ปัญญาประดิษฐ์ร่วมคือการมีโมเดล AI หลายตัวที่คิดอย่างอิสระเกี่ยวกับคำถามเดียวกัน สร้างข้อโต้แย้งสำหรับและต่อต้านข้อเรียกร้อง และจากนั้นให้คะแนนข้อโต้แย้งของโมเดลอื่น ๆ โมเดล AI เดียวอาจผิดพลาดอย่างมั่นใจ—อย่างที่มีชื่อเสียงในกรณี Mata v. Avianca (2023) ที่ทนายความได้ยื่นเอกสารทางกฎหมายที่อ้างถึงคดีในศาลที่ ChatGPT ได้สร้างขึ้น—ปัญญาประดิษฐ์ร่วมจึงทำให้ข้อผิดพลาดเหล่านั้นปรากฏเป็นความไม่เห็นด้วย Argumentree.AI ใช้การจัดโครงสร้างการคิดของแต่ละโมเดลเป็นต้นไม้ข้อโต้แย้งและให้โมเดลทั้งหมดที่มีอยู่ให้คะแนนซึ่งกันและกันอย่างไม่เปิดเผย ช่วงความเห็นพ้องสูงเป็นสัญญาณความมั่นใจ; ความไม่เห็นด้วยเป็นสัญญาณที่มีค่ามากกว่า ชี้ให้คุณเห็นว่าตรงไหนที่ต้องการการตรวจสอบจากมนุษย์ ความเห็นพ้องไม่เคยพิสูจน์ความจริง—มันเปิดเผยว่าควรมองที่ไหน
ปัญญาประดิษฐ์ร่วมมี โมเดล AI หลายตัว ที่คิดอย่างอิสระ สร้างข้อโต้แย้ง และให้คะแนนซึ่งกันและกัน—ดังนั้นความเห็นพ้องและที่สำคัญกว่านั้นคือ ความไม่เห็นด้วย จึงปรากฏให้เห็น นี่คือยารักษาเมื่อเชื่อมั่นใน AI ตัวเดียวที่อาจผิดพลาดได้อย่างมั่นใจ
ปัญญาประดิษฐ์ร่วม สอบถามโมเดล AI หลายตัวอย่างอิสระและให้พวกเขาให้คะแนนการคิดของกันและกัน ความเห็นพ้องเป็นสัญญาณความมั่นใจ—แต่ผลตอบแทนที่แท้จริงคือ ความไม่เห็นด้วยชี้จุดที่คุณต้องตรวจสอบ ความเห็นพ้องไม่ใช่หลักฐานของความจริง
ปัญญาประดิษฐ์ร่วม (CAI) คือการรวมการคิดอย่างอิสระของโมเดล AI หลายตัวเพื่อให้ได้ความเข้าใจที่เชื่อถือได้และปรับแต่งได้ดีกว่าโมเดลเดียวที่ให้ไว้ด้วยตัวเอง แทนที่จะถามโมเดลหนึ่งสำหรับคำตอบ CAI จะถามโมเดลหลายตัวคำถามเดียวกัน ให้แต่ละตัวสร้างกรณีที่มีโครงสร้าง และจากนั้นให้ทุกโมเดลประเมินข้อโต้แย้งของโมเดลอื่น ๆ ผลลัพธ์ไม่ใช่คำตัดสินเดียว—แต่มันคือแผนที่ที่แสดงให้เห็นว่า ระบบอิสระเห็นพ้องกันที่ไหนและที่ไหนที่พวกเขาแตกต่างกัน
โมเดล AI เดียวไม่มี "ฉันไม่รู้" ที่ติดตั้งไว้ มันสร้างผลลัพธ์ที่คล่องแคล่วและมั่นใจเสมอ—แม้ว่ามันจะสร้างข้อมูลเท็จ ตัวอย่างที่ถูกอ้างถึงมากที่สุดคือ Mata v. Avianca (2023) ซึ่งทนายความได้ยื่นเอกสารศาลรัฐบาลกลางที่อ้างถึงการตัดสินใจทางศาลหลายรายการที่ ChatGPT ได้สร้างขึ้นทั้งหมด การอ้างอิงดูเหมือนจริง โมเดลมั่นใจ ไม่มีความเห็นที่สองในวงจรเพื่อจับมัน
