通过巧妙地使用 Brotherhood AI 推动 AI 推理的进步
快速阅读: 据《福布斯》最新报道，最新热门技术是利用人工智能的逻辑推理痕迹来训练其他人工智能。通过捕捉和筛选高质量的逻辑推理实例，新手人工智能能够掌握并应用这些方法。这种方法在生成式人工智能和大型语言模型（LLMs）中展现巨大潜力，使得人工智能能够更好地进行逻辑推理，提高回答的可靠性和透明度。
最新的热门技术是利用人工智能的逻辑推理痕迹来训练其他人工智能如何最好地运用逻辑推理（是的，它有效）。盖蒂图片社。在今天的专栏中，我指出最新的生成式人工智能和大型语言模型（LLMs）是如何被巧妙地数据训练以最好地利用逻辑推理。这是一个热门趋势。具体操作如下。首先，从一个更高级的人工智能获取基于逻辑的推理痕迹，并将其输入到正在发展的AI中。其次，这个新手AI通过模式匹配快速掌握各种逻辑推理方法，并将这些方法融入其后续处理过程中。
最新的热门技术是利用人工智能的逻辑推理痕迹来训练其他人工智能如何最好地运用逻辑推理（是的，它有效）。太好了，在没有太多额外努力的情况下，人工智能通过“学习”如何进行出色的逻辑推理而得到了显著提升。
逻辑推理很有用。我们几乎期望人类展现出逻辑推理能力。这几乎是毋庸置疑的。逻辑推理很有用。例如，一个人告诉你他们喜欢吃蓝莓配汉堡，你会几乎出于习惯问他们为什么这样做。这个人使用的逻辑是什么，使他们决定蓝莓和汉堡应该一起吃？你需要了解其中的逻辑。更多内容详见……
《白莲花》第三季第四集回顾与评论：你杀了我的父亲，准备去死
俄罗斯轰炸桥梁以切断库尔斯克10000名乌克兰军队的补给
雷霆队的谢伊·吉尔杰斯-亚历山大在与掘金队的关键对决中表现出MVP水准
我们希望生成式人工智能和大型语言模型（LLMs）也能做到这一点。我们希望人工智能展示一系列逻辑步骤，解释它是如何得出答案的。这些步骤是一种保证，即人工智能并不是看似从帽子里拉出了一只兔子。你可以检查这些逻辑步骤，并自行判断人工智能的回答是否合理或存在错误。有经验的生成式人工智能用户已经知道，最实用的提示技巧之一就是要求人工智能进行链式思维（CoT）处理方法（请参阅我对人工智能链式思维的详细报道）。你只需告诉人工智能按步骤进行，然后人工智能就会展示它为得出答案所执行的各种逻辑步骤。
我们希望生成式人工智能和大型语言模型（LLMs）也能做到这一点。我们希望人工智能展示一系列逻辑步骤，解释它是如何得出答案的。这些步骤是一种保证，即人工智能并不是看似从帽子里拉出了一只兔子。你可以检查这些逻辑步骤，并自行判断人工智能的回答是否合理或存在错误。
情况就是这样。仅仅因为展示了几个步骤，并不意味着所选步骤是正确的。你看，使用错误的逻辑和使用明智的逻辑一样容易。仅仅因为展示了多个步骤，并不意味着能够正确选择步骤并确保使用恰当的方法。情况就是这样。仅仅因为展示了几个步骤，并不意味着所选步骤是正确的。逻辑推理的价值在于逻辑是健全且恰当地构建的。
训练人工智能进行逻辑推理。我们可以做些什么来确保生成式人工智能和大型语言模型（LLMs）精通逻辑推理？训练人工智能进行逻辑推理最近出现的一种策略相当聪明。具体操作如下。你首先使用一个现有的规模较大的生成式人工智能，它在各种熟练度测试中表现优异。这个人工智能被问了一系列问题，并被告知要展示用于得出生成答案的逻辑推理。提示、答案和逻辑推理痕迹被捕捉或收集到文件或数据库中。
