วิธีการของมานุษยวิทยาในการให้เหตุผลแตกต่างจากแบบจำลองภาษาขนาดใหญ่แบบดั้งเดิมอย่างไร

ความแตกต่างที่สำคัญในแนวทางการให้เหตุผลของมานุษยวิทยาเมื่อเทียบกับแบบจำลองภาษาขนาดใหญ่แบบดั้งเดิมรวมถึง:
* มุ่งเน้นไปที่ความปลอดภัยของ AI: มานุษยวิทยาอุทิศตนเพื่อสร้างระบบ AI ที่เชื่อถือได้และตีความได้ซึ่งสอดคล้องกับคุณค่าของมนุษย์และมาตรฐานความปลอดภัย [2] บริษัท มุ่งเน้นไปที่ความเข้าใจและบรรเทาความเสี่ยงที่เกี่ยวข้องกับ AI ผ่านการวิจัยในการประมวลผลภาษาธรรมชาติความคิดเห็นของมนุษย์และความสามารถในการตีความ [2]
* รัฐธรรมนูญ AI: มานุษยวิทยาใช้ AI รัฐธรรมนูญสอนแบบจำลองความแตกต่างระหว่างสิ่งที่ถูกและผิด [7] วิธีการใหม่นี้มีความสำคัญเนื่องจากแบบจำลองภาษากลายเป็นแหล่งของข้อเท็จจริงและความจริงมากขึ้น [7]
* คุณสมบัติที่ตีความได้: นักวิจัยของมานุษยวิทยาดึงคุณสมบัติที่ตีความได้จากแบบจำลองภาษาขนาดใหญ่เช่น Claude 3 แปลเป็นแนวคิดที่เข้าใจได้ของมนุษย์ [4] คุณสมบัติที่ตีความได้เหล่านี้สามารถนำไปใช้กับแนวคิดเดียวกันในภาษาต่าง ๆ และทั้งภาพและข้อความ [4]
* การทำแผนที่ความคิดของ LLMS: มานุษยวิทยาได้สร้างความก้าวหน้าในการถอดรหัสการทำงานภายในของแบบจำลองภาษาขนาดใหญ่ (LLMs) โดยใช้การเรียนรู้พจนานุกรมเพื่อทำแผนที่คุณสมบัติหลายล้านรายการภายในโมเดล AI ของพวกเขา Claude Sonnet [2] สิ่งนี้ช่วยเพิ่มความปลอดภัยและความสามารถในการตีความของ AI ซึ่งนำเสนอความเข้าใจที่ลึกซึ้งยิ่งขึ้นว่า AI ประมวลผลข้อมูลอย่างไร [2] โดยการจัดการคุณสมบัติเหล่านี้มานุษยวิทยาสามารถเปลี่ยนแปลงการตอบสนองของ Claude แสดงให้เห็นถึงความสัมพันธ์เชิงสาเหตุโดยตรงระหว่างการเปิดใช้งานเซลล์ประสาทและการส่งออกของแบบจำลองซึ่งสามารถปรับพฤติกรรม AI เพื่อเพิ่มความปลอดภัยและประสิทธิภาพ [2]
* การใช้เหตุผลมานุษยวิทยา: การใช้เหตุผลมานุษยวิทยาทำให้เกิดการมีอยู่ของผู้สังเกตการณ์กำหนดข้อ จำกัด เกี่ยวกับลักษณะของจักรวาล [1] หลักการมานุษยวิทยาที่อ่อนแอ (WAP) แสดงให้เห็นว่าเราสามารถสังเกตได้เฉพาะแง่มุมเหล่านั้นของจักรวาลที่เข้ากันได้กับการดำรงอยู่ของเราในฐานะผู้สังเกตการณ์ [1] หลักการมานุษยวิทยาที่แข็งแกร่ง (SAP) เสนอว่ากฎหมายและค่าคงที่ของจักรวาลมีโครงสร้างเพื่อให้ชีวิตหลีกเลี่ยงไม่ได้ [1] การใช้เหตุผลทางมานุษยวิทยาเน้นความเอนเอียงการเลือกโดยธรรมชาติในการสังเกตของเราและให้ข้อมูลเชิงลึกเกี่ยวกับการปรับแต่งของจักรวาลและข้อ จำกัด ในการสอบถามทางวิทยาศาสตร์ [1]

การอ้างอิง:
[1] https://newspaceeconomy.ca/2024/11/23/the-role-of-anthropic-reasoning-in-ederstanding-the-universe/
[2] https://theaitrack.com/anthropic-mapping-the-mind-of-large-language-models/
[3] https://help.promptitude.io/en/articles/8892919-UnderStanding-anthropic-models-a-simple-guide
[4] https://www.techrepublic.com/article/anthropic-claude-large-language-model-research/
[5] https://risingentropy.com/in-favor-of-anthropic-reasoning/
[6] https://www.anthropic.com/research/mapping-mind-language-model
[7] https://www.marketingaiinstitute.com/blog/anthropic-claude-constitutional-ai
[8] https://www.activeloop.ai/resources/how-to-compare-large-language-models-gpt-4-3-5-vs-anthropic-claude-vs-cohere/