第133章符号逻辑推理的数学模型
第133章符号逻辑推理的数学模型(第3/4页)
层的感知机，到最前沿的大语言模型，在他的脑海中，构建起了一座宏伟的知识大厦。
【叮！】
【检测到宿主系统性地掌握了「深度学习与自然语言处理」的核心知识体系。】
【信息学经验值+20！】
【当前信息学等级：lv.0(35/100)】
看着那猛涨了一截的经验条，徐辰并没有太多的惊讶。
对于一个已经站在数学lv.2高度的人来说，ai的底层逻辑并不神秘。抛开工程实现的细节，现代深度学习的本质，就是在一个极高维的参数空间里，寻找一个能够拟合数据分布的流形。
「现在，地基已经打好了。」
徐辰的目光，投向了系统物品栏里那份名为《具备逻辑推理与长时记忆模块的改进型大语言模型算法框架（laart）》的「草稿」。
他将其提取出来，仔细研读。
这份「草稿」并没有直接给出成型的代码，它更像是一份来自未来的「技术白皮书」，指出了三个核心模块。徐辰决定，先攻克最核心的——符号逻辑推理模块（slrm）。
目前的ai界，为了解决大模型的「幻觉」问题，即一本正经地胡说八道，主流做法是rlhf，也就是基于人类反馈的强化学习。但这本质上是让人类去「教」鹦鹉说话，鹦鹉并不懂真理，它只是学会了迎合人类的口味。
徐辰翻开草稿的「逻辑推理」章节，眼神逐渐变得凝重。
草稿上写着这样一段话：
「不要试图在离散的符号层面去强行嫁接逻辑规则。应当将一阶谓词逻辑的语法树，通过某种拓扑变换，嵌入到连续的向量空间中。使得逻辑推演的过程，等价于向量空间中的几何变换。」
「建议路径：采用区域表示法。将每个概念视为高维空间的一个闭区域。逻辑蕴含即为几何包含。」
「关键模型参考：箱嵌入……」
然而，写到这里，草稿就像是被撕掉了一半似的，戛然而止。
后面关于如何构建这个「box」，如何处理梯度的反向传播，以及最关键的损失函数设计，全是一片空白。
「系统，你这是断章狗行为啊……」
徐辰忍不住吐槽了一句。
不过，这也激起了他的好胜心。既然方向已经指明了，剩下的路，自己走不出来吗？
他在草稿纸上画了一个简单的示意图，顺着草稿的思路继续推演。
「把逻辑关系，映射成几何关系……boxembeddings……」
徐辰的笔尖在纸上重重一点。
「明白了！系统的意思是，我们要把每一个概念，比如『猫』丶『动物』丶『生物』，都不看作是一个点，而是看作高维空间里的一个长方形盒子（box）。」
他在纸上画了几
（本章未完，请点击下一页继续阅读）