AI เรียนรู้จาก AI: การเกิดขึ้นของการเรียนรู้ทางสังคมในหมู่โมเดลภาษาขนาดใหญ่

นับตั้งแต่ OpenAI เปิดตัว ChatGPT 3.5 ในปลายปี 2022 โมเดลภาษาขนาดใหญ่ (LLMs) ได้กลายเป็นส่วนสำคัญของปัญญาประดิษฐ์ (AI) โดยเฉพาะในด้านการประมวลผลภาษา自然 (NLP) โมเดลเหล่านี้ได้รับการออกแบบมาเพื่อประมวลผลและสร้างข้อความที่เหมือนมนุษย์ โดยการเรียนรู้จากข้อความจำนวนมากบนอินเทอร์เน็ต ตั้งแต่หนังสือจนถึงเว็บไซต์ การเรียนรู้นี้ช่วยให้โมเดลเหล่านี้สามารถจับแก่นแท้ของภาษามนุษย์ ทำให้พวกมันดูเหมือนผู้แก้ปัญหาแบบทั่วไป

ในขณะที่การพัฒนา LLMs ได้เปิดประตูใหม่ๆ การปรับโมเดลเหล่านี้ให้เหมาะสมกับการใช้งานเฉพาะซึ่งเรียกว่า การปรับให้เหมาะสม นั้นยังต้องเผชิญกับความท้าทาย การปรับให้เหมาะสมต้องใช้การฝึกอบรมเพิ่มเติมบนชุดข้อมูลที่มุ่งเน้นมากขึ้น ซึ่งอาจนำไปสู่ปัญหา เช่น ความต้องการข้อมูลที่มีฉลาก ความเสี่ยงของ การเปลี่ยนแปลงของโมเดล และ การปรับให้เหมาะสมมากเกินไป รวมถึงความต้องการทรัพยากรที่สำคัญ

การเรียนรู้ทางสังคมคืออะไร?

การเรียนรู้ทางสังคมไม่ใช่แนวคิดใหม่ มัน基於ทฤษฎีจากทศวรรษ 1970 โดย Albert Bandura ซึ่งเสนอว่าผู้คนเรียนรู้จากการสังเกตผู้อื่น เมื่อนำแนวคิดนี้ไปใช้กับ AI หมายความว่าระบบ AI สามารถปรับปรุงได้โดยการโต้ตอบกันและกัน โดยการเรียนรู้ไม่เพียงแต่จากประสบการณ์โดยตรง แต่ยังจากการกระทำของเพื่อนๆ ด้วย วิธีนี้สัญญาว่าจะมีการเรียนรู้ที่รวดเร็วและอาจทำให้ระบบ AI พัฒนาวัฒนธรรมของตนเองโดยการแบ่งปันความรู้

การเรียนรู้ทางสังคมใน LLMs

ด้านสำคัญของการเรียนรู้ทางสังคมคือการแลกเปลี่ยนความรู้โดยไม่ต้องแบ่งปันข้อมูลที่ละเอียดอ่อนและเป็นความลับ ดังนั้น นักวิจัย ได้ใช้แนวทางแบบครู-นักเรียน โดยที่โมเดลครูจะอำนวยความสะดวกในการเรียนรู้สำหรับโมเดลนักเรียนโดยไม่เปิดเผยรายละเอียดที่เป็นความลับ เพื่อบรรลุวัตถุประสงค์นี้ โมเดลครูจะสร้างตัวอย่างหรือคำแนะนำที่สังเคราะห์ขึ้น ซึ่งโมเดลนักเรียนสามารถเรียนรู้ได้โดยไม่ต้องแบ่งปันข้อมูลจริง ตัวอย่างเช่น สมมติว่าโมเดลครูได้รับการฝึกอบรมในการแยกแยะระหว่างข้อความสแปมและไม่ใช่สแปมโดยใช้ข้อมูลที่ผู้ใช้ทำเครื่องหมาย หากเราต้องการให้โมเดลอื่นเรียนรู้ทักษะนี้โดยไม่ต้องสัมผัสกับข้อมูลที่เป็นความลับ การเรียนรู้ทางสังคมจะเข้ามาเป็นหนึ่งในวิธีการ โมเดลครูจะสร้างตัวอย่างหรือให้คำแนะนำตามความรู้ของมัน ทำให้โมเดลนักเรียนสามารถระบุข้อความสแปมได้อย่างแม่นยำโดยไม่ต้องสัมผัสกับข้อมูลที่เป็นความลับ

การเรียนรู้ทางสังคมจะแก้ไขความท้าทายของการปรับให้เหมาะสมได้อย่างไร?

การเรียนรู้ทางสังคมเสนอวิธีใหม่ในการปรับโมเดล LLMs ให้เหมาะสมกับงานเฉพาะ โดยช่วยแก้ไขความท้าทายของการปรับให้เหมาะสมในหลายด้าน เช่น

1. ความต้องการข้อมูลที่มีฉลากน้อยลง: โดยการเรียนรู้จากตัวอย่างที่สังเคราะห์ขึ้นระหว่างโมเดล การเรียนรู้ทางสังคมจะลดความต้องการข้อมูลที่มีฉลากที่ยากต่อการหา
2. การหลีกเลี่ยงการปรับให้เหมาะสมมากเกินไป: มันช่วยให้โมเดลมีความหลากหลายโดยการให้พวกมันสัมผัสกับตัวอย่างที่หลากหลายมากกว่าที่พบในชุดข้อมูลขนาดเล็กและเฉพาะเจาะจง
3. การลดการปรับให้เหมาะสมมากเกินไป: การเรียนรู้ทางสังคมจะช่วยให้โมเดลสามารถสรุปผลได้ดีขึ้นและหลีกเลี่ยงการปรับให้เหมาะสมมากเกินไป
4. การประหยัดทรัพยากร: วิธีนี้ช่วยให้ใช้ทรัพยากรได้อย่างมีประสิทธิภาพมากขึ้น โดยที่โมเดลสามารถเรียนรู้จากประสบการณ์ของกันและกันโดยไม่ต้องสัมผัสกับชุดข้อมูลขนาดใหญ่โดยตรง

