使用 MRKL 系统跨越神经符号鸿沟 - 张善友
source link: https://www.cnblogs.com/shanyou/p/17400284.html
Go to the source link to view the article. You can view the picture content, updated content and better typesetting reading experience. If the link is broken, please click the button below to view the snapshot at that time.
使用 MRKL 系统跨越神经符号鸿沟
本文展示了自然语言处理的下一步发展——模块化推理、知识和语言（ the Modular Reasoning, Knowledge and Language，简称为MRKL）系统以及LangChain和Semantic Kernel的实现。 MRKL 系统包括一个或多个语言模型，并通过外部知识源和符号推理专家来增强它们，这些专家可以处理神经模型无法处理的任务。
什么是 MRKL 系统？
ChatGPT、GPT-4 等超级模型确实令人惊叹，并开启了令人兴奋的机会。 但这些模型也有内在的局限性。 例如无法访问公司的数据库，无法访问当前信息（例如，最新的 天气 或美元兑欧元汇率），无法推理（例如，他们的算术能力无法与之媲美1970 年代的 HP 计算器），更新成本高得令人望而却步。
像 LangChain的Agent （https://github.com/hwchase17/langchain/tree/master/langchain/agents/mrkl） 和Semantic Kernel的 Planner（https://github.com/kaza/sk-iterative-planner）这样的 MRKL 系统享有大型语言模型的所有优点。 以下是它的工作原理，参见：https://learnprompting.org/zh-Hans/docs/advanced_applications/mrkl。
当然，要完成所有这些工作还有很多细节和挑战 ，比如训练离散专家、平滑他们与神经网络之间的接口、在不同模块之间进行路由等等。 要更深入地了解 MRKL 系统、它们如何适应技术领域以及实施它们时遇到的一些技术挑战，请参阅MRKL 论文。论文地址：https://arxiv.org/pdf/2204.10019.pdf
以下是它提供的一些功能。
- 以自由语言阅读和更新您的数据库
- 人工智能辅助时事内容生成
- 执行简单和复杂的数学运算。
- 分解多步问题
- 访问不断变化的信息（天气、货币汇率）
- 透明度和信任
Recommend
About Joyk
Aggregate valuable and interesting links.
Joyk means Joy of geeK