Latent Reasoning

Gizli akıl yürütme, açık bir kelime veya sembol dizisi yerine esas olarak bir modelin gizli sayısal temsilleri içinde gerçekleştirilen yapay zeka problem çözme sürecidir. Model, her ara adımı yazmak yerine kavramları, ilişkileri ve aday çözümleri kodlayan iç durumları dönüştürür ve ardından ortaya çıkan durumu bir yanıta veya eyleme dönüştürür. Bu, akıl yürütmeyi daha kompakt ve esnek hale getirebilir, ancak aynı zamanda süreci denetlemeyi de daha zorlaştırır.

Gizli Akıl Yürütme Nasıl Çalışır#

Sinir ağları giriş verilerini bir gizli uzay içindeki noktalara veya yörüngelere dönüştürür. Bu temsiller, orijinal girişten gelen birçok ayrıntıyı dışarıda bırakırken görevle ilgili bilgileri korur. Örneğin, bir görüntü, tek tek piksel değerleri yerine nesneleri, şekilleri, konumları ve sahne bağlamını kodlayan bir vektör haline gelebilir. Aynı ilke, yoğun gömmelerin dildeki ve diğer verilerdeki anlamsal ilişkileri temsil etmesine olanak tanır.

Gizli akıl yürütme sırasında model, kanıtları birleştirmek, ilişkileri çözmek veya bir yanıt planlamak için bu gizli temsilleri günceller. Örneğin, PyTorch içinde bir Transformer uygulaması, temsilleri dikkat ve ileri besleme katmanlarından geçirir ve her katman daha bağlamsallaştırılmış bir gizli durum üretir.

Bazı sistemler tek bir ileri dönüşüm dizisi gerçekleştirir. Diğerleri ise çıktı üretmeden önce gizli bir durumu defalarca iyileştirir. Her iki durumda da önemli ayrım, yararlı ara hesaplamanın, okunabilir belirteçlere tamamen dönüştürülmek yerine sürekli bir sayısal uzayda gerçekleşmesidir.

Ancak her gizli aktivasyon akıl yürütme değildir. Bir temsil; birden fazla olguyu birbirine bağlama, alternatifleri karşılaştırma, bir planı sürdürme veya gözlemlenmeyen bir ilişkiyi çıkarım yoluyla bulma gibi işlemleri desteklediğinde gizli akıl yürütmenin bir parçası haline gelir. Genel yapay zeka akıl yürütmesi ayrıca sembolik kurallar, arama veya harici araçlar kullanabilir.

İlgili Kavramlar ve Temel Farklar#

Gizli akıl yürütme, birkaç yapay zeka konseptiyle örtüşür ancak bunlarla eş anlamlı değildir:

• Düşünce zinciri yönlendirmesi: Ara akıl yürütmeyi dil belirteçleri olarak üretir. Gizli akıl yürütme ise ara hesaplamaların çoğunu gizli tutarak potansiyel olarak çıktı uzunluğunu azaltır ancak daha az doğrudan görünürlük sağlar.
• Akıl yürütme modelleri: Karmaşık çıkarım için optimize edilmiş modelleri genel olarak ifade eder. Görünür metin, gizli temsiller, araç çağrıları, arama veya yaklaşımların bir kombinasyonu yoluyla akıl yürütebilirler.
• Görsel akıl yürütme: Görüntüler, video, geometri ve uzamsal ilişkiler hakkındaki akıl yürütmeyi tanımlar. Hesaplamaları gizli olarak gerçekleşebilir, ancak bu terim kullanılan temsili değil problem alanını belirtir.
• Mekanistik yorumlanabilirlik: Dahili özelliklerin ve hesaplama yollarının davranışı nasıl ürettiğini analiz etmeye çalışır. Kendi başına bir akıl yürütme yöntemi olmak yerine gizli akıl yürütmeyi araştırır.
• Gizli uzay: Derin öğrenme tarafından kullanılan sıkıştırılmış temsil uzayı araçtır; gizli akıl yürütme ise bu araç içinde gerçekleştirilen bir süreçtir.

