در این بخش، قصد دارم سیستم هوش یادگیری مصنوعی (Artificial Learning Intelligence System: ALIS) را با جزئیات مفهوم، اصول، طراحی اولیه و روش توسعه آن، سازماندهی و تشریح کنم.
مفهوم
هوش مصنوعی مولد کنونی، به‌ویژه مدل‌های زبانی بزرگ، بر اساس یادگیری نظارت شده مبتنی بر شبکه‌های عصبی آموزش می‌بیند.
به عنوان یک فرآیند یادگیری، این یادگیری شبکه عصبی را «یادگیری ذاتی» تعریف می‌کنیم.
ALIS یک فرآیند «یادگیری اکتسابی» را، جدا از یادگیری ذاتی، ادغام می‌کند تا استنتاجی را ممکن سازد که هر دو فرآیند یادگیری را با هم ترکیب می‌کند.
در این یادگیری اکتسابی، دانش آموخته‌شده در خارج از شبکه عصبی انباشته شده و در طول استنتاج به کار گرفته می‌شود.
بنابراین، هسته فنی ALIS در استخراج، ذخیره‌سازی، و انتخاب و بهره‌برداری از دانش قابل استفاده مجدد در طول استنتاج نهفته است.
علاوه بر این، ALIS صرفاً یک فناوری عنصری واحد نیست، بلکه یک فناوری سیستمی است که یادگیری ذاتی و یادگیری اکتسابی را با هم ترکیب می‌کند.
عناصر سیستم هوش یادگیری
ALIS بر این اصل عمل می‌کند که هم یادگیری ذاتی موجود و هم یادگیری اکتسابی که در آینده در نظر گرفته می‌شود، از چارچوب یکسان یادگیری و استنتاج پیروی می‌کنند.
برای توضیح اصول یادگیری در ALIS، پنج عنصر یک سیستم هوش یادگیری را تعریف می‌کنیم.
اولین مورد، پردازشگر هوشمند است. این به یک سیستم پردازشی اشاره دارد که استنتاج را با استفاده از دانش انجام می‌دهد و دانش را برای یادگیری استخراج می‌کند.
مدل‌های زبانی بزرگ (LLMها) و بخش‌هایی از مغز انسان نمونه‌های بارز پردازشگرهای هوشمند هستند.
دومین مورد، ذخیره‌گاه دانش است. این به مکانی برای ذخیره اشاره دارد که دانش استخراج‌شده را می‌توان در آن ذخیره کرد و در صورت نیاز بازیابی نمود.
در LLMها، ذخیره‌گاه دانش از پارامترهای شبکه عصبی تشکیل شده است. در انسان‌ها، این معادل حافظه بلندمدت در مغز است.
سومین مورد، جهان است. این به محیط خارجی اشاره دارد که توسط یک سیستم هوش یادگیری، مانند انسان‌ها یا ALIS، درک می‌شود.
برای انسان‌ها، جهان همان واقعیت است. در مورد LLMها، مکانیزمی که خروجی را از LLM دریافت کرده و بازخورد را به آن ارائه می‌دهد، می‌تواند معادل جهان در نظر گرفته شود.
چهارمین مورد، حافظه حالت است. این به یک مؤلفه داخلی موقت شبیه حافظه اشاره دارد که توسط یک سیستم هوش یادگیری در طول استنتاج استفاده می‌شود.
در LLMها، این فضای حافظه‌ای است که در طول استنتاج استفاده می‌شود و به عنوان حالت‌های پنهان شناخته می‌شود. در انسان‌ها، این معادل حافظه کوتاه‌مدت است.
پنجمین مورد، چارچوب است. این، به اصطلاح، یک ساختار تفکر است. در اصطلاح سیستم‌های هوش یادگیری، این به معیارهای انتخاب دانش ضروری در طول استنتاج و یک ساختار فضای حالت منطقی برای سازماندهی حافظه حالت اشاره دارد.
در LLMها، این ساختار معنایی حالت‌های پنهان است، و محتویات آن عموماً مبهم و برای انسان‌ها غیرقابل درک است. علاوه بر این، انتخاب دانش در مکانیزم توجه گنجانده شده است، که انتخاب می‌کند کدام توکن‌های موجود برای هر توکن در حال پردازش باید ارجاع داده شوند.
