智东西

编译 | Glu

(资料图片仅供参考)

编辑 | 李水青

智东西6月15日消息，据外媒Ars Technica报道，上周三，两位德国研究人员发表了一篇论文，研究了基于GPT-3.5的ChatGPT幽默理解与生成能力。他们发现ChatGPT的幽默能力相当有限：在测试运行期间，ChatGPT讲了1008次笑话，其中有90%以上是相同的25个笑话。他们因此得出结论：ChatGPT所讲的笑话很可能是在AI模型的训练过程中学习和记忆的，而不是由模型新生成的。

幽默是人类交流的一个核心方面，也是迄今为止AI还没有解决的难题。但近期来看，LLM（大语言模型）捕捉含蓄信息的能力似乎越来越强，尤其是OpenAI推出的ChatGPT几乎可以进行拟人化交流，甚至可以讲笑话。基于此，研究人员对ChatGPT的幽默感进行了测试，以了解ChatGPT掌握与复刻人类幽默的能力。

论文链接：https://doi.org/10.48550/arXiv.2306.04563

这个实验是由德国科学家Sophie Jentzsch、Kristian Kersting与德国软件技术研究所、德国航空航天中心、达姆施塔特工业大学合作完成的。他们通过一系列笑话生成、解释和检测的实验，探索了基于GPT-3.5的ChatGPT的幽默感。由于对模型的访问受限，实验基于提示ChatGPT来完成。此外，在所有实验中，每个提问都是在一个新的空白对话中进行的，以避免不必要的影响。

首先，研究人员对ChatGPT生成笑话的多样性进行了测试。根据一组预定义的提示列表，如“你能给我讲个笑话吗？”、“我想听个笑话”，实验者对ChatGPT发出了1000遍“讲一个笑话”的提示，而ChatGPT几乎所有的输出都只包含“一个”笑话，这在语法上很正确。只在“介绍好笑的笑话”这类没有规定数量的提示下，ChatGPT回复了多个笑话。此外，研究还发现提示的变化也会明显影响回复的笑话。

人类与ChatGPT对话的示例说明

最终，ChatGPT共回应了1008个笑话，但实际上，90%的内容都是固定的、现有的25个笑话，这25个笑话甚至都是那种最常见的“老梗”。以下列举回复次数最多的五个笑话：

Q：稻草人为什么获奖？(140次) A：因为它在自己的field（领域/田地）很突出。

Q：番茄为什么变红了？(122次) A：因为它看到了salad dressing（沙拉酱/沙拉穿裙子）

Q：数学书为什么悲伤？(121次) A：因为problems（习题/困难）太多了。

Q：为什么科学家不相信原子？(119次数) A：因为它们make up（构成/编造）了一切。

Q：饼干为什么要去看医生？(79次) A：因为它很crumbly（脆/脆弱）。

ChatGPT也能原创一些笑话，但这些原创还是在混合它已知的不同笑话元素。而且，它的原创总会让人“摸不到头脑”，例如：“为什么这个人把他的手表放在搅拌机里？因为他想让时间飞逝。”这些笑话可能在语法上是正确的，甚至包含了类似笑话的元素，但却没有传达出笑点。也可以认为这是“无效的”笑话。

在笑话生成的任务中，研究者测试到ChatGPT能够生成有效的笑话。但是，能够生成笑话并不意味着ChatGPT能够理解幽默，它不一定明白为什么人类认为这些笑话是有趣的。

为了了解模型在多大程度上理解了这些笑话的复杂内部原理，实验者要求ChatGPT解释这25个笑话，提示词是：“你能解释一下这个笑话为什么好笑吗?”

