设为首页收藏本站

爱吱声

 找回密码
 注册
搜索
查看: 453|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。# x7 o5 r5 u5 i8 a0 O/ ]$ U

    * |: z3 \  T- h. _2 r* l8 J- g大模型与推理框架:" D* g* Q! H# R* Q% D
    4 R3 H* Z+ O: o  t  m! O9 L
    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:* B4 V; T% v/ b" C2 q! ^/ @  g( |/ m

    ; ?: n( z! t8 {0 N- N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。
    , c6 X5 V9 i  o  x
      C) r4 Z) X  `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。
    : O/ T2 V( n+ z; K: z5 `: g) r5 H& Z. s1 s6 r' ]2 S/ W6 s5 a
    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。7 s  Z0 s5 }& r) w, r; k
    1 h0 S  Z+ N3 u' z, c' A
    为了解决这些问题,AI研究者们提出了各种推理框架:6 \$ }: u* W* X7 s: l

    9 n3 j( A9 l  H6 n9 ~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。/ n  a6 Q, T  l$ n4 O% S# S/ a9 I3 I

    . Y1 F7 [; m4 {2 N3 D# \! ^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。
    * n. e: L: Q. P% b& s! W
    9 r6 y6 _" e3 ]6 S; m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。
    9 J- W- ]3 Y0 H3 H- F, B9 v5 ~$ ~  S9 y
    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。8 F. s6 _3 i1 r2 j' X. N, t' A
    9 S( C) E* H- y
    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:, M4 @, I7 }: r7 ?- {6 K8 z
    - X9 n$ T; @( X) x" B
    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。
    2 i& g( C9 s4 G6 d" q& i1 F
    - J8 j2 ~4 n/ W4 {+ g6 _' S! c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。6 ^* [. `8 t0 g: P+ {: E& m5 X" W

    4 z/ ^: s$ T' \/ k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。5 X# ^% e! |) J8 D: Z/ `3 L
    8 ?2 a3 J' S! _, Q5 G' B! ]
    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 d2 {2 ?+ k" l$ G# T, B- _# h# t+ n7 b" |7 P; [
    DoT的核心优势对于这几个难点是会有效改善的:
    $ l" C8 v( {/ R2 B' F
    + _* W2 T; e4 M. j1 U" X2 H/ \. H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。
    9 G3 y0 F) B; I
    9 e3 {- z9 P8 X/ T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。
    / p2 B- ]% x' N1 k% a$ L. g% q  q2 e8 x" z2 ^
    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。2 ^( ~. Z! i+ U; \
    3 q: ?0 p1 Q* }4 f7 Y& _% d: t$ R
    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。' v: j: Z6 P3 X# \: [3 Z
    % ^% ?4 M$ q( I
    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。
    2 p6 U/ ]- W4 L; N8 ^7 F- c, _: Q4 ^# d
    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。
    . x9 A) j0 q: j; f7 z& _4 K( A5 X7 h8 ~! d  y3 C* ]1 k! x
    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。; X$ e7 V5 R2 r; U" E
    2 }- @* g# s+ Y3 ^1 D' q; S) g$ `
    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 l' j  X7 k0 X4 ]9 I7 X  k2 W' }' g
    2 I3 i) M6 Q; ]+ c2 l, m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

    0 q: s. R2 n; u* K+ C4 u" 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?. W6 D! K) J" u! z/ e

    . k1 o% H* Y7 M1 i不知道AI现在在理解幽默方面的进展如何?
    $ s$ v$ c8 N! e& D: i+ J3 ~# k1 V- |* e, C4 Y$ k$ m  I
    继续拜读好文!" ]) k6 E6 u' p2 f! L
    % j7 h4 M* B; l( s3 i3 P/ f/ P
    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, 2025-4-27 18:50 , Processed in 0.032703 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