در انسان‌ها، همانطور که قبلاً ذکر شد، این یک ساختار تفکر است. هنگام تفکر با استفاده از یک چارچوب خاص، مجموعه‌ای خاص از دانش عملی از حافظه بلندمدت فراخوانی شده و در حافظه کوتاه‌مدت بارگذاری می‌شود. سپس، اطلاعات درک شده کنونی بر اساس چارچوب تفکر سازماندهی می‌شوند تا وضعیت درک شود.
اصول سیستم هوش یادگیری
یک سیستم هوش یادگیری به شرح زیر عمل می‌کند:
یک پردازشگر هوشمند بر جهان تأثیر می‌گذارد. جهان، در پاسخ به این عمل، نتایجی را بازمی‌گرداند.
پردازشگر هوشمند، دانش قابل استفاده مجدد را از این نتایج استخراج کرده و در ذخیره‌گاه دانش ذخیره می‌کند.
هنگام عمل مکرر بر جهان، پردازشگر هوشمند دانش را از ذخیره‌گاه دانش انتخاب می‌کند و از آن برای تغییر اعمال خود استفاده می‌نماید.
این مکانیسم اساسی است.
با این حال، اساساً، روش‌های استخراج، ذخیره‌سازی، انتخاب و استفاده از دانش تعیین می‌کنند که آیا سیستم می‌تواند یادگیری معنی‌داری انجام دهد یا خیر.
انسان‌ها دارای مکانیسم‌هایی هستند که به طور مؤثر این استخراج، ذخیره‌سازی، انتخاب و استفاده از دانش را مدیریت می‌کنند و آنها را قادر به یادگیری می‌سازند.
شبکه‌های عصبی، از جمله LLMها، استخراجشان توسط معلمین خارجی انجام می‌شود، اما آنها مکانیسم‌هایی برای ذخیره‌سازی، انتخاب و استفاده دارند. این به آنها اجازه می‌دهد تا مادامی که معلمی برایشان فراهم شود، یاد بگیرند.
علاوه بر این، یک سیستم هوش یادگیری می‌تواند استخراج، ذخیره‌سازی و انتخاب چارچوب‌ها، و روش‌های استفاده از آنها را در حافظه حالت، به عنوان دانش، یاد بگیرد و از این طریق یادگیری پیچیده‌تر را امکان‌پذیر سازد.
انواع دانش
بر اساس این اصول، هنگام طراحی یادگیری اکتسابی، لازم است مشخص شود که دانش اکتسابی چه شکلی به خود خواهد گرفت.
می‌توان روشی را در نظر گرفت که در آن دانش اکتسابی نیز به طور جداگانه به عنوان پارامترهای شبکه عصبی آموخته شود.
با این حال، دانش اکتسابی لزوماً نباید فقط به پارامترهای شبکه عصبی محدود شود. یک نامزد عملی، دانش متنی شده در زبان طبیعی است.
دانش متنی شده در زبان طبیعی را می‌توان با بهره‌گیری از قابلیت‌های پردازش زبان طبیعی LLMها، استخراج و استفاده کرد. علاوه بر این، از آنجا که می‌توان آن را به عنوان داده در سیستم‌های IT استاندارد مدیریت کرد، ذخیره‌سازی و انتخاب آن نیز آسان است.
علاوه بر این، دانش متنی شده در زبان طبیعی برای انسان‌ها و سایر LLMها به راحتی قابل بررسی، درک، و در برخی موارد، حتی ویرایش محتوای آن است.
همچنین می‌توان آن را با سایر سیستم‌های هوش یادگیری به اشتراک گذاشت، ادغام یا تقسیم کرد.
به همین دلایل، دانش اکتسابی در طرح مفهومی ALIS در ابتدا به گونه‌ای طراحی خواهد شد که دانش متنی شده در زبان طبیعی را هدف قرار دهد.
حافظه حالت اکتسابی و چارچوب‌ها
مزایای انتخاب متن زبان طبیعی را به عنوان قالب دانش اکتسابی توضیح دادیم.
به همین ترتیب، متن زبان طبیعی را می‌توان برای حافظه حالت و چارچوب‌های استنتاج نیز به کار برد.
چارچوب‌ها، به عنوان ساختارهای مفهومی، می‌توانند به عنوان دانش متنی‌شده در زبان طبیعی در ذخیره‌گاه دانش ذخیره و استفاده شوند.
