为什么单纯只使用大语言模型设计的配方不行？

一，幻觉。

 

这无法避免。这是大语言模型的Transformer架构的多头自注意力机制的特性决定的。比如，单纯只使用豆包来设计胃溃疡配方时，你会发现其生成的配方中经常会出现一个名为滑榆树皮粉（Slippery Elm）的成分，并声称其来源是北美红榆（Ulmus rubra）树皮。然而，在PubMed上你搜索不到Slippery Elm或Ulmus rubra与胃溃疡或胃酸有关的任何文献。

 

二，平庸。

 

单纯只使用大语言模型生成的配方非常平庸（有时完全无效）。因为大语言模型设计配方时，总是倾向于使用最常见且有些用（有时完全没用）的补充剂，而不会使用最有效但可能不太常见的补充剂。因为大语言模型给出答案是基于概率分布的。它在生成答案时，本质上是给出某个范围内概率最高的答案。首先，这个范围不是全局的；其次，该范围内概率最高的答案也并不意味着是该范围内的正确答案。一个简单的道理，人群中平庸的人总是占最大多数。

 

三，随机。

 

每次生成的配方都不一样。为了防止过拟合，提高泛化能力而不得不引入的随机性会导致每次生成的答案不一致。这使得针对完全相同的要求，每次生成的配方都不同，让人无所适从。

 

为什么大泽矩阵+大语言模型就能设计出顶级配方？

 

一，利用CNN+NLP+领域NLP，解决幻觉与随机。

 

与LLM相比，CNN+NLP+领域NLP的方案，能够更好地理解和处理专业术语、领域知识，减少通用模型导致的误解。与此同时，更具模块化和解释性，便于针对特定任务进行调整和优化，保持对模型决策过程的追踪，从而杜绝幻觉的产生。

相比于LLM的生成式方法，CNN+NLP+领域NLP的方案更依赖规则与统计模型，因此，生成的结果非常稳定。

 

二，通过自建配方池来滤掉平庸。

 

针对任何一种疾病或诉求，大泽矩阵会在全球超195万个物种与超10万种补充剂中，找出最有效的物种与补充剂。通过只将最有效的备选物种与备选补充剂放入自建配方池，完全不给大语言模型选择平庸的机会。一个简单的道理，如果你只在奥运冠军中进行选择，你不会得到水平差的运动员。