AI做數學題，真正的思考居然是暗中“心算”的？

紐約大學團隊新研究發現，即使不讓AI寫步驟，全用無意義的“……”代替，在一些復雜任務上的表現也能大幅提升！

一作Jacab Pfau表示：只要花費算力生成額外token就能帶來優勢，具體選擇了什么token無關緊要。

圖片

舉例來說，讓Llama 34M回答一個簡單問題：自然常數e的前6位數字中，有幾個大于5的？

AI直接回答約等于瞎搗亂，只統計前6位數字居然統計出7個來。

讓AI把驗證每一數字的步驟寫出來，便可以得到正確答案。

讓AI把步驟隱藏，替換成大量的“……”，依然能得到正確答案！

圖片

這篇論文一經發布便掀起大量討論，被評價為“我見過的最玄學的AI論文”。

圖片

那么，年輕人喜歡說更多的“嗯……”、“like……”等無意義口癖，難道也可以加強推理能力？

圖片

從“一步一步”想，到“一點一點”想

實際上，紐約大學團隊的研究正是從思維鏈（Chain-of-Thought，CoT）出發的。

也就是那句著名提示詞“讓我們一步一步地想”（Let‘s think step by step）。

圖片

過去人們發現，使用CoT推理可以顯著提升大模型在各種基準測試中的表現。

目前尚不清楚的是，這種性能提升到底源于模仿人類把任務分解成更容易解決的步驟，還是額外的計算量帶來的副產物。

為了驗證這個問題，團隊設計了兩個特殊任務和對應的合成數據集：3SUM和2SUM-Transform。

3SUM要求從一組給定的數字序列中找出三個數，使得這三個數的和滿足特定條件，比如除以10余0。

圖片

這個任務的計算復雜度是O(n3)，而標準的Transformer在上一層的輸入和下一層的激活之間只能產生二次依賴關系。

也就是說，當n足夠大序列足夠長時，3SUM任務超出了Transformer的表達能力。

在訓練數據集中，把與人類推理步驟相同長度的“...”填充到問題和答案之間，也就是AI在訓練中沒有見過人類是怎么拆解問題的。

圖片

在實驗中，不輸出填充token“…...”的Llama 34M表現隨著序列長度增加而下降，而輸出填充token時一直到長度14還能保證100%準確率。

圖片

2SUM-Transform僅需判斷兩個數字之和是否滿足要求，這在 Transformer 的表達能力范圍內。

但問題的最后增加了一步“對輸入序列的每個數字進行隨機置換”，以防止模型在輸入token上直接計算。

結果表明，使用填充token可以將準確率從 78.7%提高到93.6%。

圖片

除了最終準確率，作者還研究了填充token的隱藏層表示。實驗表明，凍結前面層的參數，只微調最后一個Attention層，隨著可用的填充token數量增多，預測的準確率遞增。

這證實了填充token的隱藏層表示確實包含了與下游任務相關的隱性計算。

圖片

AI學會隱藏想法了？

有網友懷疑，這篇論文難道在說“思維鏈”方法其實是假的嗎？研究這么久的提示詞工程，都白玩了。

圖片

團隊表示，從理論上講填充token的作用僅限于TC0復雜度的問題范圍內。

TC0也就是可以通過一個固定深度的電路解決的計算問題，其中電路的每一層都可以并行處理，可以通過少數幾層邏輯門（如AND、OR和NOT門）快速解決，也是Transformer在單此前向傳播中能處理的計算復雜度上限。

而足夠長的思維鏈，能將Transformer的表達能力擴展到TC0之外。

而且讓大模型學習利用填充token并不容易，需要提供特定的密集監督才能收斂。

也就是說，現有的大模型不太可能直接從填充token方法中獲益。

但這并不是當前架構的內在局限性，如果在訓練數據中提供足夠的示范，它們應該也能從填充符號中獲得類似的好處。

這項研究還引發了一個令人擔心的問題：大模型有能力進行無法監控的暗中計算，對AI的可解釋性和可控性提出了新的挑戰。

換句話說，AI可以不依賴人類經驗，以人們看不見的形式自行推理。

這既刺激又可怕。

圖片

最后有網友開玩笑提議，讓Llama 3首先生成1千萬億點點點，就能得到AGI的權重了（狗頭）。

圖片

論文：https://arxiv.org/abs/2404.15758

參考鏈接：
[1]https://x.com/jacob_pfau/status/1783951795238441449[2]https://x.com/johnjnay/status/1784261779163349110