نویسنده (ها): R. Thompson (دکترا)
در ابتدا منتشر شده در به سمت هوش مصنوعیبشر
الگوی غالب در هوش مصنوعی همچنان به ترانسفورماتورهای بدون تابعیت وابسته است. علیرغم پیشرفت در طول زمینه و مقیاس پارامتر ، معماری های فعلی به طور گسترده ای به چرخه پاسخ سریع بستگی دارند ، فاقد بازنمایی داخلی پایدار از اهداف ، مقدمات یا ایالات در حال تحول هستند.
این زودگذر ذاتی-در جایی که هر تعامل یک رویداد منزوی است-سیستم های AI را از توسعه صلاحیت های خود در تداوم کار ، خود نظارت و استدلال بازتاب محدود می کند. تمایز بحرانی بین یک ژنراتور نحوی و یک همکار عملکردی در حضور و کاربرد حافظه پیش بینی کننده و ساختاری نهفته است.
در این مقاله ، طراحی و ارزیابی AI پیش بینی شده حافظه AI (MAP-AI) ، یک رویکرد معماری که برنامه ریزی برنامه ریزی دوربرد ، ارکستراسیون زیرنویس تطبیقی و حلقه های بازخورد مستقل را انجام می دهد ، رسمیت می یابد. با استفاده از روشهای علوم داده ، ما MAP-AI را به عنوان یک چارچوب محاسباتی ارائه می دهیم که قادر به عملکرد سنتی است LLMS در تداوم ، کاهش بار شناختی و استقلال کار چند مرحله ای.
مدل های بزرگ زبان ، همانطور که در حال حاضر مستقر شده است ، نمودارهای محاسباتی بدون تابعیت را فوری کنید: هر دعوت نامه استنتاج تازه ای از حافظه ساختاری حفظ شده را نشان می دهد ، مگر اینکه صریحاً از طریق چیدن برگهای متنی تهیه شود.
“پیش بینی بدون حافظه ساختاری ، شناخت را به یک فرآیند کوتاه مدت و غیر سازگار کاهش می دهد.”
در حوزه های حرفه ای مانند تهیه پیش نویس قانونی ، گزارشگری علمی و تجزیه و تحلیل مالی ، این عدم وجود پایداری باعث می شود که مجدداً کاربر را دوباره انجام دهد. این سیستم نمی تواند به طور مستقل اهداف میانی را ردیابی کند ، به طور تکراری پیش نویس ها را اصلاح کند ، یا… وبلاگ کامل را به صورت رایگان در رسانه بخوانیدبشر
منتشر شده از طریق به سمت هوش مصنوعی
