设为首页收藏本站

爱吱声

 找回密码
 注册
搜索
查看: 664|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。
    - ^: G9 x: p, }2 w  Z. S( P1 b8 E; ~" P$ _  Z% [
    大模型与推理框架:
    * `. `- t7 b% `+ F$ A% N( s( F1 E( D' H0 g$ P6 c- ~
    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:+ R' g. O1 D# j; ^, \3 C

    7 O1 ]  u; h; j5 v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。
    3 S' L( b- j- ~6 v6 H8 c! b/ s* |4 ]; f/ {+ {' |2 p
    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。
    ( l6 B8 y& f0 W( G! u
    7 H; A: d. k" Y: D9 c/ L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。
    % ]1 {3 B: G9 ?9 o5 L8 Q$ U1 i7 }4 t3 T! i/ e8 k
    为了解决这些问题,AI研究者们提出了各种推理框架:& g2 d: o; ?' o! O9 O( w4 A6 V/ V
    ; k: W% w# O$ W: A+ R4 t) E1 |
    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。( p% m9 d0 ?+ e" n

    6 T, h. v3 F8 l  y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。
    5 J' e" @* _2 I$ O- ], q8 P# Q+ {- A8 E+ @- }2 K
    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。7 L$ j$ }4 F% z# K

    ) y' i% k  `7 ~, z4 @2 {' g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。  }2 q7 s3 z3 @$ f6 K" C; ?3 `
    + h6 j; V4 @) T9 ^" C3 M6 X
    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:! u3 J2 n2 V% s

    ; y* |& L+ A% p6 V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。
    + M3 {8 c/ ?* `/ v
    & ]1 A9 O. C1 o& s$ A. U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。
    & g& s0 e  B9 C& C: s0 ]2 F; _' v+ f7 m8 m
    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。( H: V6 b9 W# ^+ z* N

    2 ~8 a) g5 v9 n$ n. G* K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 c0 I2 d2 l9 f( S# b2 \
    + x3 P( \+ r8 zDoT的核心优势对于这几个难点是会有效改善的:
    3 I* t4 d& K2 U0 ?3 |4 w# n4 b9 e: S! {& `' D/ L; ^4 G
    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。$ D; r% |, U2 v5 m: x  p
    7 W. b5 o0 H' w* z; q
    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。
    6 M4 X$ Q* w* b4 `  d% g9 y8 D, V! N5 C; _: V
    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. N* d* Q: O2 p' `$ |+ _7 V: ^8 j
    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。" t& t. x9 h1 J4 b' W
    : s, b4 X8 c, g6 j- V
    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。
    * ^# \% i$ w4 g9 `* J& ?7 L; l" \
    0 l  i" e5 L  `9 m1 n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。
    4 U' j# ]* \6 P; b$ a  g$ e% X1 }: \2 a& ]& g* Q* Y
    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。
    ! e, e5 [; G, x" c0 u3 L/ J
    # K7 z9 g( X  d" a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。, g* A6 f# t$ J, S* L8 |( Z

    6 Y" d9 D# j2 o7 |5 D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
    5 U. P8 B" ^0 E# Z
    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?
    7 i2 s2 w6 \/ J7 H8 {3 f. p; O( \" f' o% A) U# G# x# _9 ?2 e( L
    不知道AI现在在理解幽默方面的进展如何?
    7 v/ a' w- _' g6 d9 K" X! @& w, f. U' @
    继续拜读好文!6 F  e/ ^. b- Q9 t

    ; L' O" z- y2 t% b6 i; a. i4 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, 2025-7-31 04:33 , Processed in 0.031639 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