随着人们在积极的反馈中不断成长，人工智能（AI）同样可以从模拟人类互动的建议中受益。谷歌深脑（Google DeepMind）的研究人员推出了一种变革性方法，通过模仿日常人类交流来显著提升语言模型的数学能力。这个创新方法被称为优化通过提示（Optimization by PROmpting，简称OPRO），详细信息见其论文《大型语言模型作为优化器》。
OPRO利用自然语言指导大型语言模型，例如OpenAI的ChatGPT，解决复杂问题。传统机器学习依赖于正式的数学过程来提高性能，而OPRO则通过易懂的对话语言促进改进。通过分析问题描述及之前的回答，语言模型能够生成潜在解决方案。
约翰霍普金斯大学运营管理与商业分析教授戴廷龙（Tinglong Dai）指出：“大型语言模型（LLMs）是在人工生成的内容上训练的，它们的工作方式大致是像一对好伴侣一样完成你的句子。因此，人类化的提示能取得良好的结果，这并不奇怪。”这揭示了提示的措辞如何显著影响AI的表现。
深脑的研究表明，某些短语对模型性能的影响尤为显著。例如，通过短语“让我们一步一步来思考”，在与数据集对比时，数学问题的解决准确度明显提高。短语“深呼吸，逐步解决这个问题”在使用谷歌的PaLM 2测试时达到了80.2%的最高准确率，该测试对标的是GSM8K——一个初中数学词题数据集。相比之下，PaLM 2在没有特定提示的情况下，准确率仅为34%，而经典提示“我们一步一步来思考”的准确率为71.8%。
宾夕法尼亚大学计算机与信息科学教授迈克尔·基恩斯（Michael Kearns）补充道，由于在对话数据（如Reddit帖子和电影剧本）上训练，LLMs在基于人类化提示调整回答方面表现优异。他强调，鼓励LLMs将数学或逻辑问题拆分成易于管理的步骤是至关重要的，这也得益于其在包括数学证明和正式推理这类数据上的训练。
深脑论文的合著者杨承润（Chengrun Yang）解释道，大多数LLMs都经过大量数据集的训练，使它们在自然语言处理方面具备强大能力，包括释义和句子丰富化。同时，持续的模型对齐努力也提升了LLMs理解和响应人类化提示的能力。
智能翻译公司Smartling的人工智能和机器翻译副总裁奥尔加·贝雷戈瓦亚（Olga Beregovaya）表示，人类化提示通常以请求的形式出现，引导AI进行更对话式的互动。她补充道：“当给予更多上下文时，LLMs表现最佳。”详细的提示能够帮助模型更准确地对特定上下文作出反应。
有趣的是，简单的鼓励语言也能提升AI的表现。戴教授指出，当用户给予激励，比如：“加油，你可以做得更好！”时，LLMs可能会产生更好的结果。比如，让LLMs模拟诺贝尔经济学奖得主的角色，可以引发对复杂主题如通货膨胀的更深入讨论。同样，在医学诊断情境中，提示LLMs扮演领先医疗专家的角色，可能会产生更准确、更聚焦的结果。然而，他也指出，这些人性化的鼓励虽然有效，但并不保证在所有任务中都有普遍的改善。
重要的是，LLMs也可能对针对特定任务的非人类化提示反应良好。戴教授提到，结构化、编码的提示可以产生有效结果，这是与传统对话方法的对比。
OPRO方法有望简化AI提示的设计过程，使用户能够根据多个指标（如数学问题解决的准确度、工具触发率和文本生成的创造性）优化其查询。杨表达了希望，OPRO方法能激发新的应用，以帮助更广泛的任务，使AI解决方案更具互动性和高效性。
排行榜
