哈嘍，大家好，我是小今。這篇來聊聊AI的奇怪反差：能寫復(fù)雜代碼卻算不對(duì)小學(xué)乘法？這背后藏著大模型的致命短板！你敢信？

能幫程序員寫復(fù)雜代碼、給研究員做邏輯推理的頂尖AI大模型，面對(duì)小學(xué)四年級(jí)水平的四位數(shù)乘法題，正確率居然不到1%？這不是網(wǎng)上的搞笑段子，而是芝加哥大學(xué)牽頭的科研團(tuán)隊(duì)實(shí)打?qū)嵉难芯堪l(fā)現(xiàn)，連麻省理工、哈佛的研究者還有谷歌DeepMind的專家都參與了這項(xiàng)研究，成果已經(jīng)發(fā)布在arXiv預(yù)印本服務(wù)器上。

“偏科”AI的怪象：崎嶇的前沿

研究團(tuán)隊(duì)把這種奇特的現(xiàn)象叫做“崎嶇前沿”，特別形象。你可以想象一個(gè)學(xué)生，奧數(shù)題能拿國(guó)際金牌，但簡(jiǎn)單的加減乘除卻頻頻出錯(cuò)，簡(jiǎn)直就是個(gè)“偏科怪才”。我們的AI大模型就像這個(gè)學(xué)生，在需要大量數(shù)據(jù)模式識(shí)別和復(fù)雜推理的任務(wù)中表現(xiàn)卓越，可一旦遇到需要精確、一步步來、環(huán)環(huán)相扣的基礎(chǔ)數(shù)學(xué)運(yùn)算，它就徹底歇菜了。

更讓人不解的是，無論是只有兩層的“小”模型，還是結(jié)構(gòu)復(fù)雜、參數(shù)龐大的十二層“大”模型，在這種基礎(chǔ)乘法題上都無一幸免，集體“翻車”。這表明問題并非出在模型大小上，而是更深層次的根本性缺陷。那么，究竟是什么讓AI擁有了“高智商低情商”般的算術(shù)能力呢？

忘性大？AI的“長(zhǎng)程依賴”困境

其實(shí)，核心問題出在AI的“記性”上，或者說，它在處理任務(wù)時(shí)，無法有效“記住中間步驟”。用專業(yè)術(shù)語(yǔ)講，這叫“長(zhǎng)程依賴”問題。

回想我們小時(shí)候?qū)W乘法，比如讓你算3876乘以5214。我們是不是得先算3876乘以4，得出第一個(gè)部分積，然后記下進(jìn)位，接著算3876乘以10（其實(shí)是乘以1），把第二個(gè)部分積寫下來，再記住進(jìn)位，依此類推，直到算出所有部分積。

最后，我們會(huì)把這些暫時(shí)存放在腦子里或草稿紙上的中間結(jié)果，一步步累加起來，才能得出最終的答案。這個(gè)“暫存中間信息，并在后續(xù)步驟中持續(xù)調(diào)用”的能力，就是我們?nèi)祟惤鉀Q乘法問題的關(guān)鍵，也是“長(zhǎng)程依賴”的最好體現(xiàn)。乘法運(yùn)算環(huán)環(huán)相扣，每一步的計(jì)算都緊密依賴前面的中間結(jié)果和進(jìn)位，漏掉一步，或者記錯(cuò)了任何一個(gè)中間值，最終結(jié)果就可能謬之千里。

但面對(duì)乘法這種需要嚴(yán)格按照邏輯鏈條一步步推進(jìn)、精確計(jì)算中間結(jié)果并持續(xù)依賴的任務(wù)，光靠“找規(guī)律”就徹底抓瞎了。它無法像我們一樣，在“腦子”里建立一個(gè)臨時(shí)的“草稿紙”，用來存儲(chǔ)和調(diào)用這些關(guān)鍵的中間信息。

