Böyük dil modelləri çətin sualları həll edərkən çox vaxt addım-addım izah yaradır. Buna Chain-of-Thought, yəni düşüncə zənciri və ya məntiqi mühakimə zənciri deyilir.

Məsələn, model əvvəlcə verilən məlumatları sadalayır, sonra aralıq nəticələr çıxarır və sonda cavaba çatır. Bu üsul bir çox problemdə uğuru artırır. Çünki model bir addımda cavab vermək əvəzinə problemi kiçik hissələrə bölür.

Lakin burada ciddi bir problem var:

Modelin yazdığı izah həqiqətən düzgün məntiqi mühakiməni göstərir, yoxsa sonradan uydurulmuş, məntiqli görünən bir izahdır?

Bəzi hallarda model düzgün cavab verə bilər, lakin aradakı əsaslandırmalar yanlış ola bilər. Bəzi hallarda isə əvvəlcə yanlış fərziyyə irəli sürür, sonra növbəti addımları həmin yanlış fərziyyəni dəstəkləyəcək şəkildə qurur. Bu isə xüsusilə təhsil, elm, hüquq, riyaziyyat, planlaşdırma və qərar dəstəyi sistemlərində risklidir.

Bu məqalənin çıxış nöqtəsi də məhz budur:

Süni intellektin yalnız cavab verməsini deyil, məntiqi mühakimə addımlarının da yoxlanıla bilən olmasını təmin edə bilərikmi?

Klassik Chain-of-Thought Niyə Kifayət Etməyə Bilər?

Chain-of-Thought üsulu böyük dil modellərinə “addım-addım düşün” deməyə bənzəyir. Bu çox vaxt faydalıdır; lakin model yenə də sözbəsöz ehtimal əsaslı mətn yaradır.

Yəni modelin hər addımı sərt məntiq yoxlamasından keçmir. Bir addım səhvdirsə, sonrakı addımlar da həmin səhvin üzərində qurula bilər. Buna səhvlərin yığılması demək olar.

Məsələn, model belə bir məntiqi mühakimə qura bilər:

1. “A, B-dən böyükdür.”
2. “B, C-dən böyükdür.”
3. “Deməli, C, A-dan böyükdür.”

Burada nəticə məntiqi baxımdan yanlışdır. Lakin təbii dildə yazıldığı üçün bu səhvi hər zaman asanlıqla aşkar etmək mümkün olmaya bilər.

Buna görə yalnız daha uzun izah yaratmaq kifayət deyil. İzahın hər addımının məntiqi baxımdan yoxlanıla bilməsi lazımdır.

Neyro-Simvolik Süni İntellekt Nə Etməyə Çalışır?

Neyro-simvolik süni intellekt iki fərqli üstünlüyü birləşdirməyə çalışır.

Birinci tərəf böyük dil modelidir. Dil modeli təbii dili anlayır, cümlələri şərh edir və problemi simvolik formaya çevirməyə çalışır.

İkinci tərəf simvolik həlledicidir. Bu hissə riyazi məntiq qaydaları əsasında işləyir. Verilən məntiqi ifadələr düzgün qurulubsa, həlledici onların ziddiyyətsiz olub-olmadığını yoxlaya bilər.

Bu yanaşmanı belə təsəvvür etmək olar:

Dil modeli problemi oxuyur və “bunu məntiq dilinə çevirməyə” çalışır.
Simvolik həlledici isə “bu məntiq doğrudursa, nəticə nə olmalıdır?” sualını hesablayır.

Bu fikir güclüdür. Çünki simvolik həlledicilər dil modellərinin edə bilmədiyi şəkildə sərt məntiqi uyğunluq yoxlaması apara bilir.

Lakin burada da mühüm bir problem var:

Təbii dili məntiq dilinə çevirmək asan deyil.

Dil modeli çevirmə zamanı məlumatı natamam saxlaya, yanlış simvoldan istifadə edə, inkarı nəzərdən qaçıra və ya problemdəki qeyri-müəyyənliyi həddindən artıq sərt qayda kimi yaza bilər. Bu halda simvolik həlledici yanlış və ya həlli olmayan məntiq problemi ilə qarşılaşır.

SSR Nə Təklif Edir?

SSR, yəni Symbolic-Neural Soft-Logic Reasoning, bu problemi həll etmək üçün daha çevik neyro-simvolik yanaşma təklif edir.