حتی هنگام مقداردهی اولیه یا به‌روزرسانی حالت‌ها بر اساس ساختار تعریف‌شده توسط یک چارچوب، می‌توان از حافظه حالت با فرمت متنی استفاده کرد.
با طراحی دانش اکتسابی، چارچوب‌ها و حافظه حالت در قالب متن، ALIS می‌تواند از قابلیت‌های پردازش زبان طبیعی LLMها برای یادگیری اکتسابی و استنتاج به طور کلی بهره‌برداری کند.
دانش رسمی
دانش اکتسابی، چارچوب‌ها و حافظه حالت را می‌توان نه تنها در متن زبان طبیعی، بلکه در زبان‌های رسمی یا مدل‌های رسمی دقیق‌تر نیز بیان کرد.
اگرچه من «انتخاب» را نوشتم، اما هدف ALIS این است که چندین مکانیسم یادگیری دانش اکتسابی متمایز را برای امکان استفاده ترکیبی از یادگیری ذاتی و اکتسابی در خود جای دهد.
دانش ارائه‌شده با زبان‌های رسمی یا مدل‌های رسمی را می‌توان دقیق‌تر و بدون ابهام ساخت.
علاوه بر این، اگر یک چارچوب با استفاده از یک زبان یا مدل رسمی بیان شود و یک حالت اولیه در حافظه حالت آشکار شود، آنگاه می‌توان یک شبیه‌سازی یا توسعه منطقی را با یک مدل دقیق توسط یک پردازشگر هوشمند قادر به پردازش مدل‌های رسمی، به جای یک LLM، انجام داد.
یک نمونه اصلی از چنین زبان‌ها یا مدل‌های رسمی، زبان‌های برنامه‌نویسی هستند.
همانطور که سیستم در مورد جهان یاد می‌گیرد، اگر بتواند قوانین و مفاهیم موجود در آن را به عنوان یک برنامه در یک چارچوب بیان کند، آنگاه می‌تواند آنها را روی یک کامپیوتر شبیه‌سازی کند.
ستون 1: انواع دانش
هنگام سازماندهی دانش در یک سیستم هوش یادگیری، روشن می‌شود که می‌توان آن را به طور کلی به سه نوع سیستم دانش و دو نوع حالت طبقه‌بندی کرد.
سه سیستم دانش عبارتند از: دانش پارامتر شبکه، که توسط شبکه‌های عصبی مدیریت می‌شود؛ دانش طبیعی، که به زبان طبیعی بیان می‌شود؛ و دانش رسمی، که در زبان‌های رسمی بیان می‌شود.
دو نوع حالت عبارتند از: بی‌حالت (stateless) و باحالت (stateful).
دانش پارامتر شبکه بی‌حالت، دانش بصری است، مانند آنچه در هوش مصنوعی یادگیری عمیق یافت می‌شود. ویژگی‌های گربه‌ها و سگ‌ها، که نمی‌توان به صراحت به آنها فکر کرد یا آنها را به صورت کلامی شناسایی کرد، می‌توانند به عنوان دانش پارامتر شبکه بی‌حالت آموخته شوند.
دانش پارامتر شبکه باحالت، دانشی است که از طریق فرآیندهای تکراری و مبهم، مانند آنچه در هوش مصنوعی مولد وجود دارد، پدید می‌آید.
دانش طبیعی بی‌حالت، دانشی است مانند معانی مرتبط با کلمات منفرد.
دانش طبیعی باحالت، دانشی است که شامل زمینه در جملات است.
برخی از دانش‌های طبیعی به طور ذاتی در دانش پارامتر شبکه باحالت گنجانده شده‌اند، اما دانش‌هایی نیز وجود دارند که می‌توانند از متن زبان طبیعی به دست آیند.
دانش رسمی بی‌حالت، دانشی است که می‌تواند در فرمول‌های ریاضی بدون تکرار بیان شود. دانش رسمی باحالت، دانشی است که می‌تواند به عنوان یک برنامه بیان شود.
همچنین می‌توان از حافظه کوتاه‌مدت خود به عنوان حافظه حالت برای دانش طبیعی و دانش رسمی استفاده کرد.
با این حال، از آنجا که این حافظه کوتاه‌مدت است، مشکلی وجود دارد که حفظ پایدار یک حالت دشوار است. علاوه بر این، در نگهداری حالت‌های رسمی‌شده و بدون ابهام نیز مهارت ندارد.
