A gondolatlánc alkalmazása a mesterséges intelligencia által továbbfejlesztett emberi gondolkodásra – Ross Dawson

A Large Language Models értékének és megbízhatóságának javítását célzó legfontosabb legújabb innovációk közé tartozik Gondolatlánc és származékai, beleértve Gondolatfa és a Gondolatgrafikon. 

Ezek a szerkezetek rendkívül értékesek a hatékony tervezésben is Emberek + AI munkafolyamatok a jobb gondolkodás érdekében.

Ebben a cikkben egy magas szintű áttekintést nyújtok a gondolati láncról, majd megvizsgálom az alkalmazásokat AI-val kiegészített emberi intelligencia.

Gondolatlánc

A nagy nyelvi modellek (LLM) általában kiválóak a szöveggenerálásban, de gyengék minden olyan feladatban, amely szekvenciális érvelést igényel.

A mérföldkőnek számító 2022. januári újság A gondolatlánc ösztönzése érvelést vált ki a nagy nyelvi modellekben felvázolta, hogy egy gondolatlánc – „köztes érvelési lépések sorozata” – hogyan javíthatja jelentősen az LLM teljesítményét az érvelési feladatokban, beleértve a matematikát és a józan ész fejtörőket.

Valószínűleg már láttad ezt a képet a papír megtenni a köröket.

Ezt a koncepciót gyorsan adaptálták más alkalmazásokhoz, beleértve időbeli érvelés, vizuális nyelvi modellek, visszakeresés kiterjesztett érvelésés sok más módszer az AI-modellek teljesítményének javítására.

A gondolati lánc különösen értékesnek bizonyult a gyakorlati problémamegoldó alkalmazásokban. Nyilvánvaló példák közé tartozik orvostudomány, törvényés szabott oktatás. 

A Google PaLM és a Med-PaLM gondolatlánc-struktúrákat foglal magában, az OpenAI GPT-4 pedig nagy valószínűséggel igen, vagyis ha LLM-et használ, ezek a megközelítések már be vannak építve. 

Ennek ellenére a híres „Dolgozzuk ki ezt lépésről lépésre, hogy megbizonyosodjunk arról, hogy megvan a helyes válasz” felszólítás vagy ennek változatai. a legjobb LLM teljesítményt nyújtja sokféle feladathoz. 

A gondolati lánc evolúciója

Számos újítás jelent meg a gondolati láncra építve.

A hatékony érvelési folyamatok nem feltétlenül egyetlen pályát követnek. Ez ahhoz vezet Gondolatfa pontban leírt szerkezetek Gondolatok fája: szándékos problémamegoldás nagy nyelvi modellekkel.

Amint azt a dokumentum ezen diagramja is mutatja, a gondolati lánc először a leggyakrabban előforduló útvonal kiválasztásához haladhat több kimenet közül, majd a gondolkodási folyamat során a több út közül a legjobbat. 

A Chain-of-thought újabb fejleményei között szerepel a nagyon ígéretes Gondolatgrafikon szintén Gondolathipergráf. 

Az új „gondolkodó” struktúrák központi szerepet játszanak majd a generatív mesterséges intelligencia fejlődésében 

A gondolatláncot és a kapcsolódó technikákat azért hozták létre, hogy kezeljék az LLM-ek korlátait és javítsák képességeiket. 

A generatív mesterséges intelligencia modellek folyamatos fejlődése sokkal inkább támaszkodik majd az ilyen típusú strukturált gondolkodási technikákra, mint a számítási kapacitásra vagy a modell méretére. Ezek a megközelítések már lehetővé tették kicsi, hatékony LLM-ek a teljesítmény elérése érdekében amely megközelítheti a legnagyobb modellekét. 

A gondolatlánc és a hasonló modellek közvetlenül is vezetnek több ügynökből álló láncok, amelyben a gondolati láncokat vagy hálózatokat több feladatra optimalizált modellen keresztül fektetik le, hogy sokkal jobb érvelést és eredményeket hozzanak létre, mint amit egyetlen modellen belül el lehet érni.

A kiterjesztett intelligencia fontosabb, mint a mesterséges általános intelligencia

„A technológiának nem az ember helyettesítésére kell törekednie, hanem az emberi képességek felerősítésére.” – Doug Engelbart

Úgy tűnik, hogy szinte az összes mesterségesintelligencia-fejlesztés hajtóereje az, hogy olyan gépeket hozzanak létre, amelyek emulálják az emberi intelligenciát és képességeket, és potenciálisan meghaladják azokat.