SSR-nin əsas ideyası budur:

Təbii dili simvolik məntiqə çevir, məntiqi həlledici ilə yoxla; lakin çevirmə səhvlərinə görə sistemi tamamilə kövrək vəziyyətdə qoyma.

Buna görə SSR üç əsas hissəni birləşdirir:

1. LLM tərəfi:
Təbii dildəki problemi simvolik məntiq ifadələrinə çevirir.

2. Simvolik həlledici tərəfi:
Bu ifadələrin ziddiyyətsiz olub-olmadığını və hansı nəticənin çıxarıla biləcəyini yoxlayır. Məqalədə Z3 SMT həlledicisindən istifadə olunub.

3. Soft logic tərəfi:
Məntiqi ifadələr qüsurlu, natamam və ya ziddiyyətlidirsə, bütün sistemi çökdürmək əvəzinə daha etibarlı alt çoxluq əsasında həll axtarır.

Bu struktur sərt məntiqin yoxlanıla bilməsini qorumağa çalışarkən, dil modelindən gələn çevirmə səhvlərinə qarşı daha dayanıqlı olmağı hədəfləyir.

Düstur Nəyi İzah Edir? Məlumatlar Məntiqi Çoxluğa Çevrilir

Məqalədə problemdən çıxarılan məlumatlar belə göstərilir:

Φ = φ₁ ∧ φ₂ ∧ ... ∧ φₙ

Bu düsturun sadə mənası budur:

Problemdəki hər məlumat məntiq cümləsinə çevrilir. Sonra bütün bu məlumatlar “və” bağlayıcısı ilə bir araya gətirilir.

Məsələn:

• Ali qırmızıdır.
• Qırmızı olan hər kəs dairəvidir.
• Ali dairəvidirmi?

Bu məlumatlar simvolik məntiqdə ayrı-ayrılıqda ifadə olunur. Hamısı birlikdə Φ adlı məlumat çoxluğunu yaradır.

Sonra sistem bu sualı verir:

“Bu məlumatlar doğrudursa, soruşulan nəticə zəruri olaraq çıxırmı?”

Bu, klassik məntiqdə olduqca güclü yanaşmadır. Çünki modelin ehtimalına deyil, qaydaların ziddiyyətsizliyinə baxılır.

Boolean Sual Necə Həll Olunur?

Sual doğru/yanlış tipindədirsə, SSR iki yoxlama aparır:

Φ ∧ q
Φ ∧ ¬q

Burada q soruşulan iddiadır. ¬q isə “q doğru deyil” deməkdir.

Sadə dillə sistem bunları yoxlayır:

1. Verilən məlumatlarla q doğru ola bilərmi?
2. Verilən məlumatlarla q yanlış ola bilərmi?

Əgər q doğru ola bilir, amma q-nun əksi mümkün deyilsə, nəticə “doğru” qəbul edilir.
Əgər q-nun əksi mümkün olur, amma q mümkün deyilsə, nəticə “yanlış” qəbul edilir.
Əgər hər ikisi mümkündürsə, nəticə “bilinmir” ola bilər.

Bu yanaşma süni intellektin təsadüfi cavab verməsinin qarşısını almağa çalışır. Çünki nəticə məntiqi ödəniləbilənlik yoxlamasına bağlanır.

Ədədi Suallar Necə Həll Olunur?

Bəzi suallar doğru/yanlış deyil, ədədi və ya sıralama tipindədir. Məsələn:

“Bu obyekt neçənci yerdədir?”
“Yaş neçədir?”
“Hansı seçim verilən şərtlərlə uyğundur?”

Bu halda SSR mümkün dəyərləri bir-bir sınaqdan keçirir.

Məqalədəki ifadə sadələşdirilsə, belə deyir:

Həll çoxluğu = verilən məlumatlarla ziddiyyət təşkil etməyən namizəd dəyərlər

Yəni sistem hər mümkün dəyəri məntiq probleminə daxil edir və “bu dəyər verilən məlumatlarla ziddiyyət yaradırmı?” deyə yoxlayır.

Əgər yalnız bir namizəd ziddiyyətsiz qalırsa, cavab odur. Birdən çox namizəd ziddiyyətsiz qalırsa, problem qeyri-müəyyən ola və ya məlumat natamam ola bilər.

Soft Logic Niyə Lazımdır?

Sərt məntiqdə bir məlumat yanlış çevrilərsə, bütün sistem pozula bilər.