از سوی دیگر، کاغذ، کامپیوترها و تلفن‌های هوشمند را می‌توان به عنوان حافظه حالت برای نوشتن یا ویرایش متن زبان طبیعی، زبان‌های رسمی یا مدل‌های رسمی استفاده کرد.
به طور کلی، داده‌ها روی کاغذ یا کامپیوتر اغلب به عنوان یک ذخیره‌گاه دانش برای به خاطر سپردن دانش درک می‌شوند، اما می‌توانند به عنوان حافظه حالت برای سازماندهی افکار نیز استفاده شوند.
بدین ترتیب، واضح است که انسان‌ها فعالیت‌های فکری را با استفاده کامل از این سه سیستم دانش و دو نوع حالت انجام می‌دهند.
ALIS نیز، پتانسیل دارد که قابلیت‌های خود را با فعال‌سازی و تقویت فعالیت‌های فکری که از همین سه سیستم دانش و دو نوع حالت بهره می‌برند، به طور چشمگیری افزایش دهد.
به ویژه، ALIS این مزیت را دارد که می‌تواند از ذخیره‌گاه‌های دانش وسیع و حافظه حالت استفاده کند. علاوه بر این، می‌تواند به راحتی وظایف فکری را با آماده‌سازی تعداد زیادی از هر یک و جابجایی یا ترکیب آنها انجام دهد.
ستون 2: هماهنگ‌سازی هوشمند
در حالی که مزیت در انباشت حجم وسیعی از دانش در یک ذخیره‌گاه دانش وجود دارد، اما حجم دانش به سادگی به مزیت در فعالیت فکری تبدیل نمی‌شود، زیرا محدودیت‌هایی در تعداد توکن‌هایی که یک هوش مصنوعی مولد می‌تواند همزمان پردازش کند و نویز ایجاد شده توسط دانش نامربوط وجود دارد.
برعکس، با تقسیم مناسب ذخیره‌گاه دانش و تبدیل آن به ذخیره‌گاه‌های دانش تخصصی با چگالی بالا، که هر یک شامل دانش لازم برای یک وظیفه فکری خاص هستند، می‌توان مشکلات محدودیت توکن و نویز را کاهش داد.
در مقابل، هر ذخیره‌گاه دانش تخصصی تنها برای وظیفه فکری تعیین‌شده خود قابل استفاده خواهد بود.
بسیاری از فعالیت‌های فکری، ترکیبات پیچیده‌ای از وظایف فکری مختلف هستند. بنابراین، با تقسیم دانش به ذخیره‌گاه‌های دانش تخصصی بر اساس نوع وظیفه فکری و تقسیم فعالیت فکری به وظایف فردی، ALIS می‌تواند کل فعالیت فکری را با جابجایی مناسب بین این ذخیره‌گاه‌های دانش تخصصی انجام دهد.
این امر شبیه یک ارکستر است که از نوازندگان حرفه‌ای با سازهای مختلف و یک رهبر ارکستر که گروه را هدایت می‌کند، تشکیل شده است.
از طریق این فناوری سیستمی، یعنی هماهنگ‌سازی هوشمند، ALIS قادر خواهد بود فعالیت‌های فکری خود را سازماندهی کند.
طراحی پایه و روش توسعه ALIS
از اینجا به بعد، به سازماندهی توسعه ALIS می‌پردازیم.
همانطور که قبلاً در اصول و ستون‌ها بحث شد، ALIS ذاتاً برای توسعه آسان عملکردها و منابع طراحی شده است. این به این دلیل است که جوهره ALIS در عملکردهای خاص نیست، بلکه در فرآیندهای استخراج، ذخیره‌سازی، انتخاب و استفاده از دانش نهفته است.
به عنوان مثال، می‌توان چندین نوع مکانیسم استخراج دانش را فراهم کرد، و طراحی سیستم اجازه انتخاب آزاد از میان آنها یا استفاده همزمان از آنها را می‌دهد.
علاوه بر این، می‌توان خود ALIS را وادار به انجام این انتخاب کرد.
به همین ترتیب، ذخیره‌سازی، انتخاب و استفاده نیز می‌توانند آزادانه انتخاب یا موازی‌سازی شوند.
بنابراین، ALIS می‌تواند به صورت افزایشی و چابک توسعه یابد، بدون نیاز به طراحی کل عملکرد به روش آبشاری.
