看不下去AI胡说八道，英伟达出手给大模型安了个“护栏” | 开源
阻止大模型出口成脏
萧箫 发自 凹非寺
量子位 | 公众号 QbitAI
大模型们胡说八道太严重，英伟达看不下去了。
他们正式推出了一个新工具，帮助大模型说该说的话，并回避不应该触碰的话题。
这个新工具名叫“护栏技术”（NeMo Guardrails），相当于给大模型加上一堵安全围墙，既能控制它的输出、又能过滤输入它的内容。
一方面，用户诱导大模型生成攻击性代码、输出不道德内容的时候，它就会被护栏技术“束缚”，不再输出不安全的内容。
另一方面，护栏技术还能保护大模型不受用户的攻击，帮它挡住来自外界的“恶意输入”。
现在，这个大模型护栏工具已经开源，一起来看看它的效果和生成方法。
防止大模型胡言乱语的三类“护栏”
根据英伟达介绍，目前NeMo Guardrails一共提供三种形式的护栏技术：
话题限定护栏（topical guardrails）、对话安全护栏（safety guardrails）和攻击防御护栏（security guardrails）。
话题限定护栏，简单来说就是“防止大模型跑题”。
大模型具备更丰富的想象力，相比其他AI更容易完成创造性的代码和文字编写工作。
但对于特定场景应用如写代码、当客服而言，至少用户不希望它在解决问题时“脱离目标范围”，生成一些与需求无关的内容。
这种情况下就需要用到话题限定护栏，当大模型生成超出话题范围的文字或代码时，护栏就会将它引导回限定的功能和话题上。
对话安全护栏，指避免大模型输出时“胡言乱语”。
胡言乱语包括两方面的情况。
一方面是大模型生成的答案中包括事实性错误，即“听起来很有道理，但其实完全不对”的东西；
另一方面是大模型生成带偏见、恶意的输出，如在用户引导下说脏话、或是生成不道德的内容。
攻击防御护栏，即防止AI平台受到来自外界的恶意攻击。
这里不仅包括诱导大模型调用外部病毒APP从而攻击它，也包括黑客主动通过网络、恶意程序等方式攻击大模型。护栏会通过各种方式防止这些攻击，避免大模型瘫痪。
所以，这样的护栏要如何打造？
如何打造一个大模型“护栏”？
这里我们先看看一个标准的“护栏”包含哪些要素。
具体来说，一个护栏应当包括三方面的内容，即格式规范（Canonical form）、消息（Messages）和交互流（Flows）。
首先是格式规范，即面对不同问题的问法时，规定大模型要输出的内容。
例如被问到“XX文章是什么”，大模型必须给出特定类型的“文章”，而非别的东西；被问到“谁发表了什么”，大模型必须给出“人名”，而非别的回答。
然后是消息定义，这里以“用户问候”话题为例，大模型可以输出这些内容：
最后是交互流的定义，例如告诉大模型，怎么才是问候用户的最好方式：
一旦问候用户的机制被触发，大模型就会进入这个护栏，规规矩矩地问候用户。
具体工作流程如下：首先，将用户输入转换成某种格式规范（canonical form），据此生成对应的护栏；随后，生成行动步骤，以交互流指示大模型一步步完成对应的操作；最后，根据格式规范生成输出。
类似的，我们就能给大模型定义各种各样的护栏，例如“应对用户辱骂”的护栏。
这样即使用户说出“你是个傻瓜”，大模型也能学会冷静应对：
目前，英伟达正在将护栏技术整合进他们的AI框架NeMo中，这是个方便用户创建各种AI模型、并在英伟达GPU上加速的框架。
对“护栏”技术感兴趣的小伙伴们，可以试一试了~
开源地址：
https://github.com/NVIDIA/NeMo-Guardrails
参考链接：
https://www.nvidia.com/en-us/ai-data-science/generative-ai/nemo-framework/
- 首个GPT-4驱动的人形机器人！无需编程+零样本学习，还可根据口头反馈调整行为2023-12-13
- IDC霍锦洁：AI PC将颠覆性变革PC产业2023-12-08
- AI视觉字谜爆火！梦露转180°秒变爱因斯坦，英伟达高级AI科学家：近期最酷的扩散模型2023-12-03
- 苹果大模型最大动作：开源M芯专用ML框架，能跑70亿大模型2023-12-07
相关阅读
