Die KI entwickelt sich weiter! Erlernt KI durch System-2-Denken, „sorgfältig zu denken“?

Würde man fragen, welche Forschungsrichtung im Bereich der Künstlichen Intelligenz in den letzten Jahren am beliebtesten war, wären es vermutlich die großen Modelle. Mit der Einführung des ChatGPT-Produkts durch OpenAI Ende 2022 ist der Kommerzialisierungsprozess der künstlichen Intelligenz rund um große Modelle auf die Überholspur gekommen und hat die Produktionsmethoden und Servicemodelle verschiedener Branchen grundlegend verändert.

Laut Angaben des Marktforschungsunternehmens Precedence Research erreichte der globale Markt für künstliche Intelligenz im Jahr 2023 ein Volumen von rund 1,1879 Billionen Yuan. Bis 2030 dürfte dieser Wert auf 11,4554 Billionen Yuan ansteigen, was einer durchschnittlichen Wachstumsrate von über 35 % entspricht. Es sollte jedoch darauf hingewiesen werden, dass für das Modelltraining große Datenmengen, darunter Text, Bilder, Sprache usw., erforderlich sind und dass es während des Trainingsvorgangs möglicherweise erforderlich ist, die Modellparameter anzupassen, um die Leistung zu optimieren und die Genauigkeit zu verbessern. Dies erfordert zur Unterstützung eine hohe Rechenleistung.

Daten zeigen, dass die Kosten für ein vollständiges Modelltraining von ChatGPT 80 Millionen Yuan übersteigen. Wenn das Modell zehnmal trainiert wird, betragen die Kosten bis zu 800 Millionen Yuan, was offensichtlich ein großes Hindernis für die Entwicklung großer Modelle darstellt.

Kürzlich stellte der leitende Wissenschaftler von OpenAI, Noam Brown, jedoch eine bemerkenswerte Theorie vor, die neue Ideen zur Lösung dieses Problems liefert. Er sagte, dass die Leistung des KI-Modells um das 100.000-fache der Größe des Modells und der Trainingszeit verbessert werden könne, wenn man es vor jeder Entscheidung 20 Sekunden lang nachdenken lasse. Der Schlüssel zum Erreichen dieses Durchbruchs sei das „System 2-Denken“.

Eine neue Denkweise

Das Konzept des System-2-Denkens stammt aus der Psychologie und wurde vom Nobelpreisträger Daniel Kahneman vorgeschlagen. Die Theorie besagt, dass der menschliche Geist von zwei unterschiedlichen Systemen gesteuert wird. Das System-1-Denken ist schnell, intuitiv und automatisch und steuert unsere spontanen Urteile, beispielsweise Reaktionen auf unerwartete Ereignisse oder das Erkennen vertrauter Muster. Im Gegensatz dazu ist das System-2-Denken langsam, überlegt und analytisch und unterstützt die Lösung komplexer Probleme, die Planung und das Denken.

Obwohl diese beiden Systeme oft getrennt behandelt werden, interagieren sie ständig. System-1-Denken erzeugt Eindrücke, Intuitionen und Absichten; Beim System-2-Denken werden Vorschläge bewertet und bei Übereinstimmung in wohlüberlegte Entscheidungen integriert. Dadurch können Menschen problemlos mit einer Vielzahl von Situationen umgehen, vom Alltag bis hin zu anspruchsvollen Problemen.

Brown führte diese Theorie in den Bereich der KI ein und vertrat die Ansicht, dass die Leistung des Modells erheblich verbessert werden könne, ohne dass die Ressourcen wesentlich erhöht würden, wenn man die KI zu tieferen Analysen und Schlussfolgerungen anregt. Speziell:

Erstens: Verbessern Sie Ihre Argumentations- und Problemlösungsfähigkeiten. Große Modelle mit System-2-Denken sind besser im logischen Denken, beim Verstehen komplexer Konzepte und beim Lösen von Problemen, die sorgfältiges Denken und Abwägen erfordern. Dies kann Aspekte umfassen, die von der Lösung fortgeschrittener mathematischer Probleme bis hin zu subtileren moralischen Überlegungen reichen.

Zweitens: Verbessern Sie Ihr Verständnis für Kontext und Nuancen. Aktuelle große Modelle haben möglicherweise Schwierigkeiten, Kontext und Nuancen zu verstehen, insbesondere in komplexen oder mehrdeutigen Situationen. Durch das System-2-Denken können große Modelle die Feinheiten der menschlichen Sprache und die Komplexität realer Szenarien besser erfassen.