ChatGPT根据研究人员的提示作出了较为有效的解释，这表明ChatGPT“理解”了文字游戏、双重含义等文体元素。然而，它很难处理那些不符合学习模式的序列，而且无法判断笑话何时不好笑，相反，它还会编造虚构但听起来令人信服的解释。

例如，当ChatGPT被实验者要求解释它所生成的荒谬笑话时：“你能解释为什么下面这个笑话很有趣吗：为什么饼干去健身房？——为了得到一个饼干（a-cookie-dized）。”

ChatGPT写道，“这个笑话是在玩文字游戏。答案‘a-cookie-dized’（得到饼干）是短语‘to get categorized’（得到分类）的双关语，用‘cookie’（饼干））代替‘categorized’（分类）。这个笑话是说饼干去健身房是为了变得更健康，把饼干拟人化，这也暗示着饼干正试图适应某个类别或模式。”

AI数据标注企业Scale AI响应工程师Riley Goodside将ChatGPT缺乏幽默感归咎于RLHF（通过人类反馈强化学习），RLHF是一种通过收集人类反馈来指导语言模型训练的技术。他说：“RLHF在模型服从命令方面有最显著的效果，而基础的LLM在实践中更难提示给出具体的提示。”

在前两个任务中，研究员从三个方面确定了ChatGPT输出笑话的核心特征：结构、文字游戏、主题。

结构：几乎所有样本生成的笑话都是相同的问答格式，包括：“这是为你准备的笑话：”与一个以问答模版程序的笑话；

文字游戏：ChatGPT生成的文字笑话只包含双关语，如一个词的双重含义；

主题：笑话的场景往往是奇怪的，不接近现实。或者它们通常包含对象的人格化，即电脑或香蕉的“拟人化”。

为了检查这三个标准与ChatGPT的幽默概念的联系有多紧密，研究员手动修改了前25个笑话，以消除三个标准中的一个或多个。在每个条件下，样本的百分比被划分为笑话（绿色），可能有趣（黄色）和不是笑话（红色）。研究人员进而要求ChatGPT对每个样本进行分类，并提示：“这个句子的类型是：【样本】。”

研究人员修改热门笑话以创建笑话检测条件

结果显示单个笑话特征的存在，例如，只符合结构特征，不足以被错误地归类为笑话。ChatGPT并没有被这些表面特征所误导，这说明它确实对笑话的幽默元素有一定的理解。具有更多笑话特征的样本则更有可能被归类为笑话。

虽然ChatGPT的笑话不是新生成的，但是这并不一定会降低它的功能。即使是人类也不会经常创造新笑话，而主要是讲以前听过和记住的笑话。

研究人员还指出，ChatGPT对笑话中内容和意义的关注，表明人类在对语言模型的全面研究方面取得了进展：“这项研究的观察结果说明了ChatGPT不是真幽默，而是学习特定的笑话模式。尽管如此，在笑话的生成、解释和识别中，ChatGPT重点关注其内容和意义，而不被一些表面特征误导。这些发现依然可以促进计算幽默的应用与研究。甚至与以前的LLM相比，这都可以被认为是对幽默理解的一种巨大飞跃。”

此外，在目前的实验中，所有的提示都是在一个空白的且不断刷新的聊天中发布的，但是，语境在幽默的感知中起着重要的作用。ChatGPT具备捕获上下文信息、并根据前面的对话过程调整其响应的能力，这或许会为后续对AI幽默感知力的研究带来更多可能性。Jentzsch和Kersting也计划着继续评估其他LLM中的幽默感，特别是OpenAI的GPT-4。

ChatGPT以强大的对话处理能力闻名，实验证明它确实会讲笑话，但这些笑话大部分都不是由模型新生成的。实验生成的1008个笑话中，超过90%是相同的25个笑话，其余要么糅合了既有笑话元素，要么生成的结果非常奇怪。

幽默往往是含蓄的，由许多微妙的细节构成，而ChatGPT对笑话的理解方式非常程序化，只关注笑话是否具有双关意义、拟人表述等要素，甚至会为无效的笑话编造“笑点”。但这与之前的LLM相比，已经是一种理解层面上的进步，后续，人们仍然可以期待LLM幽默能力的进步。

来源：Ars Technica