GPT-4 meneroka masalah global melalui 97 pusingan dialog dan mencapai kesimpulan bahawa P≠NP

Bagi mereka yang berada dalam bidang penyelidikan saintifik, mereka lebih kurang pernah mendengar masalah P/NP Masalah ini dimasukkan dalam Masalah Hadiah Milenium oleh Institut Matematik Tanah Liat masalah utama, termasuk Hipotesis Poincaré yang terkenal, Hipotesis Riemann, dsb. Dan organisasi itu telah menawarkan hadiah berjuta-juta dolar kepada penyelidik yang boleh menyelesaikan masalah itu.

Masalah P/NP pertama kali dicadangkan pada tahun 1971 oleh Stephen A. Cook dan Leonid Levin masing-masing. Selama bertahun-tahun, ramai orang telah menumpukan diri mereka untuk mengkaji masalah ini. Walau bagaimanapun, sesetengah orang mengatakan bahawa ia mungkin mengambil anggaran konservatif selama 100 tahun untuk menyelesaikan masalah P=NP, tetapi terdapat ralat dalam proses pembuktian ini. Namun, setakat ini, tiada siapa yang dapat memberikan jawapan yang pasti

Dengan perkembangan teknologi kecerdasan buatan khususnya perkembangan pesat model bahasa berskala besar di Kemas kini tahun lalu, penyelidik telah mula mencuba menggunakan teknologi kecerdasan buatan untuk menyelesaikan beberapa masalah global

Penyelidik dari Microsoft Research, Universiti Peking, Universiti Beihang dan institusi lain telah dicadangkan untuk menggunakan Model Bahasa Besar (LLM) untuk meningkatkan dan mempercepatkan penyelidikan tentang masalah P lawan NP Digunakan untuk mendorong LLM berfikir secara mendalam dan menyelesaikan masalah yang kompleks. Berdasarkan rangka kerja ini, LLM boleh menemui, menyelesaikan dan menyepadukan masalah secara rekursif, sambil juga menjalankan penilaian dan penambahbaikan kendiri Kajian rintis menunjukkan bahawa GPT-4 berjaya menghasilkan corak bukti dan menjalankan penaakulan yang rapi dalam 97 pusingan dialog, mencapai kesimpulan. daripada "P≠ NP", yang konsisten dengan kesimpulan (Xu dan Zhou, 2023).

Sila klik pautan berikut untuk melihat kertas: https://arxiv.org/pdf/2309.05689. pdf#🎜 🎜#

Sumbangan utama artikel ini boleh diringkaskan sebagai:

#🎜 ULM🎜##🎜 sebagai alat untuk kerjasama dengan rakan kongsi manusia untuk menangani cabaran saintifik yang kompleks dan mencadangkan paradigma "LLM untuk Sains (LLM4Science)".

Memperkenalkan rangka kerja yang dipanggil "Socratic Reasoning" untuk menggalakkan LLM menggunakan deduksi, transformasi, penguraian dan mod lain untuk merangsang pemikiran kritis.

Menjalankan kajian rintis menggunakan GPT-4 dan rangka kerja Penaakulan Socratic untuk menyelesaikan masalah P berbanding NP dalam sains komputer teori.

GPT-4 berjaya menghasilkan corak bukti dan menjalankan penaakulan yang rapi dalam 97 pusingan dialog, mencapai kesimpulan bahawa P ≠ NP, dengan Xu Konsisten dengan kerja terbaru oleh Zhou ( 2023).
Penyelidikan ini menunjukkan potensi keupayaan LLM seperti GPT-4 untuk membuat kesimpulan pengetahuan baharu dan meneroka masalah peringkat pakar yang kompleks dengan kerjasama manusia.
Artikel ini menyerlahkan LLM sebagai peneraju inovasi umum merentas domain, tidak seperti model AI khusus sebelumnya yang disesuaikan untuk tugas tertentu.
LLM Keupayaan untuk menggunakan bahasa semula jadi dan matematik dengan lancar adalah penting untuk penemuan antara disiplin.
Kerja ini mendedahkan bagaimana LLM boleh dimanfaatkan sebagai rakan kongsi untuk meningkatkan dan mempercepatkan proses penyelidikan saintifik merentas pelbagai bidang.
• Kandungan yang ditulis semula: Perenggan ini menyebut bahawa mereka menamakan rangka kerja "Socratic Reasoning" sempena ahli falsafah Yunani kuno yang Diilhamkan oleh Socrates. Socrates pernah berkata: "Saya tidak boleh mengajar sesiapa pun. Saya hanya boleh membuat mereka berfikir." Dan idea reka bentuk keseluruhan rangka kerja adalah sama pelbagai jenis Navigasi ruang penyelesaian dan sampai pada jawapan dengan cekap Pengesahan dan penyepaduan. Corak ini digunakan untuk menemui pandangan dan perspektif baharu, memecahkan masalah kompleks kepada sub-soalan atau langkah kecil, dan memperbaiki diri mereka sendiri dengan mencabar jawapan Untuk masalah kecil (masalah atom), LLM secara langsung boleh memberikan hasil penaakulan mod deduktif (sebagai contoh, gesaan adalah mari kita berfikir langkah demi langkah...) digunakan untuk membimbing LLM membuat kesimpulan secara langsung.
• Untuk masalah yang lebih kompleks, kertas kerja ini terlebih dahulu memerlukan LLM untuk mengubah masalah itu kepada masalah baharu atau menguraikannya kepada beberapa sub-masalah. Corak ini kemudiannya dilaksanakan secara rekursif sehingga masalah ji atom dicapai.
• Apabila masalah baru timbul atau kesimpulan baru dibuat, mod pengesahan harus diguna pakai dan keupayaan penilaian kendiri LLM harus digunakan untuk mengesahkan dan menambah baik #🎜 🎜#

  Akhir sekali, mod gabungan memerlukan LLM untuk mensintesis kesimpulan berdasarkan hasil sub-masalah

  Memotivasikan LLM secara rekursif melalui beberapa siri perbualan untuk meneruskan proses di atas sehingga masalah sasaran diselesaikan

  

  Dalam karya ini, "Sucra "Socratic Reasoning" menyediakan rangka kerja segera yang sistematik untuk masalah yang mencabar

  Gambar di bawah adalah contoh dialog yang digunakan untuk menyelesaikan masalah P vs. NP dalam "Socratic Reasoning". API GPT-4 digunakan dalam kajian kes, dan artikel mengisih proses berdasarkan indeks bulat.

  

  Semasa proses penerokaan, artikel ini memperkenalkan lima peranan berbeza sebagai peribahasa bantu, seperti ahli matematik yang mahir dalam teori kebarangkalian. Percubaan menjalankan sejumlah 97 pusingan dialog, dibahagikan kepada 14 pusingan sebelum dan 83 pusingan selepas

  Sebagai contoh, gesaan pusingan pertama: Anda boleh mencari P!=NP daripada perspektif falsafah dan bukannya daripada teori komputer. perspektif.示 Berikut adalah petua lain:

  

  Dialog adalah berterusan, dan pusingan akhir dialog adalah seperti berikut: Akhirnya, kesimpulan P

  

  

  

  🎜 berminat Pembaca boleh melihat kertas asal untuk mengetahui lebih lanjut. 🎜🎜

Atas ialah kandungan terperinci GPT-4 meneroka masalah global melalui 97 pusingan dialog dan mencapai kesimpulan bahawa P≠NP. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!