ทิศทางในอนาคต

ศักยภาพของการเรียนรู้ทางสังคมใน LLMs เสนอแนวทางที่น่าสนใจและมีความหมายสำหรับการวิจัย AI ในอนาคต เช่น

1. วัฒนธรรม AI แบบผสม: เมื่อ LLMs เข้าร่วมการเรียนรู้ทางสังคม พวกมันอาจเริ่มสร้างวิธีการทำงานร่วมกัน การศึกษาอาจถูกดำเนินการเพื่อตรวจสอบผลกระทบของ “วัฒนธรรม AI” เหล่านี้ต่อการโต้ตอบของมนุษย์และประเด็นด้านจริยธรรมที่เกี่ยวข้อง
2. การเรียนรู้ข้ามรูปแบบ: การขยายการเรียนรู้ทางสังคมไปไกลกว่าข้อความเพื่อรวมภาพ เสียง และอื่นๆ อาจนำไปสู่ระบบ AI ที่มีความเข้าใจโลกที่มีรายละเอียดมากขึ้น เช่นเดียวกับที่มนุษย์เรียนรู้ผ่านประสาทสัมผัสหลายอย่าง
3. การเรียนรู้แบบกระจาย: ความคิดของโมเดล AI ที่เรียนรู้จากกันและกันบนเครือข่ายที่กระจายออกไปนั้นเป็นวิธีใหม่ในการขยายการแบ่งปันความรู้ ซึ่งจะต้องเผชิญกับความท้าทายในด้านการประสานงาน ความเป็นส่วนตัว และความปลอดภัย
4. การโต้ตอบระหว่างมนุษย์และ AI: มีศักยภาพในการสำรวจวิธีที่มนุษย์และ AI สามารถสร้างประโยชน์ร่วมกันจากการเรียนรู้ทางสังคม โดยเฉพาะในบริบททางการศึกษาและการทำงานร่วมกัน
5. การพัฒนา AI ที่มีจริยธรรม: การสอน AI เพื่อแก้ไขปัญหาด้านจริยธรรมผ่านการเรียนรู้ทางสังคมอาจเป็นก้าวสำคัญสู่ AI ที่มีความรับผิดชอบ โดยมุ่งเน้นในการพัฒนา AI ที่สามารถให้เหตุผลด้านจริยธรรมและตรงกับค่านิยมของสังคม
6. ระบบที่ปรับปรุงตนเอง: ระบบที่โมเดล AI ปรับปรุงและเรียนรู้จากกันและกันอย่างต่อเนื่องอาจเร่งการนวัตกรรม AI นี้ชี้ให้เห็นว่า AI อาจปรับตัวให้เข้ากับความท้าทายใหม่ๆ ได้อย่างมีอิสระมากขึ้น
7. ความเป็นส่วนตัวในการเรียนรู้: เมื่อโมเดล AI แบ่งปันความรู้ การรักษาความเป็นส่วนตัวของข้อมูลที่ใช้เป็นเรื่องสำคัญ การพยายามในอนาคตอาจสำรวจวิธีการที่ซับซ้อนมากขึ้นเพื่อให้การถ่ายทอดความรู้เกิดขึ้นโดยไม่กระทบต่อความปลอดภัยของข้อมูล

สรุป

นักวิจัยจาก Google (GOOGL ) ได้พัฒนาแนวทางใหม่เรียกว่าการเรียนรู้ทางสังคมในหมู่โมเดลภาษาขนาดใหญ่ (LLMs) โดยได้รับแรงบันดาลใจจากความสามารถของมนุษย์ที่จะเรียนรู้จากการสังเกตผู้อื่น แนวทางนี้ช่วยให้ LLMs สามารถแบ่งปันความรู้และปรับปรุงความสามารถโดยไม่ต้องเข้าถึงหรือเปิดเผยข้อมูลที่เป็นความลับ โดยการสร้างตัวอย่างและคำแนะนำที่สังเคราะห์ขึ้น LLMs สามารถเรียนรู้ได้อย่างมีประสิทธิภาพ โดยแก้ไขปัญหาที่สำคัญในการพัฒนา AI เช่น ความต้องการข้อมูลที่มีฉลาก การปรับให้เหมาะสมมากเกินไป การปรับให้เหมาะสม และการบริโภคทรัพยากร การเรียนรู้ทางสังคมไม่เพียงแต่เพิ่มประสิทธิภาพและความสามารถในการปรับตัวของ AI แต่ยังเปิดโอกาสให้ AI พัฒนาวัฒนธรรมร่วมกัน เรียนรู้ข้ามรูปแบบ การเรียนรู้แบบกระจาย การโต้ตอบกับมนุษย์ใหม่ๆ การแก้ไขปัญหาด้านจริยธรรม และการรักษาความเป็นส่วนตัว สิ่งนี้แสดงถึงการเปลี่ยนแปลงที่สำคัญสู่ระบบ AI ที่มีการทำงานร่วมกัน มีความสามารถหลากหลาย และมีจริยธรรมมากขึ้น ซึ่งสัญญาว่าจะเปลี่ยนแปลงภูมิทัศน์ของการวิจัยและใช้งาน AI