AI で強化された人間の思考に思考連鎖を適用する – ロス・ドーソン

大規模言語モデルの価値と信頼性を向上させるための最も重要な最近のイノベーションには、次のようなものがあります。 思考の連鎖 およびその派生製品を含む 思考の木 および 思考のグラフ. 

これらの構造は、効果的な設計においても非常に価値があります。 人間と AI のワークフローでより良い思考を実現.

この記事では、思考連鎖の概要を説明し、次にその応用例を見ていきます。 AIで強化された人間の知能.

思考の連鎖

大規模言語モデル (LLM) は一般に、テキスト生成には優れていますが、逐次推論を伴うタスクには不向きです。

画期的な 2022 年 XNUMX 月の新聞 思考連鎖プロンプトが大規模な言語モデルで推論を引き出す 思考の連鎖、つまり「一連の中間推論ステップ」が、数学や常識パズルなどの推論タスクにおける LLM のパフォーマンスを大幅に向上させる方法を説明しました。

この画像はおそらく次のサイトで見たことがあるでしょう。 紙 ラウンドを行う。

このコンセプトは、次のような他のアプリケーションにもすぐに適用されました。 時間的推論, 視覚言語モデル, 検索拡張推論など、AI モデルのパフォーマンスを向上させる他の多くの方法があります。

思考の連鎖は、実際の問題解決の用途において特に価値があることが証明されています。明らかな例としては、 薬, 法律, 教育. 

Google の PaLM と Med-PaLM には思考連鎖構造が組み込まれており、OpenAI の GPT-4 にもおそらく組み込まれています。つまり、LLM を使用する場合、これらのアプローチはすでに組み込まれています。 

それでも、「正しい答えが得られるかどうかを確認するために、段階的に解決しましょう」というプロンプトやそのバリエーションは有名です。 最高の LLM パフォーマンスを実現する さまざまな種類のタスクに。 

思考連鎖の進化

思考の連鎖に基づいて、多くのイノベーションが生まれました。

効果的な推論プロセスは、必ずしも単一の軌道をたどるわけではありません。これはにつながります 思考の木 で説明されている構造 Tree of Thoughts: 大規模な言語モデルを使用した意図的な問題解決.

論文のこの図に示されているように、思考連鎖は、最初に複数の出力から最も頻度の高いパスを選択し、次に思考プロセスを通じて複数のパスの中から最適なものを選択するように進みます。 

思考連鎖に関する最近の開発には、非常に有望なものが含まれています。 思考のグラフ と同様 思考のハイパーグラフ. 

新しい「思考」構造が生成型 AI の進歩の中心となる 

思考連鎖と関連技術は、LLM の制限に対処し、その機能を強化するために作成されました。 

生成 AI モデルの継続的な進歩は、計算能力やモデル サイズよりも、この種の構造化思考テクニックにはるかに依存することになります。これらのアプローチはすでに有効になっています パフォーマンスを達成するための小型で効率的な LLM これは最大のモデルに近づく可能性があります。 

思考連鎖および同様のモデルも、次のような問題に直接つながります。 マルチエージェントチェーン、思考のチェーンまたはネットワークが複数のタスクに最適化されたモデルにわたって配置され、単一のモデル内で達成できるよりもはるかに優れた推論と結果が作成されます。

拡張知能は汎用人工知能よりも重要です

「テクノロジーは人間に取って代わることを目指すべきではなく、むしろ人間の能力を増幅させることを目的とすべきです。」 — ダグ・エンゲルバート

ほぼすべての AI 開発の原動力は、人間の知性と能力をエミュレートし、潜在的にそれを超えるマシンを作成することのようです。

それは理解できる野心です。

しかし、私ははるかにはるかに興味があります AIはどのようにして人間の知性を拡張できるのか.

両方のドメインを同時に作業できます。

しかし、汎用人工知能に向けた進歩のあらゆる考えられるシナリオにおいて、少なくとも同等のエネルギーを注ぐことができれば、私たちはより良くなるでしょう。 人間と AI の思考構造を構築、学習、適用する.

人間 + AI の思考ワークフロー 

の概念 人間 + AI 私の仕事の中心にあります。

1 年前に私が作成した以下のフレームワークは、私の初期のフレームワークを示しています。人間 + AI のワークフロー」では、人と AI が最適なタスクに順次取り組んでいきます。

適切に設計されていれば、それぞれが単独で実行できるものよりも優れた結果が必然的に生成されます。 

それ以来、私は人間と AI の最良の思考構造とは具体的に何なのかをさらに詳しく調査してきました。

これらが基礎となります 拡張された人間の知能の次の段階.

AI によって強化された人間の思考のための思考連鎖

Chain-of-Thought から流れてくる概念は、LLM のスタンドアロン機能を強化するために開発されました。

しかし、それらは人間と AI が協力して価値を最大化する上で非常に価値があることも証明されています。 

さまざまな範囲があります 思考連鎖構造を人間と AI の思考ワークフローに適用するためのテクニック.

拡張知能に適用された AI の概念

LLM を使用すると、タスクを連続した (またはネットワーク化された) 要素に分解する方法を提案でき、人間または AI が人間または AI の機能が最適な場所を特定できます。

1 つの具体的なアプローチについては、 思考の連鎖による人間参加型の実現では、「理論的根拠のサブロジックを手動で修正すると、LLM の推論パフォーマンスが向上する可能性がある」と述べられています。

人間と AI のワークフロー図に示されているように、目標、タスク、構造を「枠組み化」することで、結果の品質が向上します。これは通常、パラメータの提案や評価を行う AI などのフローを使用して、人間が最もよく監督します。

私はこれらおよびその他のアプローチを一連の「AI によって強化された思考パターン」に組み込んでいます。

より一般的には、思考連鎖に限らず、さまざまな AI の進歩は、人間の知能の強化に非常に有用に適用できます。  

の概念の適用について同様の記事を書くつもりです。 生成的敵対的ネットワーク 〜へ 人間とAIの共生知能 構造。 

AI によって強化された思考と意思決定に関するコース

2024 年の私の完全な焦点は、AI が人間をどのように拡張できるかです。

私の中心的な活動の 1 つは、Maven で定期的にコホート コースを実行することです。 AI によって強化された思考と意思決定。詳細については、リンクをご覧ください。

次のコホートは 8 月 30 日から始まります。この記事を最後まで読んでいただいたことに感謝し、クーポン COTARTICLE を使用して XNUMX% 割引を得ることができます 🙂。

• SEO を活用したコンテンツと PR 配信。 今日増幅されます。
• PlatoData.Network 垂直生成 Ai。 自分自身に力を与えましょう。 こちらからアクセスしてください。
• プラトアイストリーム。 Web3 インテリジェンス。 知識増幅。 こちらからアクセスしてください。
• プラトンESG。 カーボン、 クリーンテック、 エネルギー、 環境、 太陽、 廃棄物管理。 こちらからアクセスしてください。
• プラトンヘルス。 バイオテクノロジーと臨床試験のインテリジェンス。 こちらからアクセスしてください。
• 情報源： https://rossdawson.com/applying-chain-of-thought-to-ai-enhanced-human-thinking/