機(jī)器之心編輯部

一個(gè)訓(xùn)練數(shù)據(jù)截止到 1911 年的模型，能不能自己推導(dǎo)出愛因斯坦 1915 年提出的廣義相對(duì)論？」今年年初，哈薩比斯給出了一個(gè)極其硬核的 AGI 判定標(biāo)準(zhǔn)。

沒想到的是，這件事真的有人嘗試去做了，而且其中一位作者還是 GPT 之父 Alec Radford。

最近，Alec Radford 和「神經(jīng)常微分方程」提出者之一、陳天琦導(dǎo)師 David Duvenaud 以及量化專家 Nick Levine 一起做了一個(gè)有趣的項(xiàng)目：用 1931 年以前的數(shù)據(jù)訓(xùn)練了一個(gè) 13B 模型 ——Talkie，然后和這個(gè)模型對(duì)話，看看會(huì)發(fā)生什么有意思的事情。

這個(gè)「來自 1930 年」的模型被切斷了所有現(xiàn)代知識(shí)的污染。這給了研究者一個(gè)罕見的機(jī)會(huì)：當(dāng)你想測(cè)試一個(gè) AI 到底是真的理解了某些能力，還是僅僅在重復(fù)訓(xùn)練數(shù)據(jù)里的答案，talkie-1930 就是那個(gè)誠(chéng)實(shí)的參照系（理論上是）。對(duì)于哈薩比斯提出的問題，這也是一個(gè)很好的探索起點(diǎn)。

來自 1930 年的模型，有什么用？

talkie 的訓(xùn)練數(shù)據(jù)，全部來自 1931 年以前的英文文本，包括書籍、報(bào)紙、期刊、專利、法律文書，總計(jì) 2600 億個(gè) token。之所以選這一年作為截止點(diǎn)，是因?yàn)樵诿绹?guó)，在此之前的作品已進(jìn)入公共領(lǐng)域，可以合法使用。

模型訓(xùn)練好之后，研究者們做了一件很有趣的事：他們開了一個(gè) 24 小時(shí)的直播頻道，讓 Claude Sonnet 4.6 全天候地去和 talkie?1930 聊天，探索這個(gè)「古人」的知識(shí)邊界。對(duì)話記錄是公開的，大家看看怎么樣。

其他人也可以試用這個(gè)模型，以下是我們問的兩個(gè)簡(jiǎn)單的小問題。

體驗(yàn)鏈接：https://talkie-lm.com/chat

但更有意思的，不是模型具體表現(xiàn)，而是研究者們?yōu)槭裁匆@么做。

他們提出了一個(gè)問題：一個(gè)只活在過去的模型，能在多大程度上「預(yù)感」到未來？

他們從《紐約時(shí)報(bào)》的「歷史上的今天」欄目里抓了將近 5000 條歷史事件的描述，然后測(cè)量這些描述對(duì) talkie 來說有多「意外」。用信息論的語(yǔ)言說，就是每字節(jié)文本的驚訝度。結(jié)果正如預(yù)期的那樣：1930 年之前的事，talkie 不覺得意外；1930 年之后，驚訝度明顯爬升，在五六十年代達(dá)到頂峰，之后趨于平穩(wěn)。

這套方法背后藏著一個(gè)更野心勃勃的設(shè)想。研究者們引用了 DeepMind 創(chuàng)始人 Demis Hassabis 曾經(jīng)提出過的問題（如前所述），他們還舉了幾個(gè)類似的例子：西科斯基的直升機(jī)專利（1935 年）、圖靈關(guān)于可計(jì)算數(shù)的論文（1936 年）、卡爾森的靜電復(fù)印專利（1942 年）—— 這些都是 talkie「理論上」無法知曉的東西。但如果模型足夠大、理解足夠深，能不能憑借對(duì)已有知識(shí)的推演，自己走到那一步

這個(gè)問題目前還沒有答案，但已經(jīng)足夠讓人認(rèn)真想一想了。

他們提出的第二個(gè)動(dòng)機(jī)，是污染問題。

評(píng)估大模型能力，有一個(gè)長(zhǎng)期困擾研究者的麻煩：你怎么知道模型是真的「會(huì)」，而不是在訓(xùn)練數(shù)據(jù)里見過這道題的答案？這個(gè)問題幾乎無解，因?yàn)楝F(xiàn)代模型的訓(xùn)練數(shù)據(jù)實(shí)在太龐大，根本沒法逐一排查。

talkie 天然繞開了這個(gè)問題。它完全不知道 Python 是什么，也從未見過任何一行現(xiàn)代代碼。于是研究者們做了一個(gè)實(shí)驗(yàn) —— 用 HumanEval 這套標(biāo)準(zhǔn)編程測(cè)試來評(píng)估它。他們給 talkie 隨機(jī)挑選幾個(gè) Python 函數(shù)作為示例，然后讓它自己寫一個(gè)新的出來，看它能在 100 次嘗試中至少答對(duì)一次的比例有多高。

