MIT学者独家撰文：ChatGPT的瓶颈与解药( 四 ) _ChatGPT

在完成程序生成后，点击“运行”按钮，由程序打印出自然语言的回答。例如在之前的联合国秘书长计数问题中， NLEP 生成的内容如下：

文章插图
在图中可以看到，语言模型生成了一段逐步解决问题的程序：定义结构化知识、实现计算结果的函数、打印自然语言回复。完成程序的生成后，运行完整的程序，即可得到正确的结果。在五次独立重复实验中， GPT-4 API 的正确率为 40%，ChatGPT 代码解释器的正确率为 60%，而 NLEP 的正确率为 100% 。
NLEP 与 ChatGPT 代码解释器相比有显著的区别：
ChatGPT以自然语言文本为主干回复用户输入。在生成某个词的时候切换到代码运行，再将代码运行结果添加到生成的内容里，然后继续生成文本；而 NLEP以程序为主干，首先生成完整的程序，然后执行程序、打印出包含自然语言文本、图表等要素的回复。

文章插图
同时，NLEP 的编程语言框架也可以比自然语言框架更自然地链接数据。
相比于自然语言框架，NLEP 作为完整的可运行程序，可以更自然地链接知识库和数据库。NLEP 可以准确调用谷歌知识图谱里的真实数据，回答此前“哪个新冠变种导致了最高的 ICU 日占用率”的问题并提供数据可视化作为解释：
NLEP 的回答是“The COVID variant caused the highest daily ICU occupation in United States is Alpha (在美国造成最高 ICU 占用的新冠病毒变种是阿尔法).”并以此生成出自动可视化数据：

文章插图
以上功能由 NLEP 的生成工具 LangCode 实现。
此外，NLEP 还可以自动生成结构化 Agent 。
NLEP 与 ChatGPT 的本质区别在于是否采用结构化的语言生成框架。ChatGPT 以非结构化的自然语言文本补全为基本范式。因此在上周的 OpenAI 开发日，OpenAI 公布的 GPT store 也更多集中于非结构化的 agent ，即 chatbot 的自动搭建。
而早在 OpenAI 公布 GPT store 一个月前，我们就利用融合了符号、结构、自然语言的能力的 NLEP 为 Anchoring AI 平台实现了自动生成结构化 Agent 的功能。
如图所示，Anchoring AI Agent 可以服务结构化的输入和输出。其推理过程、自动生成的提示信息也显示在自动生成的独立模块中，透明可控、清晰准确，便于团队协作开发AI应用。
如 GPTs Agent:

文章插图
以及根据一句自然语言指令自动生成的Anchoring.ai Agent:

文章插图
04 符号主义终将“接棒”
经验主义与符号主义AI争议纷扰六十余年，其核心矛盾在于：经验主义AI侧重强大的泛化能力，而符号主义AI侧重精确地推理能力。
近二十年来，拔地而起、粗放增长的 AI 研究和产业强调扩展 AI 的应用场景。因此，泛化能力成为了近十年 AI 的主题。尤其在 ChatGPT 横空出世的 2022 年底，经验主义 AI 发展到了极致：GPT 模型有着极强的泛化性能，能够处理非常广泛的数据和应用。
但在后 GPT-4 时代，AI 的粗放增长会迅速来到瓶颈期，转而进入精益发展的阶段。下一个十年AI领域的主题将是精确推理、可解释性、安全可控。依托于经验主义AI的坚实基础和强大泛化能力，符号主义将接过解决AI诸多挑战的重任，在未来的AI发展中大放异彩，带来无数崭新的可能。
甲小姐对本文亦有贡献
*本文配图由作者提供