Katta til modellari qiyin savollarni yechishda ko'pincha bosqichma-bosqich tushuntirishlar ishlab chiqaradi. Bunga Chain-of-Thought, ya'ni fikr zanjiri yoki mantiqiy mulohaza zanjiri deyiladi.

Masalan, model avval berilgan ma'lumotlarni sanab o'tadi, keyin oraliq natijalarni chiqaradi va oxir-oqibat javobga yetadi. Bu usul ko'plab muammolarda muvaffaqiyatni oshiradi, chunki model bir zumda javob berish o'rniga muammoni kichik qismlarga bo'ladi.

Biroq bu yerda jiddiy muammo bor:

Model yozgan tushuntirish haqiqatan ham to'g'ri mantiqiy mulohazani ko'rsatadimi yoki keyinroq ixtiro qilingan, mantiqiy ko'rinadigan tushuntirishmi?

Ba'zi holatlarda model to'g'ri javob berishi mumkin, lekin oraliq asoslar noto'g'ri bo'lishi mumkin. Ba'zan u avval noto'g'ri taxmin qiladi, keyin keyingi qadamlarni shu noto'g'ri taxminni qo'llab-quvvatlash uchun quradi. Bu ayniqsa ta'lim, fan, huquq, matematika, rejalashtirish va qaror qo'llab-quvvatlash tizimlarida xavfli.

Ushbu maqolaning boshlang'ich nuqtasi ham shu:

Sun'iy intellekt faqat javob berish bilan cheklanmasdan, mantiqiy mulohaza qadamlari tekshiriladigan bo'lishini ta'minlashimiz mumkinmi?

Klassik Chain-of-Thought nima uchun yetarli bo'lmasligi mumkin?

Chain-of-Thought usuli katta til modellariga "bosqichma-bosqich o'ylang" deyishga o'xshaydi. Bu ko'pincha foydali; biroq model hali ham so'zma-so'z ehtimollik asosida matn ishlab chiqaradi.

Ya'ni modelning har bir qadami qat'iy mantiqiy nazoratdan o'tmaydi. Agar bir qadam noto'g'ri bo'lsa, keyingi qadamlar ham shu xato ustiga qurilishi mumkin. Bunga xato to'planishi deyiladi.

Masalan, model quyidagicha mulohaza qilishi mumkin:

1. "A, B dan katta."
2. "B, C dan katta."
3. "Demak, C, A dan katta."

Bu yerda xulosa mantiqan noto'g'ri. Biroq tabiiy tilda yozilgani uchun bu xato har doim oson aniqlanmasligi mumkin.

Shuning uchun faqat uzroq tushuntirish ishlab chiqarish yetarli emas. Tushuntirishning har bir qadami mantiqan tekshirilishi kerak.

Neyro-ramziy sun'iy intellekt nima qilishga harakat qilmoqda?

Neyro-ramziy sun'iy intellekt ikki xil kuchni birlashtirishga harakat qiladi.

Birinchi tomon — katta til modeli. Til modeli tabiiy tilni tushunadi, jumlalarni talqin qiladi va muammoni ramziy shaklga keltirishga harakat qiladi.

Ikkinchi tomon — ramziy yechuvchi. Bu qism matematik mantiq qoidalariga ko'ra ishlaydi. Agar berilgan mantiqiy ifodalar to'g'ri shaklda tuzilgan bo'lsa, yechuvchi ularning izchil ekanini tekshira oladi.

Bu yondashuvni shunday tasavvur qilish mumkin:

Til modeli muammoni o'qiydi va "buni mantiq tiliga aylantirishga" harakat qiladi.
Ramziy yechuvchi esa "agar bu mantiq to'g'ri bo'lsa, natija nima bo'lishi kerak?" savolini hisoblaydi.

Bu g'oya kuchli, chunki ramziy yechuvchilar til modellarining qila olmaydigan qat'iy mantiqiy izchillik nazoratini amalga oshira oladi.

Biroq bu yerda ham muhim muammo bor:

Tabiiy tilni mantiq tiliga aylantirish oson emas.

Til modeli tarjima jarayonida ma'lumot yetishmay qoldirishi, noto'g'ri ramz ishlatishi, inkorni o'tkazib yuborishi yoki muammodagi noaniqlikni juda qattiq qoida sifatida yozishi mumkin. Bunday holatda ramziy yechuvchi noto'g'ri yoki yechimsiz mantiqiy muammoga duch keladi.

SSR nima taklif qiladi?

