الذكاء الاصطناعي الجماعي هو ممارسة وجود نماذج ذكاء اصطناعي متعددة تفكر بشكل مستقل حول نفس السؤال، تبني حججًا لصالح و ضد ادعاء، ثم تقيم حجج كل نموذج آخر. حيث يمكن أن يكون نموذج ذكاء اصطناعي واحد خاطئًا بثقة - على سبيل المثال، محامي في قضية Mata ضد Avianca (2023) قدم مذكرة قانونية تستشهد بقضايا قضائية اختلقتها ChatGPT - يكشف الذكاء الاصطناعي الجماعي عن تلك الأخطاء كاختلاف. تقوم Argumentree.AI بتنفيذ ذلك من خلال هيكلة تفكير كل نموذج في شجرة حجج وجعل جميع النماذج المتاحة تقيم بعضها البعض بشكل مجهول. التوافق العالي هو إشارة ثقة؛ الاختلاف هو الإشارة ذات القيمة الأعلى، مما يشير لك بالضبط إلى أين تحتاج إلى التحقق البشري. التوافق لا يثبت الحقيقة - بل يكشف أين يجب أن تبحث.
الذكاء الاصطناعي الجماعي لديه نماذج ذكاء اصطناعي متعددة تفكر بشكل مستقل، تبني حججًا، وتقييم بعضها البعض - لذا يصبح التوافق، والأهم من ذلك، الاختلاف مرئيًا. إنه الترياق للاعتماد على ذكاء اصطناعي واحد يمكن أن يكون خاطئًا بثقة.
الذكاء الاصطناعي الجماعي يستفسر من عدة نماذج ذكاء اصطناعي بشكل مستقل ويجعلها تقيم تفكير بعضها البعض. الاتفاق هو إشارة ثقة - لكن العائد الحقيقي هو أن الاختلاف يشير بالضبط إلى أين تحتاج إلى التحقق. التوافق ليس دليلاً على الحقيقة.
الذكاء الاصطناعي الجماعي (CAI) هو ممارسة دمج التفكير المستقل لعدة نماذج ذكاء اصطناعي للوصول إلى فهم أكثر موثوقية، أفضل ضبطًا مما يوفره أي نموذج فردي بمفرده. بدلاً من سؤال نموذج واحد عن إجابة، يسأل CAI عدة نماذج نفس السؤال، ويجعل كل منها يبني حالة منظمة، ثم يجعل كل نموذج يقيم حجج كل نموذج آخر. الناتج ليس حكمًا واحدًا - إنه خريطة حيث تتفق الأنظمة المستقلة وحيث تختلف.
نموذج ذكاء اصطناعي واحد ليس لديه "لا أعرف" مدمجة. إنه دائمًا يولد مخرجات طليقة وواثقة - حتى عندما يكون يخترع. المثال الأكثر استشهادًا هو Mata ضد Avianca (2023)، حيث قدم محامي مذكرة في المحكمة الفيدرالية تستشهد بعدة قرارات قضائية اختلقتها ChatGPT تمامًا. كانت الاقتباسات تبدو حقيقية. كان النموذج واثقًا. لم يكن هناك رأي ثانٍ في الحلقة لالتقاط ذلك.
الرؤية الأساسية هي أن النماذج المختلفة تفشل بشكل مختلف. عندما تفكر عدة نماذج مستقلة في نفس الادعاء، نادرًا ما تتماشى أخطاؤها - لذا تميل خطأ من واحد إلى أن تكون شاذة تتناقض معها الأخرى. هذه هي الفكرة وراء نمط "مجلس LLM" مفتوح المصدر لأندريه كارباتي، حيث تجيب نماذج متعددة بشكل مستقل ثم تصنف ردود بعضها البعض. تقوم Argumentree.AI بتوسيع النمط مع أشجار الحجج المنظمة والتقييم المتبادل المجهول عبر جميع النماذج المتاحة.
نفس الادعاء أو سؤال البحث يذهب إلى كل نموذج متاح
تبني النماذج حججًا مؤيدة ومعارضة دون رؤية عمل بعضها البعض
يتم هيكلة التفكير بحيث يمكن فحص كل نقطة - لا يتم دمجها في إجابة واحدة
التقييم المتبادل المجهول يقلل من فرصة أن يقوم نموذج ما بمجاملة نفسه فقط
ترى أين تتقارب النماذج وأين لا تتقارب، وهو أمر حاسم
يقوم تقييم التوافق بتحديد مدى اتفاق النماذج على حجة معينة - تتراوح من أغلبية بسيطة إلى إجماع كامل. المبدأ التصميمي الأكثر أهمية هو مكافحة التسطح: لا يتم تجاهل الاختلاف أبدًا. تظل المواقف الأقلية التي ترفضها معظم النماذج مرئية، لأن الشاذ المدروس غالبًا ما يكون هو الحجة التي تستحق نظرة بشرية أقرب.