Ez érthető ambíció.

De engem sokkal, de sokkal jobban érdekel hogyan tudja az AI növelni az emberi intelligenciát.

Mindkét területen dolgozhatunk egyszerre.

De minden lehetséges forgatókönyvben a mesterséges intelligencia felé haladva jobban járunk, ha legalább egyenlő energiát fordítunk Human + AI gondolkodási struktúrák felépítése, tanulása és alkalmazása.

Emberek + AI gondolkodási munkafolyamatok 

A koncepció Emberek + AI munkám középpontjában áll.

Az alábbi keret, amelyet egy éve készítettem, a „Emberek + AI munkafolyamatok“, amelyben az emberek és a mesterséges intelligencia egymás után azokkal a feladatokkal foglalkozik, amelyekre a legalkalmasabbak.

Ha jól megtervezett, ez elkerülhetetlenül jobb eredményeket hoz létre, mint amit mindegyikük egyedül tudna. 

Azóta sokkal részletesebben foglalkozom azzal, hogy konkrétan melyek a legjobb ember + AI gondolkodási struktúrák.

Ezek lesznek az alapjai a kibővített emberi intelligencia következő fázisa.

Gondolatlánc a mesterséges intelligencia által továbbfejlesztett emberi gondolkodáshoz

A Chain-of-Thought-ból fakadó koncepciókat az LLM-ek önálló képességeinek javítására fejlesztették ki.

Ugyanakkor rendkívül értékesnek bizonyulnak az emberek és a mesterséges intelligencia közös munkájának értékének maximalizálásában. 

Van egy sor technikák a gondolatlánc struktúrák alkalmazására az emberekre + AI gondolkodási munkafolyamatokra.

A kiterjesztett intelligenciára alkalmazott AI-koncepciók

Az LLM-ek segítségével javaslatot tehetnek arra, hogy a feladatokat miként lehet szekvenciális (vagy hálózati) elemekre bontani úgy, hogy akár az ember, akár a mesterséges intelligencia azonosítja, hol lehetnek a legalkalmasabbak az emberi vagy mesterséges intelligencia képességei.

Egy konkrét megközelítést ír le a Ember a hurokban a gondolatláncon keresztül, amelyben „az allogikák kézi korrekciója az indoklásban javíthatja az LLM érvelési teljesítményét”.

A célok, a feladat és a struktúra „keretezése”, amint azt az Emberek + AI munkafolyamat-diagramja mutatja, befolyásolja az eredmények minőségét. Ezt általában az emberek tudják a legjobban felügyelni, olyan folyamatok segítségével, mint például a mesterséges intelligencia, amely paramétereket javasol vagy értékel.

Ezeket és más megközelítéseket beépítem az „AI-enhanced Thinking Patterns” sorozatba.

Általánosságban elmondható, hogy a mesterséges intelligencia számos fejlesztése, nem csak a gondolati lánc, rendkívül hasznosan alkalmazható az emberi intelligencia növelésére.  

Hasonló cikket szándékozom írni a fogalmak alkalmazásáról Generatív kontradiktórius hálózatok nak nek Ember-AI szimbiotikus intelligencia szerkezetek. 

Tanfolyam a mesterséges intelligencia által továbbfejlesztett gondolkodásról és döntéshozatalról

2024-ben teljes mértékben arra összpontosítok, hogy a mesterséges intelligencia hogyan tudja növelni az embereket.

Az egyik központi tevékenységem egy rendszeres kohorsz tanfolyam lebonyolítása a Mavenen: AI által továbbfejlesztett gondolkodás és döntéshozatal. További részletekért nézze meg a linket.

A következő kohorsz február 8-án indul. Köszönjük, hogy végigolvasta ezt a cikket, 30% kedvezményt kaphat a kupon felhasználásával: COTARTICLE 🙂.

• SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
• PlatoData.Network Vertical Generative Ai. Erősítse meg magát. Hozzáférés itt.
• PlatoAiStream. Web3 Intelligence. Felerősített tudás. Hozzáférés itt.
• PlatoESG. Carbon, CleanTech, Energia, Környezet, Nap, Hulladékgazdálkodás. Hozzáférés itt.
• PlatoHealth. Biotechnológiai és klinikai vizsgálatok intelligencia. Hozzáférés itt.
• Forrás: https://rossdawson.com/applying-chain-of-thought-to-ai-enhanced-human-thinking/