生成式 AI 有没有推理能力？

孟词宗

+ S8 C- F2 ]2 K, m8 y- Y
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
, j9 P& h; U( [: y1 q
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。

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。

$ V+ L6 E8 @/ j7 t2 m, g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.

3 z# h+ c3 Q( {1 L  z% p, v( ]AI 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：
我:  A
# \7 D! D# Z5 r9 K: ?- zAI:  B
我:  B
3 d4 X. h) S$ Q$ Z& c9 PAI:  C
我：X

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

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。

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。

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。
8 r) C: N& U3 k- Z$ a8 ]
* w. ]# u6 M: d  I, F' _5 A/ F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：

“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。

$ K, y# {- j1 R: w) S9 H* L1. **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。

& A5 v. J, u3 P# D* i9 z2. **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。

, z+ p; s+ }) d- |: G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。

1 I4 n8 g' _! ]! O( V9 S

唐家山

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。
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
4 l3 {* E* M% D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 ？

/ c- w8 X& y/ \& p( S$ W这在实验中已经考虑到的。输入 ZZ 得到 AA
3 f. c+ L; P" t$ P  @# c) q$ G
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  

打乱顺序输入 NBC， 得到 OCD。

这些都是建立在只输入主贴原始规则的基础上的。

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

6 I! ~. m7 `& V9 x

孟词宗 发表于 2024-10-19 09:14
! X  \( D2 }; ~: j0 syanei 刚才问: 有没有回答AA的 ？

1 `$ a% [8 h1 H$ \这在实验中已经考虑到的。输入 ZZ 得到 AA

9 {: n, L. W. H% ]9 O' E: B
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？

这在实验中已经考虑到的。输入 ZZ 得到 AA

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
* g: T. U3 d6 Z( ?# P& u$ g% M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 ...

( S9 T  A7 {$ P# L) K用DeepSeek试了一下：
第一次的回答是：
0 _8 o1 v6 |& G/ I8 B0 Y8 U8 r4 YInput: ZZZZZZZZZZY
: M7 v* ^5 I" D0 POutput: AAAAAAAAAAZ
- s( k( }1 @) F: C/ X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？
; O9 m" n0 d! |! n! W: T' XDeepSeek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。
$ E8 i* u' I4 A# n

孟词宗

唐家山 发表于 2025-2-20 10:25
  F6 m" o" M  L% l- m4 b% D" E& G4 z用DeepSeek试了一下：
第一次的回答是：
Input: ZZZZZZZZZZY

# |* {) A/ L/ d1 f3 A1 U( Q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
% Q; S( B6 O& T# v: m4 \7 Ayanei 刚才问: 有没有回答AA的 ？
2 n& F% m* I, p' b5 l: {
这在实验中已经考虑到的。输入 ZZ 得到 AA

/ A0 T1 x& F) `- X' S6 o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

/ l1 }7 e# F/ |/ o! y# c对于当前人工智能的能力不应该苛求。
0 \9 R  |$ k* J( ~1 j9 ~$ O人类乃至动物的智力发展也不是一蹴而就的。
0 V5 s- K7 [' r9 P5 ?7 W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， ...

- I" T% l2 H" K+ [: T) N4 c$ W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。
, c2 F( W! c+ m- O8 z
6 H1 O1 O& j, ~0 t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。

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？