设为首页收藏本站

爱吱声

 找回密码
 注册
搜索
查看: 1373|回复: 1
打印 上一主题 下一主题

[科技前沿] 解锁AI的思维之网:图思维框架(DoT)的革命性探索

[复制链接]
  • TA的每日心情
    开心
    2020-4-8 10:45
  • 签到天数: 227 天

    [LV.7]分神

    跳转到指定楼层
    楼主
     楼主| 发表于 2024-11-26 10:22:53 | 只看该作者 回帖奖励 |倒序浏览 |阅读模式
    在AI的发展史上,推理能力一直是其核心竞争力之一。早期的AI模型大多依赖于规则和逻辑推理,大抵都试图通过预设的规则来模拟人类的思考过程。然而,随着数据量的激增和计算能力的提升,数据驱动的方法逐渐占据主导地位,特别是在自然语言处理(NLP)领域,大语言模型(LLM)如Bert、GPT等横空出世,这些模型通过学习大量的文本数据,学会了在一定程度上理解和生成人类语言。
    & x! Q$ h( j: K; R: h; l" S7 e2 W1 O% R) V$ j; |
    大模型与推理框架:% q! R& j* U5 [$ P

    0 ~3 L" D. `( s& i/ |. h大模型的出现,极大地推动了AI在推理任务上的表现。它们通过学习海量的文本数据,建立了丰富的语义和上下文理解能力。但大模型也有其局限性:! A6 A7 n( V5 s& \: _$ u# p
    $ K' J6 s! N- p2 q/ O
    推理路径的线性化:传统的大模型通常采用线性推理路径,这意味着它们只能按顺序一步一步地进行推理,无法有效处理多路径推理和复杂的逻辑关系。
    * f5 c4 Z- Y8 T4 c+ z) W! t1 \9 d
    反馈机制的缺乏:大模型一旦生成推理步骤,通常难以根据新信息进行自我修正,这在动态环境中显得尤为不利。
    4 r0 Z" g4 L( f1 ^  \' `
    # g/ x( g- W. b- K: }长程依赖问题:由于模型结构的限制,LLM在处理长距离依赖的推理任务时容易丢失上下文信息,影响推理的准确性。
    - Z5 h- m' U, e  c" w. r6 M+ b- d: U& |% _- j
    为了解决这些问题,AI研究者们提出了各种推理框架:6 y- r$ S/ }4 d
    0 j7 @3 M* \2 i- {4 o) C1 ^
    链式推理(Chain-of-Thought, CoT):这是最早的推理框架之一,通过让模型生成一系列中间推理步骤,使得推理过程更加透明和可追踪。但其线性结构限制了模型在多路径推理上的表现。
    3 n: ]0 `0 y0 N/ t" g5 W( z
    ) R) v* }/ a( K0 p& t, {4 H树式推理(Tree-of-Thought, ToT):为了解决CoT的局限性,ToT引入了分支结构,允许模型探索多个推理路径。但随着路径数量的增加,计算和存储成本大幅提升。
    , ~, d& v6 c, w5 ?( P
    ! s% l+ F! S: r% F) j% ]! l8 s图式推理(Graph-of-Thought, GoT):进一步拓展了树式推理的概念,通过图结构允许模型在不同节点间灵活跳转,但其计算复杂性和管理困难依然存在。
    2 x: n) H5 Y! G6 `; Y
    - [* W& o0 g& K. Q; Q累积推理(Cumulative Reasoning, CR):通过多模型协作机制,模拟人类推理中的角色分工,提高了推理的准确性和一致性,但多模型协作的复杂性和资源消耗成为了瓶颈。
    ) _& f4 P9 M0 e2 O4 s
    : O/ C  v! [( ]这些推理框架有些已经接近成熟使用了,CoT和ToT已经形成相对完整的解决方案。但当我们让这些方案处理复杂的推理任务时,就有点力不从心了。比如说,多路径推理、反馈学习和长程依赖问题,这些可都是AI也难啃的硬骨头。打几个比方:) R$ Q! g9 m9 @  i* r6 i
    & _  ?/ O$ o" p5 e8 S1 s' B* N! a
    多路径推理,这就像医生面对病人症状时,不仅要考虑一种可能的疾病,还要同时考虑多种疾病的可能性,然后逐一排除。传统的线性推理模型,就像一条单线道路,只能一步一步地走,无法同时处理多个可能性。而我们人脑在处理这种问题时,往往会像织网一样,把所有可能性都考虑进去。
    9 D* N9 o, N2 G' S; I
    7 ?' a" G* j2 U. t7 G6 i7 |7 I接着是反馈学习。想象一下,你在做法律分析,新的证据不断出现,你得不断调整之前的推理路径。但传统的LLM一旦做出判断,就很难自我修正,就像一艘船,一旦航向错了,就很难掉头了。
    3 G3 H, t. Z2 S4 E+ `0 o
      u* h* _& G; l( _2 i: ~$ J! `% B4 L最后是长程依赖,这就像在开车时,你得考虑前面的路况、其他车辆的行动等多个因素,然后在不同的决策点上做出选择。LLM在这方面表现得就像一个健忘症患者,常常丢失了之前的上下文信息,导致推理结果不准确。
    1 N! z/ q4 L9 B7 d7 v$ X: q# p' g- ~0 N* e7 Y
    基于以上的这些问题,姚期智院士的团队提出了图思维框架(DoT)。这个框架用到了有向无环图(DAG),听起来是不是有点高大上?其实不难理解,DAG就是一个不循环的网络图,确保了推理过程不会陷入死循环。
    9 ?5 L$ K: V( y  S$ c
    ! D$ {  K7 x5 j8 x/ A) q( j  M3 |DoT的核心优势对于这几个难点是会有效改善的:
    9 J: F4 p# @9 h5 y) y- f8 k5 q% N1 D
    多路径推理:DAG可以表示多个并行的推理路径,就像在处理一个问题时,我们可以同时探索多个解法,而不是一条路走到黑。
    3 C4 \- O5 t: ~" ]$ V
    6 e* a7 K9 t' u  ~' h反馈机制:DoT允许模型在推理过程中不断对先前的命题进行批判和修正,就像一个团队在讨论方案时,不断地提出新观点、质疑和优化。( u( u: o  y" f* Z& _* i6 M. ]  q
    * P% l* |" P7 c" T& L5 n% d# G
    长程依赖处理:每个节点的推理步骤都可以通过边与其他节点建立明确的依赖关系,确保上下文信息的一致性和连贯性。% f2 p, A& ~8 A$ \; J. @9 v6 O5 N
      d; W1 q) c" T$ c
    具体来说,DoT框架通过DAG整合推理过程中的多个角色,包括提议者(提出新命题)、批判者(对命题进行评估和批判)、和总结者(汇总推理结果)。这种多角色协作在单一模型中进行,极大地简化了推理过程。
    7 j- T+ @: [% J- t: C: F. a: O, c! k* U
    举个例子,在金融风控中,决策往往涉及多个变量的同时推理和反馈优化。传统的推理模型就像在做单一的线性计算,而DoT就像在多维空间中同时考虑多个因素,确保决策更加全面和动态。4 Q5 }( j" h7 \

