人工智能（AI），特別是像 GPT-4 這樣的大語言模型（LLM），在推理任務(wù)上表現(xiàn)出了令人印象深刻的性能。
但這些 AI 真正實現(xiàn)了對抽象概念的l理解嗎？抑或是僅僅停留在了模式模仿層面？
最近，阿姆斯特丹大學(xué)和圣塔菲研究所的一項新研究表明，雖然 GPT 模型在一些推理類比任務(wù)中表現(xiàn)良好，但當(dāng)問題發(fā)生改變時，它們就不行了，這突出了 AI 推理能力的關(guān)鍵弱點。
類比推理是根據(jù)兩個不同事物在某些方面的相似性來進行比較的能力。這是人類試圖了解世界和做出決定的最常見的方法之一。
舉個類比推理的例子：杯子之于咖啡，就像湯之于碗。從杯子與咖啡的關(guān)系，類比推理出與湯具有類似關(guān)系的是碗。
像 GPT-4 這樣的大語言模型在各種測試中表現(xiàn)良好，包括那些需要類比推理的測試。但是，AI 真的可以進行通用的、穩(wěn)?。敯粜裕┑耐评韱幔窟€是過度依賴于訓(xùn)練數(shù)據(jù)中的模式？
阿姆斯特丹大學(xué)的 Martha Lewis 與圣塔菲研究所的 Melanie Mitchell 在這項研究檢查了 GPT 模型（GPT-3、GPT-3.5、GPT-4）在進行類比推理時是否像人類一樣靈活和穩(wěn)健?？紤]到 AI 在顯示世界中被越來越多地應(yīng)用于決策和解決問題，因此，AI 的類比推理能力顯得尤為重要。
他們比較了人類與 GPT 模型在三種不同類型的類比問題中的表現(xiàn)：
● 字母字符串類比——測試對字母序列變換規(guī)則的推理；
● 數(shù)字矩陣推理——分析數(shù)字矩陣模式并補全其中缺失的數(shù)字；
● 故事類比——理解兩個故事中的哪一個更符合給定的例子故事。
除了測試 GPT 模型是否可以理解原始問題外，該研究還測試了當(dāng)問題被微妙修改時，它們的表現(xiàn)如何。例如，在字母字符串類比中，將打亂的字母順序作為新字母表，或使用非字母符號代替字母；在數(shù)字矩陣推理中，隨機放置缺失的數(shù)字位置，或用符號代替數(shù)字；在故事類比中，調(diào)換答案順序，或保持故事的因果結(jié)構(gòu)但改變表達內(nèi)容。
論文作者指出，一個能夠真正理解類比推理的系統(tǒng)應(yīng)該即使面對這些變化也能保持高性能。
結(jié)果顯示，在字母字符串類比中，對于簡單類比，無論問題是否被修改，人類的正確率穩(wěn)定在 75% 左右，而 GPT 在問題被修改后正確率顯著下降，例如，GPT 從 45% 下降至 35%。對于復(fù)雜類比，人類和 GPT 表現(xiàn)都比較差，但人類仍優(yōu)于 GPT。
在數(shù)字矩陣推理中，隨機放置缺失的數(shù)字位置，人類的正確率穩(wěn)定在 77% 左右，而 GPT 則顯著下降，例如，GPT-4 從 81% 下降至 48%。但符號代替數(shù)字后，人類和 GPT 均未產(chǎn)生顯著變化。
在故事類比中，GPT 模型更傾向于選擇第一個給定的答案作為正確答案，而人類不受答案順序的影響。此外，當(dāng)故事的關(guān)鍵元素被改寫時，GPT 表現(xiàn)的比人類更吃力，這表明 GPT 依賴于表面的相似性，而不是更深層的因果推理。
論文作者認(rèn)為，這表明了 AI 的推理通常不如人類靈活，它們的推理與真正的抽象理解無關(guān)，而是更多地進行模式匹配。
之前一個廣泛的假設(shè)是，即像 GPT-4 這樣的人工智能模型具有涌現(xiàn)類比推理能力，可以像人類一樣推理，而這項研究表明事實并非如此，并指出了其推理的脆弱性。
雖然 AI 展示了令人印象深刻的能力，但這并不意味著它們真正理解自己在做什么，它們在各種變化中的泛化能力仍然遠遠弱于人類的認(rèn)知能力，GPT 模型通常依賴于表面模式，而不是深度理解。這也提醒了我們，AI 可以成為一個強大的工具，但它還不能取代人類的思維和推理。因此，在教育、法律以及醫(yī)療等重要決策領(lǐng)域，使用 AI 需要慎重。
論文鏈接：https://arxiv.org/abs/2411.14215
合作咨詢
肖女士
021-33392297
Kelly.Xiao@imsinoexpo.com
2006-2025 上海博華國際展覽有限公司版權(quán)所有（保留一切權(quán)利）
滬ICP備05034851號-57
