神译局是36氪旗下编译团队，关注科技、商业、职场、生活等领域，重点介绍国外的新技术、新观点、新风向。

编者按：OpenAI GPT-4o1的发布让大家纷纷宣称推理将是人工智能发展的下一步，说思维链等技术会提高人工智能的推理技能。一些结果似乎证明了人工智能的思维能力，但且慢，那些结果真的能说明人工智能具备了这种能力吗？文章来自编译。

我几乎从未见过懂推理的数学家。

——柏拉图

推理得出一个结论，但并不能使结论确定，除非心灵通过经验的道路发现它。

——罗杰·培根

大语言模型 (LLM) 表现出了卓越的能力，尤其是在自然语言处理中的经典任务（例如问答）方面。令人惊讶的是，它们在需要推理的复杂任务（例如编码和数学）中表现出了进步。这些能力长期以来被认为是人类独有的。因此，声称 LLM 可以解决需要推理的任务引发了激烈的争论。

大语言模型 (LLM) 真的会推理吗？还是说只是复杂的模式匹配器？

推理能力对人工智能系统与人类互动并用到关键任务上至关重要。推理要求逻辑推理、进行推断、解决问题，并能根据可用信息做出决策。在科学发现、医疗保健、金融和教育等领域能起到真正帮助作用的模型也需要类似的技能。

新模型的发布让这场争论变得更加激烈。随着 OpenAI GPT-4o1 的发布，大家对用 CoT （思维链）训练模型来提高推理能力产生了浓厚兴趣。CoT 训练出来的 LLM 的成果，已经让部分公司站出来说，如今的LLM 已经具备了推理能力，AGI （通用人工智能）越来越近了。

所以今天我们就来大辩一场吧：一方面有公司和研究人员声称模型具备了推理能力，另一方面，也有人把 LLM 说成是随机的鹦鹉。

本文将重点回答以下问题：

推理是什么意思？

LLM 是否具有推理能力，还是只是学舌鹦鹉？

我们究竟有没有在用对的方式来衡量推理？

推理的定义？

推理是根据现有信息、逻辑和分析得出结论或做出决策的基本认知过程。按照亚里士多德的说法，推理可以分为两种：

演绎推理。基于观察的概括。

归纳推理。从一般原则得出具体结论。

长期以来，人们认为只有人类才具有推理能力。如今，人们发现灵长类动物、章鱼和鸟类也具有基本的推理能力，例如做出决定或解决问题。

一般来说，推理应该是解决复杂问题或做出决策的过程。解决复杂问题需要识别问题，将其分解为子问题，寻找模式，然后选择最佳解决方案。决策同样需要识别问题和模式，并在选择最佳解决方案之前评估替代方案。

这些定义的问题在于不完全清晰。而且，根据这些定义，LLM 也可以被认为具备推理能力了。

LLM 能推理吗？

在衡量推理能力的基准测试（如 GLUE、 SuperGLUE和Hellaswag ）中，LLM 的表现其实是优于人类的。在某些人看来，这意味着 LLM 可以进行推理并得出合乎逻辑的结论。

这些新的推理能力主要是因为两个因素：

大语言模型在所有针对推理的基准测试中都展现出推理能力

随着参数、标记数量以及算力预算的增加，涌现出新的属性。

用CoT等技术可以让模型发挥潜力。

因此，如果我们想下结论说大语言模型缺乏推理能力，就必须挑战这些说法。

大语言模型的推理基准测试成绩惊人

当然，当有人声称大语言模型不具备推理能力时，AGI 的支持者会回应说“看看推理基准测试的结果吧。”用鸭子测试的话来说：如果它能能像人类一样解决问题，像人类一样做决定，并能赢得推理基准测试的话，那它可能就能像人类一样推理。

有些作者对这个结论提出了质疑[1]。虽然表面上看，模型似乎能进行复杂推理，但从更详细角度来看，它们依赖的是概率模式匹配，而不是形式推理。

强烈的Token（标记）偏差表明模型依赖的是输入的表面模式，但其实它并不理解底层的推理任务。

换句话说，这些脆弱的表现表明，当LLM遇到与训练期间见到的模式不同的新示例时，它们无法泛化。因此，更改示例中的标记会导致逻辑错误（因为模型没法再将该示例映射到训练所见到的内容）。因此，模型对测试呈现的示例非常敏感，且较为脆弱（这可能解释了为什么它们有时候推理能力表现出色，而有时候却错得离谱）。

