组织语言模型社群：结构与机制以提升集体智能
人工智能
2024-05-08 v1
摘要
近期大型语言模型（LLM）的发展显著扩展了其在各个领域的应用。然而，LLM在复杂环境中单独运行时，往往受限于其效能。本文提出一种变革性方法，通过组织化LLM为社群结构，以提升其集体智能和问题解决能力。我们研究了不同的组织模型——层级式、平坦式、动态式和联邦式，每种模型都为协作式AI系统带来独特的优势与挑战。在这些结构化的社群中，LLM被设计为专注于不同认知任务，采用直接沟通、投票系统和市场化方法等先进的互动机制，并能动态调整治理结构以满足不断变化的需求。此类社群的实施对提升AI的问题解决能力具有巨大潜力，因而引发对其伦理考量、管理策略及可扩展性潜力的深入探讨。本position论文旨为未来研究奠定基础，主张从孤立的到协同的运作框架范式的转变，以推动AI研究与应用的范式迁移。
引用
@article{arxiv.2405.03825,
title = {Organizing a Society of Language Models: Structures and Mechanisms for Enhanced Collective Intelligence},
author = {Silvan Ferreira and Ivanovitch Silva and Allan Martins},
journal= {arXiv preprint arXiv:2405.03825},
year = {2024}
}