В своем последнем исследовании компьютерный ученый MIT Luo Hongyin отметил, что современные крупные языковые модели, такие как GPT-4, имеют значительные ограничения в точных логических рассуждениях. Хотя эти модели хорошо работают при обработке задач естественного языка, они часто пытаются достичь ожидаемой точности, когда речь идет о структурированных контролируемых рассуждениях.
Ло Хонгин и его исследовательская группа считают, что корень этой проблемы заключается в том, что модели крупных языков слишком сильно полагаются на массовые языковые данные для обучения, в то время как в самом естественном языке не хватает точного механизма логического выражения. Неопределенность, двусмысленность и зависимость контекста в языковых текстах мешают модели захватить строгие логические отношения, что влияет на точность рассуждения.
Чтобы преодолеть эту проблему, исследовательская группа предложила инновационный подход под названием Nlep (естественный язык для исполняемой программы). Основной идеей этого подхода является преобразование описаний естественного языка в исполняемый код программы, тем самым обеспечивая более точные структурированные рассуждения. Таким образом, NLEP может преобразовать сложную языковую логику в инструкции, которые компьютеры могут выполнять напрямую, обеспечивая точность и управляемость процесса вывода.
В экспериментальном тестировании метод NLEP показал значительные преимущества. Исследовательская группа провела сравнительный тест в задачах множественного вывода, и результаты показали, что NLEP может решить проблемы вывода в примерах на 100% точных, и ее производительность намного превышает другие методы, такие как интерпретатор кода GPT. Это достижение не только проверяет эффективность NLEP, но также обеспечивает новое направление для будущего развития искусственного интеллекта в области логических рассуждений.
Luo Hongyin далее предсказывает, что будущее развитие искусственного интеллекта может представлять собой схему дополнительного символического ИИ и эмпирического ИИ. Символист ИИ превосходит точные логические рассуждения и структурированные задачи, в то время как эмпирический ИИ имеет преимущества в крупномасштабной обработке данных и понимании естественного языка. Комбинация этих двух поможет построить более полную и интеллектуальную систему искусственного интеллекта и способствовать применению технологии ИИ в более широком спектре полей.
В целом, исследование Луо Хонгина предоставляет новые решения ограничений крупных языковых моделей и приводит к перспективному плану за будущее развитие искусственного интеллекта. Благодаря постоянному улучшению методов, таких как NLEP, у нас есть основания полагать, что производительность ИИ в логических рассуждениях и структурированных задачах будет открыть новые прорывы.