Mniej myślenia, lepsze wyniki: Krótsze łańcuchy poprawiają działanie AI

Naukowcy z zespołu FAIR firmy Meta oraz Uniwersytetu Hebrajskiego w Jerozolimie dokonali zaskakującego odkrycia w dziedzinie sztucznej inteligencji. Badania wykazały, że zastosowanie krótszych procesów „myślowych” w dużych modelach językowych przekłada się na lepszą dokładność rozwiązywania złożonych zadań. Wyniki te przeczą dotychczasowej tendencji w AI, polegającej na wydłużeniu i komplikowaniu procesów rozumowania.

W opublikowanym badaniu zatytułowanym „Don’t Overthink it. Preferring Shorter Thinking Chains for Improved LLM Reasoning” naukowcy stawiają tezę, że dłuższe łańcuchy myślenia nie zawsze przekładają się na lepsze wyniki. Zespół odkrył, że krótsze procesy nie tylko poprawiają dokładność odpowiedzi aż o 34,5%, ale także obniżają koszty obliczeniowe.

W ramach badań opracowano nowe podejście nazwane „short-m@k”, które pozwala na równoległe wykonywanie wielu prób rozumowania, przerywając działanie, gdy pierwsze procesy zostaną zakończone. Ostateczna odpowiedź wybierana jest przez głosowanie większościowe na podstawie tych krótszych łańcuchów. Dzięki temu metoda ta obniża zapotrzebowanie na zasoby obliczeniowe o nawet 40%.

Odkrycia te mają ogromne znaczenie dla firm inwestujących w rozwój AI. Opracowana technika pozwala na oszczędności, nie tracąc przy tym na jakości wyników. W przeciwieństwie do popularnych wcześniej metod, które zachęcały do wydłużania procesów rozumowania, nowe badanie sugeruje, że skupienie się na efektywności może przynieść lepsze efekty niż sam wzrost mocy obliczeniowej.

Dla decydentów technicznych, skupiających się na inwestycjach w AI, badanie to przypomina, że większe zasoby i złożoność nie zawsze oznaczają lepsze wyniki. Nowe podejście wyznacza kierunek ku bardziej inteligentnym i efektywnym systemom, wykorzystującym starą, dobrą zasadę: nie przesadzaj z analizą.