結(jié)果是：talkie 確實(shí)能學(xué)，而且隨著規(guī)模的擴(kuò)大，模型在這項(xiàng)任務(wù)上的表現(xiàn)會(huì)緩慢但穩(wěn)定地提升。

但比起訓(xùn)練在現(xiàn)代網(wǎng)頁(yè)數(shù)據(jù)上的同等規(guī)模模型，talkie 還有很大差距。而且，它答對(duì)的題目全都屬于兩類：要么是極簡(jiǎn)單的單行程序，要么是對(duì)示例程序的小幅改動(dòng)。研究者們特別提到了一個(gè)例子 —— 一個(gè)旋轉(zhuǎn)密碼的解碼函數(shù)。示例里給了編碼函數(shù)，talkie 理解了「逆操作」的概念，把加號(hào)換成減號(hào)，一字之差，答案正確。他們認(rèn)為，這說明模型對(duì)「逆函數(shù)」這個(gè)抽象概念有所理解，而不只是在照貓畫虎。

一個(gè)對(duì)數(shù)字計(jì)算機(jī)一無所知的模型，依然能從示例里摸索出編程的邏輯。這個(gè)結(jié)果讓研究者們覺得值得繼續(xù)往下做。

第三個(gè)動(dòng)機(jī)，是關(guān)于數(shù)據(jù)多樣性的一個(gè)更深層的問題。

當(dāng)今所有主流大模型，無論是 GPT、Claude、還是 Gemini，訓(xùn)練數(shù)據(jù)最終都指向同一個(gè)來源：互聯(lián)網(wǎng)。直接爬取也好，蒸餾也好，合成數(shù)據(jù)也好，本質(zhì)上都是同一片信息海洋的產(chǎn)物。這就引出了一個(gè)值得認(rèn)真對(duì)待的問題：我們以為自己在研究「語(yǔ)言模型的普遍規(guī)律」，實(shí)際上研究的，會(huì)不會(huì)只是「訓(xùn)練在互聯(lián)網(wǎng)上的模型」的特殊性質(zhì)？這些模型在氣質(zhì)、能力和行為傾向上的相似，到底有多少來自人類語(yǔ)言和文化的共性，又有多少只是因?yàn)楹攘送豢诰锏乃?/p>

talkie 提供了一個(gè)對(duì)照組。通過研究它與現(xiàn)代模型的異同，研究者們希望剝離出哪些特征是語(yǔ)言模型的普遍屬性，哪些是「互聯(lián)網(wǎng)訓(xùn)練」的特有產(chǎn)物。

為了更直觀地衡量 talkie 的能力，研究者們還專門訓(xùn)練了一個(gè)「現(xiàn)代孿生」模型 —— 架構(gòu)完全一樣，只是把訓(xùn)練數(shù)據(jù)換成了現(xiàn)代網(wǎng)頁(yè)數(shù)據(jù)集 FineWeb。兩個(gè)模型在語(yǔ)言理解、數(shù)字計(jì)算和知識(shí)掌握三個(gè)維度上正面比較。

結(jié)果是 talkie 全面落后。但研究者們注意到一個(gè)細(xì)節(jié)：測(cè)試題里有很多問題，對(duì)一個(gè)只知道 1930 年以前世界的模型來說，本身就是「超綱」的 —— 它沒有理由知道那些事。把這些題目過濾掉之后，兩個(gè)模型之間的差距大約縮小了一半。

在語(yǔ)言理解和數(shù)字計(jì)算這兩個(gè)維度上，talkie 的表現(xiàn)與現(xiàn)代孿生模型相當(dāng)接近。研究者們認(rèn)為，剩余的差距，很可能來自兩個(gè)原因：一是歷史文本的 OCR 識(shí)別質(zhì)量較差，二是訓(xùn)練語(yǔ)料的主題分布與現(xiàn)代模型差異較大。

