في آخر بحثه ، أشار عالم الكمبيوتر في معهد ماساتشوستس للتكن على الرغم من أن هذه النماذج تعمل بشكل جيد في التعامل مع مهام اللغة الطبيعية ، إلا أنها غالبًا ما تكافح لتحقيق الدقة المتوقعة عندما يتعلق الأمر بالتفكير منظم يمكن التحكم فيه.
يعتقد Luo Hongyin وفريقه الأبحاث أن جذر هذه المشكلة يكمن في حقيقة أن نماذج اللغة الكبيرة تعتمد كثيرًا على بيانات اللغة الضخمة للتدريب ، في حين أن اللغة الطبيعية نفسها تفتقر إلى آلية تعبير منطقية دقيقة. إن الغموض والغموض والاعتماد على السياق في نصوص اللغة يجعل من الصعب على النموذج التقاط علاقات منطقية صارمة ، مما يؤثر على دقة التفكير.
للتغلب على هذا التحدي ، اقترح فريق البحث مقاربة مبتكرة تسمى NLEP (اللغة الطبيعية للبرنامج القابل للتنفيذ). تتمثل الفكرة الأساسية لهذا النهج في تحويل أوصاف اللغة الطبيعية إلى رمز البرنامج القابل للتنفيذ ، وبالتالي تمكين التفكير الأكثر دقة. وبهذه الطريقة ، يمكن لـ NLEP تحويل منطق اللغة المعقدة إلى تعليمات يمكن لأجهزة الكمبيوتر تنفيذها مباشرة ، مما يضمن دقة عملية الاستدلال ومكافحة التحكم فيها.
في الاختبار التجريبي ، أظهرت طريقة NLEP مزايا كبيرة. أجرى فريق البحث اختبارًا مقارنة في مهام الاستدلال المتعددة ، وأظهرت النتائج أن NLEP يمكن أن يحل مشاكل الاستنتاج في الأمثلة دقيقة بنسبة 100 ٪ ، وأدائه يتجاوز بكثير طرقًا أخرى مثل مترجم رمز GPT. لا يتحقق هذا الإنجاز فقط من فعالية NLEP ، ولكنه يوفر أيضًا اتجاهًا جديدًا للتطوير المستقبلي للذكاء الاصطناعي في مجال التفكير المنطقي.
يتنبأ Luo Hongyin أيضًا بأن التطور المستقبلي للذكاء الاصطناعي قد يمثل نمطًا من الذكاء الاصطناعى الرمزي والتجريبي AI. يتفوق AI الرمزي في التفكير المنطقي الدقيق والمهام المنظمة ، في حين أن AI التجريبية لديه مزايا في معالجة البيانات واسعة النطاق وفهم اللغة الطبيعية. سيساعد الجمع بين الاثنين في بناء نظام ذكاء اصطناعي أكثر شمولاً وذكيًا وتعزيز تطبيق تقنية الذكاء الاصطناعى في مجموعة واسعة من الحقول.
بشكل عام ، توفر أبحاث Luo Hongyin حلولًا جديدة لقيود النماذج اللغوية الكبيرة وترسم مخططًا واعدًا للتطوير المستقبلي للذكاء الاصطناعي. مع التحسين المستمر لطرق مثل NLEP ، لدينا سبب للاعتقاد بأن أداء الذكاء الاصطناعى في التفكير المنطقي والمهام المنظمة سوف يدخل في اختراقات جديدة.