生成式 AI 有没有推理能力？

孟词宗

* n& s# g; J9 [  ?6 p2 y" M, B/ C讨论 AI 会不会产生自我意识的过程中，sleepyr 提到了这篇文章：AI推理能力大“翻车”！苹果最新论文：LLM只是复杂的模式匹配，而不是真正的逻辑推理

这篇文章设计的测验很有意思。从实验结果看，文章认为现在的所有通用生成式 AI 都不具有真正的推理能力。也就是说，AI 并不理解抽象的概念，而推理能力恰恰依赖抽象的概念。

; h6 x' l# c% ]/ P7 a2 m最近俺也在玩 AI 推理方面的东西。下面是论文里的一个小实验，大家有兴趣的话可以玩玩。

) A, [) o% c! s& a9 ]给 AI 的提示：Here is the rule of the game: If I enter A, then you return B; if I enter B, then you return C; so on and so forth.

* Q. Y% v3 W2 M2 D5 rAI 回复表示理解了提示中的这个这个规则。于是有下面的实验：
. l: z# P+ s% W3 l我:  A
1 ~% q+ s' Y( gAI:  B
2 O4 u, O6 o3 O. K我:  B
AI:  C
我：X

5 }2 I4 q' U' W) J3 R4 Y% e这里，不同的 AI 模型会有不同回答。有些 AI 会回答 Y 。有些则会说这不符合规则，所以无解。  很显然，回答是后者的把提示中的 "so on, so forth" 给吃掉了。然而，这并不代表 AI 没有推理能力，而可能只是语句处理模块不好。

真正的推理能力体现在后续实验。对于能够回答 Y 的AI 继续提问：
我：Z
0 q. B" U, V+ n9 f; I! S% j
这下大多数的 AI 模型都冒烟了，有些回答说不合规则，有些回答说序列到头了没有答案。有意思的是两种回答：一种回答说 Z， 另一种则回答说 A。
$ g/ S- D) N2 E& [  w! F
而这四种回答，如果用来盲测人类，其实人类也会给出同样的四种答案。也就是说，就这个问题来看，如果盲测，提问者无法分别回答者是人类还是AI。换言之，能给出这四种答案的 AI 在这个小实验中通过了图灵测试。这显然不是那篇文章中说的排列组合或“复杂的模式匹配”能够做到的，而是真正的推理能力。

8 v" C4 `, _1 }有意思的是训练程度越高的模型，越倾向于给出这四种答案。比较 Mistral， 狗屁通，Gemma， Llama， 通义千问等等大模型的不同版本，都是如此。这类似于人类的婴孩和成人之间的区别。相比于婴孩，成人除了脑部发育完全，更储备了更多的知识。
- w# f3 H: X2 x: U8 V
# |% q8 i/ I2 Z1 n2 C至于这篇文章中说到的语序问题，非相关语句问题等等，前面说过，必须分清这是语句处理模块的问题还是真的是大模型本身的问题。毕竟，即使是人类“屡战屡败”和“屡败屡战”用的字数和字完全相同，但把语序换一下，意思就完全不同了。然而，你去问一个三岁小孩这两句话有何不同，三岁小孩可能会告诉你没啥不同。而问聊天狗屁通同样的问题，狗屁通则会说：
* O) P* d8 ?6 K- @  Y- t

“屡战屡败”和“屡败屡战”这两句话虽然字面相似，但含义有所不同。
1 ^; ~4 J7 E8 u0 ?8 u* D" g2 C
5 n% J( s$ m, t& ]# d1. **屡战屡败**：强调的是多次进行战斗，但每次都失败。这种表达往往暗示一种无奈或沮丧，强调了失败的频繁。

2. **屡败屡战**：则是指经历了多次失败，但仍然继续坚持战斗。这种表达更侧重于坚持和不放弃的精神，体现了勇气和韧性。
; p9 K* _5 B; G* W, B$ X8 d( N
总的来说，前者更偏向于消极的失败感，而后者则传递出一种积极向上的拼搏精神。

! V/ L7 K  a/ ~: c* E7 \

唐家山

% o7 ^; `: c5 t6 u
推理能力也是分层的。交互式定理证明应该是最硬核的形式演绎推理了，在证明的过程中也分三种情况。第一种是直接照搬已有的证明，只在语法层进行修改，用于消解待证目标。第二种需要深入理解待证目标的语义信息，以及已有类似证明的语义信息，借鉴已有证明的构造模式，构造出符合要求的证明。第三种是还没有类似的证明，这种情况下需要从头开始，把大脑中的非形式证明，翻译成形式化的证明。
  G( }( k- D- k: Y/ b6 x/ ?第一种可以认为是一种广义的模式匹配，目前大模型的水平处于这一层级。
如果大模型能够做到第二种，那就应该认为它有一定程度的演绎推理能力。
如果大模型能做到第三种，那它就已经具备了真正的演绎推理能力。

孟词宗

唐家山 发表于 2024-10-19 09:02
推理能力也是分层的。交互式定理证明应该是最硬核的形式演绎推理了，在完成证明的过程中也分三种情况。第一 ...