ความเข้าใจหลักคือ โมเดลที่แตกต่างกันล้มเหลวแตกต่างกัน เมื่อโมเดลอิสระหลายตัวคิดเกี่ยวกับข้อเรียกร้องเดียวกัน ข้อผิดพลาดของพวกเขามักจะไม่ตรงกัน—ดังนั้นความผิดพลาดของหนึ่งมักจะเป็นข้อยกเว้นที่โมเดลอื่น ๆ ขัดแย้ง นี่คือแนวคิดเบื้องหลังรูปแบบ "LLM Council" ของ Andrej Karpathy ซึ่งโมเดลหลายตัวตอบอย่างอิสระและจากนั้นจัดอันดับการตอบสนองของกันและกัน Argumentree.AI ขยายรูปแบบนี้ด้วยต้นไม้ข้อโต้แย้งที่มีโครงสร้างและการให้คะแนนซึ่งกันและกันอย่างไม่เปิดเผยในโมเดลทั้งหมดที่มีอยู่
ข้อเรียกร้องหรือคำถามการวิจัยเดียวกันจะถูกส่งไปยังโมเดลที่มีอยู่ทั้งหมด
โมเดลสร้างข้อโต้แย้งที่สนับสนุนและต่อต้านโดยไม่เห็นผลงานของกันและกัน
การคิดมีโครงสร้างเพื่อให้แต่ละจุดสามารถตรวจสอบได้—ไม่ผสมเป็นคำตอบเดียว
การให้คะแนนข้ามแบบไม่เปิดเผยลดโอกาสที่โมเดลจะยกย่องตัวเอง
คุณเห็นว่าโมเดลรวมกันที่ไหนและที่สำคัญคือที่ไหนที่พวกเขาไม่รวมกัน
การให้คะแนนความเห็นพ้องวัดว่ามีความเห็นพ้องกันมากน้อยเพียงใดในข้อโต้แย้งที่กำหนด—ตั้งแต่เสียงข้างมากไปจนถึงเอกฉันท์ หลักการออกแบบที่สำคัญที่สุดคือ การต่อต้านการทำให้เรียบง่าย: ความไม่เห็นด้วยไม่เคยถูกเฉลี่ยออกไป ตำแหน่งของเสียงข้างน้อยที่โมเดลส่วนใหญ่ปฏิเสธยังคงมองเห็นได้ เพราะข้อโต้แย้งที่มีเหตุผลดีมักจะเป็นข้อโต้แย้งที่ควรได้รับการตรวจสอบจากมนุษย์อย่างใกล้ชิด
เนื่องจากโมเดลอิสระมักจะไม่สร้างสิ่งเดียวกัน การหลอกลวงมักจะแสดงออกมาเป็นข้อโต้แย้งที่มีคะแนนต่ำและมีการโต้แย้งแทนที่จะเป็นความเห็นพ้องที่ราบรื่น ดังนั้นความไม่เห็นด้วยจึงเป็น สัญญาณการตรวจจับ: มันชี้ให้คุณเห็นถึงข้อเรียกร้องที่มีแนวโน้มจะผิดพลาดมากที่สุด โปรดสังเกตด้านความรู้—CAI มีความแข็งแกร่งในการชี้ปัญหาผ่านความไม่เห็นด้วย และมัน ไม่ อ้างว่าความเห็นพ้องพิสูจน์ว่าข้อความเป็นจริง
ปัญญาประดิษฐ์ร่วมเหมาะกับการทำงานใด ๆ ที่คำตอบที่มั่นใจเพียงคำตอบเดียวมีความเสี่ยง: การวิจัยและการตรวจสอบวรรณกรรม การตรวจสอบข้อเท็จจริง การตรวจสอบความถูกต้อง การวิเคราะห์การแข่งขัน และการตัดสินใจที่มีความเสี่ยงสูงที่คุณต้องรู้ว่าข้อเรียกร้องมีการโต้แย้งมากน้อยเพียงใด—ไม่ใช่แค่สิ่งที่โมเดลหนึ่งกล่าว ในทุกกรณี ผลลัพธ์ที่มีค่าที่สุดคือชุดของจุดที่โมเดลไม่เห็นด้วยและการตรวจสอบจากมนุษย์ควรให้ความสำคัญ
นี่คือศูนย์กลางสำหรับทุกอย่างเกี่ยวกับการคิดแบบหลายโมเดล ดำดิ่งไปในแนวคิดใด ๆ ด้านล่าง
ถามโมเดลหลายตัวคำถามเดียวกันในที่เดียว
