柳州储罐保温施工队 从1%到100%, AI乘法准确率逆袭, “隐式思维链”成关键密码

文 |洛神谷语

近AI圈子出了个挺有意思的事儿，那些能写代码、分析复杂数据的大模型，居然在小学生都会的四位数乘法上栽了跟头。

芝加哥大学的研究团队一测试，发现标准训练的AI算对四位数乘法的概率还不到1%，这事儿说出来你敢信？

一边是处理高难度任务时的“学霸”表现，一边是基础运算时的“学渣”水准，这种强烈反差让不少人开始琢磨，AI这能力到底咋回事？

AI算不对乘法的怪事，从代码高手到“数学学渣”的反差

这个研究是芝加哥大学博士生白晓燕和教授谭晨浩牵头做的，还拉上了麻省理工、哈佛这些名校的团队，连谷歌DeepMind都参与了。

他们找了好几个主流AI模型，测试四位数乘法，比如3285×4716这种，结果发现不管模型大小，标准训练出来的准确率通通低于1%。

你想想，平时让AI写段Python代码、分析个市场报告，它都能嗖嗖搞定，怎么到了四位数乘法这儿就卡壳了？

研究团队给这种现象起了个名，叫“崎岖前沿”。

说白了就是AI的能力分布像座山，有的地方爬得挺高，有的地方却凹下去一大块，基础运算就是那个凹下去的坑。

他们还发现，不光是乘法，分数运算、多步骤逻辑题这些需要“一步步算”的活儿，AI翻车的概率也不低。

这就有意思了，难道AI只会“走捷径”，记答案而不是真理解？

咱们拿人来比，小学生做乘法会列竖式，先算个位乘个位，再算十位乘个位，一步一步进位、累加，过程清清楚楚。

但AI可能不是这么干的，它更像是在海量数据里找规律、记答案。

比如训练时见过类似的乘法题，它就套用模式，没见过的，就只能瞎蒙，准确率自然高不了。

这种“记忆式学习”在复杂任务里可能还行，毕竟复杂任务模式多，总能蒙对几分，但到了乘法这种有固定规则、须按步骤来的活儿，就彻底露馅了。

之前行业里总觉得AI不行就是数据不够多、参数不够大，拼命堆数据、扩模型。

肺结节的人一般来说，当然啊，包括肺癌肺肿瘤，一样的，这类人的脾胃不好，都很瘦，因为阴虚内热，炼痰成块了，就容易这样。当然，大家有这个问题也没要焦虑，有问题处理问题就行了，小的良的中药调理，大的不好的直接手术。因为中医干预的是因，西医处理的更多是果，两方面侧重点不一样。即所谓“菩萨畏因，众生畏果。”大家可以好好去参悟一下这句话，对你意义非凡，价值很大！

现在看来这思路可能跑偏了，就像一个学生，光靠死记硬背考上了大学，铁皮保温真到了需要逻辑导的业课，照样挂科。

AI现在可能就处在这个阶段，表面上啥都会，实际上基础的“学习方法”还没掌握。

让AI学会“心算”，ICoT训练法如何打通能力断层

发现问题总得解决问题吧？研究团队没光吐槽，而是搞出了个新训练方法，叫“隐式思维链”，简称ICoT。

这方法挺巧妙，不是直接让AI背乘法答案，而是逼着它像人一样“心算”，把计算过程拆解开，一步一步来。

具体咋做的呢？他们设计了特殊的训练信号，不直接告诉AI“3285×4716=多少”，而是引导它先算“3285×6”，再算“3285×10”，接着算“3285×700”，后把这些结果加起来。

就像老师教学生列竖式，逼着AI关注每一步的计算过程，而不是跳过过程直接记答案。

这么一训练，神奇的事儿发生了，AI的四位数乘法准确率直接从1%飙到了100%，你说神不神？

为啥ICoT这么管用？研究团队拆解了模型的内部机制，发现它偷偷进化出了三套“独门秘籍”。

第一套是“中间信息追踪”，就像咱们算题时在草稿纸上写中间结果，AI会在早期的网络层里把算出来的乘积存好，后面需要的时候随时调取。

以前的模型可没这本事，算到后面早把前面的数忘光了。

第二套是“注意力路径的动态演进”，你可以理解成AI的“大脑”里长出了个“文件系统”，早期层负责“写文件”（计算乘积并存储），后面的层负责“读文件”（精准找到需要的数值）。

不像以前的Transformer模型，注意力东一榔头西一棒子，ICoT能让注意力资源跟着任务走，该关注哪步就关注哪步，率高多了。

让人意外的是第三套，“内生数学结构的涌现”。

AI居然自己搞出了些数学工具，比如傅里叶基波形编码、闵可夫斯基和几何运算这些听起来就很高深的东西。

这可不是程序员教的，是模型自己在训练过程中“发明”的。

这事儿挺颠覆认知的，以觉得AI是“人工智障”，现在看来它也能自己琢磨出解决问题的新方法。

ICoT的成功不光解决了乘法问题，更给AI行业指了条新路子。

要是把这种“过程训练”用到逻辑理、编程调试上，AI是不是就能更好地追踪变量变化、理解复杂逻辑了？以后可能不用再盲目追求“千亿参数”“万亿数据”，而是多琢磨怎么让模型真正“理解”问题的来龙去脉。

说到底，AI的“崎岖前沿”不是天生的，而是我们训练时太关注结果，忽略了过程。

芝加哥大学这研究就像给行业提了个醒，培养AI和养孩子差不多，光盯着考试分数（结果）不行，还得教会它怎么思考、怎么学习（过程）。

未来的AI，可能不需要那么“大”，但一定要更“聪明”，这里的聪明，指的是真正理解规则、掌握方法的能力。

现在再回头看那些算不对乘法的AI模型，突然觉得也没那么可笑了。

连人类自己都是从掰手指开始学数学的，AI想要真正“聪明”起来，走点弯路、犯点“小学生错误”，好像也挺正常。

关键是，我们得知道怎么帮它把基础打牢，而不是一味地让它背答案、秀肌肉。

或许用不了多久，我们就能看到既能写代码又能算对乘法的AI了，到时候，可能才算是真正的“智能”吧。