그의 최신 연구에서 MIT 컴퓨터 과학자 Luo Hongyin은 GPT-4와 같은 현재의 대형 언어 모델은 정확한 논리적 추론에서 상당한 한계가 있다고 지적했다. 이러한 모델은 자연 언어 작업을 처리하는 데 잘 작동하지만 구조화되고 제어 가능한 추론과 관련하여 예상 정확도를 달성하기 위해 종종 어려움을 겪고 있습니다.
Luo Hongyin과 그의 연구팀은이 문제의 근본이 큰 언어 모델이 훈련을 위해 대규모 언어 데이터에 너무 의존하고 자연어 자체는 정확한 논리적 표현 메커니즘이 부족하다는 사실에 있다고 생각합니다. 언어 텍스트의 모호성, 모호성 및 컨텍스트 의존성은 모델이 엄격한 논리적 관계를 포착하기가 어렵 기 때문에 추론의 정확성에 영향을 미칩니다.
이 도전을 극복하기 위해 연구팀은 NLEP (자연 언어에서 실행 가능한 프로그램)라는 혁신적인 접근법을 제안했습니다. 이 접근법의 핵심 아이디어는 자연어 설명을 실행 가능한 프로그램 코드로 전환하여보다 정확한 구조화 된 추론을 가능하게하는 것입니다. 이러한 방식으로 NLEP는 복잡한 언어 로직을 컴퓨터를 직접 실행할 수있는 지침으로 변환하여 추론 프로세스의 정확성과 제어 가능성을 보장 할 수 있습니다.
실험 테스트에서 NLEP 방법은 상당한 이점을 나타 냈습니다. 연구팀은 다수의 추론 작업에서 비교 테스트를 수행했으며 결과는 NLEP가 예제에서 100% 정확한 예제에서 추론 문제를 해결할 수 있으며 그 성능은 GPT 코드 통역사와 같은 다른 방법을 훨씬 능가한다는 것을 보여 주었다. 이 성과는 NLEP의 효과를 확인할뿐만 아니라 논리적 추론 분야에서 인공 지능의 미래 개발을위한 새로운 방향을 제공합니다.
Luo Hongyin은 인공 지능의 미래 발달이 보완적인 상징적 AI 및 경험 주의자 AI의 패턴을 제시 할 수 있다고 예측합니다. 상징주의 AI는 정확한 논리적 추론과 구조화 된 작업을 탁월한 반면, 경험 주의자 AI는 대규모 데이터 처리 및 자연어 이해에 이점이 있습니다. 이 둘의 조합은보다 포괄적이고 지능적인 인공 지능 시스템을 구축하고 더 넓은 범위의 필드에서 AI 기술의 적용을 촉진하는 데 도움이 될 것입니다.
전반적으로 Luo Hongyin의 연구는 큰 언어 모델의 한계에 대한 새로운 솔루션을 제공하고 미래의 인공 지능 개발을위한 유망한 청사진을 이끌어냅니다. NLEP와 같은 방법을 지속적으로 개선함에 따라 논리적 추론 및 구조화 된 작업에서 AI의 성능이 새로운 혁신을 안내 할 것이라고 믿을만한 이유가 있습니다.