Dalam penelitian terbarunya, ilmuwan komputer MIT Luo Hongyin menunjukkan bahwa model bahasa besar saat ini seperti GPT-4 memiliki keterbatasan yang signifikan dalam penalaran logis yang tepat. Meskipun model -model ini berkinerja baik dalam menangani tugas -tugas bahasa alami, mereka sering berjuang untuk mencapai akurasi yang diharapkan ketika datang ke penalaran yang terstruktur dan dapat dikendalikan.
Luo Hongyin dan tim penelitinya percaya bahwa akar masalah ini terletak pada kenyataan bahwa model bahasa besar terlalu mengandalkan data bahasa besar -besaran untuk pelatihan, sementara bahasa alami itu sendiri tidak memiliki mekanisme ekspresi logis yang akurat. Ambiguitas, ambiguitas dan ketergantungan konteks dalam teks -teks bahasa menyulitkan model untuk menangkap hubungan logis yang ketat, sehingga mempengaruhi keakuratan penalaran.
Untuk mengatasi tantangan ini, tim peneliti mengusulkan pendekatan inovatif yang disebut NLEP (bahasa alami untuk program yang dapat dieksekusi). Gagasan inti dari pendekatan ini adalah mengubah deskripsi bahasa alami menjadi kode program yang dapat dieksekusi, sehingga memungkinkan penalaran terstruktur yang lebih tepat. Dengan cara ini, NLEP dapat mengubah logika bahasa yang kompleks menjadi instruksi yang dapat dijalankan komputer secara langsung, memastikan keakuratan dan pengendalian proses inferensi.
Dalam pengujian eksperimental, metode NLEP menunjukkan keunggulan yang signifikan. Tim peneliti melakukan tes komparatif dalam beberapa tugas inferensi, dan hasilnya menunjukkan bahwa NLEP dapat menyelesaikan masalah inferensi dalam contoh 100% akurat, dan kinerjanya jauh melebihi metode lain seperti juru bahasa kode GPT. Prestasi ini tidak hanya memverifikasi efektivitas NLEP, tetapi juga memberikan arah baru untuk pengembangan kecerdasan buatan di masa depan di bidang penalaran logis.
Luo Hongyin lebih lanjut memperkirakan bahwa perkembangan kecerdasan buatan di masa depan dapat menghadirkan pola AI simbolik yang saling melengkapi dan AI empiris. Simbol AI unggul dalam penalaran logis yang tepat dan tugas-tugas terstruktur, sementara empiris AI memiliki keunggulan dalam pemrosesan data skala besar dan pemahaman bahasa alami. Kombinasi keduanya akan membantu membangun sistem kecerdasan buatan yang lebih komprehensif dan cerdas dan mempromosikan penerapan teknologi AI dalam berbagai bidang yang lebih luas.
Secara keseluruhan, penelitian Luo Hongyin memberikan solusi baru untuk keterbatasan model bahasa besar dan menarik cetak biru yang menjanjikan untuk pengembangan kecerdasan buatan di masa depan. Dengan peningkatan metode yang berkelanjutan seperti NLEP, kami memiliki alasan untuk percaya bahwa kinerja AI dalam penalaran logis dan tugas terstruktur akan mengantarkan terobosan baru.