Məsələn, problemdə “Ali qırmızı deyil” yazıldığı halda model bunu səhvən “Ali qırmızıdır” kimi çevirsin. Bu tək səhv həlledicinin bütün nəticəni yanlış qiymətləndirməsinə səbəb ola bilər.

SSR buna görə soft logic istifadə edir.

Soft logic qaydaları yalnız “tam doğru” və ya “tam yanlış” kimi qəbul etmək əvəzinə, bəzi məlumatlara etibar çəkisi verir.

Məqalədə etibar çəkisi üçün bu ideyadan istifadə olunur:

w(φ) = exp(-H(φ))

Burada H(φ) dil modelinin müvafiq ifadəni yaradarkən nə qədər qeyri-müəyyənlik daşıdığını göstərən entropiya ölçüsüdür.

Sadə mənası budur:

Model məntiqi ifadəni yaradarkən çox tərəddüdlü görünürsə, həmin ifadəyə daha aşağı etibar verilə bilər.
Model daha əmin görünürsə, həmin ifadə daha yüksək çəki ala bilər.

Bu, qüsurlu məntiq çevirmələrinin bütün sistemi pozması ehtimalını azaltmağı hədəfləyir.

Çevirmə Çox Pozulubsa Nə Baş Verir?

SSR-nin daha bir mühüm təhlükəsizlik addımı var: filtrləmə.

Dil modelinin yaratdığı məntiqi ifadələr çox səhvdirsə, məsələn, xam təbii dil parçası qalıbsa, pozulmuş simvollar varsa və ya ifadəni həlledici oxuya bilmirsə, sistem onları ayırır.

Əgər çox sayda ciddi səhv varsa və ya sorğunun özü pozulubsa, SSR simvolik həlli məcbur etmir. Bunun əvəzinə ənənəvi Chain-of-Thought yoluna qayıdır.

Bu qərar vacibdir. Çünki hər problemi zorla simvolik həllediciyə vermək düzgün deyil. Məntiqə çevirmə uğursuz olubsa, simvolik həlledici etibarlı nəticə verə bilməz.

Qeyri-müəyyənlik Qaldıqda Hədəfli Geri Axtarış Aparılır

Soft logic bəzi ziddiyyətləri azalda bilər; lakin bəzən birdən çox cavab yenə mümkün qalır. Bu halda SSR “hansı çatışmayan məlumat nəticəni yeganə edərdi?” sualını verir.

Məqalədə bu hissə dual-system targeted retrieval adlanır. Azərbaycan dilində bunu “ikili sistemli hədəfli geri gətirmə” və ya daha sadə şəkildə “çatışmayan əsas məlumatı tapmaq” kimi ifadə etmək olar.

Burada simvolik həlledici əvvəlcə bunu müəyyən edir:

“Əgər bu əlavə şərt doğru olsaydı, cavab yalnız bir olardı.”

Sonra bu namizəd şərt dil modelinə yoxlatdırılır:

“Bu şərti problem mətnindən və ya ağlabatan ümumi bilikdən çıxarmaq mümkündürmü?”

Bu mühüm fərqdir. Dil modeli cavabı birbaşa seçmir. Bunun əvəzinə simvolik sistemin göstərdiyi konkret çatışmayan əlaqəni yoxlayır.

Bu üsul dil modelinin vəzifəsini daha dar və nəzarət edilə bilən hala gətirir.

Yoxlanıla Bilən Düşüncə Zənciri Necə Yaradılır?

SSR yalnız cavab yaratmağı hədəfləmir. Eyni zamanda yoxlanıla bilən məntiqi mühakimə zənciri yaratmağı da hədəfləyir.

Bunun üçün sistem iki növ məntiqi iz çıxarır:

İrəli məntiqi mühakimə:
Məlum məlumatlardan başlanır. Qaydalar tətbiq edilir. Yeni nəticələr çıxarılır. Sonda sorğuya çatmağa çalışılır.

Geri məntiqi mühakimə:
Sorğudan başlanır. “Bu nəticəni sübut etmək üçün hansı ilkin şərtlər lazımdır?” sualı ilə geriyə doğru gedilir.

Bu iki yol insanın anlaya biləcəyi izahlara çevrilə bilər. Əsas məqam budur: İzah təsadüfi yaradılmış mətn deyil; simvolik nəticəçıxarma izindən törəyir.

Bu, təhsil və etibarlı süni intellekt baxımından dəyərlidir. Çünki istifadəçi yalnız cavabı deyil, cavaba aparan məntiqi yolu da görə bilər.

Şəkil 1 Nəyi İzah Edir?