Model tarafından oluşturulan bir açıklama, gizli hesaplamasının sadık bir dökümü olarak otomatik olarak değerlendirilmemelidir. Bunun yerine, yanıt etkili bir şekilde seçildikten sonra oluşturulan makul bir açıklama olabilir.

Gerçek Dünya Uygulamaları#

İki pratik uygulama, gizli akıl yürütmenin neden önemli olduğunu göstermektedir:

• Robot algısı ve planlaması: Bir robot, kamera görüntülerini, nesne konumlarını, mevcut duruşunu ve bir görev talimatını paylaşılan gizli bir temsil içinde birleştirebilir. Planlayıcı, en kısa rotayı bir engelin tıkadığını veya bir başkasını almadan önce bir nesnenin taşınması gerektiğini çıkarım yapmak için bu durumu güncelleyebilir. Bu durum kompakt çok modlu yapay zekayı destekler, ancak yanlış bir sahne temsili güvenli olmayan veya etkisiz eylemlere yol açabilir.

• Endüstriyel denetim ve karar desteği: Bir görüş modeli bileşenleri, hasarı veya eksik parçaları tespit edebilirken, sonraki aşamadaki bir akıl yürütme sistemi bu gözlemleri ekipman geçmişi ve çalışma koşullarıyla birleştirir. Gizli durum; üretime devam etme, başka bir görüntü isteme veya öğeyi insan incelemesine yönlendirme kararını destekleyebilir. Gizli hesaplama çeşitli kanıtları birleştirmeye yardımcı olur, ancak gizli varsayımlar yanlış bir kararın teşhis edilmesini zorlaştırabilir.

Bilgisayarlı Görü Bağlamı#

Bilgisayarlı görü, genellikle daha geniş bir akıl yürütme sistemine temellendirilmiş kanıtlar sağlar. Ultralytics YOLO26 pikselleri yapılandırılmış sınıflara, güven puanlarına ve uzamsal koordinatlara dönüştürür. Sonraki aşamadaki bir model daha sonra bu kanıt üzerinde dahili olarak akıl yürütebilir.

import json

from ultralytics import YOLO

# Load the visual perception model
model = YOLO("yolo26n.pt")

# Gather evidence from the scene
results = model("https://ultralytics.com/images/bus.jpg")
result = results[0]

# Prepare structured observations for a reasoning system
visual_evidence = result.summary()
print(json.dumps(visual_evidence, indent=2))

Bu YOLO tahmin iş akışı gizli bir akıl yürütme algoritmasını açığa çıkarmaz veya uygulamaz. Bunun yerine, bir algılama katmanının bir ajan veya çok modlu model için nasıl özlü, yapılandırılmış kanıtlar sağlayabileceğini gösterir. Ekipler görsel veri kümelerine açıklama eklemek, algılama modellerini eğitmek, bunları dağıtmak ve ortaya çıkan boru hattını izlemek için Ultralytics Platform kullanabilir.

Değerlendirme, Sınırlamalar ve Güvenlik#

Gizli akıl yürütme gizli olduğundan, geliştiriciler akıcı yanıtların sağlam iç mantığı yansıttığını varsaymak yerine gözlemlenebilir sonuçları değerlendirmelidir. Faydalı testler arasında çok adımlı görevler, karşı olgusal girdiler, tanıdık olmayan senaryolar ve bir kanıt parçasının kasıtlı olarak değiştirildiği durumlar yer alır. Değerlendirme hataların sonuçlarını yansıtmalıdır; doğruluk, hassasiyet ve geri çağırma kılavuzu tek bir toplulaştırılmış puanın neden yetersiz olabileceğini gösterir.

Opaklık ayrıca hata ayıklamayı, denetimi ve insan gözetimini karmaşıklaştırır. Açıklanabilir ve yorumlanabilir yapay zeka üzerine NIST kılavuzu, sistem mekanizmalarını anlamayı, çıktıları amaçlanan bağlamda yorumlamaktan ayırır. Önemli uygulamalar için ekipler yapılandırılmış kanıtları saklamalı, vazgeçmeyi veya insan incelemesini desteklemeli, arızaları izlemeli ve NIST AI Risk Yönetimi Çerçevesi gibi yaşam döngüsüne dayalı bir çerçeve izlemelidir.