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。
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(n)，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TC复杂度的问题范围内 。
TC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TC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：
原文链接: