圖靈獎得主姚期智領銜的首篇大語言模型論文來了！
一出手，瞄準的就是 " 讓大模型像人一樣思考 " 這個方向——
不僅要讓大模型一步步推理，還要讓它們學會 " 步步爲營 "，記住推理中間的所有正确過程。
具體來說，這篇新論文提出了一種叫做累積推理（Cumulative Reasoning）的新方法，顯著提高了大模型搞複雜推理的能力。
要知道，大模型基于思維鏈等，可以進行問題推理，但面對 " 要拐好幾個彎 " 的問題，還是容易出錯。
累積推理正是在此基礎上，加入了一個 " 驗證者 "，及時判斷對錯。由此模型的思考框架也從鏈狀和樹狀，變成了更複雜的 " 有向無環圖 "。
這樣一來，大模型不僅解題思路更清晰，還生出了一手 " 玩牌 " 的技巧：
在代數和幾何數論等數學難題上，大模型的相對準确率提升了42%；玩 24 點，成功率更是飙升到98%。
據清華大學交叉信息研究院介紹，共同一作張伊凡解釋了這篇論文的出發點：
卡尼曼認爲人類的認知處理過程包括兩個系統：" 系統 1" 是快速、本能和情感化的，" 系統 2" 是緩慢、深思熟慮、合邏輯的。
目前，大語言模型的表現與 " 系統 1" 更爲接近，這也或許是它不擅長應對複雜任務的原因。
從這個角度出發設計的累積推理，效果比思維鏈（CoT）和思維樹（ToT）更好。
那麽，這種新方法究竟長啥樣？我們一起展開看看。
突破思維鏈 & 樹 " 瓶頸 "
累積推理的核心，在于改進了大模型思維過程的 " 形狀 "。
具體來說，這個方法用到了3 個大語言模型：
提議者 ( Proposer ) ：不斷提出新命題，即基于當前思維上下文，建議下一步是什麽。
驗證者 ( Verifier ) ：核查提議者的命題準确性，如果正确就将它添加到思維上下文中。
報告者 ( Reporter ) ：判斷是否已經能得到最終解決方案，來确定是否結束推理過程。
推理過程中，" 提議者 " 先給出提案，" 驗證者 " 負責評估，" 報告者 " 決定是否要敲定答案、終止思考過程。
△CR 推理示例
有點像是團隊項目裏的三類角色：小組成員先頭腦風暴出各種 idea，指導老師 " 把關 " 看哪個 idea 可行，組長決策什麽時候完成項目。
所以，這種方法究竟是怎麽改變大模型思維 " 形狀 " 的？
要想理解這一點，還得先從大模型思維加強方法 " 鼻祖 "思維鏈（Chain of Thought,CoT）說起。
這個方法在 2022 年 1 月由 OpenAI 科學家 Jason Wei 等人提出，核心在于給數據集中的輸入加一段 " 逐步推理 " 文字，激發出大模型的思考能力。
△選自 GSM8K 數據集
基于思維鏈原理，谷歌也快速跟進了一個 " 思維鏈 PLUS 版 "，即CoT-SC，主要是進行多次思維鏈過程，并對答案進行多數投票（majority vote）選出最佳答案，進一步提升推理準确率。
但無論思維鏈還是 CoT-SC，都忽略了一個問題：題目不止有一種解法，人類做題更是如此。
因此，随後又出現了一種名叫思維樹（Tree of Thought,ToT）的新研究。
這是一種樹狀檢索方案，允許模型嘗試多種不同的推理思路，并自我評估、選擇下一步行動方案，必要時也可以回溯選擇。
從方法中可以看出，思維樹比思維鏈更進一步，讓大模型思維 " 更活躍 " 了。
這也是爲什麽玩 24 點時，思維鏈加成的 GPT-4 成功率隻有 4%，但思維樹成功率卻飙升到74%。
BUT 無論思維鏈、CoT-SC 還是思維樹，都有一個共同的局限性：
它們都沒有設置思維過程中間結果的儲存位置。
畢竟不是所有的思維過程都能做成鏈或者樹，人類想東西的方式往往還要更複雜。
這次的累積推理新框架，在設計上就突破了這一點——
大模型的整體思維過程不一定是鏈或樹，還可以是一個有向無環圖（DAG）！（嗯，有神經突觸内味了）
△圖中的邊都有方向，并且不存在任何循環路徑；每個有向邊是一個推導步驟
這也就意味着，它可以将所有曆史上正确的推理結果存儲于内存中，以便在當前搜索分支中探索。（相比之下，思維樹并不會存儲來自其它分支的信息）
但累積推理也能和思維鏈無縫切換——隻要将" 驗證者 "去掉，就是一個标準的思維鏈模式。
基于這種方法設計的累積推理，在各種方法上都取得了不錯的效果。
做數學和搞邏輯推理都在行
研究人員選擇了 FOLIO wiki 和 AutoTNLI、24 點遊戲、MATH 數據集，來對累積推理進行 " 測試 "。