Məqalədəki Şəkil 1 SSR-nin ümumi iş axınını göstərir.

Şəkildə sistem əvvəlcə təbii dil problemini qəbul edir. LLM bu problemi məntiqi ifadələrə çevirir. Sonra filtrləmə aparılır. Səhv ifadələr ayrılır. Daha sonra simvolik sistem işə düşür.

Əgər məntiq aydın və ziddiyyətsizdirsə, həlledici cavabı çıxarır. Ziddiyyət və ya çatışmayan məlumat varsa, soft logic və hədəfli geri axtarış işə düşür. Simvolik tərəf ciddi şəkildə pozulubsa, sistem standart CoT yoluna qayıdır.

Bu şəklin əsas mesajı budur:

SSR tək bir üsul deyil; təbii dil, məntiq, yoxlama, yumşaq məhdudiyyətlər və izah yaratmanı birlikdə istifadə edən çoxqatlı məntiqi mühakimə xəttidir.

Şəkil 2 Nəyi Göstərir?

Məqalədəki Şəkil 2 SSR-nin irəli və geri məntiqi mühakimə zəncirlərini necə yaratdığını göstərir.

İrəli zəncirdə sistem mövcud faktlardan başlayır. Qaydaları ardıcıllıqla tətbiq edir və hədəf nəticəyə doğru irəliləyir.

Geri zəncirdə isə hədəf nəticədən başlayır. Bu nəticəni sübut etmək üçün hansı qaydanın, hansı ilkin şərtin və hansı aralıq məlumatın lazım olduğunu axtarır.

Bu iki yanaşma insanların problem həll etmə üsuluna bənzəyir. Bəzən əlimizdəki məlumatlardan nəticəyə gedirik. Bəzən isə nəticəni sübut etmək üçün “bunu göstərmək üçün nəyə ehtiyacım var?” deyə geriyə doğru düşünürük.

SSR-nin töhfəsi bu zəncirləri simvolik olaraq yoxlanıla bilən hala gətirməsidir.

Təcrübələr Necə Aparılıb?

Tədqiqatçılar SSR-ni müxtəlif böyük dil modelləri və müxtəlif məntiq benchmark-ları üzərində sınaqdan keçiriblər.

İstifadə olunan verilənlər dəstləri arasında bunlar var:

PrOntoQA:
Strukturlaşdırılmış məntiqi nəticəçıxarma tapşırıqları.

ProofWriter:
Verilən məlumatların bir nəticəni sübut etməyə kifayət edib-etmədiyini də ölçən məntiqi tapşırıqlar.

FOLIO:
Daha mürəkkəb birinci tərtib məntiq problemləri, uzun cümlələr və örtük ümumi biliklər ehtiva edə bilər.

LogicalDeduction:
Sıralama və diskret kombinator məntiq problemləri.

Müqayisə edilən üsullar arasında birbaşa cavablandırma, standart Chain-of-Thought, Formal CoT, Logic-LM, VeriCoT və SSR var.

Hər verilənlər dəstindən 200 problem nümunəsi seçilib və nəticələr dəqiqlik və nəticəçıxarma müddəti baxımından qiymətləndirilib.

Nəticələr Nəyi Göstərir?

Cədvəl 1 SSR-nin bir çox model və verilənlər dəstində standart CoT ilə müqayisədə daha yaxşı nəticə verdiyini göstərir.

Məsələn, Qwen2.5-7B modelində:

• PrOntoQA-da CoT: 86,1; SSR: 97,4
• ProofWriter-da CoT: 58,1; SSR: 86,0
• LogicalDeduction-da CoT: 63,2; SSR: 75,0

DeepSeek-R1 və GPT-4o kimi daha güclü modellərdə də SSR-nin xüsusilə PrOntoQA və ProofWriter kimi məntiqi tapşırıqlarda yüksək nəticələr verdiyi bildirilir.

FOLIO kimi daha mürəkkəb təbii dil və örtük bilik tələb edən verilənlər dəstlərində isə üstünlük daha məhdud görünür. Bu gözlənilən haldır; çünki təbii dili qüsursuz şəkildə formal məntiqə çevirmək çətinləşdikcə simvolik sistemdən əldə olunan fayda azala bilər.

Bu nəticələrin əsas mesajı budur:

SSR məntiqi strukturu daha aydın olan problemlərdə daha güclü üstünlük təmin edə bilər. Daha mürəkkəb və qeyri-müəyyən təbii dil problemlərində isə çevirmə keyfiyyəti hələ də məhdudlaşdırıcı amildir.