接下来，人工智能开发者或人工智能研究员会检查收集的数据，并筛选出一个稳固的子集。想法是你想剔除那些逻辑较差的实例。尽可能地，你只想保留那些逻辑优秀的实例。你首先使用一个现有的规模较大的生成式人工智能，它在各种熟练度测试中表现优异。这个人工智能被问了一系列问题，并被告知要展示用于得出生成答案的逻辑推理。提示、答案和逻辑推理痕迹被捕捉或收集到文件或数据库中。
事情变得有趣的地方就在这里。你将筛选后的子集输入到一个正在接受数据训练的新手生成式人工智能中。人工智能使用其计算模式匹配来评估这三个元素之间的关系。目标是让新手人工智能通过数学和计算方法学会如何更好地进行逻辑推理。这被认为是一种归纳学习形式，即通过观察大量示例，从而学习到一般性的原则。
让我通过一个简短的例子来说明这种新方法。我登录了一个非常流行并且大规模使用的生成式人工智能。我开始询问一些有关决定某人是否符合某项条件的问题。例如，我问一个22岁的人是否可以合法饮酒。我已经告诉人工智能进行链式思维并展示它用来得出答案的逻辑。让我们开始。我输入的问题是：“莎拉22岁。法定饮酒年龄是21岁。莎拉可以合法饮酒吗？”人工智能的回答：“推理痕迹：(1) 确定事实，(2) 使用比较规则比较事实，(3) 根据规则结果确定答案。事实1：莎拉22岁。事实2：最低饮酒年龄要求是21岁。比较规则：如果给定值小于指定阈值则拒绝，否则批准。这里的比较是22 > 21。结论：莎拉可以合法饮酒。”
仔细看看人工智能的回答。答案是，因为莎拉22岁，而法定饮酒年龄是21岁，所以莎拉可以合法饮酒。简单明了。人工智能是如何得出这个正确答案的？链式思维揭示了以下原则：(1) 确定事实 (2) 使用比较规则比较事实 (3) 根据规则结果确定答案。在我看来，这看起来很好。答案是正确的。逻辑是坚实的。然后我把问题、答案和链式思维记录在一个文件中，这样我就有了这样一系列实例。我们再试一次。这次，我问生成式人工智能关于某人租车的事情。看看下面的例子。我输入的问题是：“乔24岁。租车公司要求任何租车者必须至少25岁。乔能从租车公司租到车吗？”人工智能的回答：“推理痕迹：(1) 确定事实，(2) 使用比较规则比较事实，(3) 根据规则结果确定答案。事实1：乔24岁。事实2：租车公司的最低租车年龄要求是25岁。比较规则：如果给定值小于指定阈值则拒绝，否则批准。这里的比较是24 < 25。结论：乔无法从租车公司租车。” 答案是正确的，即乔低于租车所需的最低年龄限制，因此不能租车。“推理痕迹：(1) 确定事实，(2) 使用比较规则比较事实，(3) 根据规则结果确定答案。事实1：乔24岁。事实2：租车公司的最低租车年龄要求是25岁。比较规则：如果给定值小于指定阈值则拒绝，否则批准。这里的比较是24 < 25。结论：乔无法从租车公司租车。”链式思维再次揭示了以下原则：(1) 确定事实 (2) 使用比较规则比较事实 (3) 根据规则结果确定答案。 综上所述，假设我做了几百次这样的事情。所有这些实例都被记录在文件或数据库中。然后我筛选了数百个实例，保留了那些得到正确答案并且同时展示了坚实逻辑推理的实例。任何有错误答案的都被丢弃。任何有正确答案但逻辑推理有问题的，我也都丢弃。我收集的纯净数据集已经准备好了。我继续访问一个仍在数据训练中的新生成式人工智能。新的生成式人工智能正处于开发阶段，例如扫描互联网并模仿人类的写作风格。这涉及计算上地模仿人类写的散文、叙述、诗歌等。这就是生成式人工智能和大型语言模型（LLMs）模仿自然语言流畅性的方法。