Em sua última pesquisa, o cientista da computação do MIT, Luo Hongyin, apontou que os grandes modelos de idiomas atuais, como o GPT-4, têm limitações significativas no raciocínio lógico preciso. Embora esses modelos tenham um bom desempenho ao lidar com tarefas de linguagem natural, eles geralmente lutam para alcançar a precisão esperada quando se trata de raciocínio estruturado e controlável.
Luo Hongyin e sua equipe de pesquisa acreditam que a raiz desse problema está no fato de que grandes modelos de idiomas dependem muito de dados de idiomas maciços para o treinamento, enquanto a própria linguagem natural não possui um mecanismo de expressão lógica precisa. A ambiguidade, a ambiguidade e a dependência do contexto nos textos da linguagem dificultam o modelo de capturar relacionamentos lógicos estritos, afetando assim a precisão do raciocínio.
Para superar esse desafio, a equipe de pesquisa propôs uma abordagem inovadora chamada NLEP (Programa Natural Language to Executable). A idéia principal dessa abordagem é transformar as descrições de linguagem natural em código de programa executável, permitindo assim um raciocínio estruturado mais preciso. Dessa forma, o NLEP pode converter a lógica complexa da linguagem em instruções que os computadores podem executar diretamente, garantindo a precisão e a controlabilidade do processo de inferência.
Nos testes experimentais, o método NLEP mostrou vantagens significativas. A equipe de pesquisa conduziu um teste comparativo em várias tarefas de inferência, e os resultados mostraram que o NLEP pode resolver os problemas de inferência nos exemplos 100% precisos, e seu desempenho excede em muito outros métodos, como o intérprete de código GPT. Essa conquista não apenas verifica a eficácia do NLEP, mas também fornece uma nova direção para o desenvolvimento futuro da inteligência artificial no campo do raciocínio lógico.
Luo Hongyin prevê ainda que o desenvolvimento futuro da inteligência artificial pode apresentar um padrão de IA simbólica complementar e IA empirista. A IA simbolista se destaca em raciocínio lógico preciso e tarefas estruturadas, enquanto a IA empirista tem vantagens no processamento de dados em larga escala e na compreensão da linguagem natural. A combinação dos dois ajudará a construir um sistema de inteligência artificial mais abrangente e inteligente e promover a aplicação da tecnologia de IA em uma gama mais ampla de campos.
No geral, a pesquisa de Luo Hongyin fornece novas soluções para as limitações de grandes modelos de idiomas e atrai um plano promissor para o desenvolvimento futuro da inteligência artificial. Com a melhoria contínua de métodos como o NLEP, temos motivos para acreditar que o desempenho da IA no raciocínio lógico e nas tarefas estruturadas irá introduzir novos avanços.