Yoxlanıla Bilən Düşüncə Zəncirlərində Fərq Daha Böyükdür

Cədvəl 2 yalnız düzgün cavabı deyil, tamamilə düzgün və yoxlanıla bilən məntiqi mühakimə zənciri yaratmaq uğurunu araşdırır.

Burada SSR-nin fərqi daha aydın görünür.

Məsələn, Qwen modelində PrOntoQA üçün:

• Formal CoT: 21,9
• VeriCoT: 51,7
• SSR irəli nəticəçıxarma: 89,7
• SSR geri nəticəçıxarma: 88,5

Bu, SSR-nin yalnız cavab dəqiqliyini artırmaqla kifayətlənmədiyini, daha məntiqli və yoxlanıla bilən izah zəncirləri yaratmaqda da güclü nəticələr verdiyini göstərir.

Bu məqam xüsusilə vacibdir. Çünki istifadəçilər üçün bəzən düzgün cavab qədər düzgün əsaslandırma da lazımdır.

Pozulmuş və ya Natamam Girişlərdə Nə Baş Verir?

Məqalə həmçinin girişdəki pozulmalara qarşı dayanıqlığı sınaqdan keçirir.

Bəzi təcrübələrdə problem mətninə əlaqəsiz cümlələr əlavə olunur. Bəzilərində isə mühüm ilkin şərtlər silinir və ya dəyişdirilir.

Nəticələrə görə, əlaqəsiz məlumat əlavə etmək üsulların işini çox pozmur. Lakin mühüm məlumatları silmək və ya dəyişdirmək performansın daha çox aşağı düşməsinə səbəb olur.

SSR bu pozulmalarda ümumilikdə daha yumşaq azalma göstərir. Bunun səbəbi soft logic və simvolik məhdudiyyətlərin birlikdə işləməsi ola bilər. Sistem kiçik çevirmə səhvləri və ya müəyyən qeyri-müəyyənliklər qarşısında tamamilə çökmədən daha etibarlı alt çoxluqlarla irəliləməyə çalışır.

Lakin pozulma çox artdıqda SSR-nin üstünlüyü də azalır. Bu, üsulun limitsiz dərəcədə dayanıqlı olmadığını göstərir.

Filtrləmə Modulu Niyə Vacibdir?

Cədvəl 4 SSR daxilində bəzi hissələrin çıxarıldığı ablation təcrübələrini göstərir.

Filtrləmə modulu çıxarıldıqda performans xüsusilə çətin verilənlər dəstlərində ciddi şəkildə azalır. Məsələn, Qwen2.5-7B ilə FOLIO-da standart SSR 64,5 olduğu halda filtrləmə olmadan 48,0-a düşür. LogicalDeduction-da da 75,0-dan 68,5-ə azalma müşahidə olunur.

Bu bizə bunu göstərir:

LLM-nin yaratdığı məntiqi ifadələri birbaşa həllediciyə göndərmək risklidir. Əvvəlcə açıq şəkildə pozulmuş və ya səhv ifadələri təmizləmək lazımdır.

Soft logic daxilindəki entropiya əsaslı etibar çəkiləri isə daha məhdud, lakin tamamlayıcı töhfə verir. Yəni əsas böyük qazanclardan biri yanlış formallaşdırmanın ayırd edilməsi və simvolik məntiqi mühakimənin uğurla işlədilə bilməsi kimi görünür.

Tədqiqat Nə Deyir?

Tədqiqatın əsas mesajı budur:

Böyük dil modellərinin məntiqi mühakimə qabiliyyətini yaxşılaşdırmaq üçün yalnız daha uzun izah istəmək kifayət deyil. Məntiqi mühakimə addımlarının yoxlanıla bilən olması lazımdır.

SSR bu məqsədlə üç ideyanı birləşdirir:

Birincisi, təbii dil problemlərini simvolik məntiqə çevirmək.
İkincisi, simvolik həlledici ilə ziddiyyətsizlik və nəticə yoxlaması aparmaq.
Üçüncüsü, çevirmə səhvlərinə qarşı soft logic və filtrləmədən istifadə etmək.

Bu yanaşma LLM-lərin tam sərbəst mətn yaratmasından qaynaqlanan səhvləri azaltmağı hədəfləyir. Eyni zamanda yoxlanıla bilən düşüncə zəncirləri yaradaraq təlim verilənləri hazırlamaq potensialı da təqdim edir.