آغاز ALIS
حال، یک ALIS بسیار ساده را طراحی می‌کنیم.
رابط کاربری پایه یک هوش مصنوعی چت آشنا خواهد بود. در ابتدا، ورودی کاربر مستقیماً به LLM ارسال می‌شود. پاسخ LLM در رابط کاربری نمایش داده می‌شود، و سیستم منتظر ورودی بعدی کاربر می‌ماند.
پس از دریافت ورودی بعدی، LLM نه تنها ورودی جدید، بلکه کل تاریخچه چت بین کاربر و LLM را دریافت می‌کند.
پشت رابط کاربری این هوش مصنوعی چت، مکانیزمی برای استخراج دانش قابل استفاده مجدد از تاریخچه چت آماده شده است.
این مکانیزم می‌تواند به عنوان فرآیندی که هنگام پایان مکالمه یا در فواصل زمانی منظم اجرا می‌شود، به سیستم هوش مصنوعی چت اضافه شود. البته، برای استخراج دانش از یک LLM استفاده می‌شود.
این LLM با مفهوم و اصول ALIS، همراه با دانش مربوط به استخراج دانش، به عنوان یک پرامپت سیستمی فراهم می‌شود. اگر دانش طبق انتظار استخراج نشود، پرامپت سیستمی باید از طریق آزمون و خطا بهبود یابد.
دانش استخراج‌شده از تاریخچه چت مستقیماً در یک دریاچه دانش ذخیره می‌شود. دریاچه دانش صرفاً مکانیزمی برای ذخیره دانش در حالت مسطح قبل از ساختاردهی آن است.
در مرحله بعد، مکانیزمی برای ساختاردهی آماده می‌شود تا انتخاب دانش از دریاچه دانش آسان‌تر شود.
این شامل فراهم کردن یک ذخیره‌گاه بردار جاسازی برای جستجوی معنایی، همانطور که در RAGهای معمولی استفاده می‌شود، و فهرست‌های کلیدواژه است.
سایر امکانات شامل تولید نمودارهای دانش پیشرفته‌تر یا انجام طبقه‌بندی دسته‌ها می‌شود.
این مجموعه از اطلاعات ساختاریافته برای دریاچه دانش، «پایگاه دانش» نامیده می‌شود. کل این پایگاه دانش و دریاچه دانش، ذخیره‌گاه دانش را تشکیل خواهند داد.
در مرحله بعد، ذخیره‌گاه دانش در پردازش رابط کاربری چت ادغام می‌شود.
این اساساً همان مکانیزم RAG عمومی است. برای ورودی کاربر، دانش مرتبط از ذخیره‌گاه دانش انتخاب شده و همراه با ورودی کاربر به LLM ارسال می‌شود.
این امر به LLM اجازه می‌دهد تا هنگام پردازش ورودی کاربر، به طور خودکار از دانش استفاده کند.
به این ترتیب، دانش با هر مکالمه با کاربر افزایش می‌یابد، و یک ALIS ساده را امکان‌پذیر می‌سازد که از دانش انباشته‌شده از مکالمات گذشته استفاده می‌کند.
سناریوی ساده
به عنوان مثال، سناریویی را تصور کنید که در آن کاربر در حال توسعه یک برنامه وب با استفاده از این ALIS ساده است.
کاربر گزارش می‌دهد که کد پیشنهادی LLM منجر به خطا شده است. سپس، کاربر و LLM برای رفع مشکل با یکدیگر همکاری می‌کنند. فرض کنید آنها کشف می‌کنند که مشخصات API خارجی که LLM از آن آگاه بود، منسوخ شده بود و با تطبیق با آخرین مشخصات API، مشکل حل می‌شود.
در این حالت، دانشی مبنی بر اینکه مشخصات API LLM قدیمی بوده و آخرین مشخصات API چیست، می‌تواند از این رشته چت در ذخیره‌گاه دانش انباشته شود.
سپس، هنگام ایجاد برنامه‌ای که از همان API در آینده استفاده می‌کند، ALIS می‌تواند از این دانش برای تولید برنامه‌ای بر اساس آخرین مشخصات API از همان ابتدا استفاده کند.