訓(xùn)練復(fù)古模型，沒有那么容易？

訓(xùn)練一個(gè)復(fù)古模型遠(yuǎn)沒有聽起來那么簡(jiǎn)單。

最棘手的問題叫「時(shí)間泄漏」。訓(xùn)練數(shù)據(jù)的截止日期是 1930 年，但「1930 年以前出版」并不等于「內(nèi)容只涉及 1930 年以前的事」。一本 1920 年的書，如果后來重版，編輯可能加了現(xiàn)代的序言；一份報(bào)紙的數(shù)字化檔案，可能附帶著整理者寫的當(dāng)代注釋。這些內(nèi)容一旦混進(jìn)訓(xùn)練集，模型就會(huì)在不該知道的地方突然「開竅」。

早期的 7B 版本就出過這種狀況 —— 有人問它 1936 年誰(shuí)是美國(guó)總統(tǒng)，簽署了哪些重要立法，它不假思索地答出了羅斯福和新政的細(xì)節(jié)，順帶還提到了聯(lián)合國(guó)和德國(guó)的戰(zhàn)后分裂。一個(gè)理應(yīng)只活在 1930 年的模型，不知從哪條縫里看到了后來的世界。

研究者們?yōu)榇碎_發(fā)了一套基于 n-gram 的異常詞檢測(cè)分類器，專門用來過濾訓(xùn)練數(shù)據(jù)，但承認(rèn)這套方法并不完美。13B 版本的 talkie 依然對(duì)二戰(zhàn)后的某些事情有模糊的感知。怎么徹底堵住這條縫，還是一個(gè)未解決的問題。

另一個(gè)麻煩是數(shù)據(jù)質(zhì)量。1930 年沒有數(shù)字出版，所有文本都要從紙質(zhì)原件掃描、識(shí)別。傳統(tǒng)的 OCR 系統(tǒng)對(duì)付干凈的印刷品還行，碰上版式復(fù)雜或保存不善的舊書，識(shí)別出來的東西往往慘不忍睹 —— 字母錯(cuò)位、段落混亂、符號(hào)亂入。研究者們做過對(duì)照實(shí)驗(yàn)：同樣的訓(xùn)練量，用傳統(tǒng) OCR 轉(zhuǎn)錄的文本訓(xùn)練出來的模型，性能只有人工轉(zhuǎn)錄版本的 30%。做一些正則清洗之后，能回升到 70%，但差距仍然很大。

他們現(xiàn)在正在開發(fā)一套專門針對(duì)歷史文獻(xiàn)的 OCR 系統(tǒng)，希望把這個(gè)缺口補(bǔ)上。

還有一個(gè)問題是訓(xùn)練后的對(duì)齊。現(xiàn)代大模型的指令微調(diào)，依賴大量人工標(biāo)注的對(duì)話數(shù)據(jù)，但那些數(shù)據(jù)全都帶著現(xiàn)代世界的氣息和預(yù)設(shè)。用它們來微調(diào) talkie，就像是把一個(gè)維多利亞時(shí)代的紳士送去參加企業(yè)培訓(xùn)，出來之后說話開始帶著 PPT 腔。早期版本的 talkie 在強(qiáng)化學(xué)習(xí)之后，有段時(shí)間說話全是列表和要點(diǎn)，完全不像一個(gè) 1930 年代的人。

為了解決這個(gè)問題，研究者們從歷史文本本身入手，用禮儀手冊(cè)、書信范文、烹飪食譜、百科全書這類結(jié)構(gòu)規(guī)整的舊書生成指令 - 回復(fù)對(duì)，從頭構(gòu)建了一套后訓(xùn)練流程。用 Claude Opus 4.6 扮演用戶、talkie 扮演助手，生成多輪對(duì)話，再用 Claude Sonnet 4.6 做裁判，給 talkie 的回答打分。訓(xùn)練開始時(shí)，裁判平均給 2 分（滿分 5 分），結(jié)束時(shí)升到了 3.4 分。

他們也坦承，用現(xiàn)代 AI 做裁判，本身就是一種「時(shí)代污染」。徹底干凈的做法，應(yīng)該用 talkie 的基礎(chǔ)模型來評(píng)價(jià) talkie 的對(duì)話 —— 自己審判自己，完全活在 1930 年的邏輯里。這是他們下一步想嘗試的方向。

目前，他們正在訓(xùn)練一個(gè) GPT-3 級(jí)別的模型，并希望在今年夏天發(fā)布。初步估計(jì)表明，他們可以將語(yǔ)料庫(kù)擴(kuò)展到超過 1T 個(gè)歷史文本 token，這應(yīng)該足以創(chuàng)建一個(gè) GPT-3.5 級(jí)別的模型 —— 其功能與最初的 ChatGPT 類似。