使用OpenAI的人工GPT-4模型的對抗性上下文提示工作流。程序從銀河天文學(xué)論文的智能助天預(yù)處理和嵌入開始。對嵌入的可幫常州同城約炮（電話微信189-4469-7302）提供頂級外圍優(yōu)質(zhì)資源，可滿足你的一切要求查詢進(jìn)行相似性搜索，并檢索相關(guān)的文學(xué)文檔塊。執(zhí)行進(jìn)一步的家快上下文壓縮以從組塊中移除不相關(guān)的信息。這些壓縮文本作為GPT-4實(shí)例的速產(chǎn)生假說輸入，產(chǎn)生一個(gè)想法。人工這個(gè)想法然后被第二個(gè)GPT-4模型評論，智能助天反饋被第三個(gè)GPT-4模型調(diào)節(jié)。可幫常州同城約炮（電話微信189-4469-7302）提供頂級外圍優(yōu)質(zhì)資源，可滿足你的一切要求學(xué)分:arXiv (2023)。文學(xué)DOI: 10.48550/arxiv.2306.11648
（神秘的家快地球uux.cn）據(jù)今日宇宙（安迪·托馬威克）：幾乎在互聯(lián)網(wǎng)上的任何地方，你都幾乎不可能避開關(guān)于人工智能的速產(chǎn)生假說文章。即使在德州大學(xué)，人工我們也出版了幾本。智能助天通常，可幫他們關(guān)注的是特定研究小組如何利用技術(shù)來理解大量數(shù)據(jù)。但這種模式識別并不是人工智能擅長的全部。事實(shí)上，它變得很有抽象思維的能力。抽象思維有助于發(fā)展新的科學(xué)理論。帶著這種想法，來自歐空局、哥倫比亞大學(xué)和澳大利亞國立大學(xué)(ANU)的一組研究人員利用人工智能提出了天文學(xué)中的科學(xué)假設(shè)。
具體來說，他們是在星系天文學(xué)的子領(lǐng)域這樣做的，這個(gè)子領(lǐng)域?qū)ｉT研究星系的形成和物理學(xué)。最近發(fā)表的一篇關(guān)于arXiv預(yù)印服務(wù)器的論文提到，他們選擇這個(gè)子領(lǐng)域是因?yàn)樗摹熬C合性”，這需要“來自不同子領(lǐng)域的知識”
這聽起來正是人工智能已經(jīng)擅長的。而是一個(gè)標(biāo)準(zhǔn)的大型語言模型(LLM ),就像最近變得最熟悉的那些(ChatGPT、Bard等)。)沒有足夠的學(xué)科知識來在那個(gè)領(lǐng)域發(fā)展合理的假設(shè)。它甚至可能成為“幻覺”的犧牲品，一些研究人員(和記者)警告說，這是與模型互動的負(fù)面影響之一。
為了避免這個(gè)問題，由ANU的Ioana Ciuc和Yuan-Sen Ting領(lǐng)導(dǎo)的研究人員使用了一段被稱為應(yīng)用程序編程接口(API)的代碼，它是用Python編寫的，稱為Langchain。這個(gè)API允許更高級的用戶操作像GPT-4這樣的LLM，它是ChatGPT的最新基礎(chǔ)。在研究人員的案例中，他們從美國宇航局的天體物理數(shù)據(jù)系統(tǒng)下載了1000多篇與銀河天文學(xué)有關(guān)的科學(xué)文章，然后將其加載到GPT 4號上。
研究人員的實(shí)驗(yàn)之一是測試該模型可以訪問的論文數(shù)量如何影響其得出的假設(shè)。他們注意到，該研究所提出的假設(shè)中，只有10篇論文與全部1000篇論文之間存在顯著差異。
但是他們自己是如何判斷假說的有效性的呢？他們做了任何自尊的科學(xué)家都會做的事情，招募了該領(lǐng)域的專家。準(zhǔn)確地說，是兩個(gè)。他們要求他們只是假設(shè)基于思想的獨(dú)創(chuàng)性，測試假設(shè)的可行性，以及其基礎(chǔ)的科學(xué)準(zhǔn)確性。專家們發(fā)現(xiàn)，即使只有10篇論文的有限數(shù)據(jù)集，阿斯特羅-GPT提出的假設(shè)(他們稱之為他們的模型)的評分也僅略低于一名合格的博士生。通過查閱全部1000篇論文，阿斯特羅·GPT的得分達(dá)到了“近乎專家的水平”
決定提交給專家的最終假設(shè)的一個(gè)關(guān)鍵因素是使用“對抗性提示”對假設(shè)進(jìn)行提煉。雖然這聽起來有些咄咄逼人，但它只是意味著，除了開發(fā)假設(shè)的程序之外，另一個(gè)程序也在相同的數(shù)據(jù)集上接受了訓(xùn)練，然后向第一個(gè)程序提供了關(guān)于其假設(shè)的反饋，從而迫使原始程序改善其邏輯謬誤，并通常創(chuàng)造出更好的想法。
即使有對抗性的反饋，天文學(xué)博士生也沒有理由放棄在自己的領(lǐng)域提出自己獨(dú)特的想法。但是，這項(xiàng)研究確實(shí)指出了這些LLM未被充分利用的能力。隨著它們被越來越廣泛地采用，科學(xué)家和外行人可以越來越多地利用它們來提出新的更好的想法進(jìn)行測試。

最新評論