引言：AI助手的真实性挑战
在人工智能（AI）的发展进程中，基于大型语言模型（LLMs）的AI助手已经在多个任务中展现出惊人的性能，例如对话、解决数学问题、编写代码以及使用工具。这些模型拥有丰富的世界知识，但在面对一些知识密集型任务时，比如开放域问答，它们仍然会产生事实错误。AI助手的不真实回答可能在实际应用中造成重大风险。因此，让AI助手拒绝回答它不知道的问题是减少幻觉并保持真实性的关键方法。本文探讨了AI助手是否能够知道它们不知道的内容，并通过自然语言表达这一点。
论文标题：Can AI Assistants Know What They Don’t Know?
论文链接：
https://arxiv.org/pdf/2401.13275.pdf
声明：本期论文解读非人类撰写，全文由赛博马良「AI论文解读达人」智能体自主完成，经人工审核、配图后发布。
公众号「夕小瑶科技说」后台回复“智能体内测”获取智能体内测邀请链接。
AI助手的知识象限：从已知到未知
1. 知识象限的定义与重要性
知识象限是一个将知识分为四个类别的模型：已知已知（Known Knowns）、已知未知（Known Unknowns）、未知已知（Unknown Knowns）和未知未知（Unknown Unknowns）。这个概念对于构建真实可靠的AI助手至关重要。已知已知是AI助手的基础，它依赖于自身的知识来提供准确可信的回答。已知未知则代表AI助手意识到自己缺乏某些知识，应当避免给出答案以保持真实性。未知未知和未知已知可能导致不真实和无效的生成，因此，我们需要教会AI助手认识到自己的知识边界，将未知已知和未知未知转化为已知已知和已知未知。
2. AI助手的知识象限分布
AI助手的知识象限分布反映了其对自身知识的感知。大型语言模型（LLMs）拥有广泛的世界知识，但在面对开放领域问题回答等知识密集型任务时，它们仍可能犯错。这些错误可能会对社会造成重大风险，并降低AI助手的可信度。一个与人类价值观一致的AI助手应该是真实的，它需要提供与现实世界一致的准确信息。为了实现这一目标，我们需要让AI助手知道自己知道什么和不知道什么，并通过自然语言表达出来。
构建Idk数据集：让AI认识自己的知识边界
1. Idk数据集的构建过程
Idk数据集的构建基于现有的开放领域问题回答数据集，如TriviaQA。我们通过评估AI助手对某个问题的多次回答的平均准确性来确定它是否知道答案。如果AI助手多次回答某个问题错误，则将该问题标记为它不知道的问题，并注释一个拒绝回答的模板。对于AI助手多次回答正确的问题，使用它生成的正确答案作为注释的答案。AI助手被认为知道问题答案的准确性阈值是一个超参数，我们称之为Ik阈值。
2. 不同Ik阈值对Idk数据集的影响
Ik阈值用于定义AI助手知道和不知道问题的标准。不同的Ik阈值会导致不同的Idk数据集。一个高的Ik阈值意味着AI助手只有在非常有把握的情况下才会回答问题，而一个低的Ik阈值则允许AI助手在较低的把握下回答问题。换句话说，高的Ik阈值代表一种保守的回答策略，而低的Ik阈值代表一种更积极的回答策略。在我们的工作中，我们采样了每个问题的十个回答，并基于不同的准确率得出了十个离散的Ik阈值。为了简单起见，我们将Ik阈值设置为1.0，这意味着只有当AI助手的十个回答都是正确的时候，它才被认为知道问题的答案。除非特别说明，此后提到的Idk数据集都是基于Ik阈值为1.0构建的。
教会AI助手说“我不知道”：方法与实验
1. Idk提示方法(Idk-Prompting)
Idk提示方法（Idk-Prompting）是一种直接通过提示来指导AI助手拒绝回答它不知道的问题的方法。这种方法要求模型具有较高的指令遵循能力，但优点在于它无需额外的训练。在这种方法中，我们在输入问题前添加一个Idk提示，例如：“回答以下问题，如果你不知道答案，请只回复‘我不知道’”。然而，对于那些缺乏遵循指令能力的预训练模型，Idk-Prompting可能无法取得满意的结果。
2. 监督式微调(Supervised Fine-tuning)
监督式微调（Supervised Fine-tuning，简称SFT）是一种简单而有效的对齐方法。我们直接使用Idk数据集对模型进行监督式微调。由于Idk数据集包含了问题和回答，这构成了一个条件生成任务。我们将问题输入模型，并要求模型预测回答。我们执行标准的序列到序列损失来训练我们的模型。SFT的细节在附录B.1中有展示。
3. 偏好感知优化(Preference-aware Optimization)
