打破常規：LLM如何賦予AI真實的推理能力與程序性知識

原標題：AI做數學學會「動腦子」！ UCL等發現LLM「程序性知識」，推理絕不是背答案
文章來源：新智元
內容字數：15901字

LLM推理能力研究綜述

在最新的研究中，來自UCL和Cohere等機構的研究人員探討了大型語言模型（LLM）在推理任務中的表現，發現它們并非簡單地檢索答案，而是通過一種稱為“程序性知識”的方式進行推理。這項研究揭示了LLM在處理推理任務時所依賴的知識和策略，為理解其推理能力提供了新的視角。

1. 程序性知識的發現

研究人員分析了LLM在執行推理任務時使用的預訓練數據，發現模型依賴于包含程序性知識的文檔。這些文檔提供了求解過程的示例，模型通過觀察這些示例來生成自己的推理過程。研究表明，LLM在面對不同推理任務時，所依賴的信息源并不相同，但在處理相似類型的問題時，其使用的文檔卻表現出一定的相似性。

2. 推理與事實性問題的區別

研究還發現，LLM在回答事實性問題時，答案通常出現在最具影響力的文檔中，而在推理問題中，答案的出現頻率則顯著降低。這表明，LLM在推理時的表現與其在事實性問題上的表現存在明顯差異，推理過程更依賴于從更廣泛的文檔集合中進行泛化，而對單個文檔的依賴程度較低。

3. 數據污染與模型性能

研究指出，LLM的推理能力受到訓練數據中類似問題頻率的嚴重影響。這引發了對“數據污染”的關注，即基準測試數據可能與預訓練數據重合，導致模型的泛化能力受到限制。因此，如何有效選擇和設計預訓練數據成為提升LLM推理能力的關鍵。

4. 影響文檔的分析

研究團隊利用影響函數分析了哪些文檔對模型輸出產生了重要影響，結果顯示，文檔中的程序性知識對推理過程的軌跡具有顯著預測能力。尤其是在處理數學推理問題時，包含代碼或公式的文檔更能有效支持模型的推理過程。

5. 結論與未來展望

總的來說，這項研究提供了LLM推理能力的新見解，表明其并非簡單的模式匹配器，而是通過程序性知識進行復雜推理的能力。未來的研究可以進一步探索如何利用這種程序性知識，優化LLM的預訓練策略，以提高其在多樣化推理任務中的表現。

聯系作者

文章來源：新智元
作者微信：
作者簡介：智能+中國主平臺，致力于推動中國從互聯網+邁向智能+新紀元。重點關注人工智能、機器人等前沿領域發展，關注人機融合、人工智能和機器人對人類社會與文明進化的影響，領航中國新智能時代。