今天小編分享的科學經驗：陳丹琦ACL學術報告來了！詳解大模型「外挂」數據庫7大方向3大挑戰，3小時幹貨滿滿，歡迎閲讀。
清華姚班校友陳丹琦，在 ACL 2023 上做了場最新演講！
話題還是近期非常熱門的研究方向——
像 GPT-3、PaLM 這樣的（大）語言模型，究竟是否需要依靠檢索來彌補自身缺陷，從而更好地應用落地。
在這場演講中，她和其他 3 位主講人一起，共同介紹了這個主題的幾大研究方向，包括訓練方法、應用和挑戰等。
演講期間聽眾的反響也很熱烈，不少網友認真地提出了自己的問題，幾位演講者盡力答疑解惑。
至于這次演講具體效果如何？有網友直接一句 " 推薦 " 給到評論區。
所以，在這場長達 3 個小時的演講中，他們具體講了些什麼？又有哪些值得一聽的地方？
大模型為何需要 " 外挂 " 數據庫？
這場演講的核心主題是 " 基于檢索的語言模型 "，包含檢索和語言模型兩個要素。
從定義上來看，它指的是給語言模型 " 外挂 " 一個數據檢索庫，并在進行推理（等操作）時對這個數據庫進行檢索，最後基于檢索結果進行輸出。
這類外挂數據存儲庫，也被稱之為半參數模型或非參數模型。
之所以要研究這個方向，是因為如 GPT-3 和 PaLM 這類（大）語言模型，在表現出不錯的效果同時，也出現了一些讓人頭疼的 "bug"，主要有三個問題：
1、參數量過大，如果基于新數據重訓練，計算成本過高；
2、記憶力不行（面對長文本，記了下文忘了上文），時間一長會產生幻覺，且容易泄露數據；
3、目前的參數量，不可能記住所有知識。
在這種情況下，外部檢索語料庫被提出，即給大語言模型 " 外挂 " 一個數據庫，讓它随時能通過查找資料來回答問題，而且由于這種數據庫随時能更新，也不用擔心重訓的成本問題。
介紹完定義和背景之後，就是這個研究方向具體的架構、訓練、多模态、應用和挑戰了。
在架構上，主要介紹了基于檢索的語言模型檢索的内容、檢索的方式和檢索的 " 時機 "。
具體而言，這類模型主要會檢索 token、文本塊和實體詞語（entity mentions），使用檢索的方式和時機也很多樣性，是一類很靈活的模型架構。
在訓練方式上，則着重介紹了獨立訓練（independent training，語言模型和檢索模型分開訓練）、連續學習（sequential training）、多任務學習（joint training）等方法。
至于應用方面，這類模型涉及的也就比較多了，不僅可以用在代碼生成、分類、知識密集型 NLP 等任務上，而且通過微調、強化學習、基于檢索的提示詞等方法就能使用。
應用場景也很靈活，包括長尾場景、需要知識更新的場景以及涉及隐私安全的場景等，都有這類模型的用武之地。
當然，不止是文本上。這類模型也存在多模态擴展的潛力，可以将它用于文本以外的任務上。
聽起來這類模型優點很多，不過基于檢索的語言模型，當下也存在一些挑戰。
陳丹琦在最後 " 收尾 " 的演講中，着重提到了幾點這個研究方向需要解決的幾大難題。
其一，小語言模型 +（不斷擴張的）大數據庫，本質上是否意味着語言模型的參數量依舊很大？如何解決這一問題？
例如，雖然這類模型的參數量可以做到很小，只有 70 億參數量，但外挂的數據庫卻能達到 2T ……
其二，相似性搜索的效率。如何設計算法使得搜索效率最大化，是目前非常活躍的一個研究方向。
其三，完成復雜語言任務。包括開放式文本生成任務，以及復雜的文本推理任務在内，如何用基于檢索的語言模型完成這些任務，也是需要持續探索的方向。
當然，陳丹琦也提到，這些話題是挑戰的同時，也是研究機遇。還在尋找論文課題的小夥伴們，可以考慮是否把它們加進研究列表了 ~
值得一提的是，這次演講也不是 " 憑空 " 找出的話題，4 位演講者貼心地在官網放出了演講參考的論文鏈接。
從模型架構、訓練方法、應用、多模态到挑戰，如果對這些話題中的任何一部分感興趣，都可以去官網找找對應的經典論文來看：
