دع عارضات الأزياء مثل ChatGPT يتعلمن التفكير بأنفسهن! إطار التكنولوجيا الرائدة "الإدراك الذاتي"

المصدر الأصلي: مجتمع AIGC المفتوح

مصدر الصورة: تم إنشاؤه بواسطة الذكاء الاصطناعي غير محدود

أظهرت ChatGPT و Baidu Wenxin Yiyan و Bard وغيرها من نماذج اللغات الكبيرة قدرة إبداعية فائقة وتسريع عملية تطبيق الذكاء الاصطناعي التوليدية. ومع ذلك ، يمكن للنماذج الذكاء الاصطناعي أداء مهام مختلفة فقط بناء على بيانات التدريب ، ولا يمكنها استخدام المعرفة الحياتية والخبرة السابقة للتفكير المعقد واتخاذ القرارات مثل البشر.

على سبيل المثال ، عند لعب لعبة ، يمكن للبشر استخدام مجموعة متنوعة من القرائن والحس السليم والخبرة وفهم قواعد اللعبة لاتخاذ أفضل القرارات. الذكاء الاصطناعي تعلم وضع اللعبة فقط من خلال عدد كبير من التدريب ، وليس لديه وظيفة فهم إنسانية. بمجرد أن تتغير قواعد اللعبة أو البيئة ، يصعب على الذكاء الاصطناعي اتخاذ القرار الصحيح.

لحل هذه المشكلات ، اقترح مختبر الذكاء الاصطناعي في جامعة كليمسون الكيان المعرفي المستقل (ACE). من خلال التصاميم الهرمية الستة للأخلاقيات والاستراتيجية العالمية ونموذج الوكالة والتنفيذ والتحكم المعرفي وتنفيذ المهام ، يمكن للنماذج الذكاء الاصطناعي تحقيق البنية المعرفية ل "صنع القرار المستقل" والتفكير الأخلاقي **.

لفترة طويلة ، كانت القدرة على جعل النماذج الذكاء الاصطناعي "منطقية منطقية" أولوية قصوى في مجتمع البحث العلمي. ** ينظر إلى إطار عمل أيس على أنه دراسة مبتكرة لحل هذه المشكلة.

في الواقع ، يشبه مفهوم ACE الإطار التقني "التواصل المفكر" الذي اقترحه معهد الأتمتة التابع للأكاديمية الصينية للعلوم وجامعة ييل منذ وقت ليس ببعيد ، والذي يسمح للنماذج الكبيرة بتعلم استخدام الخبرة السابقة لتعزيز قدرات التفكير المعقدة للتعامل مع المشكلات الجديدة ، ولكن طبقات التفكير أكثر تحديدا ، ويتم إضافة قيود الأخلاق لضمان أمان محتوى المخرجات.

عنوان الورقة:

تم الاعتراف بإطار عمل تقنية ACE من قبل العديد من قادة التكنولوجيا في الصناعة. قال جون إتشيمندي ، الأستاذ في قسم علوم الكمبيوتر بجامعة ستانفورد ، إن إطار عمل ACE يمثل نموذجا جديدا للبحث الذكاء الاصطناعي ، كما أن التجريد الهرمي وتصميم ردود الفعل على المعلومات مفيد للغاية في تحقيق التفكير المنطقي الاصطناعي.

تعتقد دانييلا روس ، مديرة مختبر الذكاء الاصطناعي في معهد ماساتشوستس للتكنولوجيا ، أن إطار عمل ACE يبني بنية كاملة تدمج المبادئ الأخلاقية والمعرفية والحسابية ، مما يوفر اتجاها بحثيا جديدا للتفكير المنطقي الاصطناعي.

الهدف العام لإطار عمل أيس هو تحقيق نظام الذكاء الاصطناعي يتسم بالحيوية العالية والأخلاقية. يكمن ابتكارها الأساسي في دمج التفكير الأخلاقي المجرد في المستوى الأعلى وتحقيق مهام محددة في الأسفل لبناء حلقة مغلقة ونظام معرفي كامل.

يتكون ACE بشكل أساسي من 6 طبقات: الأخلاق ، والاستراتيجية العالمية ، ونموذج الوكالة ، والتنفيذ ، والتحكم المعرفي ، وتنفيذ المهام ، وتركز كل طبقة على وظائف مختلفة ، وتتعامل الطبقة العليا مع التفكير المجرد ، والطبقة السفلية مسؤولة عن تنفيذ مهمة محددة.

الطبقة الأخلاقية

يحدد أعلى مستوى أخلاقي اتجاه ومبادئ النظام بأكمله ، وتتمثل وظيفته في تحديد القيم الأساسية والمبادئ الأخلاقية للوكيل المستقل ، والذي يتكون من 3 أجزاء.

(1) المبادئ الأخلاقية الأساسية: هذا قانون أخلاقي بديهي يوفر الامتثال الأساسي للنظام.

(2) المبادئ الثانوية: تقديم إرشادات محددة مثل التزامات حقوق الإنسان.

(3) بيان المهمة: تحديد الأهداف والنوايا الأساسية للوكيل.

طبقة الاستراتيجية العالمية

بعد تلقي مهام مجردة من الطبقة الأخلاقية ، ستقوم طبقة الإستراتيجية العالمية بصياغة خطة طويلة الأجل لتحقيق هذه المهام بالاقتران مع الموقف المحدد ، والذي يتكون من جزأين.

(1) اندماج السياق: استيعاب المعلومات البيئية وفهم الموقف المحدد الذي يواجهه الوكيل.

(2) وثيقة الاستراتيجية: وثيقة توجيه المخرجات لتوفير إرشادات العمل للمستويات الدنيا.

