“`html
Решение для эффективного и точного планирования на долгосрочную перспективу с помощью языковых моделей
Одной из главных проблем исследований в области искусственного интеллекта является повышение эффективности и точности языковых моделей для решения проблем долгосрочного планирования. Традиционные методы либо не обладают достаточной скоростью для реального времени, либо не обеспечивают необходимую точность для выполнения сложных задач. Решение этой проблемы является ключевым для продвижения практических применений искусственного интеллекта в областях, таких как робототехника, навигация и другие области, требующие надежных и гибких возможностей планирования.
Решение проблемы
Существующие методы решения проблем долгосрочного планирования включают два основных подхода: планировщики System-1 и System-2. Планировщики System-1 быстро генерируют планы без явного поиска, но часто страдают от неточности, что делает их непригодными для выполнения сложных задач. Планировщики System-2, с другой стороны, включают преднамеренное пошаговое планирование, которое, хотя и точное, требует больших вычислительных затрат и слишком медленно для реального времени. Эти ограничения приводят к неэффективности и субоптимальной производительности, особенно когда ограничения и цели пользователя не интегрированы в процесс планирования.
Исследователи из UNC Chapel Hill представляют планировщик System-1.x, новую гибридную систему планирования, объединяющую планировщики System-1 и System-2. Контроллер динамически разбивает задачи планирования на подцели, классифицируя их как простые или сложные. Простые подцели обрабатываются быстрыми планировщиками System-1, в то время как сложные подцели решаются более точными планировщиками System-2. Пользовательский гиперпараметр управляет этой гибридизацией, позволяя контролировать распределение вычислительных ресурсов в зависимости от сложности задачи. Этот подход значительно способствует развитию области, обеспечивая баланс скорости и точности, предлагая более эффективное и адаптируемое решение по сравнению с существующими методами.
Преимущества и результаты
Планировщик System-1.x построен на основе одной крупной языковой модели (LLM), подогнанной для трех компонентов: контроллера, планировщика System-1 и планировщика System-2. Роль контроллера заключается в разбиении задачи планирования и распределении подцелей в зависимости от их сложности. Обучающие данные для этих компонентов генерируются с использованием следов поиска из классических задач планирования, таких как навигация в лабиринте и мир блоков. Ключевые метрики включают количество исследуемых состояний и допустимость плана, подчеркивая эффективность и точность модели в различных контекстах планирования.
Планировщик System-1.x демонстрирует превосходную производительность в экспериментах, связанных с задачами навигации в лабиринте и миром блоков. Для навигации в лабиринте планировщик System-1.x достиг точности 70,4% с использованием в среднем 13,6 состояний, значительно превосходя как планировщики System-1, так и System-2. Он также продемонстрировал существенные улучшения в мире блоков, более эффективно управляя более длинными планами. Результаты подчеркивают способность планировщика System-1.x эффективно балансировать скорость и точность, достигая до 33% более высокой точности, чем другие планировщики при фиксированном бюджете исследуемых состояний.
Заключение
Планировщик System-1.x, гибридная система, эффективно балансирует быстрые и медленные режимы планирования, решая ключевые ограничения существующих методов. Путем использования пользовательского фактора гибридизации планировщик System-1.x адаптируется к сложности задачи, оптимизируя точность и эффективность. Этот инновационный подход продвигает область планирования искусственного интеллекта, предоставляя более масштабное и гибкое решение для реальных приложений, преодолевая значительные проблемы в текущих системах планирования.
“`