这种脆弱性在示例标记发生扰动时尤为明显，导致LLM无法解决问题（因此其“推理”依赖于这些标记，并将其映射到训练集所见的内容）。示例在训练数据的出现频率与测试性能之间的相关性验证了这一点。

“图论经典的‘二十五匹马’问题。上面两张图是GPT-4o生成的，右图把马变成了兔子，用来说明问题的底层逻辑并不受影响。下方两图分别是GPT-4与Claude的实验结果，就因为动物名称和数量发生扰动，AI的表现就显著下降了。”

这种现象被称为“提示词敏感性”（对语义等效的提示词产生不同的响应）。这表明模型对与训练中见到的文本更为相似的提示词的响应更好。

它们对噪音也非常敏感。事实上，LLM容易受到不相关背景的干扰，导致推理性能下降。此外，即便使用了那些旨在提高推理的提示词技术，噪声效应也无法消除。这表明用噪音干扰映射会影响模型找到这些模式的能力。

智能具有涌现属性

在很多人看来，智能具有涌现属性。生物系统自然趋向于变得更加复杂并获取新能力，否则它们将被进化压力所淘汰。进化过程导致生物变得越来越智能或更加专门化。智力因此在这种压力下进化。当然它需要资源，因此大脑必须增长到临界水平来支撑智力的演进。在某些人看来，模式训练的损失函数起到了一种进化压力的作用。所以一旦模型拥有足够的“神经元”，它们就可以发展出推理技能（用技术术语来说，推理属性会随着规模的扩大而涌现）。

如前所述，推理能力的提高归因于规模的扩大（无论是参数还是训练标记）。然而，对于一些作者来说，推理能力是一种突现属性，需要一定的参数阈值才能出现。然而，后来的研究表明，大语言模型中的突现属性可能是一种测量误差，因此，整个理论都与推理的突发性有关 [3, 13]。

如前所述，这种推理能力提高可归因为规模扩大（不管是参数还是训练标记的数量）。然而，对一些作者而言，推理能力具有涌现性，只有在参数达到一定阈值时才能出现。然而，后来的研究表明，LLM的涌现性可能就是一种测量误差，因此整个理论均与推理的涌现性相关。

思维链（CoT）并非万能解决方案

另一部分研究者认为，LLM具备推理能力，但需要“解锁”出来。而思维链（CoT）提示词通过中间推理步骤帮助模型挖掘潜力，从而引导其在算术问题中得出正确答案。但几周前，有一篇文章对CoT的实际效果提出了质疑：

“在MMLU基准测试中，CoT带来的性能提升当中有多达95％是由于问题里面包含有‘=’符号的题目或生成的答案。对于非数学问题，我们未发现任何表明CoT有帮助的特征。”

那么，CoT顶多能帮助解决数学问题，但显然并未“解锁”LLM的推理潜力。尽管如此，CoT仍被视为一种灵丹妙药，甚至被认为是新一代LLM推理能力的基础。

在两组结果里，始终表明CoT有显著提升的地方是数学和其他符号推理（红色虚线表示实验中CoT的平均提升水平）。

LLM 真的具备数学推理能力吗？

尽管数学推理似乎是LLM的强项，但一些研究表明LLM仅仅能识别模式。换句话说，LLM只是在寻找模式，但并没有真正理解符号。

根据一些作者的观点，LLM无法进行数学形式推理，因为它们不能制定计划（计划定义为一系列动作步骤，通过执行这些步骤将智能体从初始状态带入期望的目标状态）。因此，在没有计划的情况下，模型无法解决问题，只能映射训练中见到的模式。甚至在某些情况下，用户可能无意间引导了LLM得出解决方案：

“聪明的汉斯效应”指的是LLM只是在生成猜测，而这个过程中知道解决方案对错的人才是引导LLM的关键——即便他们并未刻意如此。模型的准确与否其实取决于人的参与。

“所宣称的LLM的推理能力，有时候是由于人类在潜意识当中不断给出的，迭代性的，有帮助作用的提示”

