设为首页收藏本站

爱吱声

 找回密码
 注册
搜索
查看: 641|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。
    % d- ?( @( q& v% _- I" q0 L
    0 d0 z& F  z) a% g大模型与推理框架:: o$ k+ Z  I% P, a+ h
    ( z' ]7 w% {. t9 a# \8 a
    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:
    6 t8 Q2 ]" I. B8 n4 u5 R* d! |  N! L$ G8 }. P- W
    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。
    # s% {" n* E6 @: a& e, P( \
    ' l- o4 S; v5 ~) |6 T) L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。9 ^; O) \" p, X& J

    . A/ ^: d0 X2 t- u* ?4 r- K4 s, C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。
    4 ~9 \; s/ w( |4 j! q  g' t) y! Y. o) K& \
    为了解决这些问题,AI研究者们提出了各种推理框架:  b; [% s% {/ M- q

    " M, B& s+ D9 b" ]+ T$ |- j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。
    0 D) |# p0 ]4 C" v# o2 c2 m1 h# B. e; i) i
    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。
    8 `: j! Y* @+ Q8 e/ {4 z' d" y$ i! \  L+ C) F
    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。* ]6 B. s9 K. l0 U" i

    0 {$ Z# `& H% q. F9 F. [. l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。" x) o: D( y/ `' Y, D  A8 q

      `# |) O. i; Y8 N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:
    , {5 J: F% f, ?5 b9 ?. \0 b4 }& D9 N  H; E/ u' P% g! J% }
    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。( o. ?. a: X# n+ L, I# e
    # f" M/ ^% K+ F) p( t
    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。
    1 ^. O/ u9 y' O7 o% Y( t8 @9 l/ Y! S7 J) b* {# G& T/ B8 g1 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。
    2 D- e7 Q$ V! ^/ \3 U* O3 I6 R) B; h* q3 i2 B5 U
    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。6 \3 v0 D% E8 y! i% b" m1 D
    9 r* g; ^) ~3 a
    DoT的核心优势对于这几个难点是会有效改善的:
      m& D" D) A& P" e( |5 m
    # E4 z, l! S) {$ a% _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。7 [) d) n9 i' |& P+ Q: J8 Z

    % d( A( \, C1 }/ ?6 r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。
    3 M# r' {9 ]2 W/ A+ S+ G
      h  C8 K, s' C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。
    , t, T: v5 x3 i& ]0 {* h6 D; Y
      ^; @. N6 ?) `% B+ E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。
    - z9 _; e; |9 z' Z% d4 v4 f
    5 U) ]8 F! W2 X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。, ]/ e1 D, @1 R7 x; d! B+ G

    ; X' r) K" J% K8 j6 R1 X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。/ }) S# {) T0 W* U1 B6 `% C4 I+ u

    3 K: w+ l" i  E* l6 f- [: yDoT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。
    * K' F) N+ y* x4 [% o6 h/ ^2 M  o5 ?* r: U. [, }5 z% G1 G6 P
    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。; _% \: |/ ]6 V% Y; D5 |8 I3 V

      y. F, y- `1 p- x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 M1 s7 k7 q' I" `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?
    ! R0 ?3 f9 x4 }9 y% x9 n! e9 Y: I8 F% n5 f( _" Y" {; a
    不知道AI现在在理解幽默方面的进展如何?
    ' y8 ~% m6 @2 z8 i. Q$ L9 k
    + T7 b" @# ]5 ?. d继续拜读好文!$ ]( Y0 k$ M' E/ I# e' h- z
    0 C7 Z" W4 {( r* E) k. ^% W5 A
    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, 2025-7-14 19:38 , Processed in 0.032814 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