SSR, ya'ni Symbolic-Neural Soft-Logic Reasoning, bu muammoni hal qilish uchun yanada moslashuvchan neyro-ramziy yondashuv taklif qiladi.

SSR ning asosiy g'oyasi quyidagicha:

Tabiiy tilni ramziy mantiqga aylantir, mantiqni yechuvchi bilan tekshir; lekin tarjima xatolari tufayli tizimni butunlay mo'rt qoldirma.

Shuning uchun SSR uchta asosiy qismni birlashtiradi:

1. LLM tomoni:
Tabiiy tildagi muammoni ramziy mantiq ifodalariga aylantiradi.

2. Ramziy yechuvchi tomoni:
Bu ifodalarning izchil ekanini va qanday natija chiqarilishi mumkinligini tekshiradi. Maqolada Z3 SMT yechuvchisi ishlatilgan.

3. Soft logic tomoni:
Mantiqiy ifodalar nuqsonli, to'liq emas yoki zid bo'lsa, butun tizimni qulatish o'rniga ishonchliroq kichik to'plam orqali yechim qidiradi.

Bu tuzilma qattiq mantiqning tekshiriladiganligini saqlab qolishga intilib, til modelidan keladigan tarjima xatolariga nisbatan yanada chidamli bo'lishni maqsad qiladi.

Formula nimani bildiradi? Ma'lumotlar mantiqiy to'plamga aylanadi

Maqolada muammodan olingan ma'lumotlar quyidagicha ko'rsatiladi:

Φ = φ₁ ∧ φ₂ ∧ ... ∧ φₙ

Bu formulaning sodda ma'nosi quyidagicha:

Muammodagi har bir ma'lumot mantiqiy gapga aylantiriladi. Keyin barcha ma'lumotlar "va" bog'lovchisi bilan birlashtiriladi.

Masalan:

• Ali qizil.
• Qizil bo'lgan har kim yumaloq.
• Ali yumaloqmi?

Bu ma'lumotlar ramziy mantiqda alohida ifodalanadi. Hammasi birgalikda Φ deb ataladigan ma'lumotlar to'plamini hosil qiladi.

Keyin tizim quyidagi savolni beradi:

"Agar bu ma'lumotlar to'g'ri bo'lsa, so'ralgan natija majburiy ravishda chiqadimi?"

Bu klassik mantiqda juda kuchli yondashuv, chunki modelning taxminiga emas, qoidalar izchilligiga qarab baholanadi.

Boolean savol qanday yechiladi?

Agar savol to'g'ri/noto'g'ri turidagi bo'lsa, SSR ikkita tekshiruv o'tkazadi:

Φ ∧ q
Φ ∧ ¬q

Bu yerda q — so'ralgan da'vo. ¬q esa "q to'g'ri emas" degan ma'noni anglatadi.

Sodda so'zlar bilan tizim quyidagilarni sinab ko'radi:

1. Berilgan ma'lumotlar bilan q to'g'ri bo'lishi mumkinmi?
2. Berilgan ma'lumotlar bilan q noto'g'ri bo'lishi mumkinmi?

Agar q to'g'ri bo'lishi mumkin, lekin q ning teskarisi bo'lishi mumkin bo'lmasa, natija "to'g'ri" deb qabul qilinadi.
Agar q ning teskarisi bo'lishi mumkin, lekin q bo'lishi mumkin bo'lmasa, natija "noto'g'ri" deb qabul qilinadi.
Agar ikkalasi ham mumkin bo'lsa, natija "noma'lum" bo'lishi mumkin.

Bu yondashuv sun'iy intellektning tasodifiy javob berishini oldini olishga harakat qiladi, chunki natija mantiqiy qondiriluvchanlik tekshiruviga bog'lanadi.

Raqamli savollar qanday yechiladi?

Ba'zi savollar to'g'ri/noto'g'ri emas, balki raqamli yoki tartiblash turidagi. Masalan:

"Bu ob'ekt nechanchi o'rinda?"
"Yoshi nechada?"
"Qaysi variant berilgan shartlarga mos keladi?"

Bunday holatda SSR mumkin bo'lgan qiymatlarni birma-bir sinab ko'radi.

Maqoladagi ibora soddalashtirilsa, quyidagini aytadi:

Yechimlar to'plami = berilgan ma'lumotlar bilan izchil bo'lgan nomzod qiymatlar

Ya'ni tizim har bir mumkin bo'lgan qiymatni mantiqiy muammoga qo'shadi va "bu qiymat berilgan ma'lumotlar bilan zidmi?" deb tekshiradi.

