Неуросимболички помак: Зашто чисти мастер студије права (LLM) ударају у зид

Индустрија вештачке интелигенције доживљава значајну промену која још увек није широко препозната. Док модели великих језика (LLM) и даље доминирају у овој области, нови приступ се тихо појављује. Овај приступ, овде назван неуросимболички LLM, омогућава LLM-овима заснованим на неуронским мрежама да користе симболичко резоновање за обављање задатка. За разлику од чистих LLM-ова, који се ослањају искључиво на способности препознавања образаца неуронских мрежа, неуросимболички LLM-ови прво конвертују инструкције природног језика у симболичке програме, а затим користе спољне симболичке интерпретаторе, као што су интерпретатори програмског језика, да би их извршили. Ова интеграција побољшава способност модела да обрађује сложене задатке, нудећи бољу тачност, транспарентност и интерпретабилност. У овом чланку ћемо истражити разлоге који стоје иза растућег померања ка неуросимболичким LLM-овима.

Мит о скалирању се распада

Кључно обећање ере чистог LLM-а било је једноставно: већи модели ће дати боље резултате. идеја био је да би са више података и рачунарске снаге, вештачка интелигенција могла да произведе боље резултате. Ова теорија је једно време функционисала, али су недавни развоји показали њена ограничења. Недавни пример је Grok 4, који је користио 100 пута већу рачунарску снагу од свог претходника, али није показао значајна побољшања на захтевним тестовима као што је Последњи испит човечанстваИако је Grok 4 показао боље резултате у неким областима, добици су били далеко мањи од очекиваних. Међутим, када су симболички алати интегрисани у ове моделе, перформансе су се драматично побољшале. Ово сугерише да само скалирање није кључ за побољшање перформанси вештачке интелигенције и да неуросимболички приступ има потенцијал да надмаши чисте LLM-ове.

Ограничења чистих неуронских мрежа

Чисти мастер студије права имају инхерентне слабости то скалирање не може превазићи. Ова ограничења произилазе из начина на који се LLM-ови конструишу коришћењем неуронских мрежа, које се првенствено ослањају на препознавање образаца. Иако су ефикасни у многим контекстима, њихово ослањање на препознавање образаца и одсуство могућности расуђивања ограничавају њихову способност да обављају сложене задатке који захтевају дубље разумевање или логичко закључивање. На пример, када Apple istraživači додавањем небитних клаузула математичким проблемима, најсавременији LLM-ови су забележили пад тачности и до 65%. У GSM-симболичком студирати, LLM-ови су се лоше показали када су бројеви помешани или су додате додатне клаузуле, чак и са савршеним визуелним уносима.

Још један пример ове мане се види у састављање укрштеницаChatGPT, који не може да разуме код, има проблема са задацима попут изградње мреже. То га је довело до једноставних грешака као што је препознавање „РЦРЦТ„као валидну реч. Насупрот томе, OpenAI-јев o3, који користи симболички код, може правилно да креира мреже укрштеница. Ово показује да чисти LLM-ови не могу поуздано да извршавају алгоритамске процесе, разликују корелацију од узрочности или одржавају логичку конзистентност у задацима вишестепеног резоновања.

Успон симболичке вештачке интелигенције: Логичка прецизност пре подударања образаца

Симболичка вештачка интелигенција користи транспарентан систем заснован на правилима који је лакши за разумевање и проверу. За разлику од неуронских мрежа, које су често непрозирне, симболички системи пружају јасне путеве резоновања од улаза до закључка. Ово чини симболичку вештачку интелигенцију идеалном за апликације које захтевају транспарентност и одговорност.

Симболички системи су такође ефикаснији. На пример, неуро-симболички Ученик концепта постиже високу тачност користећи само 10% података потребних традиционалним неуронским мрежама. Још важније, симболички системи могу да пруже људски читљива објашњења за сваку одлуку, што је кључно за области попут здравства, финансија и права.

Недавне студије показују ефикасност симболичких приступа у задацима као што су Проблем са Ханојском кулом, где су модели попут o3 боље функционисали када је коришћен симболички код. Слично томе, Ученик абдуктивних правила са контекстуалном свешћу (ARLC) показао је скоро савршену тачност у аритметичким проблемима, док су чисти LLM-ови имали проблема да достигну чак 10% тачности како су проблеми постајали сложенији.