เข้าใจว่าโมเดลเห็นพ้องกันมากน้อยเพียงใด—จากเสียงข้างมากถึงเอกฉันท์
อ่านข้อโต้แย้งของแต่ละโมเดลในต้นไม้ที่มีโครงสร้าง ไม่ใช่คำตอบที่ผสมกัน
จุดที่มีการโต้แย้งจะถูกทำเครื่องหมายเพื่อให้คุณรู้ว่าตรงไหนที่ต้องตรวจสอบ
ปัญญาประดิษฐ์ร่วมคือการมีโมเดล AI หลายตัวที่คิดอย่างอิสระเกี่ยวกับคำถามเดียวกัน สร้างข้อโต้แย้ง และให้คะแนนการคิดของกันและกันเพื่อเปิดเผยว่าพวกเขาเห็นพ้องกันที่ไหนและ—ที่สำคัญกว่านั้น—ที่ไหนที่พวกเขาไม่เห็นพ้อง แทนที่จะเชื่อมั่นในคำตอบที่มั่นใจของโมเดลหนึ่ง คุณจะเห็นสเปกตรัมของมุมมองอิสระ ดังนั้นการหลอกลวงและจุดบอดจึงปรากฏขึ้นเป็นความไม่เห็นด้วยแทนที่จะถูกมองข้าม
ไม่ ความเห็นพ้องเป็นสัญญาณความมั่นใจ ไม่ใช่หลักฐาน โมเดลหลายตัวสามารถมีอคติจากข้อมูลการฝึกอบรมเดียวกันและผิดพลาดอย่างมั่นใจร่วมกัน ปัญญาประดิษฐ์ร่วมมีค่ามากที่สุดสำหรับสิ่งตรงกันข้าม: ความไม่เห็นด้วยระหว่างโมเดลเป็นสัญญาณที่เชื่อถือได้ว่าข้อเรียกร้องต้องการการตรวจสอบจากมนุษย์ ความเห็นพ้องสูงลดความสำคัญในการตรวจสอบ; มันไม่เคยแทนที่มัน
โมเดลที่แตกต่างกันหลอกลวงแตกต่างกัน—สิ่งที่หนึ่งสร้างขึ้น โมเดลอื่นมักจะทำได้ถูกต้อง เมื่อโมเดลหลายตัวประเมินข้อเรียกร้องอย่างอิสระและหนึ่งในนั้นสร้างหลักฐาน โมเดลอื่น ๆ มักจะให้คะแนนข้อโต้แย้งนั้นต่ำ ความไม่เห็นด้วยที่เกิดขึ้นจะชี้ให้เห็นถึงการหลอกลวงที่มีแนวโน้ม ซึ่งการทำงานด้วยโมเดลเดียวจะนำเสนอเป็นข้อเท็จจริงที่มั่นใจ
รูปแบบการสอบถาม LLM หลายตัวและให้พวกเขาประเมินกันและกันได้ถูกสำรวจในงานโอเพนซอร์ส เช่น 'LLM Council' ของ Andrej Karpathy ซึ่งโมเดลหลายตัวตอบอย่างอิสระและจากนั้นจัดอันดับการตอบสนองของกันและกัน การวิจัยเกี่ยวกับการผสมผสานของตัวแทนสำรวจแนวคิดที่เกี่ยวข้อง Argumentree.AI สร้างจากสายนี้ด้วยต้นไม้ข้อโต้แย้งที่มีโครงสร้างและการให้คะแนนข้ามโมเดลอย่างไม่เปิดเผย
มันเหมาะสำหรับคำถามการวิจัย การตรวจสอบข้อเท็จจริง การตรวจสอบวรรณกรรม และการตัดสินใจใด ๆ ที่คำตอบที่มั่นใจเพียงคำตอบเดียวมีความเสี่ยง มันโดดเด่นเมื่อคุณต้องการรู้ว่าข้อเรียกร้องมีการโต้แย้งมากน้อยเพียงใด—ไม่ใช่แค่สิ่งที่ 'คำตอบ' คือ ใช้มันเพื่อจัดลำดับความสำคัญว่าตรงไหนที่การตรวจสอบจากมนุษย์มีความจำเป็นมากที่สุด โดยเฉพาะในจุดที่โมเดลไม่เห็นด้วย
อย่าเชื่อมั่นในคำตอบที่มั่นใจเพียงคำตอบเดียว รับปัญญาประดิษฐ์ร่วม—ความเห็นพ้องและความไม่เห็นด้วยเคียงข้างกัน
เริ่มฟรี