根源。总而言之，这些发现为RLHF实践者提供了有趣的见解和挑战，并为更有效的AI对齐实践铺平了道路。
根据现有的强化学习研究成果，在线比离线更好似乎是显而易见的结论。在线和离线强化学习算法之间的性能差距也已经被多项研究发现，所以这项研究给出了什么不一样的结论呢？
最重要的是，在线RLHF算法依赖于一个学习后的奖励模型，该奖励模型是使用与离线RLHF算法一样的成对偏好数据集训练得到的。这与常规强化学习设置存在根本性差异——常规强化学习假设能以在线方式获取基本真值奖励，在这种情况下，在线强化学习的优势明显。假设RLHF受到奖励信号的瓶颈限制，我们就不清楚在线与离线的差距是否还会这样显著。
从更技术性的角度来看，许多RLHF算法采用了上下文赌博机的设计形式，并针对参考策略应用了正则化。这样的算法细节让RLHF偏离了常规的强化学习设置，这可能会影响离策略学习问题的严重程度。