بهبود ALIS اولیه
با این حال، برای اینکه این اتفاق بیفتد، این دانش باید در پاسخ به ورودی کاربر انتخاب شود. ممکن است این دانش مستقیماً به ورودی کاربر مرتبط نباشد، زیرا نام API مشکل‌ساز به احتمال زیاد در ورودی اولیه کاربر ظاهر نمی‌شود.
در چنین حالتی، نام API تنها برای اولین بار در پاسخ LLM ظاهر خواهد شد.
بنابراین، ALIS ساده را با افزودن مکانیزمی برای توضیحات پیش‌بررسی و توضیحات پس‌بررسی کمی گسترش می‌دهیم.
توضیحات پیش‌بررسی مشابه «حالت تفکر» اخیر در LLMها هستند. ما یک حافظه آماده می‌کنیم که می‌تواند متن را به عنوان حافظه حالت نگه دارد، و به LLM از طریق یک پرامپت سیستمی دستور می‌دهیم که پس از دریافت ورودی کاربر، توضیحات پیش‌بررسی را انجام دهد.
سپس نتیجه توضیح پیش‌بررسی LLM در حافظه حالت قرار می‌گیرد و بر اساس این نتیجه، دانش از ذخیره‌گاه دانش انتخاب می‌شود.
سپس، تاریخچه چت، نتیجه توضیح پیش‌بررسی، دانش مربوط به ورودی کاربر، و دانش مربوط به نتیجه توضیح پیش‌بررسی به LLM ارسال می‌شود تا خروجی آن دریافت شود.
علاوه بر این، برای نتیجه بازگردانده شده توسط LLM، دانش در ذخیره‌گاه دانش جستجو می‌شود. با احتساب هر دانشی که در آنجا یافت شد، سپس از LLM خواسته می‌شود که یک پس‌بررسی انجام دهد.
اگر هر گونه مشکلی یافت شود، آنها به همراه نقاط مشکل و دلایل بازخورد به LLM چت بازگردانده می‌شوند.
با فراهم آوردن فرصت‌هایی برای انتخاب دانش در طول هر دو توضیح پیش‌بررسی و توضیحات پس‌بررسی، می‌توانیم شانس استفاده از دانش انباشته شده را افزایش دهیم.
چشم‌انداز
فرآیند ایجاد ALIS اولیه و افزودن بهبودها برای رفع نقاط ضعف آن دقیقاً همان توسعه چابک است که نشان می‌دهد ALIS را می‌توان به صورت افزایشی ارتقا داد.
علاوه بر این، همانطور که نمونه‌ای آن ارائه شد، ALIS اولیه برای استفاده در توسعه نرم‌افزار بسیار مناسب است. این به این دلیل است که این حوزه هم دارای تقاضای بالا و هم حوزه‌ای است که در آن دانش به وضوح قابل انباشت است.
این دامنه‌ای است که نتایج در آن بدون ابهام هستند، با این حال به انباشت دانش از طریق آزمون و خطا و تکرار به طور قابل توجهی نیاز دارد و از آن بهره می‌برد.
علاوه بر این، از آنجا که توسعه ALIS خود نوعی توسعه نرم‌افزار است، این واقعیت که توسعه‌دهندگان ALIS نیز می‌توانند کاربران ALIS باشند، جنبه‌ای جذاب است.
همچنین، در کنار سیستم ALIS، دریاچه دانش می‌تواند به صورت عمومی در پلتفرم‌هایی مانند گیت‌هاب به اشتراک گذاشته شود.
این امر به افراد زیادی امکان می‌دهد تا در بهبود سیستم ALIS و انباشت دانش مشارکت کنند و همه از مزایای آن بهره‌مند شوند و توسعه ALIS را با کارایی بیشتری تسریع بخشند.
البته، اشتراک‌گذاری دانش تنها به توسعه‌دهندگان ALIS محدود نمی‌شود؛ می‌توان آن را از همه توسعه‌دهندگان نرم‌افزاری که از ALIS استفاده می‌کنند، جمع‌آوری کرد.
ماهیت زبان طبیعی دانش دو مزیت دیگر را ارائه می‌دهد.
مزیت اول این است که دانش حتی با تغییر یا به‌روزرسانی مدل‌های LLM نیز قابل استفاده باقی می‌ماند.
مزیت دوم این است که دریاچه دانش انباشت‌شده وسیع می‌تواند به عنوان مجموعه داده پیش‌آموزش برای LLMها استفاده شود. دو راه برای استفاده از این امکان وجود دارد: به عنوان تنظیم دقیق، یا برای خود پیش‌آموزش LLM.
