麻省理工学院通过创建新的混合人工智能架构赋予人工智能“像人类一样推理”的能力

麻省理工学院的科学家设计了三个可以与人工智能系统相结合的库，以提高它们在编程、战略规划和机器人技术方面的推理和情境意识。

麻省理工学院的研究人员开发了一种新方法，可以帮助人工智能（AI）系统在编码、战略规划和机器人技术等三个领域执行复杂的推理任务。

大型语言模型 (LLM)（包括 ChatGPT 和 Claude 3 Opus）根据人类输入（称为“提示”）处理和生成文本。研究人员表示，这些技术在过去 18 个月中取得了很大进步，但由于无法像人类一样理解上下文或在推理任务中表现良好，因此受到限制。 

但麻省理工学院的科学家现在声称已经通过创建自然语言“抽象”的“宝库”解决了这个问题，这可能会导致更强大的人工智能模型。抽象将复杂的主题转化为高级表征并省略不重要的信息——这可以帮助聊天机器人像人类一样推理、学习、感知和表示知识。 

目前，科学家认为法学硕士很难以类似人类的方式提取信息。然而，他们将自然语言抽象组织到了三个库中，希望它们能够获得更好的上下文感知并给出更多类似人类的响应。  

科学家们在 2023 年 10 月 30 日、2023 年 12 月 13 日和 2 月 28 日发表在 arXiv 预印本服务器上的三篇论文中详细介绍了他们的发现。第一个库称为“来自语言观察的库归纳” (LILO) 合成、压缩和记录计算机代码。第二个名为“Action Domain Acquisition”（Ada），涵盖人工智能顺序决策。最终的框架被称为“语言引导抽象”（LGA），可帮助机器人更好地理解环境并规划其运动。 

相关： “为了保护自己而伤害我们是它的自然权利”：人类现在如何在不知情的情况下虐待人工智能

这些论文探讨了语言如何为人工智能系统提供重要的上下文，以便它们能够处理更复杂的任务。它们于 5 月 11 日在奥地利维也纳举行的国际学习代表会议上发表。 

威斯康星大学麦迪逊分校心理学助理教授罗伯特·霍金斯 (Robert Hawkins) 表示：“图书馆学习代表了人工智能领域最令人兴奋的前沿领域之一，它为发现和推理组合抽象提供了一条途径。” 声明。霍金斯没有参与这项研究，他补充说，过去类似的尝试的计算成本太高，无法大规模使用。

科学家们表示，三个库框架使用神经符号方法——一种结合神经网络的人工智能架构，神经网络是模仿人脑结构的机器学习算法的集合，与经典的类似程序的逻辑方法。 

更智能的人工智能驱动编码

科学家们表示，法学硕士已成为人类软件工程师的强大工具，包括 GitHub Copilot 等，但它们不能用于创建全面的软件库。为此，他们必须能够对代码进行排序并将其集成到更小的程序中，以便更易于阅读和重用，这就是 LILO 的用武之地。 

科学家们将之前开发的一种可以检测抽象的算法（称为“Stitch”）与 LLM 结合起来，形成了 LILO 神经符号框架。在这种制度下，当法学硕士编写代码时，它会与 Stich 配对以在库中定位抽象。 

由于 LILO 可以理解自然语言，因此它可以检测并省略代码字符串中的元音并绘制雪花 - 就像人类软件工程师利用常识。通过更好地理解提示中使用的单词，有一天，法学硕士可以绘制 2D 图形、回答与视觉相关的问题、操作 Excel 文档等等。

使用人工智能来规划和制定战略

研究人员表示，法学硕士目前无法使用推理技能来制定灵活的计划，例如烹饪早餐的步骤。但以英国数学家阿达·洛夫莱斯 (Ada Lovelace) 命名的 Ada 框架可能是让他们在虚拟环境中完成此类任务时适应和计划的一种方法。 

该框架通过使用法学硕士从与这些任务相关的自然语言数据集中查找抽象，提供了烹饪和游戏计划库——其中最好的计划由操作员评分、过滤并添加到库中。通过将 OpenAI 的 GPT-4 与该框架相结合，科学家们在执行厨房模拟和游戏任务时超越了人工智能决策基准“代码即策略”。 

通过寻找隐藏的自然语言信息，该模型能够理解诸如将冰镇酒放入厨房橱柜和建造床等任务，与在没有 Ada 影响的情况下执行相同任务相比，准确率分别提高了 59% 和 89%。研究人员希望在可预见的将来找到 Ada 的其他国内用途。

为机器人提供人工智能辅助 

LGA 框架还允许机器人像人类一样更好地了解其环境——从周围环境中删除不必要的细节并找到更好的抽象，以便它们可以更有效地执行任务。

LGA 在自然语言提示中找到任务抽象，例如“把我的帽子拿给我”，其根源是根据训练片段执行动作。

研究人员通过使用波士顿动力公司的类犬四足机器人 Spot 来获取水果和回收饮料，证明了 LGA 的有效性。实验表明，机器人可以有效地扫描世界并在混乱的环境中制定计划。

研究人员相信，像 LILO、Ada 和 LGA 这样的神经符号框架将为“更像人类”的人工智能模型铺平道路，赋予它们解决问题的能力，让它们更好地驾驭环境。