总结，到目前为止，LLM 推理的支持者认为，我们今天观察到这种行为有几个原因。我们收集了一些证据，有几项研究表明这些说法与这些说法相矛盾。

尽管这些研究表明LLM缺乏真正的推理能力，但它们在基准测试中表现出色，甚至通过了对人类而言也比较复杂的测试。因此，我们提出的证据似乎更多的是 LLM 解决数学和复杂问题能力的理论证据，而不是实验证据。

是人类对被LLM击败而感到不悦？还是出了什么问题？

抓住抄袭的学生

当然了，听到有人说LLM的表现跟博士生一样，肯定会让人很恼火：

“O1-preview模型通过花费更多时间进行思考和完善其回答来处理复杂任务，这跟人类处理复杂问题的方式类似。在测试中，这种方法使得模型在物理、化学和生物学等领域的表现接近博士生水平。”

抛开不悦不谈，问题在于我们如何测量这些模型的能力。我们可能没有采用正确的方式来衡量其推理能力，是时候考虑新的测量体系了。

这些模型通常用跟GSM8K数据集（小学数学8K数据集）一样的基准测试来测试，这些基准测试提供了复杂的算术问题，但存在数据泄露风险（考虑到训练LLM使用的数十亿个Token，模型可能在训练时见过答案）。此外，这种测试只根据固定的问题集提供单一指标，让我们难以准确评估LLM的推理能力（有趣的是，LLM有时候回答是正确的，但推理过程却明显是错误的）。最后，该数据集是静态的，不允许更改测试条件。

为此，他们提出了一个新基准数据集GSM-Symbolic ，这个数据集使用符号模板来生成不同的问题。这种数据集还支持调整问题难度并进行更细化的控制。如果LLM具备推理能力，它应当能够轻松解决这些问题，但如果不懂泛化的话就会输得很惨。

GSM-Symbolic 模板创建过程示意图。

在测试最先进的 LLM 时，作者们找不到语言模型具备形式推理的任何证据。这些模型不够稳健，当数值发生变化时，其性能会大下降，而且随着问题复杂性的增加，其能力会急剧退化。

举个例子，如果给问题添加看似相关的陈述（实际上与推理和结论无关），模型就很容易受到这些信息干扰而出错。研究指出，模型其实并不理解数学概念，只是在试图将这些陈述转化为运算步骤。研究作者提出，这可能是因为训练数据集中包含了类似需要转化为数学运算的示例。

比方说，模型经常会不管上下爱问语境如何就将关于“折扣”的陈述直接解读为“乘法”操作。这不禁让人质疑：这些模型到底懂不懂数学概念。

这再次表明，即便在面对只是背景噪音的无关信息时，模型也会试图在其中寻找模式。当噪音增加，使得寻找模式（或一致地映射从而得出解决方案）更困难时，模型的表现就会显著下降。这一点同样适用于通过思维链（如ChatGPT4-o1）训练的LLM。这进一步表明CoT的其实并没有改善推理技能。

结语

本文探讨了一个重大争议：LLM是否具备推理能力？或至少具备某种形式的推理能力？

我们展示的研究更倾向于认为LLM是复杂的模式匹配机器。总结而言，这些研究得出的观点如下：

LLM经过了大量标记的训练，因此主要基准测试可能存在数据污染风险。即便模型未见过某个数学问题，它也可能见过许多类似示例。

由于其庞大的知识储备和天生的模式发现能力（源自注意力机制和上下文学习），LLM能够解决大部分问题。

它们对问题变体缺乏鲁棒性，存在标记偏差，且对噪音敏感，这些强烈表明LLM并不具备正式推理能力。

新研究表明，即便使用高级提示词技术，模型依然对噪音和无关（或误导性）信息敏感。

模型具备模式匹配能力，但似乎并未真正理解问题解决的数学概念。

这些结果并非质疑LLM的实用性，而是质疑认为LLM具备推理能力的假设。LLM可以视为拥有惊人记忆力，但缺乏推理能力（或许是至今最复杂的“机械鹦鹉”） 的机器。这并没有贬低这项技术成就的意义，而是赞叹人类创造力的奇迹。未来可能需要进一步研究来更好地解释LLM的能力，并探索具备推理能力的新模型架构。

译者：boxi。