Agar faqat bitta nomzod izchil qolsa, javob shu bo'ladi. Agar bir nechta nomzod izchil qolsa, muammo noaniq bo'lishi yoki ma'lumot yetishmasligi mumkin.

Soft logic nima uchun kerak?

Qattiq mantiqda bir ma'lumot noto'g'ri tarjima qilinsa, butun tizim buzilishi mumkin.

Masalan, muammoda "Ali qizil emas" deb yozilgan bo'lsa-da, model buni tasodifan "Ali qizil" deb tarjima qilgan bo'lsin. Bu yagona xato yechuvchining butun natijani noto'g'ri baholashiga olib kelishi mumkin.

Shuning uchun SSR soft logic dan foydalanadi.

Soft logic qoidalarni faqat "to'liq to'g'ri" yoki "to'liq noto'g'ri" deb emas, ba'zi ma'lumotlarga ishonch og'irligini berish orqali ko'rib chiqadi.

Maqolada ishonch og'irligi uchun quyidagi fikr ishlatiladi:

w(φ) = exp(-H(φ))

Bu yerda H(φ) — til modelining tegishli ifodani ishlab chiqarishda qanchalik noaniqlik ko'rsatganini ifodalovchi entropiya o'lchovi.

Sodda ma'nosi quyidagicha:

Model mantiqiy ifodani ishlab chiqarayotganda juda ikkilanayotgan ko'rinsa, bu ifodaga pastroq ishonch berilishi mumkin.
Model ishonchliroq ko'rinsa, bu ifoda yuqoriroq og'irlik olishi mumkin.

Bu nuqsonli mantiqiy tarjimalarning butun tizimni buzishini kamaytirishni maqsad qiladi.

Tarjima juda buzilsa nima bo'ladi?

SSR da yana bir muhim xavfsizlik qadami bor: filtrlash.

Til modeli ishlab chiqargan mantiqiy ifodalar juda xato bo'lsa — masalan, xom tabiiy til parchasi qolgan bo'lsa, buzilgan ramzlar bo'lsa yoki ifoda yechuvchi tomonidan o'qib bo'lmasa — tizim ularni ajratib oladi.

Agar juda ko'p jiddiy xato bo'lsa yoki so'rovning o'zi buzilgan bo'lsa, SSR ramziy yechimga majburlamaydi. Buning o'rniga an'anaviy Chain-of-Thought yo'lidan foydalanadi.

Bu qaror muhim, chunki har bir muammoni ramziy yechuvchiga majburan yuborish to'g'ri emas. Agar mantiqiy tarjima buzilgan bo'lsa, ramziy yechuvchi ishonchli natija bera olmaydi.

Noaniqlik qolganda maqsadli qidiruv amalga oshiriladi

Soft logic ba'zi zidliklarni kamaytirishi mumkin; biroq ba'zan bir nechta javob hali ham mumkin bo'lib qoladi. Bunday holatda SSR "qaysi yetishmayotgan ma'lumot natijani yagona qilardi?" savolini beradi.

Maqolada bu bo'limga dual-system targeted retrieval deyiladi; sodda tarzda "yetishmayotgan kalit ma'lumotni topish" deb tushunish mumkin.

Bu yerda ramziy yechuvchi avval quyidagini aniqlaydi:

"Agar quyidagi qo'shimcha shart to'g'ri bo'lsa, javob yagona bo'lardi."

Keyin bu nomzod shart til modeli orqali tekshiriladi:

"Bu shart muammo matnidan yoki oqilona umumiy bilimdan chiqarilishi mumkinmi?"

Bu muhim farq. Til modeli to'g'ridan-to'g'ri javobni tanlamaydi. Buning o'rniga ramziy tizim ko'rsatgan ma'lum bir yetishmayotgan bog'lanishni tekshiradi.

Bu usul til modelini torroq va nazorat qilinadigan vazifaga tushiradi.

Tekshiriladigan fikr zanjirini qanday ishlab chiqariladi?

SSR faqat javob ishlab chiqarishni emas, balki tekshiriladigan mantiqiy mulohaza zanjirini ham maqsad qiladi.

Buning uchun tizim ikki turdagi mantiqiy iz chiqaradi:

Oldinga mulohaza:
Ma'lum ma'lumotlardan boshlanadi. Qoidalar qo'llaniladi. Yangi natijalar chiqariladi. Oxirida so'rovga yetishga harakat qilinadi.