提議者、驗證者、報告者在每次實驗中使用相同的大語言模型，用不同的 prompt 來設定角色。
這裏用作實驗的有 GPT-3.5-turbo、GPT-4、LLaMA-13B、LLaMA-65B 這些基礎模型。
值得一提的是，理想情況下應該使用相關推導任務數據專門預訓練模型、" 驗證者 " 也應加入正規的數學證明器、命題邏輯求解器模塊等。
1、邏輯推理能力
FOLIO 是一階邏輯推理數據集，問題的标簽可以是 "true"、"False"、"Unknown"；AutoTNLI 是高階邏輯推理數據集。
在 FOLIO wiki 數據集上，與直接輸出結果（Direct）、思維鏈（CoT）、進階版思維鏈（CoT-SC）方法相比，累積推理（CR）表現總是最優。
在删除數據集中有問題的實例（比如答案不正确）後，使用 CR 方法的 GPT-4 推理準确率達到了 98.04%，并且有最小 1.96% 的錯誤率。
再來看 AutoTNLI 數據集上的表現：
與 CoT 方法相比，CR 顯著提高了 LLaMA-13B、LLaMA-65B 的性能。
在 LLaMA-65B 模型上，CR 相較于 CoT 的改進達到了 9.3%。
2、玩 24 點遊戲能力
ToT 最初論文中用到的是 24 點遊戲，所以這裏研究人員就用此數據集來做 CR 和 ToT 的比較。
ToT 使用固定寬度和深度的搜索樹，CR 允許大模型自主确定搜索深度。
研究人員在實驗中發現，在 24 點的上下文中，CR 算法和 ToT 算法非常相似。不同點在于，CR 中算法每次叠代最多産生一個新的狀态，而 ToT 在每次叠代中會産生許多候選狀态，并過濾、保留一部分狀态。
通俗來講，ToT 沒有上面提到的 CR 有的 " 驗證者 "，不能判斷狀态（a、b、c）正誤，因此 ToT 比 CR 會探索更多無效狀态。
最終 CR 方法的正确率甚至能達到 98%（ToT 爲 74%），且平均訪問狀态數量要比 ToT 少很多。
也就是說 CR 不僅有更高的搜索正确率，也有更高的搜索效率。
3、數學能力
MATH 數據集包含了大量數學推理題目，包含代數、幾何、數論等，題目難度分爲五級。
用 CR 方法，模型可以将題目分步驟拆解成能較好完成的子問題，自問自答，直到産生答案。
實驗結果表明，CR 在兩種不同的實驗設定下，正确率均超出當前已有方法，總體正确率可達 58%，并在 Level 5 的難題中實現了 42% 的相對準确率提升，拿下了 GPT-4 模型下的新 SOTA。
清華叉院姚期智、袁洋領銜研究
這篇論文來自清華交叉信息院姚期智和袁洋領銜的 AI for Math 課題組。
論文共同第一作者爲交叉信息院 2021 級博士生張伊凡、楊景欽；
指導老師及共同通訊作者爲袁洋助理教授、姚期智院士。
張伊凡
張伊凡 2021 年本科畢業于于北京大學元培學院，現師從袁洋助理教授，主要研究方向爲基礎模型（大語言模型）的理論和算法、自監督學習、可信人工智能。
楊景欽
楊景欽 2021 年于清華大學交叉信息研究院獲學士學位，現師從袁洋助理教授攻讀博士學位。主要研究方向有大語言模型、自監督學習、智能醫療等。
袁洋
袁洋是清華大學交叉信息學院助理教授。2012 年畢業于北京大學計算機系；2018 年獲美國康奈爾大學計算機博士學位；2018-2019 年前往麻省理工學院大數據科學學院做博士後。
他的主要研究方向是智能醫療、AI 基礎理論、應用範疇論等。
姚期智
姚期智是中國科學院院士、清華大學交叉信息研究院院長；同時也是 " 圖靈獎 " 創立以來首位獲獎的亞裔學者、迄今爲止獲此殊榮的唯一華人計算機科學家。
姚期智教授 2004 年從普林斯頓辭去終身教職回到清華任教；2005 年爲清華本科生創立了計算機科學實驗班 " 姚班 "；2011 年創建 " 清華量子信息中心 " 與 " 交叉信息研究院 "；2019 年再爲清華本科生創立了人工智能學堂班，簡稱 " 智班 "。
如今，他領導的清華大學交叉信息研究院早已聲名遠播，姚班、智班都隸屬交叉信息院。
姚期智教授研究方向有算法、密碼學、量子計算等，是這方面的國際先驅和權威。最近，他現身 2023 世界人工智能大會，所領導的上海期智研究院目前正在研究 " 具身通用人工智能 "。
論文鏈接：https://arxiv.org/abs/2308.04371
