设为首页收藏本站

爱吱声

 找回密码
 注册
搜索
查看: 634|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。+ |5 l2 y1 r3 p* d7 p  `
    ) Y- n$ s3 F) N0 n* @: C' Q" b
    大模型与推理框架:% L7 n: @$ g- L" n9 ~9 p4 A" j
    3 t9 Q, o5 Q! {) Q1 X4 ?
    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:
    0 P$ h5 u& I- F; z, g
    8 c. U( e. @2 r5 N1 q0 x  K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。+ O% t0 _) n1 s0 \, O) n

    2 P4 j4 S' Y* k" 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。& Y5 H+ V% O2 J1 G
    7 C- p0 M. C! `6 w1 Y/ N$ j; o
    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。' c0 {& I/ x: L7 V

    # ~. i/ X1 z2 q$ b% |) o为了解决这些问题,AI研究者们提出了各种推理框架:# U. L8 c9 t: t$ q( Y

    * x7 x: G. s8 P5 |5 t! F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。
    9 @& {1 I4 X8 n& I1 }) R/ o0 Z- \# r3 r- M  T' A' j! d& |; M
    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* O6 R+ i: j: }* z

    + `3 m6 n. R! E. n. V7 A1 X/ z$ \. j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。
    * ]) J, z( k/ I* X
    0 w5 s/ a( {0 }( M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。/ v- P5 [* Y3 Y; |, e, g8 L: Z$ o
    1 U( t& m# r+ }2 Q1 r1 w+ a
    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:
    : c8 u2 V# S0 \3 \( U
    ' `  O# i+ O3 P( \: d, `  a/ n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。3 J. Z! v7 @. }# ]6 T
    * m0 t2 l0 q; j
    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 X! b" [; M# X! x4 G1 L
    $ S! ~9 P! q" E3 v5 j3 c0 Y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。: L* F, s# Z8 S
    3 g. {2 l, i* `: |8 n
    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。
    & s7 f& ^4 O, E) d5 V, w2 n8 [  g
    0 \0 b9 U  ?  n' N! WDoT的核心优势对于这几个难点是会有效改善的:( q, @) M2 s  T# f

    : a4 F, r, V5 o' b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。  p, A7 ^' ~% I0 A' w$ I$ x

    6 y! M+ ?  l8 H5 [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。9 _& v0 h, B0 T" V3 c
    ' `, z4 g  k9 Q$ S; m
    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。
    & @- a4 n) Z! u  B. a+ [5 m) G4 U% m
    7 G; W9 M' u% D" K9 g2 v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。) u3 f. A+ W, x' G
    ' s8 Y! \7 g# h: x8 {3 w4 {- W
    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。" K$ F: H: F) q7 m
    * C3 K& f* n' ^# Z- [- d* R1 Y) Z
    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。9 Q! |/ H* p: r/ r% Y

    % R6 ~6 `, B% ?) W6 WDoT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: P0 U& L2 W% X/ |
    : g5 G" @+ `1 V1 q2 Q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。
    ' f0 ~! C0 S  Z3 C0 ^+ m% K2 {, x* l) ^
    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

    * _3 E. G, M+ H4 w  ^3 Q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?
    - H/ S1 U) z0 A, _9 g0 q; p9 K. b/ f8 B$ {- u- ~
    不知道AI现在在理解幽默方面的进展如何?
    6 A/ y; n3 D" t& P# R) g% E) P* D& I8 ]& ^4 r
    继续拜读好文!7 i& Z0 d1 v$ }1 Y% M7 _1 z
    + F$ G( {5 U" E" o/ ]; a" y
    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, 2025-7-11 00:57 , Processed in 0.035211 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