利用大腦潛在知識

「語言讓我們可以溝通，語言的背後自然蘊含着人類的智慧。雖然人類積累了一萬年左右知識，基本上都被最近20年的科技，通過文字、音頻、視頻給整理下來。 所以，如果能掌握文字及語言，基本上就能破解了人類目前為止『所有』的知識。我們今天還不太理解，大型語言模型（LLM）背後的運行機制到底還代表什麼？也許不像人一樣在思考，但是在部分領域，它表現得像人一樣有邏輯推理的能力，這對於我們未來，就會產生非常根本性影響。」 以上是阿里巴巴（09988）前首席參謀長，在最近一個演講「下一個十年」的內容，正好幫助我更確定大型語言模型，明線是類似GPT的智能產品、暗線是把人類的思想邏輯，通過對大量的語料分析，形成強數字化的向量數據庫。這個超級數據庫可以在很多領域幫助人類快速理解一些陌生場景，加強工作效率。 筆者看過Stanford AI Lab一個A/B測試，他們模擬一個陌生（之前不涉及過）的環境，讓機械人尋找一件失物（例如手錶）。在測試A的演算法上，給予LLM模型幫助，測試B卻沒有LLM，分別將會如何？ 測試A：LLM可以提供一些可能性建議及策略，以尋找丟失的手錶。例如，它可能根據一些邏輯，以理解屋內傢俬的分布，然後給予合理的搜索方式。LLM並不能直接感知現實的世界，因此無法提供具體的位置訊息或實時的指導。 測試B：在這種陌生的環境下，機械人必須完全依靠自己的策略和直覺來試錯，尋找丟失的手錶會更具挑戰性。 相對B在沒有LLM協助下的隨意搜索，A更加有效率，實驗結果亦證明，測試A比B的搜尋時間快了30%。 事實上，LLM如GPT-4可以幫助我們探索「I know I don't know」的範疇，它能夠通過處理、分析及生成文本，給予有用的建議和訊息，協助我們了解及掌握我們不知道的知識。 另一方面，「I don't know I know」範疇更加複雜。這涉及到我們的潛在知識或直覺，即那些我們可能並未意識到自己已了解，但某種程度上我們確實理解的知識。至今，我們還未有完全理解這種知識，到底是如何在大腦中儲存及處理的，更別說將其數碼化或轉化為數學模型了。 然而，可以假想的是，如果未來有一天，我們能找到一種方法來訪問、解碼和利用這種大腦中的潛在知識，那麼我們可能會開啟一種全新的學習方式。這或會大大地提高我們的學習效率，擴展我們的認知能力，甚至改變我們對知識及智慧的理解。