介绍
大型语言模型 (LLM)（例如 GPT-4、LLaMA-2、PaLM-2、Claude-2 等）已展示出为各种应用生成类似人类文本的出色能力。然而，LLM 的一个鲜为人知的方面是它们倾向于“产生幻觉”或生成不正确或没有根据的事实陈述。我不认为这仅仅是一个限制，我认为，如果得到正确引导，LLM 幻觉实际上可以帮助激发新的科学发现和编码创新。
让我来解释一下大语言模型幻觉的自由特性如何让他们能够建立人类大脑可能无法建立的横向联系。研究人员开始向大语言模型提出科学难题和问题，看看他们能想出什么非常规的解决方案。虽然大多数输出可能毫无意义，但一些想法可以提供有希望的新研究方向。
作为一名软件开发人员和工程师，我将特别关注如何促使大语言模型 (LLM) 集思广益，想出解决编码问题的创新方法。他们不受约束的幻想可能会产生新的算法、数据结构、架构和编程范例。我将提供大语言模型 (LLM) 在被要求解决复杂挑战时可能编写的富有想象力的代码示例。
大语言模型幻觉的力量
但首先，为什么 LLM 幻觉具有如此大的创造潜力？当 LLM 接受大量文本数据集的训练时，它们会发展出一种令人印象深刻的能力，能够以非常像人类的方式继续讨论任何主题的段落。然而，与人类不同，LLM 并不真正理解它们生成的内容。它们没有现实世界知识或常识的基础。
因此，大语言模型可以自信地讨论实际上并不存在的概念、人物、地点和事件。例如，GPT-4 可以令人信服地描述一个它完全虚构的国家的地理。细节似乎足够连贯，直到你意识到它没有任何事实依据。
对于大多数应用来说，这些事实幻觉是大语言模型的一大缺点。但一些研究人员正在探索大语言模型生成文本不受控制、不受约束的性质是否也能释放出不同寻常的创造力。正因为 GPT-4 不知道幻想和现实之间的区别，它的想象力是无限的。不受关于什么是可能的或科学有效的先入为主的观念的束缚，GPT-4 可以抛出人类会自我审查的非常规假设和解决方案。
当然，LLM 并不真正理解科学，在被要求解决复杂问题时，他们给出的大多是胡言乱语。但在这些混乱中，一些研究人员认为，偶尔也会有一些精彩的提示，它们可以表明人类专家可能没有考虑到的有前途的新研究方向。诀窍在于设计有效的提示，以有效地激发 LLM 的想象力，同时过滤掉那些让人产生幻觉的废话。在太狭窄（限制 LLM 的创造力）和太开放（引发胡言乱语）之间可能存在一个最佳的提示点。
幻覺創意代碼
作为一名开发人员和工程师，我特别兴奋于利用 LLM 幻觉来激发解决编码问题的创新方法的可能性。现有的程序合成技术可以自动化简单的编码，但它们利用了狭义约束内的模式识别。LLM 幻觉提供了一些新的东西：人类程序员可能永远不会想到的不同代码概念。
例如，假设我提示 GPT-4：“编写一种新型压缩算法的伪代码，以比 B 帧或 P 帧更有效地缩小视频文件大小。重点关注关键数据结构和逻辑流程。”
LLMs 并不真正了解视频压缩或编码最佳实践。但摆脱了先入为主的观念后，它可能会幻化出令人惊讶的创造性伪代码。也许它利用了一种非常规的预测模型。或者它想出了一种人类程序员不会想到的递归数据转换。同样，大多数输出可能毫无用处，但 LLMs 幻觉的绝对范围增加了偶然发现有希望的东西的机会。
与人类程序员不同，LLM 可以快速生成并测试心智模型，且不会有任何风险，这可能会带来富有成效的路径，而人类可能会过早地拒绝这些路径，因为它们太过不合常规。这种能力可以扩展到编码领域。我们可以促使 LLM 产生幻觉，想象出新颖的加密技术、更优雅的数据结构、更快的搜索/排序算法、创造性的 Web 框架或革命性的编程语言。
欺骗的风险
当然，如果我们过于依赖 LLM 幻觉，也会有风险。由于缺乏现实世界的基础，LLM 在讨论它实际上并不理解的概念时听起来很有说服力。如果我们将 GPT-4 中的每个幻觉代码想法都视为合理的，我们可能会浪费时间追逐海市蜃楼。
例如，在提示 GPT-4 提出一种新颖的加密货币系统后，它可能会使用奇特的加密和创造性的去中心化验证方法生成代码。从表面上看，其幻觉加密货币在技术上似乎很合理。但如果没有对分布式系统或经济学的扎实理解，GPT-4 的建议如果实施，很可能会失败。它的代码通过了“嗅探测试”，只是因为 GPT-4 的胡说八道能力太强了！
