Wu F et al. (2025) Knowledge-Empowered, Collaborative, and Co-Evolving AI Models: The Post-LLM Roadmap. Engineering 44, 87-100 – https://doi.org/10.1016/j.eng.2024.12.008 – open access article pdf – CC BY-NC-ND 4.0

Abstract (povzetek):

Veliki jezikovni modeli (LLM) so znatno napredovali na področju umetne inteligence (AI), saj odlično opravljajo naloge, kot so razumevanje, generiranje in sklepanje v več modalitetah. Kljub tem dosežkom imajo LLM-ji vgrajene omejitve, med katerimi so zastarele informacije, halucinacije, neučinkovitost, pomanjkanje razlagljivosti in izzivi pri natančnosti na posameznih področjih. Da bi rešili te težave, ta raziskava proučuje tri obetavne smeri v obdobju po LLM: krepitev znanja, sodelovanje modelov in sočasni razvoj modelov. Najprej preučimo metode vključevanja zunanjega znanja v LLM-je za izboljšanje dejanske natančnosti, sposobnosti sklepanja in razlagljivosti, vključno z vključevanjem znanja v cilje usposabljanja, prilagajanje navodil, sklepanje, dopolnjeno z iskanjem, in spodbujanje znanja. Drugič, razpravljamo o strategijah sodelovanja modelov, ki izkoriščajo dopolnjujoče se prednosti LLM-jev in manjših modelov za izboljšanje učinkovitosti in domensko specifične zmogljivosti s tehnikami, kot so združevanje modelov, funkcionalno sodelovanje modelov in vbrizgavanje znanja. Tretjič, poglobimo se v sočasno evolucijo modelov, v kateri se več modelov skupaj razvija z izmenjavo znanja, parametrov in strategij učenja, da se prilagodijo dinamičnim okoljem in nalogam, s čimer izboljšajo svojo prilagodljivost in neprekinjeno učenje. Ponazorimo, kako integracija teh tehnik izboljšuje zmogljivosti umetne inteligence v znanosti, inženirstvu in družbi, zlasti pri razvoju hipotez, oblikovanju problemov, reševanju problemov in razlagljivosti na različnih področjih. Na koncu orišemo prihodnje poti za nadaljnji napredek in uporabe.

Povzetek članka kot predstavitev z zdrski.

URL: https://www.sciencedirect.com/science/article/pii/S2095809924007239