    - r% b: y" B# ~1 B- \在自动驾驶领域,DoT同样大显身手。车辆在行驶时需要同时处理来自多个传感器的信息,做出决策。DoT通过DAG结构,能够很好地整合这些信息,确保决策的准确性和实时性。" d. `3 B- _9 C8 k. M9 S$ w
    # \* C7 r+ _9 `
    DoT框架还引入了自回归的角色转换机制,让模型在推理过程中可以无缝切换角色,提高了推理的流畅性和反馈效率。DAG的设计不仅解决了长程依赖和反馈学习的难题,还提高了推理的扩展性和灵活性,使其能够适应复杂场景的需求。5 R2 u$ b! p: w: x2 z* ~

    % i& P; e" @# {! }6 Z+ f2 J* ]8 o总的来说,图思维框架通过有向无环图的结构化推理,为AI在复杂推理任务中的应用提供了一个新的解决方案。它不仅解决了传统推理框架的局限性,还带来了更多的可能性和灵活性。
    8 d9 i/ \7 Z5 D' e7 n" H$ y) N3 p% a; Z% Y( V5 j, n
    原文链接

    评分

    参与人数 1爱元 +18 学识 +2 收起 理由
    老票 + 18 + 2 涨姿势

    查看全部评分

  • TA的每日心情
    开心
    2020-1-2 23:51
  • 签到天数: 2 天

    [LV.1]炼气

    沙发
    发表于 2024-11-26 10:53:55 | 只看该作者
    ) o$ \3 q8 [8 i0 @- G
    推理能力真是一种奇妙的东西。似乎无法定义?或者说没有公认的定义?
    - `1 u) n5 }0 Q. H7 q% h2 U, X3 g2 H, v& E% [% i
    不知道AI现在在理解幽默方面的进展如何?
    0 \* G/ Y( ~2 t5 L
    & U- y3 A; |. w. R继续拜读好文!
    - }: Q4 k# e8 q* f6 X# u; X% W* ^" U) R7 S! C! s5 c# d
    回复 支持 反对

    使用道具 举报

    手机版|小黑屋|Archiver|网站错误报告|爱吱声   

    GMT+8, 2026-7-22 05:21 , Processed in 0.058599 second(s), 18 queries , Gzip On.

    Powered by Discuz! X3.2

    © 2001-2013 Comsenz Inc.

    快速回复 返回顶部 返回列表