China News Service, ปักกิ่ง, วันที่ 20 มิถุนายน (ผู้สื่อข่าวซัน ซีฟา) โมเดลภาษาขนาดใหญ่ (LLM) ที่อิงตามปัญญาประดิษฐ์ (AI) อาจไม่แม่นยำและเชื่อถือได้เสมอไปในการตอบคำถาม และบางครั้งก็ให้ข้อมูลไร้สาระในลักษณะ "ภาพลวงตา" อย่างชาญฉลาดอย่างยิ่ง คำตอบที่ประดิษฐ์ขึ้นแบบสุ่มทำให้ยากต่อการบอกได้ว่าคำตอบเหล่านั้นเป็นจริงหรือเท็จ วิธีตรวจจับสิ่งนี้ดึงดูดความสนใจอย่างกว้างขวางได้อย่างไร
บทความวิจัยด้านปัญญาประดิษฐ์ที่ตีพิมพ์เมื่อเร็วๆ นี้ในวารสารวิชาการที่มีชื่อเสียงระดับนานาชาติ "Nature" ระบุว่านักวิจัยได้พัฒนาวิธีการที่สามารถตรวจจับ "ภาพหลอน" ของแบบจำลองภาษาขนาดใหญ่ วิธีการนี้ใช้ "การต่อสู้ด้วยไฟ" fire" วิธีการ ความสามารถในการวัดความไม่แน่นอนในความหมายของการตอบสนองที่สร้างขึ้นอาจถูกนำมาใช้เพื่อปรับปรุงความน่าเชื่อถือของเอาต์พุตแบบจำลองภาษาขนาดใหญ่
บทความนี้แนะนำว่าโมเดลภาษาขนาดใหญ่ (เช่น ChatGPT และ Gemini) เป็นระบบปัญญาประดิษฐ์ที่สามารถอ่านและสร้างภาษามนุษย์ตามธรรมชาติได้ อย่างไรก็ตาม ระบบดังกล่าวสามารถสร้าง “ภาพหลอน” และสร้างเนื้อหาที่ไม่ถูกต้องหรือไร้ความหมายได้อย่างง่ายดาย การตรวจจับขอบเขตที่แบบจำลองภาษาขนาดใหญ่ต้องทนทุกข์ทรมานจาก "อาการประสาทหลอน" นั้นเป็นเรื่องยากเนื่องจากคำตอบอาจถูกนำเสนอในลักษณะที่ทำให้ดูเหมือนน่าเชื่อถือ
ในการศึกษานี้ Sebastian Farquhar ผู้เขียนคนแรกและผู้เขียนบทความที่เกี่ยวข้องของมหาวิทยาลัยออกซ์ฟอร์ดในสหราชอาณาจักร ได้ทำงานร่วมกับเพื่อนร่วมงานเพื่อพยายามหาปริมาณว่าโมเดลภาษาขนาดใหญ่สร้างขึ้นได้มากเพียงใด " ภาพลวงตา" เพื่อกำหนดจำนวนเนื้อหาที่ถูกสร้างขึ้น จงยึดมั่นในเนื้อหาต้นฉบับที่ให้ไว้ วิธีการของพวกเขาตรวจจับ "การประดิษฐ์" ซึ่งเป็นหมวดหมู่ย่อยของ "ภาพหลอน" ซึ่งหมายถึงเนื้อหาที่ไม่ถูกต้องและเป็นไปตามอำเภอใจ ซึ่งมักเกิดขึ้นเมื่อแบบจำลองภาษาขนาดใหญ่ขาดความรู้บางประเภท วิธีการที่พวกเขาพัฒนาขึ้นเพื่อ "ประกอบ" คำถามคำนึงถึงความแตกต่างของภาษาและวิธีแสดงคำตอบในรูปแบบต่างๆ และมีความหมายที่แตกต่างกัน การวิจัยแสดงให้เห็นว่าวิธีการนี้สามารถระบุเนื้อหาที่ "สร้างขึ้น" ในโปรไฟล์ที่สร้างโดยแบบจำลองภาษาขนาดใหญ่ รวมถึงการตอบกลับในหัวข้อต่างๆ เช่น เกร็ดความรู้ ความรู้ทั่วไป และวิทยาศาสตร์เพื่อชีวิต
"Nature" เผยแพร่บทความ "ข่าวสารและมุมมอง" โดยผู้เชี่ยวชาญในเวลาเดียวกัน โดยชี้ให้เห็นว่างานการตรวจจับของงานวิจัยล่าสุดเสร็จสิ้นด้วยแบบจำลองภาษาขนาดใหญ่ และได้รับการประเมินโดยแบบจำลองภาษาขนาดใหญ่อื่น ซึ่งเทียบเท่ากับ “การดับไฟด้วยไฟ” แม้ว่าการใช้โมเดลภาษาขนาดใหญ่เพื่อประเมินแนวทางที่ใช้โมเดลภาษาขนาดใหญ่อาจดูเป็นวงกลมและอาจมีอคติ แต่แนวทางของพวกเขาหวังว่าจะช่วยให้ผู้ใช้เข้าใจสถานการณ์ที่การตอบสนองโดยใช้โมเดลภาษาขนาดใหญ่ต้องใช้ความระมัดระวัง ซึ่งหมายความว่า สิ่งนี้สามารถปรับปรุงความมั่นใจของ โมเดลภาษาขนาดใหญ่ในสถานการณ์การใช้งานที่หลากหลาย (จบ) [บรรณาธิการ: กวนนา]
บาคาราออนไลน์ สมัครบาคารา เครดตฟรbaccarat