生成式 AI 有没有推理能力？

孟词宗

0 p) s9 f5 N$ c. t4 D' 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
& E. F+ o5 Y) S3 k! A! V# k. m4 ~
4 M; @3 T% P# _* D2 _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。
+ y7 {! m- U5 k% d, t* B: M
: a  q4 R( r; E' S7 C% p! p6 ^$ Q, ^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。
8 S8 b* V- v+ i* {6 `0 g- a( R
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.

4 L! |  w" Y/ a$ }: {8 \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：
" y$ p2 l) Q4 m我:  A
AI:  B
我:  B
AI:  C
我：X
% S* s, Q% D% Q+ k1 M) D
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：
. f7 l5 \! X9 j7 Q+ W& f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。
3 d% e% o. k; v% d% i( `6 _
" k+ y) n- g. A' n. j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。
) m9 E6 R) y5 g+ Q
% n. `. E' x5 M: @( N9 |3 T5 E/ y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。
3 l# T+ f9 h& n! g  }
" s2 s4 k8 Q, \* G; @6 ~2 S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。
, m, c/ A8 G" C7 U- L3 z
4 y9 p8 ~1 |  \/ C. O% f" k1. **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。

, I  k: {5 Q% Q. ^* d; P. ^+ h2. **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。
0 p) F$ m1 f4 |. T$ v
1 ]2 D) d  C' u4 V- z& B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。

唐家山

& Z* E2 e; n! F5 ?2 o# b/ U; y& t9 h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。
4 G( U# i% {4 I, x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 ？
' y" g9 B3 U9 b
这在实验中已经考虑到的。输入 ZZ 得到 AA
7 j6 {* Z% ~( U# J" y9 @9 C9 w
4 t' X* |# \4 Y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  

1 j# w+ C- |- }6 B3 `) A2 f打乱顺序输入 NBC， 得到 OCD。

7 ^  B) W$ Z4 o这些都是建立在只输入主贴原始规则的基础上的。
6 e1 @4 `4 u& U) z
7 U! d. ^7 e) `, I4 f* x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

4 i# d; L$ r& J

孟词宗 发表于 2024-10-19 09:14
/ t+ z" u0 F( {1 O7 O; wyanei 刚才问: 有没有回答AA的 ？

这在实验中已经考虑到的。输入 ZZ 得到 AA

2 p+ E  Q; \( s7 N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？


7 b. |4 M8 V) l4 h3 w5 ^

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？