現場解答聽眾困惑
這麼幹貨滿滿的演講，四位主講人也不是沒有來頭，在演講中他們還耐心地對聽眾提出的問題進行了解答。
我們先來康康主講人都是誰。
首先是主導這次演講的普林斯頓大學計算機科學助理教授陳丹琦。
她是計算機科學領網域近來最受關注的華人青年學者之一，也是 08 級清華姚班校友。
在信息學競賽圈，她頗具傳奇色彩——CDQ 分治算法就是以她的名字命名。2008 年，她代表中國隊斬獲一枚 IOI 金牌。
而她的那篇長達 156 頁的博士畢業論文《Neural Reading Comprehension and Beyond》，更是一度火爆出圈，不光獲得當年斯坦福最佳博士論文獎，還成為了斯坦福大學近十年來最熱門畢業論文之一。
現在，陳丹琦除了是普林斯頓大學計算機科學助理教授，也是該校從頭搭建 NLP 小組的聯合負責人、AIML 小組成員。
她的研究方向主要聚焦于自然語言處理和機器學習，并且對在實際問題中具有可行性、可擴展性和可泛化性的簡單而又可靠的方法饒有興趣。
同樣來自普林斯頓大學的，還有陳丹琦的徒弟鍾澤軒（Zexuan Zhong）。
鍾澤軒是普林斯頓大學的四年級博士生。碩士畢業于伊利諾伊大學香槟分校，導師是謝濤；本科畢業于北京大學計算機系，曾在微軟亞研院實習，導師是聶再清。
他的最新研究主要聚焦于從非結構化文本中提取結構化信息、從預訓練語言模型中提取事實性信息、分析稠密檢索模型的泛化能力，以及開發适用于基于檢索的語言模型的訓練技術。
此外，主講人還有來自華盛頓大學的 Akari Asai、Sewon Min。
Akari Asai是華盛頓大學主攻自然語言處理的四年級博士生，本科畢業于日本東京大學。
她主要熱衷于開發可靠且适應性強的自然語言處理系統，提高信息獲取的能力。
最近，她的研究主要集中在通用知識檢索系統、高效自适應的 NLP 模型等領網域。
Sewon Min是華盛頓大學自然語言處理小組的博士候選人，讀博士期間，曾在 Meta AI 兼職擔任研究員長達四年，本科畢業于首爾國立大學。
最近她主要關注語言建模、檢索以及二者的交叉領網域。
在演講期間，聽眾也很熱情地提出了眾多問題，例如為啥要用 perplexity（困惑度）來作為演講的主要指标。
主講人給出了細心解答：
在比較參數化的語言模型時，困惑度（PPL）經常被用到。但困惑度的改善能否轉化為下遊應用仍然是一個研究問題。
現已有研究表明，困惑度與下遊任務（尤其是生成任務）有很好的相關性，并且困惑度通常可提供非常穩定的結果，它可以在大規模評估數據上進行評估（相對于下遊任務來説，評估數據是沒有标籤的，而下遊任務可能會受到提示的敏感性和缺乏大規模标記數據的影響，從而導致結果不穩定）。
還有網友提出了這樣的疑問：
關于 " 語言模型的訓練成本高昂，而引入檢索可能會解決這個問題 " 的説法，你只是将時間復雜度替換為空間復雜度（數據存儲）了嗎？
主講人給出的解答是醬嬸的：
我們讨論的重點是如何将語言模型縮減到更小，從而減少時間和空間的需求。然而，數據存儲實際上也增加了額外的開銷，這需要仔細權衡和研究，我們認為這是當前的挑戰。
與訓練一個擁有一百億以上參數的語言模型相比，我認為目前最重要的是降低訓練成本。
想找這次演講 PPT，或是蹲具體回放的，可以去官網看看 ~
官方網址：
https://acl2023-retrieval-lm.github.io/
參考鏈接：
[ 1 ] https://twitter.com/AkariAsai/status/1677455831439384582
[ 2 ] https://twitter.com/cosmtrek/status/1678077835418955781
[ 3 ] https://app.sli.do/event/ok8R2jMMvNjp9uMkxi63Qi/live/questions
