想象一下，互联网就像一座巨大而混乱的图书馆，所有的书籍、想法和事实都散落在地板上。为了理清这种混乱，科学家们使用了一种叫做**分类法（Taxonomy）**的东西。你可以把分类法想象成一个超级有序的文件柜，或者是一个思想的家族树。它根据事物之间的关联将它们归为一类：“狗”是“动物”的一种，“动物”是“生物”的一种。这种结构帮助计算机理解世界、寻找问题的答案并浏览海量的数据。但问题在于：世界变化得太快了。新的想法每天都在涌现，试图手动更新这些文件柜就像是试图靠手工对一百万块乐高积木进行分类——这既缓慢、昂贵，又无法跟上节奏。

最近，我们遇到了一位新帮手：大语言模型（LLM）。你可以把 LLM 想象成一个超级聪明、博学多才的机器人，它几乎读过了互联网上的所有内容。它非常擅长猜测下一个词是什么，或者提出新的想法。科学家们曾希望这些机器人能自动构建并更新我们的文件柜。但问题在于，这些机器人有时会过于“放飞自我”。它们可能会建议说“河岸（River Bank）”是“金融机构（Financial Institution）”的一种类型，仅仅因为它们共享“银行（Bank）”这个词；或者它们可能会发明一些实际上并不存在的概念。如果我们任由它们驰骋，我们整齐的文件柜可能会变成一堆毫无意义的垃圾。

这就是一项新研究的切入点，该研究提出了一个名为 ReLTEx 的框架。研究人员想要看看他们是否可以使用这些聪明的机器人来扩展我们的分类法，同时又不让它们把事情搞砸。他们并没有只是让机器人随心所欲地书写，而是建立了一个“质量控制”系统来检查每一个提议。他们发现，通过将机器人的创造力与一个严格的、具备结构感知能力的检查器相结合，他们可以生成新的、有用的概念，并且这些概念能正确地融入家族树中。研究表明，这种方法比单纯让机器人凭直觉猜测产生的结果要可靠得多，尽管研究也指出，该系统仍需在更大、更复杂的数据库上进行测试，才能达到真正完美的程度。

ReLTEx 的故事：驯服创意机器人

那么，ReLTEx 究竟是如何工作的呢？想象一下，你是一位非常严格的图书馆馆长。你有一个机器人助手，它非常擅长写故事和创造新角色。你问机器人：“海洋里有哪些种类的动物？”机器人可能会说：“鱼、鲸鱼，还有……‘海奶酪（Sea-Cheese）’！”

如果你直接采纳机器人的话，你的图书馆就会充斥着虚假的动物。ReLTEx 就是你建立的用来阻止这种情况发生的系统。它通过三个步骤运作，就像一条思想的流水线。

第一步：创意的火花
首先，系统要求机器人（LLM）提出新的想法。但它不仅仅是说“给我想法”，它给了机器人一个特定的语境。它向机器人展示了从图书馆顶部向下到当前书架的路径。例如，如果机器人正在查看“水果”部分，它会看到“水果”位于“食物”之下，并且它看到“苹果”和“香蕉”已经在那儿了。机器人被告知要发明符合这一详细程度的新水果。它可能会建议“芒果”或“奇异果”。机器人会生成一个候选列表，但我们知道它也可能误提“勺子”或“蓝色”。

第二步：严格的检查员
这是最重要的一部分。在任何新想法被放入书架之前，它都必须通过测试。研究人员构建了一个特殊的“检查员”（分类器），它扮演着严格图书管理员的角色。这个检查员不仅检查单词听起来是否悦耳，它还会检查结构。它会问：“这个新想法真的属于这个父级类别吗？”

这个检查员是在大量的正确和错误示例上训练出来的。它学会了“答案（Answer）”应该放在“问题（Question）”之下，但“答案”不应该放在“创意作品（Creative Work）”之下，仅仅因为答案可以是具有创意的。它还学会了识别“幻觉”——即机器人捏造出来的不存在的想法。如果机器人建议“海奶酪”，检查员会说：“不对，那不是真实的动物，而且它不符合家族树。”只有通过了这个严格测试的想法才被允许留下。

第三步：安全制动器
有时候，机器人可能会做对一个想法，然后就变得过于兴奋，基于这一个错误发明出一整条毫无意义的链条。ReLTEx 为此设置了一个安全制动器。它会观察检查员对新想法的信心程度。如果检查员对这个新“海奶酪”只有 50% 的把握，系统就会停止扩展那个分支。它会说：“我们在这里还不够确定，所以让我们在制造更大的混乱之前停止。”这确保了图书馆不会朝着错误的方向扩张。

他们的发现

研究人员在两个不同的“图书馆”（数据集）上测试了这个系统。一个是较小的标准测试集，称为 SemEval-2016 Task 13 Environment；另一个是规模巨大的现实世界图书馆——Schema.org，它拥有超过 1,100 个概念。

他们玩了一个名为“掩码分类法扩展（Masked Taxonomy Expansion）”的游戏。想象一下，我们在图书馆里藏了一些真正的书，然后要求机器人把它们找出来。

• 在较小的图书馆中，机器人 Mistral（他们测试的模型之一）成功准确地找到了大约 42% 的隐藏书籍。
• 在巨大的 Schema.org 图书馆中，它找到了大约 23%。

虽然这些数字听起来可能很低，但研究人员指出，这是一项非常困难的任务，因为机器人必须从零开始发明新想法，而不仅仅是从列表中进行选择。更重要的是，当他们请人类专家查看结果时，专家们对结果印象深刻。对于 Schema.org 图书馆，人类评委给出了接近完美的得分：在“粒度一致性（Granularity Consistency）”（意味着新想法在细节层级上完美契合）方面得分为 1.000，在“层级关系合理性（Hierarchy Relationship Rationality）”（意味着父子关系符合逻辑）方面也得分为 1.000。

研究表明，ReLTEx 是一个巨大的进步，因为它不仅仅依赖于机器人的“直觉”。通过加入结构化检查器，该系统过滤掉了胡言乱语，并保持了家族树的有序。

局限性与未来

研究人员谨慎地指出，这并不是解决一切问题的魔杖。他们使用的是相对较小的开源机器人进行测试，并怀疑更大、更强大的机器人可能会表现得更好。他们也承认，他们的“检查员”是一种学习到的近似值，这意味着它偶尔仍可能让错误的想法溜过去。

此外，由于这是一种新的处理方式（生成想法而不是仅仅对现有想法进行分类），目前还没有完美的标准方法来将其与旧方法进行比较。研究表明，虽然 ReLTEx 产生了更可靠且连贯的分类法，但它仍是一个新兴领域。团队总结道，他们的方法提供了一种极具前景的方式，可以在世界变化速度超过我们手动更新速度的情况下，保持我们的数字图书馆井然有序，但这是一个需要谨慎使用并持续测试的工具。