Orqaga mulohaza:
So'rovdan boshlanadi. "Bu natijani isbotlash uchun qanday old shartlar kerak?" deb orqaga qarab boriladi.

Bu ikki yo'l inson tushunadigan tushuntirishlarga aylantirilishi mumkin. Muhimi shuki, tushuntirish tasodifiy matn emas; u ramziy xulosa izidan olinadi.

Bu ta'lim va ishonchli sun'iy intellekt uchun qimmatli, chunki foydalanuvchi nafaqat javobni, balki javobga olib boradigan mantiqiy yo'lni ham ko'ra oladi.

1-rasm nimani bildiradi?

Maqoladagi 1-rasm SSR ning umumiy oqimini ko'rsatadi.

Rasmda tizim avval tabiiy tildagi muammoni oladi. LLM bu muammoni mantiqiy ifodalarga aylantiradi. Keyin filtrlash amalga oshiriladi. Xato ifodalar ajratib olinadi. So'ng ramziy tizim ishga tushadi.

Agar mantiq aniq va izchil bo'lsa, yechuvchi javobni chiqaradi. Agar zidlik yoki yetishmayotgan ma'lumot bo'lsa, soft logic va maqsadli qidiruv ishga tushadi. Agar ramziy qism juda buzilgan bo'lsa, tizim standart CoT yo'lidan foydalanadi.

Bu tasvirning asosiy xabari quyidagicha:

SSR bitta usul emas; u tabiiy til, mantiq, tekshiruv, yumshoq cheklovlar va tushuntirish ishlab chiqarishni birgalikda ishlatadigan ko'p qavatli mantiqiy mulohaza zanjiridir.

2-rasm nimani ko'rsatadi?

Maqoladagi 2-rasm SSR oldinga va orqaga mulohaza zanjirlarini qanday qurishini ko'rsatadi.

Oldinga zanjirda tizim mavjud faktlardan boshlaydi. Qoidalarni ketma-ket qo'llaydi va maqsadli natijaga intiladi.

Orqaga zanjirda esa maqsadli natijadan boshlanadi. Bu natijani isbotlash uchun qaysi qoida, qaysi old shart va qaysi oraliq ma'lumot kerakligini qidiradi.

Bu ikki yondashuv insonlarning muammoni yechish usuliga o'xshaydi. Ba'zan qo'limizdagi ma'lumotlardan natijaga boramiz. Ba'zan esa natijani isbotlash uchun "buni ko'rsatish uchun nima kerak?" deb orqaga o'ylaymiz.

SSR ning hissasi shu zanjirlarni ramziy ravishda nazorat qilinadigan qilishdir.

Tajribalar qanday o'tkazilgan?

Tadqiqotchilar SSR ni turli katta til modellari va turli mantiq benchmark'lari ustida sinab ko'rishadi.

Qo'llanilgan ma'lumotlar to'plamlaridan quyidagilar bor:

PrOntoQA:
Tuzilgan mantiqiy xulosa vazifalari.

ProofWriter:
Berilgan ma'lumotlar natijani isbotlashga yetarlimi-yo'qmi, shuni ham o'lchaydigan mantiqiy vazifalar.

FOLIO:
Murakkabroq birinchi darajali mantiq muammolari; uzoq gaplar va yashirin umumiy bilim bo'lishi mumkin.

LogicalDeduction:
Tartiblash va diskret kombinator mantiq muammolari.

Taqqoslangan usullar orasida to'g'ridan-to'g'ri javob berish, standart Chain-of-Thought, Formal CoT, Logic-LM, VeriCoT va SSR bor.

Har bir ma'lumotlar to'plamidan 200 ta muammo namunasi olingan va natijalar aniqlik hamda xulosa vaqti bo'yicha baholangan.

Natijalar nimani ko'rsatadi?

1-jadval SSR ko'plab modellarda va ma'lumotlar to'plamlarida standart CoT ga nisbatan yaxshiroq natija berganini ko'rsatadi.

Masalan, Qwen2.5-7B modelida:

• 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 va GPT-4o kabi kuchliroq modellarda ham SSR ayniqsa PrOntoQA va ProofWriter kabi mantiqiy vazifalarda yuqori natijalar berganligi xabar qilinadi.

FOLIO kabi murakkabroq tabiiy til va yashirin bilim talab qiladigan to'plamlarda ustunlik cheklanganroq ko'rinadi. Bu kutilgan holat, chunki tabiiy tilni mukammal ravishda rasmiy mantiqga aylantirish qiyinlashgan sari ramziy tizimdan olinadigan foyda kamayishi mumkin.

