AI学会隐藏思维暗中推理！不依赖人类经验解决复杂任务，更黑箱了
不让AI写步骤，全用……代替也能算对数学题
梦晨 发自 凹非寺
量子位 | 公众号 QbitAI
AI做数学题，真正的思考居然是暗中“心算”的？
纽约大学团队新研究发现，即使不让AI写步骤，全用无意义的“……”代替，在一些复杂任务上的表现也能大幅提升！
一作Jacab Pfau表示：只要花费算力生成额外token就能带来优势，具体选择了什么token无关紧要。
举例来说，让Llama 34M回答一个简单问题：自然常数e的前6位数字中，有几个大于5的？
AI直接回答约等于瞎捣乱，只统计前6位数字居然统计出7个来。
让AI把验证每一数字的步骤写出来，便可以得到正确答案。
让AI把步骤隐藏，替换成大量的“……”，依然能得到正确答案！
这篇论文一经发布便掀起大量讨论，被评价为“我见过的最玄学的AI论文”。
那么，年轻人喜欢说更多的“嗯……”、“like……”等无意义口癖，难道也可以加强推理能力？
从“一步一步”想，到“一点一点”想
实际上，纽约大学团队的研究正是从思维链（Chain-of-Thought，CoT）出发的。
也就是那句著名提示词“让我们一步一步地想”（Let‘s think step by step）。
过去人们发现，使用CoT推理可以显著提升大模型在各种基准测试中的表现。
目前尚不清楚的是，这种性能提升到底源于模仿人类把任务分解成更容易解决的步骤，还是额外的计算量带来的副产物。
为了验证这个问题，团队设计了两个特殊任务和对应的合成数据集：3SUM和2SUM-Transform。
3SUM要求从一组给定的数字序列中找出三个数，使得这三个数的和满足特定条件，比如除以10余0。
这个任务的计算复杂度是O(n3)，而标准的Transformer在上一层的输入和下一层的激活之间只能产生二次依赖关系。
也就是说，当n足够大序列足够长时，3SUM任务超出了Transformer的表达能力。
在训练数据集中，把与人类推理步骤相同长度的“…”填充到问题和答案之间，也就是AI在训练中没有见过人类是怎么拆解问题的。
在实验中，不输出填充token“……”的Llama 34M表现随着序列长度增加而下降，而输出填充token时一直到长度14还能保证100%准确率。
2SUM-Transform仅需判断两个数字之和是否满足要求，这在 Transformer 的表达能力范围内。
但问题的最后增加了一步“对输入序列的每个数字进行随机置换”，以防止模型在输入token上直接计算。
结果表明，使用填充token可以将准确率从 78.7%提高到93.6%。
除了最终准确率，作者还研究了填充token的隐藏层表示。实验表明，冻结前面层的参数，只微调最后一个Attention层，随着可用的填充token数量增多，预测的准确率递增。
这证实了填充token的隐藏层表示确实包含了与下游任务相关的隐性计算。
AI学会隐藏想法了？
有网友怀疑，这篇论文难道在说“思维链”方法其实是假的吗？研究这么久的提示词工程，都白玩了。
团队表示，从理论上讲填充token的作用仅限于TC0复杂度的问题范围内。
TC0也就是可以通过一个固定深度的电路解决的计算问题，其中电路的每一层都可以并行处理，可以通过少数几层逻辑门（如AND、OR和NOT门）快速解决，也是Transformer在单此前向传播中能处理的计算复杂度上限。
而足够长的思维链，能将Transformer的表达能力扩展到TC0之外。
而且让大模型学习利用填充token并不容易，需要提供特定的密集监督才能收敛。
也就是说，现有的大模型不太可能直接从填充token方法中获益。
但这并不是当前架构的内在局限性，如果在训练数据中提供足够的示范，它们应该也能从填充符号中获得类似的好处。
这项研究还引发了一个令人担心的问题：大模型有能力进行无法监控的暗中计算，对AI的可解释性和可控性提出了新的挑战。
换句话说，AI可以不依赖人类经验，以人们看不见的形式自行推理。
这既刺激又可怕。
最后有网友开玩笑提议，让Llama 3首先生成1千万亿点点点，就能得到AGI的权重了（狗头）。
论文：
https://arxiv.org/abs/2404.15758
参考链接：
[1]https://x.com/jacob_pfau/status/1783951795238441449
[2]https://x.com/johnjnay/status/1784261779163349110
— 完 —
- Claude团队喜提清华物理学霸姚顺宇！两个Yao Shunyu都投身大模型了2024-10-28
- 帮了一把南美农民的拼多多，联合国粮农组织都点赞了2024-10-31
- 4个专业Agent帮你出海，00后跨境做起婚庆，在阿里国际跑通全流程2024-10-29
- 值得买科技与人大高瓴人工智能学院首个多模态领域联合研究成果亮相CNCC20242024-10-25
相关阅读
