Σε συνεργασία με ερευνητές από το πανεπιστήμιο Tsinghua της Κίνας, η DeepSeek είπε στην τελευταία της εργασία που κυκλοφόρησε την Παρασκευή ότι είχε αναπτύξει μια τεχνική για αυτοβελτιωτικά μοντέλα τεχνητής νοημοσύνης.

Η υποκείμενη τεχνολογία ονομάζεται συντονισμός αυτο-αρχών κριτικής ή self-principled critique tuning (SPCT), η οποία εκπαιδεύει την τεχνητή νοημοσύνη να αναπτύσσει τους δικούς της κανόνες για την κρίση περιεχομένου και στη συνέχεια χρησιμοποιεί αυτούς τους κανόνες για να παρέχει λεπτομερείς κριτικές.

Αυτή η προσέγγιση είναι γνωστή ως Generative Reward Modeling (GRM), ένα σύστημα μηχανικής μάθησης που ελέγχει και βαθμολογεί τι παράγουν τα μοντέλα AI, διασφαλίζοντας ότι ταιριάζουν με αυτό που ζητούν οι άνθρωποι με το SPCT.

Πώς λειτουργεί;
Συνήθως, η βελτίωση της τεχνητής νοημοσύνης απαιτεί να μεγαλώνουν τα μοντέλα κατά τη διάρκεια της εκπαίδευσης, κάτι που απαιτεί μεγάλη ανθρώπινη προσπάθεια και υπολογιστική ισχύ. Αντίθετα, η DeepSeek δημιούργησε ένα σύστημα με ενσωματωμένο «κριτή» που αξιολογεί τις απαντήσεις της AI σε πραγματικό χρόνο.

Όταν κάνετε μια ερώτηση, αυτός ο κριτής συγκρίνει την προγραμματισμένη απάντηση της AI τόσο με τους βασικούς κανόνες της AI όσο και με το πώς θα πρέπει να είναι μια καλή απάντηση.

Εάν υπάρχει στενή αντιστοιχία, η AI λαμβάνει θετικά σχόλια, τα οποία την βοηθούν να αυτοβελτιωθεί.

Η DeepSeek ονομάζει αυτό το αυτοβελτιωμένο σύστημα “DeepSeek-GRM”. Οι ερευνητές είπαν ότι αυτό θα βοηθούσε τα μοντέλα να έχουν καλύτερες επιδόσεις από ανταγωνιστές όπως το Gemini της Google, το Llama της Meta και το GPT-4o του OpenAI.

Η DeepSeek σχεδιάζει να διαθέσει αυτά τα προηγμένα μοντέλα τεχνητής νοημοσύνης ως λογισμικό ανοιχτού κώδικα, αλλά δεν έχει δοθεί χρονοδιάγραμμα.

photo: pixabay