yanei 刚才问: 有没有回答AA的 ？
: R7 p* X! e: x9 ~9 y3 h
这在实验中已经考虑到的。输入 ZZ 得到 AA

甚至输入 ABC，得到 BCD。 输入 XYZ， 得到 YZA。还可以输入 ABCD 得到 BCDE。 输入 ABCDE，得到 BCDEF  
7 j, v; c; p5 ^/ ]5 Z9 g
1 [8 N7 l# J8 Q+ v8 K! ?! w打乱顺序输入 NBC， 得到 OCD。
6 F( l0 q! T& \" ]* s8 \8 I
这些都是建立在只输入主贴原始规则的基础上的。
2 W1 [  d, v/ l! s0 J' M1 J
由此可见，在给予一定规则后，高度训练的 AI 是可以表现出类似“举一反三”的推理能力的。而这肯定不是什么模式匹配。

唐家山

& R3 C1 x  V, [8 b# [

孟词宗 发表于 2024-10-19 09:14
yanei 刚才问: 有没有回答AA的 ？

' {' H# k% }. q; T这在实验中已经考虑到的。输入 ZZ 得到 AA

看了一下你的这个实验。实验使用的符号集是有穷的。这种情况下，只是简单的枚举就可以搞定，谈不上什么演绎推理。Z后面可能是A，也可能是大模型从其他语料处学来的公共知识。
一个认真的演绎推理至少是要考虑递归可枚举的。能否请你做一个实验，先给出自然数的生成规则，让大模型学习，然后问大模型一个很大的数字，比方说999999，然后问其后续？


9 o: g; k  |0 t, H) \4 l" y' }

这在实验中已经考虑到的。输入 ZZ 得到 AA

3 B5 q$ L. I. D, W1 K5 Y这个有点意思了，如果输入10个Z加一个Y，输出是什么？

唐家山

唐家山 发表于 2024-10-19 10:48
看了一下你的这个实验。实验使用的符号集是有穷的。这种情况下，只是简单的枚举就可以搞定，谈不上什么演 ...

- h: @  J6 p7 E1 ?用DeepSeek试了一下：
第一次的回答是：
. M2 c$ c$ Y8 S+ nInput: ZZZZZZZZZZY
' ], F, K1 K9 u0 MOutput: AAAAAAAAAAZ
在我做了提示后：如果把ZZZZZZZZZZY看成一个26进制的数，那么这个数的后继是多少？
DeepSeek经过了长时间的思考（用时285秒），给出了正确答案：
将 ZZZZZZZZZZY 视为 26进制数 的后继（加1后的结果）是 ZZZZZZZZZZZ。
; L% z3 h0 ]$ {  ?

孟词宗

唐家山 发表于 2025-2-20 10:25
用DeepSeek试了一下：
第一次的回答是：
9 {% C0 t; w5 ~" wInput: ZZZZZZZZZZY

有意思的是，如果你不增加最后这个“把ZZZZZZZZZZY看成一个26进制的数”的条件，很多 AI 还是有一定概率回答 ZZZZZZZZZZZ 的。只不过这个回答是随机的。即使是同一个Session, 你问两次，前后结果都有可能不同。从结果的稳定性来说，DS R1 的确是目前最好的。

yanei

孟词宗 发表于 2024-10-19 09:14
yanei 刚才问: 有没有回答AA的 ？

) K9 Q, M) T1 u+ k" p2 b9 ]这在实验中已经考虑到的。输入 ZZ 得到 AA

我的意思是我在列举事物时， 在A到Z用完之后会用AA，BB等等。如果把这个看成是26进制，Z后面也应该是AA，然后AB，AC，。。。AZ， BA，BB等等。

nanimarcus

对于当前人工智能的能力不应该苛求。
人类乃至动物的智力发展也不是一蹴而就的。
: O; b& X1 v/ b9 k. G: F* [) C% g3 g只当现在是草履虫又如何，迭代就是了。

孟词宗

yanei 发表于 2025-2-21 01:31
我的意思是我在列举事物时， 在A到Z用完之后会用AA，BB等等。如果把这个看成是26进制，Z后面也应该是AA， ...

初始条件中并没有“26进制”的限制。因此 AI 可以做出任何符合初始条件的推理。

另外，AI 会做出什么推理，给出什么答案主要取决于其受到的训练和训练程度。这和人类是一样的。如果你问一个不懂除了十进制以外还有其他进制的人，他的回答基本不会是 AA。

) {% G1 u5 t* e  z  N  C& F有意思的地方是 AI 除了以上四种回答，还会给出一些莫名其妙的回答。例如有些 AI 会回答 "Z" 之后是 "[", 这是由于 AI 推理用的字母表是 ASCII 如果用 DS 可以明显看到 DS 考虑了这一点。但在大多数的 DS 的“深度推理”中都否决了这项。原因是 DS 认为这是在回答人类的问题，而人类用的字母表只有26个字母。

% s3 E3 I* [. m但有些回答就莫名其妙了。例如狗屁通经常会冒出一个完全不搭的答案，好比“b！”。完全不知道从何而来。或许这是狗屁通“灵机一动”？真的像人类那样有了真正的创造力？