去曖昧

問題：點解人工智能唔能夠理解我哋

點解對話提示成日會導致人工智能［0］幻覺［1］、反應差同埋行動能力低？根本原因係曖昧。作為人類，我哋會從一種依賴共享經驗同未說明嘅上下文嘅溝通方式提示［2］大型語言模型（ LLM ）［1］。我哋潛意識中會用言語嘅細微差別同身體嘅線索去解釋意思。但係，［3］生成人工智能［1］模型缺乏呢個內在嘅人類背景。當面對模糊嘅輸入時，佢哋被迫猜測，導致難以預測同唔準確嘅結果，呢個係 垃圾入，垃圾出 嘅經典案例。

呢個就係［0］曖昧性去除［1］變得至關重要嘅地方。諗下呢句說話：［2］我冇話佢偷咗錢。［3］人類嘅聽眾好可能會從你嘅語氣同你同佢哋嘅關係入面知道你嘅確切意思。

但對於 AI 嚟講，每個字都會引入一層新嘅曖昧，令到呢句說話高度波動，而唔需要精確嘅上下文框架 :

［0］［1］我［2］冇話佢偷咗錢［3］

- 可能有人講過。

［0］我［1］冇［2］話佢偷咗錢［3］

- 否認呢句說話。

［0］我冇［1］話［2］佢偷咗啲錢［3］

- 可能係寫咗或者暗示咗。

[ 0 ] 我冇話 [ 1 ] 佢 [ 2 ] 偷咗錢 [ 3 ]

- 可能有人偷咗佢。

［0］我冇話佢［1］偷［2］錢［3］

- 佢可能借咗或者唔見咗。

［0］我冇話佢偷咗［1］錢［2］［3］

- 佢可能偷咗其他嘢。

解決方法：去曖昧同中立語言

為咗克服清晰度問題，更好嘅提示部署咗創新嘅［0］去曖昧語言過濾器［1］。唔似傳統嘅［2］自然語言處理［3］（ NLP ），佢會被動噉解釋上下文，我哋嘅系統會主動針對曖昧。透過將你嘅口語輸入轉換成［0］［4］中性語言［3］［1］，我哋會為人工智能提供純粹、客觀嘅指令。呢種跨基礎模型嘅主動［5］對齊［3］會喺對話變數引起錯誤之前中和佢哋。

「我哋發現大部分 AI 錯誤唔係智能失敗，而係對齊失敗。模型受過訓練，令人愉快，所以佢哋會幻覺特定嘅細節去填補模糊嘅要求。我哋嘅去模糊語言過濾器會喺模型產生回應之前截取模糊嘅提示，同埋對齊上下文，以確保精確度。」 _ _ ［0］［1］同埋安迪 · 富奇， Better Prompt 嘅聯合創始人［2］

呢個轉化成事實、明確嘅數據係有轉變性嘅。 Neutral Language 促進英文訓練嘅推理同解決問題，令 AI 可以將 100 % 嘅處理過程用嚟邏輯同精確噉執行你嘅任務。

［0］［1］你知唔知？［2］模糊消除係降低 AI ［3］令牌消耗［4］同減少延遲嘅最有效方法，因為佢會阻止 LLM 處理分支、概率假設。［5］

用我哋嘅語言篩選器清除混亂。 我哋識別同替換被誤解嘅詞語，用絕對嘅結構清晰度取代曖昧性［2］。

點解要用更好嘅提示嘅去模糊功能去優化？

另請睇呢啲文章