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。% ~) i) U  ?/ G# o
    + q+ B+ k! _4 F2 J. @& V" Q
    大模型与推理框架:5 u& g2 _2 j, r6 _1 {- G
    - M8 u8 h/ r; D4 A* T5 L( @* H" O
    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:* M. i  ]5 S, k3 U. p9 x

    0 x  C3 p& L' X* f5 @  C5 P+ z$ u, S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。
    " g! i7 S$ e5 e0 f& G, e6 r6 ]; Z
    8 s+ @9 q$ C+ u$ z% l& 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。
    9 |) a; B+ i+ x. h' L/ v1 _5 @7 P3 b* s* t) s
    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 b$ v2 w: [. U

    ) i5 g' M: S7 z/ N: \; R+ j  o为了解决这些问题,AI研究者们提出了各种推理框架:) I3 c" H6 I# d

    8 K7 A( z( w2 n, x& f0 e0 l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。
    2 F- s! S6 P6 ]) v3 @' B$ u9 p
    $ a* M! H1 T. |7 r% v; d" }/ p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。, Z% a  _9 s$ M: S" w6 x
    & @' d4 l" X. z/ v: n: {
    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。3 L: o; g5 }1 P" |3 m, ^6 t% @0 T/ x
    3 W8 [% b/ u+ E
    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。+ L1 U. `6 h# ^& T% G
    $ U2 Y, q7 Q1 C! f
    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:
    3 r* p9 Q$ q" Q( v9 |6 r. ?2 j: x4 X$ U6 V0 y' o
    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。/ k- w" T7 M& F* u# b' g

    6 l. T* }2 z+ 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 ^/ [6 ~+ O4 I3 E) w9 n1 b" P
    9 K% q* L$ b" `& J& F. V! y9 B  g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。; Y* {# t4 I" b8 N9 E5 `9 f' L
    7 }. O: r; I# o
    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。
    ; i" r5 e# r% l' C
    ! n% N2 D& w, y8 eDoT的核心优势对于这几个难点是会有效改善的:
    ! t4 r# e! ~9 J; |. y; g. A9 l9 Y
    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。! z8 F% h# K* d, I
    # a. G, ^, \  V$ z; Z' i7 @
    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。& S* j* e( R7 y' c- |, K% _

    / R1 ?7 x" L3 f: ?- I$ N3 @+ 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。
    * l5 \) B' Z2 _0 S3 A7 k' O' I2 y9 f
    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。) P! V& z# l* `6 a/ v  ~
    / m) ~  D3 R% k* v& a. Z" w# o
    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。; f( m: G4 D$ V9 P+ O- k( U
    - b. K& Y; V) o. C, j0 \
    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。/ M$ _5 C& }1 D) _# O  L" Z" m
      |* ?9 h! j6 A3 @0 c/ }
    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。
    1 M7 f2 N1 w8 {$ v! a# g3 [7 Z- y3 `4 b
    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。- B" I& o& e5 y2 \" ^2 [

    8 \8 d* r- Z8 {" ^; {3 v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

    , D; G& H0 o8 \* Q& s8 D+ T5 j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?$ h2 t" K8 E+ C% Y, B2 s

    6 B+ t  o& ?1 X  H不知道AI现在在理解幽默方面的进展如何?
    4 t+ e- U+ {2 M" H! @0 Y/ G/ P- b9 P- n+ I
    继续拜读好文!
    ) ]4 Z& a! T( C$ ?, i9 W$ ^* s' K' G8 N; a" ]8 T
    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 01:30 , Processed in 0.035045 second(s), 20 queries , Gzip On.

    Powered by Discuz! X3.2

    © 2001-2013 Comsenz Inc.

    快速回复 返回顶部 返回列表