คู่มือทางเทคนิค
การใช้เหตุผลแบบต้นไม้แห่งความคิด
ต้นไม้แห่งความคิดช่วยให้แบบจำลองสำรวจเส้นทางการใช้เหตุผลหลายเส้นทางไปพร้อมๆ กัน เช่น กิ่งก้านของต้นไม้ แทนที่จะมุ่งมั่นกับแนวความคิดเส้นเดียว
ฟังคำแนะนำนี้บรรยายโดย AI · ~2 min
บนหน้านี้อ่าน 2 นาที
ภาพรวม
It can look ahead, evaluate partial solutions, and backtrack from dead ends.
เจาะลึก
แนะนำโดยเหยาและคณะ ในปี 2023 Tree-of-Thoughts (ToT) จะสรุปการกระตุ้นแบบลูกโซ่แห่งความคิด เมื่อห่วงโซ่แห่งความคิดสร้างลำดับเชิงเส้นตรงของขั้นตอนการให้เหตุผล ToT จะจัดโครงสร้างปัญหาเป็นแผนผัง: แต่ละโหนดเป็นวิธีแก้ปัญหาบางส่วน ("ความคิด") และแบบจำลองจะสร้างความคิดถัดไปที่เป็นตัวเลือกหลายรายการจากแต่ละโหนด ขั้นตอนการประเมินที่แยกออกมาจะให้คะแนนว่าแต่ละสาขามีแนวโน้มที่ดีเพียงใด และอัลกอริธึมการค้นหา เช่น การค้นหาแบบกว้างก่อนหรือลึกก่อนจะตัดสินใจว่าจะขยายสาขาใดและควรตัดสาขาใด ซึ่งช่วยให้โมเดลจงใจสำรวจ มองไปข้างหน้า 2-3 ก้าว และย้อนรอยเมื่อเส้นทางดูไม่มีแนวโน้มดี ToT ฉายแววภารกิจที่เอาชนะการใช้เหตุผลแบบเส้นทางเดียวอันละโมบ โดยที่โด่งดังที่สุดคือเกม 24 โดยที่ GPT-4 ที่มีห่วงโซ่แห่งความคิดสามารถไขปริศนาได้ประมาณ 4% แต่ ToT ผลักดันความสำเร็จเป็นประมาณ 74%
การใช้งานจริงในโลกแห่งความเป็นจริง
แก้เกม 24 โดยการแยกตัวเลขสองตัวมารวมกันก่อน และตัดเส้นทางเลขคณิตที่ไม่สามารถเข้าถึง 24 ได้
การเขียนเชิงสร้างสรรค์ที่มีแผนที่สอดคล้องกัน โดยที่แบบจำลองจะร่างโครงร่างโครงเรื่องต่างๆ ประเมิน และขยายส่วนที่แข็งแกร่งที่สุดก่อนที่จะเขียนร้อยแก้ว
ปริศนาที่มีข้อจำกัด เช่น ปริศนาอักษรไขว้ขนาดเล็ก โดยแต่ละคำที่เติมไว้เป็นเพียงความคิด และกิ่งก้านที่เข้ากันไม่ได้จะถูกละทิ้ง
ปัญหาทางคณิตศาสตร์หรือการวางแผนแบบหลายขั้นตอนที่แบบจำลองสำรวจขั้นตอนกลางทางเลือกและการย้อนรอยจากขั้นตอนที่ฝ่าฝืนข้อจำกัด
อนาคตของการให้เหตุผลแบบต้นไม้แห่งความคิด
แนวคิดแบบต้นไม้มีอิทธิพลต่อวิธีการใช้เวลาในการอนุมาน: แทนที่จะส่งผ่านครั้งใหญ่เพียงครั้งเดียว ระบบจะค้นหาเส้นทางการใช้เหตุผลและเลือกสิ่งที่ดีที่สุดมากขึ้นเรื่อยๆ งานในอนาคตมีจุดมุ่งหมายเพื่อเรียนรู้ว่าเมื่อใดที่การแยกสาขามีค่าใช้จ่ายโทเค็นสูง เพื่อใช้ฟังก์ชันค่าที่ได้รับการฝึกอบรมแทนการประเมินตนเองโดยทันที และพับการค้นหาแบบต้นไม้เป็นรูปแบบการให้เหตุผลเพื่อให้การพิจารณามีประสิทธิภาพมากขึ้น คาดหวังการผสานรวมกับเครื่องมือและผู้ตรวจสอบที่เข้มงวดมากขึ้น ดังนั้นการประเมินสาขาจะขึ้นอยู่กับผลตอบรับจริงมากกว่าการคาดเดาของแบบจำลอง
การนำไปปฏิบัติ
ทำไมมันถึงสำคัญ
- ต้นทุนและงบประมาณ. การตัดสินใจด้านสถาปัตยกรรมขับเคลื่อนประสิทธิภาพและต้นทุนการดำเนินงานเป็นเวลาหลายปี
- การตัดสินใจที่ชัดเจนยิ่งขึ้น. การศึกษาด้านเทคนิคช่วยให้ทีมเลือกกลุ่มที่เหมาะสม ไม่ใช่แค่กลุ่มใหม่ล่าสุด