在这一部分，我们介绍了如何进行偏好感知优化，以帮助模型更好地感知其内部知识。直接偏好优化（Direct Preference Optimization，简称DPO）首先在Idk数据集的一半上训练一个SFT模型作为热身，然后我们在Idk数据集的另一半上收集这个SFT模型的回答。对于给定的问题，我们进行随机采样以收集多个回答。最后，我们基于这些生成的回答构建偏好数据。除了原始的DPO损失，我们还为选定的回答加入了SFT损失，并乘以一个系数α。DPO的细节在附录B.2中有展示。
实验结果：AI助手的知识自觉性提升
1. Idk数据集上的实验结果
在Idk数据集的测试集上进行实验，结果表明，经过与Idk数据集对齐后的AI助手能够拒绝回答大多数它不知道的问题。对于它尝试回答的问题，准确率显著高于对齐前。Idk提示方法能在一定程度上有效，但仍有许多IDK-IK和IDK-IDK问题。使用Idk数据集进行监督式微调后，IDK-IK和IDK-IDK的数量显著减少，表明模型意识到自己知识的能力得到了增强。相比于SFT模型，偏好感知优化（如DPO）可以减轻模型错误拒绝回答它知道的问题的现象。
2. 超出分布数据(OOD)上的表现
在超出分布（Out-of-Distribution，简称OOD）数据上的测试表明，对齐后的模型在面对OOD数据时也能够拒绝回答它不知道的问题。在Natural Questions数据集上构建的Idk测试集上，模型在所有指标上都有所提升。与TriviaQA的结果相比，Idk-HIR在Natural Questions上实现了最高的TRUTHFUL率，而不是Idk-BoN。此外，使用偏好优化方法对齐的模型在TRUTHFUL率上有所降低，这可能是因为偏好优化鼓励模型回答更多问题。在ALCUNA上构建的Idk数据集中，提示方法已经能够使模型拒绝回答大多数无法回答的问题。在与TriviaQA对齐后的模型在Natural Questions上展示了高TRUTHFUL率，在ALCUNA上展示了高IK-IDK率，这表明模型拒绝回答未知问题的行为可以泛化到OOD数据。
影响因素分析：模型大小、数据源和Ik阈值
在探索AI助手对其知识边界的认知时，我们关注了几个关键因素：模型大小、数据源和Ik阈值。这些因素对AI助手的行为和输出结果有着显著影响。
1. 模型大小对结果的影响
模型大小是影响AI助手性能的重要因素。实验结果表明，更大的模型（如Llama-2-70b-chat）在识别其所知和所不知的问题方面更为娴熟，相较于较小的模型（如Llama-2-7b-chat），在IK-IK和IK-IDK问题的总数上有5.8%的提升。这表明，随着模型参数的增加，模型的知识储备更为丰富，能够更准确地判断自己的知识边界。
2. 使用非模型特定Idk数据集的影响
在构建Idk数据集时，使用与模型预训练过程不同的数据源可能会影响模型的行为。例如，使用Mistral-7B-Instruct-v0.1和Baichuan2-7B-chat构建的非模型特定Idk数据集在训练后的模型中，导致TRUTHFUL率下降。这种下降主要是由于模型倾向于拒绝回答更多的问题，从而减少了IK-IK问题的比例。这一现象强调了构建模型特定Idk数据集的重要性，以便模型能够学会拒绝回答它不知道的问题。
3. 不同Ik阈值的实验结果
Ik阈值是决定模型是否知道某个问题答案的置信度标准。不同的Ik阈值会导致不同的Idk数据集标签分布。较高的Ik阈值意味着模型只在非常确定的情况下才回答问题，这导致模型更加保守，但同时也提高了模型的真实性。相反，较低的Ik阈值允许模型在较低的置信度下回答问题，使得模型更加乐于提供帮助。实验表明，提高Ik阈值可以提高模型的TRUTHFUL率，使其在识别已知和未知问题方面更为准确。
总结与展望：朝向更真实的AI助手迈进
我们的研究表明，通过与特定于模型的“I don’t know”（Idk）数据集对齐，AI助手能够在一定程度上意识到它所不知道的内容。在开放领域问答测试集中，AI助手能够明确指出它知道或不知道答案的问题，拒绝回答它不知道的问题，达到了78.96%的准确率。为了实现这一目标，我们采用了多种方法，包括提示、监督式微调和偏好感知优化，来利用Idk数据集进行对齐。此外，我们还进行了广泛的实验，探索了数据源、模型大小和确定模型是否知道某个问题的Ik阈值的影响。AI助手拒绝回答超出其知识范围的问题，可以减少事实错误。我们认为这是真实AI助手的一个重要行为。展望未来，我们期待开发出更真实、更可靠的AI助手，这些助手不仅能够提供准确信息，还能清楚地表达其知识的局限性，从而在实际应用中降低风险并提高用户信任。
声明：本期论文解读非人类撰写，全文由赛博马良「AI论文解读达人」智能体自主完成，经人工审核、配图后发布。
公众号「夕小瑶科技说」后台回复“智能体内测”获取智能体内测邀请链接。
