(←) предыдущая запись ; следующая запись (→)
Итак, логический вывод — это задача написания текста с последовательностью умозаключений. Значит мы можем посмотреть на другие способы писать тексты.
Главной альтернативой в современном мире являются нейросети и прочий ML, который решает разные задачи по построению текста: от машинного перевода до резюмирования текстов. В некотором смысле даже рисование картинок является написанием текста.
Машинное обучение — это набор методов, основанных на выявлении статистических закономерностей в данных. Я практически уверен, что человеческое мышление работает так же, но некоторые люди обижаются на такую, как им кажется, «примитивизацию» мышления, так что не будем разводить здесь диспут на эту тему.
Мы видели, как современные языковые модели типа GPT-4 мощно пишут тексты. Может быть они могут анализировать юридические тексты? Вероятно, могут, но с ограничениями.
С нейросетями проблема следующая: они делают тексты, выглядящие правдоподобно, но логика вшита в такие системы нежёстко. Поэтому такие модели могут писать несамосогласованный бред.
Кстати, в работе GPT-4 используется параметр «температура», который позволяет нейросети больше или меньше фантазировать. Довольно вероятно, что нейросеть в холодном режиме может делать и вполне точные логические умозаключения, меньше внимания придавая рандому. Деталей в достаточной мере не знаю, только самую базовую идею.
Про температуру я знаю из немного другого контекста: в оптимизации путём имитации отжига при высоких «температурах» параметры модели могут меняться большими скачками, чтобы не застревать в локальных минимумах, а при низких «температурах» проходит менее эффективная, но более тонкая подстройка модели.
(3/n)