ผู้นำทางความคิด

การให้เหตุผลของ LLMs ผ่านปัญหาเชิงซ้อนได้ดีเพียงใด?

mm
เพิ่ม Unite.AI ลงในแหล่งข้อมูลที่คุณต้องการบน Google

การแนะนำและการพัฒนาของ ปัญญาประดิษฐ์เชิงสร้างสรรค์ เป็นการเปลี่ยนแปลงที่เกิดขึ้นอย่างรวดเร็วและเข้มข้น ทำให้เราต้องพยายามเข้าใจถึงผลกระทบของเทคโนโลยีนี้ต่อชีวิตของเรา

ถอยหลังไปสามปีที่แล้ว AI กำลังแพร่หลายมากขึ้น แต่คนส่วนใหญ่ยังไม่เข้าใจถึงความสามารถของ AI จริงๆ การให้เครดิตกับ AI มากเกินไปหรือน้อยเกินไป ทำให้คนส่วนใหญ่ไม่เข้าใจถึงความสามารถของ AI ที่แท้จริง

เมื่อเปรียบเทียบกับปัจจุบัน เราสามารถสร้างภาพ เสียง และภาพยนตร์ที่เป็นเอกลักษณ์ได้โดยไม่ต้องมีทักษะพิเศษ nào และสามารถเข้าถึงข้อมูลได้อย่างง่ายดาย โดยใช้เพียงการเขียนประโยคหรือถามคำถามเท่านั้น

หลายคนได้ทดลองใช้ AI เชิงสร้างสรรค์ เช่น ChatGPT, Midjourney หรือเครื่องมืออื่นๆ และบางคนได้นำ AI มาใช้ในชีวิตประจำวันของตนเอง ความเร็วในการพัฒนาของ AI นี้ทำให้เราต้องตื่นตัวและเตรียมพร้อมสำหรับการเปลี่ยนแปลงในอนาคต

หนึ่งในเครื่องมือที่ใช้ในการพัฒนาคือระบบการสร้างข้อความที่มีการดึงข้อมูลมาจากแหล่งต่างๆ (Retrieval-Augmented Generation) และความสามารถในการคิดเชิงซ้อนของ AI นี้ได้รับการทดสอบผ่านชุดข้อมูล FRAMES ซึ่งได้รับการอธิบายไว้ในบทความเกี่ยวกับวิธีการทำงานของชุดข้อมูลนี้

เรามาดูว่า FRAMES เป็นอย่างไรและ AI เชิงสร้างสรรค์สามารถทำงานได้ดีเพียงใด เราจะเห็นได้ว่า AI ที่กระจายและเปิดกว้างสามารถแข่งขันกับ AI ที่เป็นศูนย์กลางและปิดได้อย่างไร และเราจะเห็นได้ว่า AI เหล่านี้สามารถให้ผลลัพธ์ที่น่าประทับใจได้อย่างไร

FRAMES เป็นหน้าต่างสู่สมองของ GenAI

ชุดข้อมูล FRAMES และกระบวนการประเมินมุ่งเน้นไปที่คำถาม 824 ข้อที่ต้องการการอนุมาน การเชื่อมโยงเชิงตรรกะ การใช้แหล่งข้อมูลหลายแหล่ง และความสามารถในการสร้างคำตอบโดยการเชื่อมโยงข้อมูลเหล่านั้นเข้าด้วยกัน

เมื่อชุดข้อมูลนี้ถูกปล่อยออกมาและทดสอบ นักวิจัยพบว่า AI ที่ดีที่สุดสามารถตอบคำถามได้อย่างแม่นยำประมาณ 40% เมื่อต้องใช้วิธีการเดียว แต่สามารถตอบได้อย่างแม่นยำถึง 73% เมื่อให้สามารถดึงข้อมูลที่จำเป็นทั้งหมดมาใช้

ตัวอย่างเช่น คำถามหนึ่งคือ “ปีใดที่ผู้นำวงดนตรีที่演奏เพลงที่ถูกตัวอยู่ในเพลง Power ของ Kanye West เกิด?” เพื่อตอบคำถามนี้ AI จะต้องสามารถดึงข้อมูลมาจากหลายแหล่ง เช่น ข้อมูลเกี่ยวกับเพลง Power และข้อมูลเกี่ยวกับวงดนตรีที่演奏เพลงที่ถูกตัวอยู่ในเพลงนั้น

FRAMES แสดงให้เห็นว่าการตอบคำถามที่ซับซ้อนจำเป็นต้องมีการประมวลผลความคิดที่มาก และสองสิ่งที่น่าสนใจคือ ความสามารถของ AI ที่กระจายและเปิดกว้างในการแข่งขันกับ AI ที่เป็นศูนย์กลางและปิด และความสามารถของ AI ที่เปิดกว้างในการให้ผลลัพธ์ที่น่าประทับใจ

เราจะเห็นได้ว่า AI เหล่านี้สามารถให้ผลลัพธ์ที่น่าประทับใจได้อย่างไร และเราจะเห็นได้ว่า AI เหล่านี้สามารถพัฒนาได้อย่างไรในอนาคต

อนาคตที่อยู่ข้างหน้า

กุญแจสำคัญของการเปลี่ยนแปลงเหล่านี้คือความเร็วในการพัฒนาที่เร็วมาก และเราจะเห็นได้ว่า AI เหล่านี้จะพัฒนาได้อย่างไรในอนาคต และเราจะเห็นได้ว่า AI เหล่านี้จะส่งผลกระทบต่อชีวิตของเราอย่างไรในอนาคต

David Balaban เป็นนักวิจัยด้านความปลอดภัยของคอมพิวเตอร์ที่มีประสบการณ์มากกว่า 17 ปีในการวิเคราะห์มัลแวร์และประเมินซอฟต์แวร์ป้องกันไวรัส David ดำเนินโครงการ MacSecurity.net และ Privacy-PC.com ที่นำเสนอความคิดเห็นจากผู้เชี่ยวชาญเกี่ยวกับเรื่องความปลอดภัยของข้อมูลร่วมสมัย รวมถึงการวิศวกรรมสังคม มัลแวร์ การทดสอบการเจาะระบบ ข่าวกรองภัยคุกคาม ความเป็นส่วนตัวออนไลน์ และการแฮกหมวกขาว David มีประสบการณ์ในการแก้ไขปัญหามัลแวร์ที่เข้มแข็ง โดยมุ่งเน้นล่าสุดไปที่มาตรการป้องกันไวรัสรันซัมแวร์