跳到主要內容

發表文章

目前顯示的是有「大型語言模型」標籤的文章

目前AI(LLM)的原理概論:LLM 沒有真正理解,而是統計式理解!

緣起: 我在公司負責 導入AI 技術與治理規範,做了一些研究。 邀請大家一起閱讀與討論,以了解目前 AI 目前真實的能力與限制 ! 才不會被賣 AI 的人搞得很焦慮 ! 我試過了Microsoft  Copilot Chat 、 Claude 、 Gemini 、 ChatGPT , 我最喜歡 Microsoft  Copilot 的答案,更可貴的它提到引發 AI 熱潮, Google 無私公開的論文: Attention Is All You Need 我的指令 (Prompt) : 下面句子的 it 代表什麼 ? 你是怎麼知道的,會不會有出錯的時候 ? The animal didn't cross the street because it was too tired. 請說明清楚技術,如過出現專有名詞請說明清楚: 包含但不僅限於 Large Language modle , Natural Language Processing Microsoft Copilot chat : 這個問題其實碰到了 大型語言模型( Large Language Model, LLM )最核心的能力之一:指代消解( Coreference Resolution ) 。 先說結論: 在句子 "The animal didn't cross the street because it was too tired." 大部分人類以及大部分 LLM ,都會判斷: it = the animal (那隻動物) 也就是: 那隻動物沒有穿越馬路,因為牠太累了。 但重點是: AI 並不是「真的知道」 it 是 animal ,而是根據語言模式、機率、語意關聯去推斷,因此有可能出錯。 一、人類為什麼知道 it 是 animal ? 句子: The animal didn't cross the street because it was too tired. 拆解: 主詞:The animal 動作:didn't cross the street 原因:because it was too tired 如果翻譯成中文: 那隻動物沒有穿越馬路, 因為牠太累了。 人類會自然推論:太...

通用人工智慧(Artificial General Intelligence, AGI):大型語言模型(LLM)+世界模型(World Models)+具身智能(Embodied AI)

通用人工智慧(Artificial General Intelligence, AGI): 簡報檔案: 中文PDF: 從文本到實體: 通往 AGI 的物理藍圖(具身智能(Embodied AI)的系統架構、 演進與實體世界的治理前瞻) 英文PDF: BEYOND THE LLM PLATEAU:Why the path to AGI requires spatial intelligence, world models, and robust governance. 簡介: 這些來源共同探討了人工智慧(AI)的技術現狀、治理挑戰以及通往通用人工智慧(AGI)的未來路徑。內容涵蓋了中國發布的具身智能白皮書,詳細說明如何結合物理實體與感知技術,並引介具身認知理論來解釋生理體驗對心理狀態的影響。專家如楊立昆與李飛飛指出,現有的大語言模型(LLM)因缺乏對物理世界的理解與感知能力,難以單獨達成 AGI,必須朝向世界模型發展。此外,文本也分析了全球 AI 治理的發展趨勢,強調建立負責任且可信任的制度規範以應對倫理風險。最後,透過社群討論呈現了開發者對於 AI 是否會因數據崩潰或成本問題進入高原期的擔憂與觀察。 大型語言模型(LLM)+世界模型(World Models)+具身智能(Embodied AI) 大型語言模型(LLM)、世界模型、具身 AI(Embodied AI)與行為決策力之間的關係,可以視為從「數位智能」走向「物理智能」的演化過程。這四者協同作用,共同構建出未來能夠理解並操作現實世界的智慧體。以下為其關係的深度解析:  1. LLM:智慧體的「高階語言介面與思維腦」 功能定位:LLM 本質上是處理語言符號的專家,擅長語義理解、邏輯推理與任務拆解。它被稱為「黑暗中的文字工匠」,能處理抽象知識但缺乏物理直覺。 在決策鏈中的角色:在整體架構中,LLM 擔任「前台」或「介面層」。它接收人類的自然語言指令(如「幫我泡杯咖啡」),將其拆解為一系列子任務步驟。  2. 世界模型:智慧體的「內部模擬器與直覺腦」 功能定位:不同於 LLM 的文字處理,世界模型是 AI 對現實世界的「數位映射」與「物理模擬器」。它能理解重力、空間幾何與因果關係,預判「如果執行某動作,下一秒世界會如何改變」。 與 LLM 的關係:世界模型補足了 LLM 缺乏「物理常識」的短板。它...