Gary Marcus tuitou que o kernel do Claude da Anthropic usa IA simbólica clássica com estrutura IF-THEN, mencionando 486 pontos de ramificação e 12 níveis de aninhamento. O autor do post expressa ceticismo, afirmando que essa descrição não remete a algoritmos clássicos de IA, mas sim a um código complexo e acumulado.
O ReaComp compila o raciocínio de LLMs em resolvedores simbólicos para síntese de programas, abordando a ineficiência e falta de confiabilidade das LLMs em tarefas difíceis. Esses resolvedores autônomos superam as LLMs em precisão e eficiência, e melhoram as configurações híbridas neuro-simbólicas, reduzindo significativamente o uso de tokens.
Esta pesquisa explora uma abordagem inovadora para resolver problemas de matemática textuais, integrando o poder dos modelos de linguagem com a precisão dos solucionadores simbólicos. O método visa aproveitar tanto a compreensão da linguagem natural quanto o raciocínio matemático formal para alcançar soluções robustas.
Esta pesquisa introduz a Inferência de Soluções Analíticas Visual-para-Simbólica (ViSA), uma capacidade de IA para recuperar soluções analíticas de campos físicos a partir de observações visuais. O estudo apresenta ViSA-R2, um pipeline auto-verificável que simula o raciocínio de um físico, e ViSA-Bench, um novo benchmark para avaliar modelos neste domínio.
François Chollet discute o futuro da AGI, prevendo sua chegada por volta de 2030, e apresenta a missão do laboratório NDI de desenvolver um novo paradigma de aprendizado de máquina "ótimo" baseado em síntese de programas simbólicos. Ele critica as limitações do aprendizado profundo e delineia a estratégia de alto risco e alta recompensa do NDI para o avanço fundamental da IA.
Esta pesquisa investiga o uso de um framework de feedback de modelo de linguagem agêntico para gerar domínios de planejamento de alta qualidade a partir de descrições em linguagem natural aumentadas. O estudo avalia o impacto de vários mecanismos de feedback simbólico, como marcos e validação de planos, combinados com busca heurística para otimizar a qualidade do domínio.
Esta pesquisa apresenta um arcabouço de raciocínio simbólico para resolver as limitações sistemáticas de LLMs no raciocínio lógico estruturado, como a confusão entre geração e verificação de hipóteses. Ele implementa a inferência tripartida de Peirce, garantindo consistência lógica por meio de invariantes algébricos, com o 'Weakest Link bound' impedindo que as conclusões excedam a confiabilidade da premissa mais fraca.
Este artigo de pesquisa propõe um modelo de "cara ou coroa" para prever o desempenho de programas simbólicos e de prompt em LLMs, usando poucos exemplos e um prior de desempenho. Ele revela que programas simbólicos exibem um desempenho de "tudo ou nada", enquanto programas de prompt têm um prior difuso.