Voi helvetti... tämä artikkeli saattaa olla tärkein muutos siinä, miten käytämme LLM:iä koko vuonna. "Suuret kausaalimallit suurista kielimalleista." Se osoittaa, että voit kasvattaa kokonaisia kausaalisia malleja suoraan LLM:stä, ei approksimaatioista, ei fiilikoista, todellisista kausaalisista graamuista, vastafaktuuksista, interventioista ja rajoittetuista rakenteista. Ja tapa, jolla he sen tekevät, on villi: Sen sijaan, että kouluttaisivat erikoistunutta kausaalista mallia, he kyseenalaistavat LLM:ää kuin tiedemies: → poimia ehdokaskausaalinen graafi tekstistä → pyytää mallia tarkistamaan ehdolliset riippumattomuudet → havaitsevat ristiriitoja → uudistaa rakennetta → testaa vastafaktuuksia ja interventioennusteita → toistaa, kunnes kausaalinen malli vakautuu Tulos on jotain, mitä emme ole koskaan ennen kokeneet: kausaalinen järjestelmä, joka on rakennettu LLM:n sisällä käyttäen omaa piilevää maailmantietämystä. Vertailuarvojen välillä synteettisissä, todellisessa maailmassa, sotkuisilla alueilla nämä LCM:t päihittävät klassiset kausaalisen löytämisen menetelmät, koska ne hyödyntävät LLM:n valtavaa aiempaa tietämystä pelkkien paikallisten korrelaatioiden sijaan. Entä vastakkainen perustelu? Yllättävän vahva. Malli voi vastata "entä jos" -kysymyksiin, joissa standardialgoritmit epäonnistuvat täysin, yksinkertaisesti siksi, että se jo "tietää" asioita maailmasta, joita algoritmit eivät pysty päättelemään pelkästään datasta. Tämä artikkeli vihjaa tulevaisuudesta, jossa LLM:t eivät ole pelkkiä mallikoneita....