Bu natijalarning asosiy xabari quyidagicha:

SSR mantiqiy tuzilmasi aniqroq muammolarda kuchliroq ustunlik berishi mumkin. Murakkab va noaniq tabiiy til muammolarida esa tarjima sifati hali ham cheklovchi omil.

Tekshiriladigan fikr zanjirlarida farq yanada katta

2-jadval nafaqat to'g'ri javobni, balki to'liq to'g'ri va tekshiriladigan mantiqiy mulohaza zanjirini ishlab chiqarish muvaffaqiyatini o'rganadi.

Bu yerda SSR ning farqi aniqroq ko'rinadi.

Masalan, Qwen modelida PrOntoQA uchun:

• Formal CoT: 21.9
• VeriCoT: 51.7
• SSR oldinga xulosa: 89.7
• SSR orqaga xulosa: 88.5

Bu SSR nafaqat javob aniqligini oshirish bilan cheklanmasdan, yanada mantiqiy va tekshiriladigan tushuntirish zanjirlarini ishlab chiqarishda ham kuchli natijalar berganini ko'rsatadi.

Bu nuqta ayniqsa muhim, chunki foydalanuvchilar uchun ba'zan to'g'ri javob qadar to'g'ri asos ham zarur.

Buzilgan yoki to'liq bo'lmagan kiritmalarda nima bo'ladi?

Maqola kiritma buzilishlariga chidamlilikni ham sinab ko'radi.

Ba'zi tajribalarda muammo matniga aloqasiz gaplar qo'shiladi. Ba'zilarida muhim old shartlar o'chiriladi yoki o'zgartiriladi.

Natijalarga ko'ra, aloqasiz ma'lumot qo'shish usullarni unchalik buzmaydi. Ammo muhim ma'lumotlarni o'chirish yoki o'zgartirish kattaroq ishlash pasayishiga olib keladi.

SSR bu buzilishlarda umuman olganda yumshoqroq pasayish ko'rsatadi. Sababi soft logic va ramziy cheklovlar birgalikda ishlashi bo'lishi mumkin. Tizim kichik tarjima xatolari yoki ba'zi noaniqliklarga qarshi butunlay qulamasdan ishonchliroq kichik to'plamlar bilan davom etishga harakat qiladi.

Biroq buzilish juda kuchaysa, SSR ning ustunligi ham kamayadi. Bu usul cheksiz chidamli emasligini ko'rsatadi.

Filtrlash moduli nima uchun muhim?

4-jadval SSR ichidagi ba'zi qismlar olib tashlangan ablation tajribalarini ko'rsatadi.

Filtrlash moduli olib tashlanganda ishlash ayniqsa qiyin to'plamlarda sezilarli darajada tushadi. Masalan, Qwen2.5-7B bilan FOLIO da standart SSR 64.5, filtrlashsiz esa 48.0 ga tushadi. LogicalDeduction da ham 75.0 dan 68.5 ga pasayish kuzatiladi.

Bu bizga quyidagini ko'rsatadi:

LLM ishlab chiqargan mantiqiy ifodalarni to'g'ridan-to'g'ri yechuvchiga yuborish xavfli. Avval aniq buzilgan yoki xato ifodalarni tozalash kerak.

Soft logic ichidagi entropiyaga asoslangan ishonch og'irliklari esa cheklangan, lekin to'ldiruvchi hissani beradi. Ya'ni asosiy yutuqdan biri noto'g'ri formalizatsiyani ajratib olish va ramziy mulohazani muvaffaqiyatli ishga tushirishga to'g'ri keladi.

Tadqiqot nima deydi?

Tadqiqotning asosiy xabari quyidagicha:

Katta til modellarining mantiqiy mulohaza qobiliyatini oshirish uchun faqat uzroq tushuntirish so'rash yetarli emas. Mantiqiy mulohaza qadamlari tekshiriladigan bo'lishi kerak.

SSR bu maqsadda uchta g'oyani birlashtiradi:

Birinchisi, tabiiy til muammolarini ramziy mantiqga aylantirish.
Ikkinchisi, ramziy yechuvchi bilan izchillik va natija nazorati.
Uchinchisi, tarjima xatolariga qarshi soft logic va filtrlashdan foydalanish.