陷入“局部最優(yōu)解”的泥潭

更糟糕的是，標(biāo)準(zhǔn)的AI訓(xùn)練方法，還常常會(huì)讓模型陷入一種“局部最優(yōu)解”的困境。你可以想象你在爬山，想找這座山的最高峰，結(jié)果你爬到一個(gè)小土坡，以為那就是山頂了，于是就在這個(gè)小土坡上反復(fù)打轉(zhuǎn)，再怎么努力，也永遠(yuǎn)到不了真正的最高峰。

AI也是如此。在訓(xùn)練乘法時(shí)，它可能學(xué)會(huì)了一些“表面規(guī)律”，比如某些數(shù)字的組合偶爾會(huì)對(duì)應(yīng)某個(gè)結(jié)果，但它并沒有掌握乘法背后的真正邏輯。它在這些“小土坡”上反復(fù)優(yōu)化，殊不知，真正的“高峰”需要完全不同的攀登路徑，也就是需要一套能夠處理中間信息和邏輯依賴的機(jī)制。

所以，即便我們把模型做得再大，訓(xùn)練時(shí)間再長(zhǎng)，只要它的架構(gòu)上不支持存儲(chǔ)和調(diào)用中間信息，乘法題它還是算不對(duì)。這就像給一個(gè)沒有“計(jì)算器”功能的大腦，塞再多的數(shù)據(jù)，它也無法完成復(fù)雜的計(jì)算。

曙光乍現(xiàn)：ICoT與AI的“邏輯復(fù)蘇”

不過，研究團(tuán)隊(duì)并沒有止步于發(fā)現(xiàn)問題，他們也帶來了解決之道！他們開發(fā)了一種名為“隱式思維鏈”（ICoT，Implicit Chain of Thought）的訓(xùn)練方法。用這種方法訓(xùn)練出來的模型，在四位數(shù)乘法上的準(zhǔn)確率竟然能達(dá)到驚人的100%！這簡(jiǎn)直是奇跡！

為了弄明白ICoT為什么如此有效，團(tuán)隊(duì)仔細(xì)對(duì)比了用ICoT訓(xùn)練的模型和標(biāo)準(zhǔn)模型，就像給AI做了一次深度腦部解剖，結(jié)果發(fā)現(xiàn)了三個(gè)關(guān)鍵性的差異，揭示了AI如何從“算數(shù)盲”變身為“數(shù)學(xué)天才”的秘密。

第一個(gè)也是最關(guān)鍵的差異是，ICoT模型竟然“學(xué)會(huì)了做筆記”！它能清晰地追蹤乘法過程中的所有中間信息，比如每一步的部分積、進(jìn)位數(shù)字。研究人員甚至可以從模型的內(nèi)部狀態(tài)里，直接“讀”出這些關(guān)鍵的中間值，就像從一份整潔的草稿紙上查看步驟一樣。

而標(biāo)準(zhǔn)模型呢？這些信息早就混成一團(tuán)，根本無法辨認(rèn)。這就像一個(gè)學(xué)霸做數(shù)學(xué)題，每一步都寫得清清楚楚，而學(xué)渣則全靠腦子記，結(jié)果腦子一團(tuán)漿糊，最終答案自然天差地別。ICoT幫助AI重建了記憶的鏈條，讓它不再“忘事”。

這種有條理的分工協(xié)作，讓信息處理變得高效有序。反觀標(biāo)準(zhǔn)模型，它的注意力是混亂的，東看一眼，西記一下，根本無法有效組織和處理信息。

最令人拍案叫絕的，是第三個(gè)差異：ICoT模型竟然在訓(xùn)練過程中“無師自通”，自己發(fā)明了一套高效的計(jì)算工具！它沒有把數(shù)字僅僅當(dāng)作是符號(hào)，而是把數(shù)字編碼成了類似波形的模式，并且還使用了一種叫做“閔可夫斯基和”的幾何方法來計(jì)算乘法。