因此，尽管 GPT-4 不受约束的想象力具有创造潜力，但我们需要进行严格的筛选，以确定其众多幻觉想法中哪些值得进一步探索。对于科学发现，我们仍然需要通过实验仔细测试 LLM 假设的可行性。对于编码，我们需要实际尝试实现 GPT-4 算法和数据结构，以评估它们的实际性能和可扩展性。
大语言模型合作伙伴
我认为 LLM 最大的价值在于充当一个始终存在的自动化头脑风暴伙伴。我们可以给它提供源源不断的编码挑战和提示变化，以刺激其幻觉输出。在此过程中，LLM 可以激发我们独自无法获得的人类洞察力。
我们不应该将 LLM 视为可以处理问题的自主系统，而应该在 LLM 和人类专家之间建立紧密的反馈循环。我们提示 GPT-4，处理结果，识别有希望的部分，再次提示 GPT-4 完善某些概念，过滤并重复。这构建了新的混合人类-LLM 发现过程，我们才刚刚开始探索。
头脑风暴会议示例
场景：我是一家对冲基金的数据工程师，该基金采用复杂的机器学习算法来指导我们的交易策略。数据科学团队依靠我来汇总市场数据流、实施管道并在云端管理我们的大数据基础设施。
然而，我们当前的数据仓库和数据湖难以跟上来自市场、替代数据源和我们自己的投资组合分析的金融时间序列数据的爆炸式增长。我们的管道无法以足够快的速度提取和处理数据以进行机器学习训练。
我决定选择 GPT-4 大脑来获得满足算法金融对速度、多样性和数量需求的创造性数据架构理念。
头脑风暴会议 我：“GPT-4，我需要一个创新的大数据蓝图来处理大量、高速率的金融数据馈送，这些数据将动态地为交易模型提供信息。细节对时间非常敏感。概述一种完全针对速度和灵活性进行优化的方法。”
GPT-4：“这听起来像是云端 Lambda 架构的一个很棒的应用！结合流和批处理路径，我们可以实现低延迟提取，同时仍支持历史回测。”
Lambda 架构让我想起了领域驱动设计的事件源……也许我们可以围绕来自不同市场的事件流来构建它？
我：“很好，我喜欢 Lambda 的想法！既然金融围绕市场事件而展开，如果我们在事件流主干上构建它会怎么样？比如在不同的数据域（交易、订单、交易等）中遵循事件源模式。有什么创新建议吗？”
GPT-4：“喜欢事件源概念——它很自然！我们可以将所有市场数据视为来自不同领域的时间事件日志流。一些关键创新：
- 使用集成的 Apache Kafka 生态系统（Kafka、Kafka Connect、KSQL）进行事件提取、代理和流处理。
- 数据作为事件让我们能够利用事件驱动的微服务架构进行扩展和发展。
- 对于机器学习，Kafka 流式传输使实时/持续的模型训练保持反应能力。
- 使用 Kafka 时间窗口、时间戳、水印对事件流进行分区，以进行历史回溯测试。
- 随着事件模式的发展，实施 Kafka Schema Registry 进行集中验证和版本控制。”
GPT-4 详细介绍了这个事件流平台，我越来越兴奋了！它完美地契合了我们实时、基于时间轴的数据挑战，同时为批量/历史建模敞开了大门。我迫不及待地想把它充实成一个久经考验的金融数据网格，我们可以无限制地扩展。我们的战略家会喜欢这个的。
关键要点
总而言之，虽然大语言模型没有扎实的知识或推理能力，但它们不受约束的幻想倾向确实提供了不同寻常的创造潜力。通过在人类专家和大语言模型之间建立紧密的反馈回路，我们可以激发任何一方都无法独立实现的新发现。大语言模型提供丰富的想象力，而人类提供批判性分析。
我尤其热衷于鼓励大语言模型提出富有想象力的方法来解决棘手的编码难题。大语言模型摆脱了先入为主的观念，可能会想到人类无法想到的非传统算法、数据结构、架构和范例。它还允许通过生成大量伪代码来快速进行原型设计。
当然，我们需要严格筛选，以确定大语言模型的众多幻想想法中哪些在技术上是可行的，值得实施。只有一小部分可能被证明是可行的，但这些稀有的宝石可以开辟有前途的新研究方向。随着时间的推移，随着我们通过对哪些可行和哪些失败的反馈来建立大语言模型的知识库，信噪比可能会大幅提高。
因此，尽管大型语言模型幻觉显然存在缺点，但我相信我们只触及了其创造潜力的表面。通过建立紧密的人机-LLM 协作循环，我们可以突破发现的界限！
创作不易，觉得不错的话，点个赞吧！！！