Bu yondashuv LLM larning erkin matn ishlab chiqarishidan keladigan xatolarni kamaytirishni maqsad qiladi. Shu bilan birga tekshiriladigan fikr zanjirlarini ishlab chiqarib ta'lim ma'lumotlarini yaratish imkonini ham beradi.

Bu nima uchun muhim?

Kelajakda sun'iy intellekt tizimlari faqat suhbat uchun emas; rejalashtirish, matematika, ilmiy tadqiqot, dasturiy ta'minotni tekshirish, ta'lim va qaror qo'llab-quvvatlash uchun ham ishlatiladi.

Bu sohalarda "model shunday dedi" yetarli emas. Model nima uchun shunday dedi va bu natija mantiqan tasdiqlanadimi-yo'qmi — muhim.

Ayniqsa matematika va ilmiy mulohazada natija qadar isbot yo'li ham qadrli. Talaba yoki tadqiqotchiga noto'g'ri asos bilan to'g'ri javob berish chalg'ituvchi bo'lishi mumkin.

SSR kabi usullar sun'iy intellekt tizimlarini ishonchliroq, tushuntiriladigan va nazorat qilinadigan qilish uchun muhim tadqiqot yo'nalishini taklif qiladi.

E'tibor berish kerak bo'lgan nuqtalar

Bu ish kuchli natijalar bersa-da, cheklangan.

Birinchidan, ish preprint bo'lib, natijalar mustaqil baholash bilan tasdiqlanishi kerak.

Ikkinchidan, SSR hali ham LLM ning tabiiy tilni mantiqiy ifodalarga to'g'ri tarjima qila olishiga bog'liq. Tarjima noto'g'ri bo'lsa, soft logic xatoni kamaytirishi mumkin, lekin butunlay yo'q qila olmaydi.

Uchinchidan, tizim juda buzilgan tarjima holatida standart CoT ga qaytadi. Bu xavfsizlik uchun oqilona; biroq ramziy tizim har doim ishlamasligini ko'rsatadi.

To'rtinchidan, tajribalar ma'lum benchmark to'plamlari bilan cheklangan. Haqiqiy dunyo muammolari yanada tarqoq, to'liq emas, ko'p ma'noli va kontekstga bog'liq bo'lishi mumkin.

Beshinchidan, tekshiriladigan fikr zanjirini ishlab chiqarish qadrli bo'lsa-da, bu zanjirlar haqiqatan ham modelning ichki mantiqiy qobiliyatini oshiradimi-yo'qmi — alohida tadqiqot mavzusi.

Xulosa

Bu tadqiqot katta til modellarining mulohazasini ishonchliroq qilish uchun muhim yo'nalish taklif qiladi: til modelining moslashuvchanligini ramziy mantiqning tekshiriladiganligi bilan birlashtirish.

SSR usuli tabiiy til muammolarini mantiq ifodalariga aylantiradi, bu ifodalarni SMT yechuvchi bilan tekshiradi, noto'g'ri yoki to'liq bo'lmagan formalizatsiyalarga qarshi soft logic ishlatadi va oxir-oqibat inson o'qiy oladigan tekshiriladigan mantiqiy mulohaza zanjirlarini yaratishi mumkin.

Natijalar SSR ko'plab tajriba muhitlarida klassik CoT va ba'zi neyro-ramziy yondashuvlarga nisbatan yaxshiroq ishlashi mumkinligini ko'rsatadi. Biroq usul hali ham formalizatsiya xatolariga, muammo murakkabligiga va ma'lumotlar to'plami chegaralariga bog'liq.

Shunga qaramay, ish ishonchli sun'iy intellekt uchun juda muhim g'oyani eslatadi:

Sun'iy intellekt yaxshi javob berishi yetarli emas; javobga olib boradigan yo'l ham nazorat qilinadigan bo'lishi kerak.

Manba va usul eslatmasi

Bu kontent Rui Wang, Zeming Wei, Yihao Zhang va Xiaokun Luan tomonidan tayyorlangan "Symbolic-Neural Soft-Logic Reasoning: Towards Robust and Verifiable Thinking Chains via Cooperative Evolution" nomli ilmiy ish asosida Verianla tahririy formatida mustaqil tayyorlangan.

Ish arXiv da e'lon qilingan preprint hisoblanadi. Kontent ma'lumot va ta'lim maqsadida. Sun'iy intellekt xavfsizligi, model tanlash, dasturiy ta'minotni tekshirish, akademik baholash yoki professional texnik maslahat o'rnini bosa olmaydi.