- การควบคุมคุณภาพ. ตัวเลือกทางวิศวกรรมที่ดีกว่าจะช่วยลดเหตุการณ์ด้านความน่าเชื่อถือในการผลิต
ระวัง
- การเพิ่มประสิทธิภาพเกณฑ์มาตรฐานหนึ่งรายการสามารถซ่อนจุดอ่อนของระบบในวงกว้างได้
- ต้นทุนโครงสร้างพื้นฐานและการบำรุงรักษามักถูกประเมินต่ำไป
- ช่องว่างด้านความปลอดภัยและความสามารถในการสังเกตสามารถเพิ่มขึ้นได้เมื่อระบบมีความซับซ้อนมากขึ้น
ขั้นตอนต่อไป
- กำหนดเป้าหมายเวลาแฝง คุณภาพ และต้นทุนก่อนนำไปใช้งาน
- เกณฑ์มาตรฐานภายใต้สภาวะโหลดและข้อมูลจริง
- การตรวจสอบเครื่องมือเพื่อหาข้อผิดพลาด การเบี่ยงเบน และผลกระทบต่อผู้ใช้
- เตรียมเส้นทางการย้อนกลับและการตอบสนองต่อเหตุการณ์ก่อนปรับขนาด
สำรวจต่อไป
จดหมายข่าวฟรี
รับสรุป AI รายวัน
เรื่องราว AI ที่ตรวจสอบแล้ว 3 เรื่องทุกวันทำงาน เช้า, เขียนเป็นภาษาอังกฤษธรรมดา ฟรีตลอดไป ไม่มีโฆษณา
อีเมลหนึ่งฉบับทุกวันทำงาน ยกเลิกการสมัครในคลิกเดียว เราไม่เคยขายหรือแชร์ที่อยู่อีเมลของคุณ
ทดสอบตัวเอง
Take the Tree-of-Thoughts Reasoning quiz
ข้อเสนอแนะทันทีสำหรับทุกคำตอบ และใบรับรองที่สามารถแชร์ได้พร้อม ID ที่ตรวจสอบได้เมื่อคุณผ่านหลักสูตร
สนับสนุนการศึกษา AI ฟรี AI Understanding เป็นองค์กรไม่แสวงหาผลกำไร 501(c)(3) — ไม่มีโฆษณา ไม่มีกำแพงเงิน, ตลอดไป บริจาค
คำถามที่พบบ่อย
What is Tree-of-Thoughts Reasoning?
ต้นไม้แห่งความคิดช่วยให้แบบจำลองสำรวจเส้นทางการใช้เหตุผลหลายเส้นทางไปพร้อมๆ กัน เช่น กิ่งก้านของต้นไม้ แทนที่จะมุ่งมั่นกับแนวความคิดเส้นเดียว สามารถมองไปข้างหน้า ประเมินวิธีแก้ปัญหาบางส่วน และย้อนรอยจากทางตันได้
Tree-of-Thoughts แตกต่างจากการกระตุ้นเตือนแบบลูกโซ่อย่างไร
สายโซ่แห่งความคิดสร้างลำดับเชิงเส้นเดี่ยว ในขณะที่ต้นไม้แห่งความคิดแยกออกเป็นหลายเส้นทางที่สามารถประเมินและตัดแต่งได้
ใน Tree-of-Thoughts โดยทั่วไปแล้วโหนดเดียวจะแสดงถึงอะไร
แต่ละโหนดเป็นวิธีแก้ปัญหาบางส่วน (ความคิด) และแบบจำลองจะขยายความคิดถัดไปของผู้สมัครหลายรายจากแต่ละโหนด
ผู้ประเมินของรัฐมีบทบาทอย่างไรใน Tree-of-Thoughts?
ผู้ประเมิน ซึ่งมักจะเป็น LLM คนเดียวกัน จะให้คะแนนหรือลงคะแนนเสียงในรัฐบางส่วน (เช่น แน่นอน/อาจจะ/เป็นไปไม่ได้) เพื่อให้การค้นหามุ่งเน้นไปที่สาขาที่มีแนวโน้มดี
ในการวัดประสิทธิภาพ Game of 24 ToT ทำได้ดีกว่าห่วงโซ่ความคิดอย่างมากด้วยการก้าวกระโดดระดับใด
GPT-4 ที่มีห่วงโซ่แห่งความคิดแก้ไขได้ประมาณ 4% ของเกมปริศนา 24 ชิ้น ในขณะที่ Tree-of-Thoughts สูงถึงประมาณ 74%
กลยุทธ์การค้นหาใดที่มักใช้เพื่อนำทางแผนผังความคิด
ToT จับคู่การสร้างความคิดและการประเมินผลกับขั้นตอนการค้นหาแบบคลาสสิก เช่น BFS, DFS หรือการค้นหาแบบลำแสงเพื่อตัดสินใจว่าจะขยายสาขาใด
เรียนรู้ต่อไป
คำแนะนำที่เกี่ยวข้อง
คำแนะนำเพิ่มเติมที่เลือกสำหรับหัวข้อนี้