ในการวิจัยล่าสุดของเขานักวิทยาศาสตร์คอมพิวเตอร์ MIT Luo Hongyin ชี้ให้เห็นว่าแบบจำลองภาษาขนาดใหญ่ในปัจจุบันเช่น GPT-4 มีข้อ จำกัด ที่สำคัญในการใช้เหตุผลเชิงตรรกะที่แม่นยำ แม้ว่าโมเดลเหล่านี้จะทำงานได้ดีในการจัดการงานภาษาธรรมชาติ แต่พวกเขามักจะดิ้นรนเพื่อให้บรรลุความแม่นยำที่คาดหวังเมื่อพูดถึงการใช้เหตุผลที่มีโครงสร้างและควบคุมได้
Luo Hongyin และทีมงานวิจัยของเขาเชื่อว่ารากของปัญหานี้อยู่ที่ความจริงที่ว่าแบบจำลองภาษาขนาดใหญ่นั้นพึ่งพาข้อมูลภาษาขนาดใหญ่สำหรับการฝึกอบรมมากเกินไปในขณะที่ภาษาธรรมชาตินั้นขาดกลไกการแสดงออกเชิงตรรกะที่แม่นยำ ความคลุมเครือความคลุมเครือและการพึ่งพาบริบทในตำราภาษาทำให้มันยากสำหรับแบบจำลองในการจับความสัมพันธ์เชิงตรรกะที่เข้มงวดซึ่งส่งผลต่อความถูกต้องของการใช้เหตุผล
เพื่อเอาชนะความท้าทายนี้ทีมวิจัยได้เสนอวิธีการที่เป็นนวัตกรรมที่เรียกว่า NLEP (ภาษาธรรมชาติไปยังโปรแกรมปฏิบัติการ) แนวคิดหลักของวิธีการนี้คือการแปลงคำอธิบายภาษาธรรมชาติให้เป็นรหัสโปรแกรมที่สามารถใช้งานได้ซึ่งจะช่วยให้การใช้เหตุผลที่มีโครงสร้างที่แม่นยำยิ่งขึ้น ด้วยวิธีนี้ NLEP สามารถแปลงตรรกะภาษาที่ซับซ้อนเป็นคำแนะนำที่คอมพิวเตอร์สามารถดำเนินการได้โดยตรงเพื่อให้มั่นใจถึงความแม่นยำและความสามารถในการควบคุมของกระบวนการอนุมาน
ในการทดสอบการทดลองวิธี NLEP มีข้อดีอย่างมีนัยสำคัญ ทีมวิจัยทำการทดสอบเปรียบเทียบในงานการอนุมานหลายครั้งและผลการวิจัยพบว่า NLEP สามารถแก้ปัญหาการอนุมานได้ในตัวอย่างที่แม่นยำ 100% และประสิทธิภาพของมันเกินกว่าวิธีอื่น ๆ เช่น GPT Code Interpreter ความสำเร็จนี้ไม่เพียง แต่ตรวจสอบประสิทธิภาพของ NLEP แต่ยังให้ทิศทางใหม่สำหรับการพัฒนาในอนาคตของปัญญาประดิษฐ์ในด้านการใช้เหตุผลเชิงตรรกะ
Luo Hongyin ทำนายเพิ่มเติมว่าการพัฒนาในอนาคตของปัญญาประดิษฐ์อาจนำเสนอรูปแบบของ AI สัญลักษณ์เสริมและ Expiricist AI Symbolist AI เก่งในการใช้เหตุผลเชิงตรรกะที่แม่นยำและงานที่มีโครงสร้างในขณะที่ Expiricist AI มีข้อได้เปรียบในการประมวลผลข้อมูลขนาดใหญ่และการทำความเข้าใจภาษาตามธรรมชาติ การรวมกันของทั้งสองจะช่วยสร้างระบบปัญญาประดิษฐ์ที่ครอบคลุมและชาญฉลาดมากขึ้นและส่งเสริมการประยุกต์ใช้เทคโนโลยี AI ในหลากหลายสาขา
โดยรวมแล้วการวิจัยของ Luo Hongyin นำเสนอโซลูชั่นใหม่สำหรับข้อ จำกัด ของแบบจำลองภาษาขนาดใหญ่และดึงพิมพ์เขียวที่มีแนวโน้มสำหรับการพัฒนาในอนาคตของปัญญาประดิษฐ์ ด้วยการปรับปรุงวิธีการอย่างต่อเนื่องเช่น NLEP เรามีเหตุผลที่จะเชื่อว่าประสิทธิภาพของ AI ในการใช้เหตุผลเชิงตรรกะและงานที่มีโครงสร้างจะนำไปสู่การพัฒนาใหม่