نظرًا لأن النماذج المستقلة نادرًا ما تخترع نفس الشيء، فإن الهلاوس تظهر عادة كحجة منخفضة التقييم ومتنازع عليها بدلاً من توافق سلس. لذلك، فإن الاختلاف هو إشارة كشف: تشير لك إلى الادعاءات الأكثر احتمالًا أن تكون خاطئة. لاحظ الإبستيميات - CAI قوي في الإشارة إلى المشاكل من خلال الاختلاف، ولا يدعي أن الاتفاق يثبت أن البيان صحيح.
يتناسب الذكاء الاصطناعي الجماعي مع أي سير عمل حيث تكون الإجابة الواحدة الواثقة محفوفة بالمخاطر: البحث ومراجعة الأدبيات، التحقق من الحقائق، العناية الواجبة، التحليل التنافسي، والقرارات عالية المخاطر حيث تحتاج إلى معرفة مدى تنازع الادعاء - ليس فقط ما يقوله نموذج واحد. في كل حالة، تكون المخرجات ذات القيمة الأعلى هي مجموعة النقاط التي تختلف فيها النماذج ويجب أن يركز المراجعة البشرية.
هذا هو المركز لكل شيء يتعلق بالتفكير متعدد النماذج. استكشف أي مفهوم أدناه.
اسأل عدة نماذج نفس السؤال في مكان واحد
افهم مدى اتفاق النماذج - من الأغلبية إلى الإجماع
اقرأ حجج كل نموذج في شجرة منظمة، وليس إجابة مدمجة
تُعلم النقاط المتنازع عليها حيث تعرف أين تتحقق
الذكاء الاصطناعي الجماعي هو ممارسة وجود نماذج ذكاء اصطناعي متعددة تفكر بشكل مستقل حول نفس السؤال، تبني حججًا، وتقييم تفكير بعضها البعض لكشف أين تتفق وأين - والأهم - تختلف. بدلاً من الاعتماد على إجابة واثقة من نموذج واحد، ترى طيفًا من وجهات نظر مستقلة، لذا تظهر الهلاوس والنقاط العمياء كاختلاف بدلاً من أن تمر دون أن تلاحظ.
لا. الاتفاق هو إشارة ثقة، وليس دليلاً. يمكن أن تشترك عدة نماذج في نفس تحيز بيانات التدريب وتكون خاطئة بثقة معًا. الذكاء الاصطناعي الجماعي هو الأكثر قيمة لعكس ذلك: الاختلاف بين النماذج هو إشارة موثوقة بأن الادعاء يحتاج إلى تحقق بشري. التوافق العالي يقلل من الأولوية للمراجعة؛ لا يحل محله أبدًا.
تخترع النماذج المختلفة الهلاوس بشكل مختلف - ما يخترعه واحد، عادة ما تصححه الأخرى. عندما تقيم عدة نماذج ادعاء بشكل مستقل ويخترع أحدها أدلة، عادة ما تقيم النماذج الأخرى تلك الحجة بشكل سيء. الاختلاف الناتج يشير إلى الهلاوس المحتملة، والتي ستظهر في سير عمل نموذج واحد كحقيقة واثقة.
تم استكشاف نمط استفسار عدة نماذج LLM وجعلها تقيم بعضها البعض في أعمال مفتوحة المصدر مثل 'مجلس LLM' لأندريه كارباتي، حيث تجيب نماذج متعددة بشكل مستقل ثم تصنف ردود بعضها البعض. تستكشف الأبحاث حول خليط الوكلاء فكرة ذات صلة. تقوم Argumentree.AI ببناء على هذا النسب مع أشجار الحجج المنظمة وتقييم متبادل مجهول بين النماذج.
إنه مناسب جيدًا لأسئلة البحث، والتحقق من الحقائق، ومراجعات الأدبيات، وأي قرار حيث تكون الإجابة الواحدة الواثقة محفوفة بالمخاطر. يتألق عندما تحتاج إلى معرفة مدى تنازع الادعاء - ليس فقط ما هي 'الإجابة'. استخدمه لتحديد أولويات الأماكن التي تحتاج فيها إلى تحقق بشري، خاصة في النقاط التي تختلف فيها النماذج.
لا تثق في إجابة واحدة واثقة. احصل على الذكاء الاصطناعي الجماعي - التوافق والاختلاف، جنبًا إلى جنب.
ابدأ مجانًا