請(qǐng)注意，這些能力可不是研究人員一行行代碼寫進(jìn)去教它的，而是模型在訓(xùn)練過程中，為了解決乘法問題，自己慢慢摸索、涌現(xiàn)出來的！這簡(jiǎn)直就像AI為了完成任務(wù)，自己創(chuàng)造了一套“數(shù)學(xué)語(yǔ)言”和計(jì)算方法，其自主學(xué)習(xí)和創(chuàng)新的潛力，令人嘆為觀止。

簡(jiǎn)單的改動(dòng)，巨大的飛躍：未來的希望

基于這些突破性的發(fā)現(xiàn)，研究團(tuán)隊(duì)還給出了一個(gè)簡(jiǎn)單得令人難以置信的修復(fù)方案：給標(biāo)準(zhǔn)模型的訓(xùn)練過程，僅僅加一個(gè)小小的目標(biāo)，讓它學(xué)會(huì)追蹤每一步的累加總和，把中間值和部分積傳遞下去。就這么一個(gè)看似微不足道的小改動(dòng)，原本正確率不到1%的雙層模型，準(zhǔn)確率直接飆升到了99%！

而且，還不用額外教它一步步推理的方法。更厲害的是，經(jīng)過這樣訓(xùn)練的模型，甚至自己摸索出了新的計(jì)算策略，比如能夠同時(shí)處理多個(gè)數(shù)字對(duì)的乘法，大大提高了效率。

這說明，有時(shí)候解決AI難題，并不需要堆砌更多的數(shù)據(jù)或更大的模型，而是需要找到那個(gè)關(guān)鍵的“引導(dǎo)點(diǎn)”，輕輕撥動(dòng)一下，就能觸發(fā)它潛藏的巨大潛能。

告別“野路子”：AI的未來在于邏輯與記憶

或許有人會(huì)說，不就是個(gè)乘法題嗎，犯得著這么較真？但這項(xiàng)研究的意義，遠(yuǎn)不止讓AI會(huì)算乘法那么簡(jiǎn)單。它像一面鏡子，照出了整個(gè)AI行業(yè)的一個(gè)深層誤區(qū)：我們不能盲目地認(rèn)為模型越大、訓(xùn)練數(shù)據(jù)越多，AI的能力就一定越強(qiáng)。

牽頭這項(xiàng)研究的譚晨浩教授一針見血地指出，現(xiàn)在AI越來越多地參與到關(guān)鍵決策中，所以搞懂它到底是怎么學(xué)習(xí)、怎么“思考”的，比它能做什么，有時(shí)候更重要。這項(xiàng)研究的核心價(jià)值在于告訴我們：想讓AI真正變強(qiáng)，關(guān)鍵不是一味地堆參數(shù)、堆數(shù)據(jù)，而是要給它正確的“引導(dǎo)”，在架構(gòu)上支持它的記憶和邏輯能力。

這相當(dāng)于在提醒我們，AI在數(shù)學(xué)問題上之所以表現(xiàn)不穩(wěn)定，是因?yàn)樗恢庇谩罢乙?guī)律”這種“野路子”去解決需要嚴(yán)格邏輯推理的問題，就像一個(gè)廚師試圖用錘子去切菜。未來的AI系統(tǒng)，可能需要把“記憶”和“邏輯運(yùn)算”這兩種能力區(qū)分開來，分別給它們提供更專門的支持，才能從根本上解決“能寫代碼卻算不對(duì)乘法”的尷尬。

這項(xiàng)研究為AI的發(fā)展指明了一個(gè)新的方向：與其盲目地追求模型規(guī)模的“高大上”，不如先把AI最基礎(chǔ)的“記憶和邏輯能力”打磨好。畢竟，一個(gè)連基礎(chǔ)乘法都搞不定的AI，你讓它去處理再?gòu)?fù)雜的推理任務(wù)，里面也可能藏著巨大的隱患。只有打好地基，大廈才能真正穩(wěn)固。