คู่มือทางเทคนิค

การใช้เหตุผลแบบต้นไม้แห่งความคิด

ต้นไม้แห่งความคิดช่วยให้แบบจำลองสำรวจเส้นทางการใช้เหตุผลหลายเส้นทางไปพร้อมๆ กัน เช่น กิ่งก้านของต้นไม้ แทนที่จะมุ่งมั่นกับแนวความคิดเส้นเดียว

ฟังคำแนะนำนี้บรรยายโดย AI · ~2 min

บนหน้านี้อ่าน 2 นาที
  1. ภาพรวม
  2. เจาะลึก
  3. การใช้งานจริงในโลกแห่งความเป็นจริง
  4. อนาคตของการให้เหตุผลแบบต้นไม้แห่งความคิด
  5. การนำไปปฏิบัติ
  6. สำรวจต่อไป
  7. คำถามที่พบบ่อย

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

  1. กำหนดเป้าหมายเวลาแฝง คุณภาพ และต้นทุนก่อนนำไปใช้งาน
  2. เกณฑ์มาตรฐานภายใต้สภาวะโหลดและข้อมูลจริง
  3. การตรวจสอบเครื่องมือเพื่อหาข้อผิดพลาด การเบี่ยงเบน และผลกระทบต่อผู้ใช้
  4. 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

เริ่มแบบทดสอบ

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

รับใบรับรอง AI ฟรีหลักสูตรและการสอบสั้น ๆ ฟรี ไม่มีค่าใช้จ่าย ไม่มีบัตรเครดิต ประมาณ 2.5 ชั่วโมงเริ่มต้นฟรี →