ต่อไปคำแนะนำต่อไป
การแจ้งเตือนแบบโสคราตีสที่ทำให้ AI สอนคุณ
ภาษาเอไอ
คู่มือ AI ภาษา
การกระตุ้นแบบอะนาล็อกและแบบ Step-Back จะช่วยชี้แนะโมเดลให้หาเหตุผลในระดับที่สูงกว่าก่อน: การกระตุ้นแบบอะนาล็อกจะทำให้นึกถึงปัญหาที่แก้ไขแล้วที่คล้ายกัน ในขณะที่การถอยกลับจะได้หลักการพื้นฐานก่อนที่จะจัดการกับปัญหาเฉพาะ
ฟังคำแนะนำนี้บรรยายโดย AI · ~2 min
สิ่งเหล่านี้มีความสำคัญเนื่องจากการทำเป็นนามธรรมมักจะดีกว่าการลงลึกในรายละเอียดทันที
นี่เป็นเทคนิคการวิจัย Google สองประการที่เกี่ยวข้องกันตั้งแต่ปี 2023 เพื่อปรับปรุงการใช้เหตุผล การกระตุ้นเตือนแบบอะนาล็อกโดย Yasunaga และเพื่อนร่วมงาน ขอให้แบบจำลองสร้างตัวอย่างที่เกี่ยวข้องสองสามตัวอย่างด้วยตนเอง ปัญหาที่คล้ายกันที่เห็นได้อย่างมีประสิทธิภาพ และแนวทางแก้ไขก่อนที่จะแก้ไขปัญหาเป้าหมาย โดยไม่จำเป็นต้องใช้ตัวอย่างที่เขียนด้วยลายมือ เจิ้งและเพื่อนร่วมงานเสนอแนะแบบ Step-Back แทนที่จะถามคำถามเชิงนามธรรมก่อน ("หลักการทั่วไปหรือข้อเท็จจริงใดที่ควบคุมสิ่งนี้") ดึงข้อมูลหรือให้เหตุผลเกี่ยวกับหลักการนั้น จากนั้นนำไปใช้กับคำถามที่เป็นรูปธรรม ทั้งสองผลักโมเดลออกจากรายละเอียดก่อนวัยอันควร Step-Back แสดงให้เห็นถึงประโยชน์จากคำถามฟิสิกส์และเคมี และการให้เหตุผลแบบหลายฮอป ในขณะที่อะนาล็อกช่วยปรับปรุงการสร้างคณิตศาสตร์และรหัสโดยปรับแต่งตัวอย่างให้เหมาะกับปัญหาเฉพาะแต่ละข้อ
ตอบคำถามฟิสิกส์โดยระบุกฎที่เกี่ยวข้องก่อน (เช่น กฎข้อที่สองของนิวตัน) ผ่านการถอยกลับ จากนั้นจึงแทนตัวเลข
การแก้ปัญหาทางคณิตศาสตร์ใหม่โดยให้แบบจำลองระลึกถึงปัญหาที่ได้รับการแก้ไขที่คล้ายกันสองสามรายการผ่านการเตือนแบบอะนาล็อก
จัดการกับคำถามเบ็ดเตล็ดแบบมัลติฮอปโดยย้อนกลับไปที่หมวดหมู่หรือเอนทิตีที่กว้างขึ้นก่อนจะเชื่อมโยงข้อเท็จจริง
การสร้างโค้ดโดยการสร้างอัลกอริธึมที่คล้ายคลึงกันและวิธีแก้ปัญหาด้วยตนเอง จากนั้นจึงปรับให้เข้ากับงานปัจจุบัน