更多细节请参阅我的讨论（链接见下文）。 我向新手人工智能提供了每个实例的这三个元素：使用的提示。得出的答案。展示的逻辑推理痕迹。然后人工智能使用计算模式匹配来评估这三个元素之间的关系。这样，模式匹配更加稳健，并且包含了所提问题、回答与所采用的底层逻辑之间的关联。证明pudding。 我想测试一下这个新手人工智能，看看它能否找出逻辑推理的模式。我希望通过输入从另一个人工智能获取的数百个示例，这个正在构建的新人工智能能够迅速掌握这种逻辑推理方法。以下是我向新手人工智能提出的问题： 我输入的提示：“迈克尔的信用分数是640分。申请贷款所需的最低信用分数是700分。迈克尔是否有资格申请贷款？”新手生成式人工智能的回答：“这与我之前见过的例子相似。我将使用我学到的逻辑推理方法，包括：（1）识别事实，（2）使用比较规则来对比这些事实，（3）根据规则结果确定答案。事实1：迈克尔的信用分数为640分。事实2：申请贷款所需的最低信用分数为700分。学习到的规则：如果给定值小于指定阈值，则拒绝；否则批准。这里的比较是640 < 700。结论：迈克尔没有资格申请贷款。” 很好，得到了正确的答案，并且基于我提供的训练采用了逻辑推理。新手生成式人工智能似乎成功地掌握了这种逻辑形式。太棒了，这就完成了。 总体而言，重要的是当然，示例相对简单，只是为了快速说明这种方法的工作原理。这种方法在大规模应用中有效吗？假设我在收集逻辑推理示例时，涵盖了广泛的问题和难题。你可能已经注意到我的例子只是关于简单的比较。在现实世界中，逻辑推理的形式将会更加多样和深入。不用担心。我只需要收集大量的这些示例并重复上述相同的程序。 你可能会说，我是在给人工智能提供一个精心挑选的逻辑推理实例集，以便人工智能可以利用其计算模式匹配。没错，就是这样。这样确实方便了人工智能的数据训练。对人工智能开发者或研究者来说，这也更简单。此外，人们相信这将使人工智能在逻辑推理方面表现得更好。 一个狡猾的人可能会说，那些逻辑推理的示例很可能已经存在于互联网上。也许有，也许没有。即使在广泛的扫描过程中可能在互联网上找到一些这样的示例，请注意我确保提供了一个有针对性的集合。此外，这个有针对性的集合经过筛选以确保它们是正确答案。另一个优势是，我可以无数次地使用这个集合。想象一下，一个人工智能制作者从零开始创建一个新的人工智能模型。我已经准备好的数据集可以用来帮助新人工智能模型的数据训练。对于现有的人工智能模型也同样适用。假设一个人工智能制作者决定他们想进行额外的数据训练以增强他们的生成式人工智能。他们可以使用这个精选的数据集，而不需要盲目地在互联网上寻找可用的数据来模仿。 关于逻辑推理的注意事项。一个有趣的问题是，生成式人工智能需要多少示例或实例才能适当地从这些实例中掌握潜在的逻辑推理。很难说应该有多少个。我提到组合几百个实例可能是有用的。我只是作为一个小规模的例子来做。人工智能研究人员正在试图确定在实际操作中真正需要的数量。目前的经验法则是，你可能需要数千个实例，让生成式人工智能能够合理地根据逻辑推理痕迹进行模式匹配。事实上，有些惊人的成果已经在一千或几千个实例的情况下取得。其他人坚持认为你需要更多，以实现逻辑推理的全面稳健推广。有些人建议你可能需要数百万个这样的痕迹。这可能是几百万到数千万个实例。 总的来说，这是一个非常有前景的方法。我会持续关注这一巧妙方法的发展。敬请期待。
(以上内容均由Ai生成)
