“自我发现”能彻底改变 LLM 性能吗？Google Deepmind 认为是的

在人工智能研究领域的里程碑式发展中，Google Deepmind 与美国南加州大学 (USC) 合作，推出了一种开创性的“自我发现”提示框架。 

该框架在 arXiv 和 Hugging Face 上最近发表的文章中进行了详细说明，标志着增强 GPT-4 和 PaLM 2 等大型语言模型 (LLM) 的范式转变。自我发现方法侧重于推进推理能力，在彻底改变 LLM 处理复杂任务的方式方面具有巨大潜力，为 AI 驱动的问题解决设定了前所未有的进步舞台。

自我发现框架——开创 LLM 增强之路

新推出的“自我发现”提示框架代表了 LLM 演进的显著飞跃。与依赖预定义结构的传统提示技术不同，自我发现方法赋予 LLM 自主解开特定任务推理架构的能力。 

通过利用人类解决问题认知理论的见解，该框架使 LLM 能够动态适应各种推理挑战，从而增强其在一系列任务中的性能和多功能性。通过创新方法和尖端技术的精心融合，Google Deepmind 和 USC 为 LLM 进步的新纪元奠定了基础，承诺在人工智能研究中取得前所未有的突破。

提升性能——揭示自我发现的优势

在广泛的详尽评估中，研究人员进行了彻底的评价，以衡量自我发现提示框架在一系列语言模型 (LM) 架构（ notably 包括备受推崇的 GPT-4 和 PaLM 2-L）中的有效性。结果不仅达到而且超出了预期，显示出与传统方法相比，自我发现方法令人印象深刻的性能提升高达 32%。 

特别值得注意的是该框架展示的效率，它显著减少了推理计算资源的需求，使其成为在企业级环境中部署的诱人前景。强调推理能力的增强，自我发现框架有望在 AI 驱动的问题解决中开辟新的视野，从而为跨越不同工业领域的革命性应用铺平道路。

驾驭复杂性——理解自我发现过程

自我发现框架的核心在于其使 LLM 能够自主发现特定任务的推理结构的能力。通过分析多个原子推理模块，包括批判性思维和逐步解决问题，LLM 组成针对每个任务独特需求的显式推理架构。 

这一复杂的过程涉及两个阶段的方法，其中 LLM 生成与任务内在一致的推理结构，并在最终解码期间使用它来推导准确的解决方案。凭借其适应性和固有的灵活性，自我发现框架代表了在追求 AI 驱动的问题解决能力方面的重要一步。

随着人工智能领域的不断演变，自我发现提示框架 (self-discover prompting framework) 的推出标志着创新和发现的新纪元。凭借其无与伦比的增强 LLM 性能 和效率的能力，该框架有望彻底改变从医疗保健到金融的各行各业。然而，随着研究人员更深入地探讨结构化推理方法的复杂性，一个问题仍然存在：自我发现框架的整合将如何重塑 AI 驱动的问题解决范式格局，为前所未有的进步和合作铺平道路？