در هر صورت، اگر بتوان از یک LLM که به طور ذاتی از دانش انباشت‌شده در دریاچه دانش یاد گرفته است، استفاده کرد، توسعه نرم‌افزار حتی کارآمدتر خواهد شد.
علاوه بر این، توسعه نرم‌افزار شامل فرآیندهای مختلفی مانند تحلیل نیازمندی‌ها، طراحی، پیاده‌سازی، آزمایش، عملیات و نگهداری است. دانش تخصصی نیز برای هر دامنه نرم‌افزاری و پلتفرم وجود دارد. با ایجاد مکانیزمی برای تقسیم حجم وسیع دانش انباشت‌شده از این دیدگاه‌ها، می‌توان یک ارکستر ALIS را تشکیل داد.
بدین ترتیب، فناوری‌های بنیادی برای ALIS موجود هستند. گام حیاتی باقی‌مانده این است که به صورت عملی روش‌های مختلفی را آزمایش کنیم—مانند دانش استخراج دانش، انتخاب مناسب دانش، تقسیم‌بندی دانش تخصصی، و استفاده از حافظه حالت—تا رویکردهای مؤثر را کشف کنیم. با افزایش پیچیدگی، زمان پردازش و هزینه‌های استفاده از LLM نیز افزایش خواهد یافت که به بهینه‌سازی نیاز دارد.
این فرآیندهای آزمون و خطا و بهینه‌سازی را می‌توان به روشی یادگیری‌محور از طریق توسعه و اصلاح چارچوب‌ها پیش برد.
در ابتدا، توسعه‌دهندگان به عنوان کاربران، احتمالاً چارچوب‌ها را از طریق آزمون و خطا در ALIS ادغام خواهند کرد. با این حال، حتی در آن زمان نیز، خود LLM را می‌توان برای تولید ایده‌های چارچوب به کار گرفت.
سپس، با گنجاندن یک چارچوب برای بهبود و کشف چارچوب‌ها در ALIS، بر اساس نتایج دریافتی از جهان و دانش استخراج‌شده، خود ALIS به روشی یادگیری‌محور آزمون و خطا و بهینه‌سازی را انجام خواهد داد.
ALIS در دنیای واقعی
هنگامی که ALIS به این مرحله از پالایش برسد، باید قادر به کسب دانش در طیف وسیعی از حوزه‌ها باشد و تنها به دنیای توسعه نرم‌افزار محدود نماند.
مشابه توسعه نرم‌افزار، انتظار می‌رود ALIS دامنه کاربرد خود را به فعالیت‌های فکری مختلفی که انسان‌ها با استفاده از رایانه انجام می‌دهند، گسترش دهد.
حتی در چنین فعالیت‌های کاملاً فکری، ALIS کیفیتی شبیه به یک هوش مصنوعی تجسم‌یافته (embodied AI) در رابطه با دنیای هدف خود خواهد داشت.
این به این دلیل است که مرز بین خود و جهان را می‌شناسد، از طریق آن مرز بر جهان تأثیر می‌گذارد و می‌تواند اطلاعات دریافتی از جهان را درک کند.
زمانی که این مرز با جهان به صورت فیزیکی قابل مشاهده و در یک مکان متمرکز باشد، ما به طور کلی آن را بدن می‌نامیم.
با این حال، حتی اگر مرز نامرئی و به صورت فضایی توزیع شده باشد، ساختار ادراک و عمل از طریق یک مرز همانند زمانی است که دارای یک بدن فیزیکی هستیم.
به این معنا، یک ALIS که فعالیت‌های فکری را انجام می‌دهد، می‌تواند به صورت مجازی دارای ویژگی‌های یک هوش مصنوعی تجسم‌یافته در نظر گرفته شود.
و اگر ALIS به مرحله‌ای از پالایش برسد که بتواند به طور مناسب حتی در دنیاهای جدید و ناشناخته نیز یاد بگیرد، این امکان وجود دارد که ALIS به عنوان بخشی از یک هوش مصنوعی تجسم‌یافته واقعی که دارای یک بدن فیزیکی است، گنجانده شود.
به این ترتیب، ALIS در نهایت در دنیای واقعی به کار گرفته خواهد شد و شروع به یادگیری از آن خواهد کرد.