Растућа потражња за објашњивом вештачком интелигенцијом

Како се прописи о системима вештачке интелигенције буду повећавали, расће и потражња за објашњивом и транспарентном вештачком интелигенцијом. Сектори попут здравства, финансија и права захтевају системе вештачке интелигенције који могу да објасне своје резоновање. Неуросимболичка вештачка интелигенција је посебно погодна за задовољавање ових потреба. Закон Европске уније о вештачкој интелигенцији и слични прописи подстичу компаније да усвоје системе вештачке интелигенције који показују одговорност и транспарентност.

Штавише, инвестициони трендови се померају ка системима вештачке интелигенције који могу да уравнотеже перформансе са објашњивошћу. Компаније које цене и иновације и поверење сматрају неуросимболички системе, са њиховом супериорном способношћу да објасне одлуке, све привлачнијим.

Побољшање поузданости вештачке интелигенције неуросимболичком интеграцијом

Иако су чисти мастер студије права (LLM) значајно напредовале, њихове поузданост остаје забрињавајућа, посебно у областима са високим улозима као што су здравство, право и финансије. Ова непоузданост произилази из ослањања ЛЛМ-ова на обрасце и вероватноће, што може довести до непредвидивих резултата и грешака. Неуросимболички ЛЛМ, који комбинује неуронске мреже са симболичким резоновањем, нуди решење. Коришћењем логике за верификацију и организовање информација, ЛЛМ може осигурати да су генерисани одговори и тачни и поуздани. Може смањити грешке, побољшати транспарентност и одржати доследност у резултатима. Овај приступ би могао бити посебно вредан у критичним секторима, побољшавајући поверење у системе вештачке интелигенције. Пример овог приступа, ГрапхРАГ модел, показује како комбиновање ових технологија може побољшати и креативност и тачност.

Неуросимболички мастер студије права у акцији

Неуросимболички LLM-ови су показали изванредне перформансе у решавању сложених изазова. Google DeepMind-ови системи, као што су АлпхаФолд, АлпхаПрооф, i АлпхаГеометри, комбинују LLM са симболичким резоновањем како би постигли изванредне резултате у савијању протеина, доказивању математичких теорема и решавању геометријских проблема. Они користе технике симболичког резоновања као што су претрага и условна итерација, које су традиционалне неуронске мреже напустиле. Штавише, модерни модели све више користе симболичка правила за проширивање података, показујући да симболичко резоновање постаје кључни део водећих AI система.

Изазови и могућности

Иако је неуросимболички LLM постигао значајан напредак, још увек има пуно посла. Тренутне имплементације, као што је додавање интерпретатора кода LLM-овима, нуде функционалне могућности, али и даље нису комплетно решење за испуњавање захтева... вештачка општа интелигенција (АГИ)Прави изазов је развој система у којима неуронске и симболичке компоненте беспрекорно раде заједно, омогућавајући машинама да расуђују и разумеју свет попут људи. Један од будућих циљева неуросимболичких LLM-ова је да им се омогући динамичка интеграција са различитим начинима расуђивања без губитка конзистентности. Ово ће им омогућити да различито расуђују у различитим ситуацијама. Међутим, то захтева нову архитектуру која може да користи симболичко расуђивање заједно са неуронским мрежама.

Резиме

Успон неуросимболичке вештачке интелигенције представља парадигматску промену у развоју вештачке интелигенције. Иако су се традиционалне методе учења на дуги пут (LLM) показале ефикасним у многим областима, оне су ограничене својим ослањањем на препознавање образаца и недостатком могућности расуђивања. Нови неуросимболички приступ, који комбинује LLM са симболичким расуђивањем, нуди значајне предности у погледу тачности, транспарентности и интерпретабилности. Неуросимболички системи се истичу у задацима који захтевају сложено расуђивање, логичку прецизност и објашњивост. Ови квалитети су све важнији у регулисаним индустријама попут здравства, финансија и права. Са растућом потражњом за транспарентношћу и одговорношћу вештачке интелигенције, неуросимболичка вештачка интелигенција постаје кључно решење за развој поузданијих и разумљивијих система. Међутим, изазови остају у потпуној интеграцији неуронских и симболичких компоненти и биће потребне континуиране иновације како би се створили системи способни за динамичко расуђивање у више режима.