ในบทความที่ตีพิมพ์โดย Jiazi Guangnian, MIT Scholar Luo Hongyin สำรวจอย่างลึกซึ้งถึงข้อบกพร่องในการใช้เหตุผลของ GPT-4 และโซลูชันที่มีศักยภาพของ NLEP บทความชี้ให้เห็นว่าแม้ว่า GPT-4 จะทำงานได้ดีในการจัดการงานการสร้างภาษาธรรมชาติ แต่ก็มีข้อบกพร่องที่ไม่สามารถแก้ไขได้ในงานการอนุมานที่ซับซ้อน ข้อบกพร่องนี้ส่วนใหญ่เกิดจากประสบการณ์นิยมอย่างมากของ GPT-4 ซึ่งเป็นการพึ่งพาข้อมูลจำนวนมากสำหรับการฝึกอบรมและขาดความเข้าใจในเชิงลึกเกี่ยวกับเหตุผลเชิงตรรกะและการใช้เหตุผลเชิงสัญลักษณ์
NLEP (ภาษาธรรมชาติและแบบจำลองการอนุมานความแม่นยำ) ที่เสนอโดย Luo Hongyin ถือเป็นกุญแจสำคัญในการแก้ข้อบกพร่อง GPT-4 NLEP ไม่เพียง แต่สร้างภาษาธรรมชาติที่ราบรื่น แต่ยังทำงานได้ดีในการจัดการงานการใช้เหตุผลที่แม่นยำ ข้อเสนอของโมเดลนี้นับเป็นการสำรวจเพิ่มเติมเกี่ยวกับศักยภาพของสัญลักษณ์ AI ในการประมวลผลข้อมูลที่ไม่มีโครงสร้างและสร้างภาษาธรรมชาติ การเกิดขึ้นของ NLEP อาจเป็นทางออกใหม่สำหรับข้อ จำกัด ของรูปแบบภาษาปัจจุบัน
บทความนี้ยังสำรวจข้อพิพาทของโรงเรียนในด้านปัญญาประดิษฐ์โดยเฉพาะอย่างยิ่งการต่อต้านระหว่างประสบการณ์และสัญลักษณ์ ประสบการณ์นิยมเน้นการเรียนรู้และการฝึกอบรมผ่านข้อมูลจำนวนมากในขณะที่สัญลักษณ์มุ่งเน้นไปที่การใช้เหตุผลเชิงตรรกะและการประมวลผลเชิงสัญลักษณ์ Luo Hongyin เชื่อว่าโมเดล GPT-4 ในปัจจุบันขึ้นอยู่กับประสบการณ์นิยมซึ่งนำไปสู่ประสิทธิภาพที่ไม่ดีในงานที่มีเหตุผลที่ซับซ้อน Symbolist AI เช่น NLEP อาจดำรงตำแหน่งสำคัญในการพัฒนาในอนาคตของ AI
Luo Hongyin เน้นว่าแม้ว่าโมเดลภาษาปัจจุบันจะทำงานได้ดีในการจัดการกับสถานการณ์ที่ทนต่อเสียงรบกวน แต่ความน่าเชื่อถือของมันยังคงมีข้อบกพร่องที่สำคัญในงานที่ซับซ้อนซึ่งต้องใช้เหตุผลที่แม่นยำ ปัญหานี้โดดเด่นเป็นพิเศษในพื้นที่ที่มีความเสี่ยงสูงเช่นการวินิจฉัยทางการแพทย์และการวิเคราะห์ทางกฎหมาย ดังนั้นการพัฒนาแบบจำลอง AI ที่สามารถจัดการทั้งการสร้างภาษาธรรมชาติและงานการใช้เหตุผลที่แม่นยำได้กลายเป็นทิศทางที่สำคัญในการวิจัยปัญญาประดิษฐ์ในปัจจุบัน
ในตอนท้ายของบทความข้อเสนอของ NLEP ไม่เพียง แต่ตอบสนองต่อข้อบกพร่องของ GPT-4 แต่ยังเป็นการสำรวจทิศทางการพัฒนาในอนาคตของ AI ด้วยความก้าวหน้าอย่างต่อเนื่องของเทคโนโลยี AI การผสมผสานของสัญลักษณ์และประสบการณ์เชิงประจักษ์อาจนำความก้าวหน้าใหม่มาสู่สาขาปัญญาประดิษฐ์ การวิจัยของ Luo Hongyin ให้คำแนะนำการคิดใหม่สำหรับนักวิชาการในสาขา AI และเปิดโอกาสที่กว้างขึ้นสำหรับการใช้งาน AI ในอนาคต