طبقة طراز الوكيل

وهي ملتزمة بفهم معلمات القدرة ، وهيكل النظام ، والقيود ، وما إلى ذلك للوكيل في بيئة معينة ، وبناء "نموذج ذاتي" لتوفير أساس لاتخاذ القرار ، بما في ذلك 4 أجزاء.

(1) معلمات التشغيل: بيانات القياس عن بعد التي تم الحصول عليها من خلال المراقبة.

(2) معلومات التكوين: بنية البرامج والأجهزة ، الإصدار ، إلخ.

(3) نطاق الاختصاص: الأشياء التي يمكن إكمالها والأشياء التي لا يمكن إكمالها.

(4) القيود: القيود التي لا يمكن أن تعمل إلا في ظل ظروف محددة.

الطبقة الوظيفية التنفيذية

تعمل الطبقة الوظيفية التنفيذية ك "مدير مشروع" ، حيث تترجم المهام الاستراتيجية من الأعلى إلى خارطة طريق واضحة للخطة. توفر خارطة الطريق جميع خطوات التنفيذ المحددة ، مع مراعاة تخصيص الموارد وإدارة المخاطر ، لجعل الاستراتيجية حقيقة واقعة ، تتكون من أربعة أجزاء.

(1) تحديد خطوات المهمة: تحليل المهام الاستراتيجية إلى عمليات دقيقة.

(2) تعيين نقاط التفتيش: حدد النتائج الوسيطة المهمة لقبول التقدم.

(3) تخصيص الموارد: تحسين استخدام الموارد لضمان التنفيذ السلس للخطة.

(4) تقييم المخاطر: التنبؤ بالمشاكل المحتملة والتخطيط للتدابير المضادة مسبقا.

طبقة التحكم المعرفي**

تلعب طبقة التحكم المعرفي دور "إدارة المهام" ، التي تختار ديناميكيا وجدولة المهام المناسبة وفقا للبيئة الحالية والتغذية الراجعة ، والتي تتكون من أربعة أجزاء.

(1) تحديد المهمة: حدد المهمة التالية استنادا إلى الأولوية والبيئة وما إلى ذلك.

(2) تبديل المهام: التبديل بسلاسة بين المهام لتحسين الطلبات.

(3) إدراك الإحباط: إذا تكررت المهمة وفشلت ، فسوف تنتج تغييرات استباقية.

(4) التعديل الداخلي: فكر في إيجابيات وسلبيات الخيارات المختلفة.

طبقة تنفيذ المهام

تتفاعل طبقة تنفيذ المهمة النهائية مباشرة مع البيئة لأداء مهام محددة تم تعيينها بواسطة طبقة التحكم المعرفي. اعتمادا على نوع المهمة ، يمكنك استدعاء واجهة API والتحكم في الآلية وإجراء حوار يتكون من ثلاثة أجزاء.

(1) الاتصالات الرقمية: استخدام لغات البرمجة واستدعاءات الواجهة لتنفيذ المهام الرقمية

(2) التعاون المادي: التحكم في الروبوتات وأجهزة الاستشعار لإكمال المهام البدنية

(3) مراقبة النتائج: مقارنة النتائج بالتوقعات ، وإرسال ملاحظات النجاح أو الفشل

هذا التصميم متعدد الطبقات مع تقسيم واضح للعمل له فوائد عديدة: أولا ، يمكن أن تعمل المستويات المختلفة بالتوازي في نفس الوقت ، مما يحسن الكفاءة ؛ ثانيا، يعزز التغليف متعدد الطبقات وإخفاء المعلومات أمن النظام وقابليته للتفسير؛

ثالثا ، تمكن الطبقات من ترقية النظام بشكل متكرر دون الحاجة إلى إعادة البناء الكاملة ؛ رابعا ، يمكن للمستوى العلوي مراقبة تشغيل الطبقة السفلية ، وعندما يمكن تصحيح انحرافات Einmal ، لضمان إمكانية التحكم في النظام.

بالإضافة إلى ذلك ، هناك ابتكار آخر لإطار عمل ACE وهو الاستخدام الذكي لنماذج اللغة الكبيرة الشائعة الحالية ، مثل ChatGPT و Bard وما إلى ذلك.

من خلال تعلم كميات هائلة من البيانات النصية ، أظهرت هذه النماذج فهم اللغة وقدرات توليد اللغة بالقرب من البشر. يدمج إطار عمل ACE طبقة اللغة في كل طبقة ، بحيث لا يعمل نموذج اللغة بمفرده ، بل يصبح مكونا رئيسيا يدعم البنية المعرفية بأكملها **.

من الطبقة الأخلاقية إلى طبقة المهام ، تساعد نماذج اللغة على فهم المفاهيم المجردة ، وصنع التفكير الاستراتيجي ، وبناء نماذج ذاتية ، وحتى التحكم في الطريقة التي تؤدي بها الروبوتات المهام اللغوية.

يوفر هذا الانصهار سياقا واضحا وإرشادات لنموذج اللغة ، مما يجعل المخرجات التي ينتجها أكثر دقة ويتجنب مشكلة "التحدث إلى نفسك".

يوضح هذا أيضا أن نماذج اللغات الكبيرة يمكن أن تلعب أيضا دورا مهما على مستوى النظام ، بدلا من مجرد إكمال المهام اللغوية الفردية. يوضح إطار عمل ACE كيفية تسخير إمكانات نماذج اللغة الكبيرة بشكل أفضل كمحرك أساسي للتطوير المعرفي وقوة التفكير المنطقي الاصطناعي.