Drittens: Reduzieren Sie Voreingenommenheit und Fehler. Obwohl das System-1-Denken schnell ist, ist es auch anfälliger für Voreingenommenheit und Fehler. Durch die Einbeziehung des System-2-Denkens können große Modelle diese Verzerrungen reduzieren und so zu faireren und genaueren Ergebnissen führen.

Viertens: Treffen Sie bessere Entscheidungen. In Bereichen wie Wirtschaft oder Medizin, in denen Entscheidungen oft erhebliche Konsequenzen haben, können große Modelle mit System-2-Denken große Datenmengen analysieren, verschiedene Optionen abwägen und Entscheidungsempfehlungen auf der Grundlage logischer Schlussfolgerungen und Beweise abgeben.

Fünftens: Verbessern Sie die Lernfähigkeit und Anpassungsfähigkeit. System-2-Denken in großen Modellen kann zu verbesserten Lernfähigkeiten führen und ermöglicht nicht nur das Lernen aus Daten, sondern auch das Verstehen und Anwenden abstrakter Konzepte, Prinzipien und Strategien in einer Vielzahl von Situationen.

Sechstens: Effektivere Mensch-Maschine-Zusammenarbeit. Mit dem System 2-Denken können große Modelle menschliche Bedürfnisse und Verhaltensweisen besser verstehen und vorhersagen, was zu einer effektiveren und intuitiveren Mensch-Computer-Interaktion und Zusammenarbeit führt.

Die zukünftige Entwicklung ist vielversprechend

Es ist erwähnenswert, dass die Verwirklichung eines echten System-2-Denkens im Bereich der KI eine große Herausforderung darstellt. Dies erfordert nicht nur verbesserte algorithmische Methoden und Rechenleistung, sondern auch ein besseres Verständnis der menschlichen kognitiven und Denkprozesse. Bislang arbeiteten große Modelle hauptsächlich auf eine Weise, die dem menschlichen Systemdenken näher kam und sich eher auf Mustererkennung und schnelle Reaktionsgenerierung als auf tiefgründiges logisches Denken stützte.

Wir sehen aber auch, dass einige Technologieunternehmen erste Schritte zur Erkundung unternommen haben. Beispielsweise beinhaltet das von OpenAI eingeführte o1-Modell System-2-Denken und ermöglicht der KI einen tieferen Denkprozess. Berichten zufolge betrug die Genauigkeit des Modells bei der Qualifikationsprüfung zur Internationalen Mathematik-Olympiade 83 % und übertraf damit die 13 % des aktuellen Mainstream-Modells bei weitem.

Erwähnenswert ist auch das von DeepMind eingeführte Talker-Reasoner-Framework. Dieser Rahmen kombiniert zwei Denkweisen. Die Talker-Komponente ist für die Handhabung von Echtzeitinteraktionen mit Benutzern und der Umgebung, die Wahrnehmung von Beobachtungen, die Interpretation von Sprache, das Abrufen von Informationen aus dem Gedächtnis und die Generierung von Gesprächsantworten verantwortlich. Die Reasoner-Komponente ist für die Durchführung komplexer Schlussfolgerungen und Planungen sowie für die Interaktion mit Tools und externen Datenquellen verantwortlich, um ihr Wissen zu erweitern und intelligente Entscheidungen zu treffen.

Wir sind davon überzeugt, dass große Modelle durch die Simulation menschlicher Denkprozesse nicht nur ihre Problemlösungsfähigkeiten verbessern, sondern auch komplexe und sich verändernde Umgebungen besser verstehen und sich an sie anpassen können. Dieser Fortschritt beschränkt sich nicht nur auf die Ausweitung der Anwendungen im Technologiebereich, sondern bedeutet auch menschlichere und effizientere Dienstleistungen in mehr Branchen.

Abschließend:

Es ist keine Übertreibung zu sagen, dass die Integration des System-2-Denkens in große Modelle einen kritischen Moment in der Entwicklung der KI darstellt. Es ist absehbar, dass uns die weitverbreitete Anwendung großer Modelle dabei helfen wird, komplexere Probleme zu lösen, präzisere Dienste bereitzustellen und die menschliche Gesellschaft in ein neues intelligentes Zeitalter zu führen.

Quelle: Chongqing Tianji Network Co., Ltd.

Prüfungsexperte: Li Zhigao

Hinweis: Abgesehen von Originalinhalten und besonderen Hinweisen stammen einige Bilder aus dem Internet. Sie dienen nicht kommerziellen Zwecken und werden nur als populärwissenschaftliche Materialien verwendet. Das Urheberrecht liegt bei den ursprünglichen Autoren. Sollten Rechtsverstöße vorliegen, kontaktieren Sie uns bitte, damit wir diese löschen können.