Bu Niyə Vacibdir?

Gələcəkdə süni intellekt sistemləri yalnız söhbət üçün deyil; planlaşdırma, riyaziyyat, elmi tədqiqat, proqram təminatının yoxlanması, təhsil və qərar dəstəyi üçün də istifadə olunacaq.

Bu sahələrdə “model belə dedi” kifayət deyil. Modelin bunu niyə dediyi və nəticənin məntiqi baxımdan yoxlanılıb-yoxlanıla bilməməsi vacibdir.

Xüsusilə riyaziyyat və elmi məntiqi mühakimədə nəticə qədər sübut yolu da dəyərlidir. Tələbəyə və ya tədqiqatçıya yanlış əsaslandırma ilə düzgün cavab vermək aldadıcı ola bilər.

SSR kimi üsullar süni intellekt sistemlərinin daha etibarlı, daha izah edilə bilən və daha çox nəzarət oluna bilən hala gəlməsi üçün mühüm tədqiqat istiqaməti təqdim edir.

Diqqət Edilməli Məqamlar

Bu tədqiqat güclü nəticələr təqdim etsə də, məhdudiyyətləri var.

Birincisi, tədqiqat preprintdir və nəticələr müstəqil qiymətləndirmə ilə dəstəklənməlidir.

İkincisi, SSR hələ də LLM-nin təbii dili məntiq ifadələrinə düzgün çevirə bilməsindən asılıdır. Çevirmə səhvdirsə, soft logic bu səhvi azalda bilər, lakin tamamilə aradan qaldırmır.

Üçüncüsü, sistem çox pozulmuş çevirmə vəziyyətində standart CoT-yə qayıdır. Bu, təhlükəsizlik baxımından məntiqlidir; lakin simvolik sistemin hər şəraitdə işləmədiyini göstərir.

Dördüncüsü, təcrübələr müəyyən benchmark verilənlər dəstləri ilə məhdudlaşır. Real dünya problemləri daha dağınıq, natamam, çoxmənalı və kontekstdən asılı ola bilər.

Beşincisi, yoxlanıla bilən düşüncə zənciri yaratmaq dəyərli olsa da, bu zəncirlərin həqiqətən modelin daxili məntiqi mühakimə qabiliyyətini yaxşılaşdırıb-yaxşılaşdırmadığı ayrıca tədqiqat mövzusudur.

Nəticə

Bu tədqiqat böyük dil modellərinin məntiqi mühakiməsini daha etibarlı etmək üçün mühüm istiqamət təklif edir: Dil modelinin çevikliyini simvolik məntiqin yoxlanıla bilməsi ilə birləşdirmək.

SSR üsulu təbii dil problemlərini məntiq ifadələrinə çevirir, bu ifadələri SMT həlledicisi ilə yoxlayır, yanlış və ya natamam formallaşdırmalara qarşı soft logic istifadə edir və sonda insanın oxuya biləcəyi, yoxlanıla bilən məntiqi mühakimə zəncirləri yarada bilir.

Nəticələr SSR-nin bir çox təcrübə mühitində klassik CoT və bəzi neyro-simvolik yanaşmalarla müqayisədə daha yaxşı performans göstərə bildiyini ortaya qoyur. Lakin üsul hələ də formallaşdırma səhvlərindən, problemin mürəkkəbliyindən və verilənlər dəstinin məhdudiyyətlərindən asılıdır.

Bununla belə, tədqiqat etibarlı süni intellekt üçün çox mühüm bir ideyanı xatırladır:

Süni intellektin yaxşı cavab verməsi kifayət deyil; cavaba aparan yolun da yoxlanıla bilən olması lazımdır.

Mənbə və Metod Qeydi

Bu məzmun Rui Wang, Zeming Wei, Yihao Zhang və Xiaokun Luan tərəfindən hazırlanmış “Symbolic-Neural Soft-Logic Reasoning: Towards Robust and Verifiable Thinking Chains via Cooperative Evolution” adlı akademik tədqiqatdan istifadə edilərək Verianla redaksiya formatında orijinal şəkildə hazırlanıb.

Tədqiqat arXiv-də yayımlanmış preprint xarakterlidir. Məzmun məlumatlandırma və təhsil məqsədi daşıyır. Süni intellekt təhlükəsizliyi, model seçimi, proqram təminatının yoxlanması, akademik qiymətləndirmə və ya peşəkar texniki məsləhətin yerini tutmur.