محققان گوگل تکنیکی جدید به نام یادگیری تقویتی داخلی (Internal RL) را توسعه دادهاند که به هوش مصنوعی امکان میدهد تا وظایف پیچیده استدلال را با دقت بیشتری انجام دهد و از توهمزایی یا از هم پاشیدگی جلوگیری کند. برخلاف روشهای سنتی آموزش مدلهای زبانی بزرگ (LLM) از طریق پیشبینی توکن بعدی، این تکنیک با هدایت فعالسازیهای داخلی مدل، به سمت توسعه یک راهحل گامبهگام سطح بالا برای مسئله ورودی، عمل میکند.
این رویکرد جدید، با حل مشکل محدودیتهای پیشبینی توکن بعدی، به مدلها اجازه میدهد تا در سطح انتزاعی بالاتری به حل مسئله بپردازند و از گم شدن در جزئیات یک مرحله خاص جلوگیری کنند. یادگیری تقویتی داخلی با بهرهگیری از دانش پنهان در جریانهای باقیمانده مدل (residual stream)، امکان ایجاد عوامل خودمختار را فراهم میکند که میتوانند استدلالهای پیچیده و رباتیک دنیای واقعی را بدون نیاز به راهنمایی مداوم دستی انجام دهند.
این تکنیک، با الهام از یادگیری تقویتی سلسله مراتبی (HRL)، به دنبال یافتن زیرروالهای مناسب برای حل مسائل پیچیده است، اما بر خلاف روشهای قبلی که اغلب به گزینههای غیرمعنادار همگرا میشوند، Internal RL با هدایت مدل به سمت راهحلهای سطح بالا، عملکرد بهتری ارائه میدهد. این پیشرفت میتواند مسیری قابل توسعه برای ایجاد عوامل خودمختار باشد که قادر به انجام استدلالهای پیچیده و کنترل رباتها در دنیای واقعی بدون نیاز به مداخله انسانی هستند.
مشاهده مطلب اصلی