คาดว่ารูปแบบที่เน้นนามธรรมเป็นหลักเหล่านี้จะผสานเข้ากับระบบการดึงข้อมูล โดยที่หลักการย้อนกลับกลายเป็นแบบสอบถามที่แม่นยำในฐานความรู้ และกับผู้วางแผนตัวแทนที่ให้เหตุผลเกี่ยวกับกลยุทธ์ก่อนยุทธวิธี การวิจัยกำลังได้รับการขัดเกลาเมื่อการเปรียบเทียบที่สร้างขึ้นเองช่วยได้ เมื่อเทียบกับเมื่อนำเสนอตัวอย่างที่ไม่เกี่ยวข้องหรือไม่ถูกต้อง และผสมผสานการถอยกลับเข้ากับการยืนยัน เพื่อให้หลักการที่เลือกได้รับการตรวจสอบก่อนที่จะสร้างเหตุผลที่หนักแน่นขึ้นมา สิ่งเหล่านี้มีแนวโน้มที่จะเป็นค่าเริ่มต้นในแบบจำลองที่ปรับให้เหตุผล
จดหมายข่าวฟรี
เรื่องราว AI ที่ตรวจสอบแล้ว 3 เรื่องทุกวันทำงาน เช้า, เขียนเป็นภาษาอังกฤษธรรมดา ฟรีตลอดไป ไม่มีโฆษณา
อีเมลหนึ่งฉบับทุกวันทำงาน ยกเลิกการสมัครในคลิกเดียว เราไม่เคยขายหรือแชร์ที่อยู่อีเมลของคุณ
ทดสอบตัวเอง
ข้อเสนอแนะทันทีสำหรับทุกคำตอบ และใบรับรองที่สามารถแชร์ได้พร้อม ID ที่ตรวจสอบได้เมื่อคุณผ่านหลักสูตร
สนับสนุนการศึกษา AI ฟรี AI Understanding เป็นองค์กรไม่แสวงหาผลกำไร 501(c)(3) — ไม่มีโฆษณา ไม่มีกำแพงเงิน, ตลอดไป บริจาค
การกระตุ้นแบบอะนาล็อกและแบบ Step-Back จะช่วยชี้แนะโมเดลให้หาเหตุผลในระดับที่สูงกว่าก่อน: การกระตุ้นแบบอะนาล็อกจะทำให้นึกถึงปัญหาที่แก้ไขแล้วที่คล้ายกัน ในขณะที่การถอยกลับจะได้หลักการพื้นฐานก่อนที่จะจัดการกับปัญหาเฉพาะ สิ่งเหล่านี้มีความสำคัญเนื่องจากสิ่งที่เป็นนามธรรมมักจะเอาชนะการดำดิ่งลงสู่รายละเอียดโดยตรง
การกระตุ้นเตือนแบบอะนาล็อกทำให้โมเดลสร้างตัวอย่างและวิธีแก้ปัญหาที่เกี่ยวข้องของตัวเอง ซึ่งปรับให้เหมาะกับปัญหา
Step-Back ถามคำถามที่เป็นนามธรรมก่อนเพื่อเปิดเผยหลักการหรือข้อเท็จจริงที่ควบคุมปัญหา
การระบุหลักการกำกับดูแลก่อนจะแนะนำและจำกัดขั้นตอนโดยละเอียด ซึ่งช่วยลดโอกาสที่จะเกิดข้อผิดพลาด
Step-Back ปรับปรุงประสิทธิภาพของคำถามวิทยาศาสตร์และการให้เหตุผลแบบหลายฮอปโดยการสรุปก่อน
เนื่องจากแบบจำลองคิดค้นการเปรียบเทียบของตัวเอง บางครั้งแบบอย่างเหล่านั้นอาจไม่เกี่ยวข้องหรือไม่ถูกต้อง ซึ่งส่งผลเสียต่อคำตอบ
เรียนรู้ต่อไป
คำแนะนำเพิ่มเติมที่เลือกสำหรับหัวข้อนี้
ต่อไปคำแนะนำต่อไป
การแจ้งเตือนแบบโสคราตีสที่ทำให้ AI สอนคุณ
ภาษาเอไอ