微软研究人员开发了一种思想算法（AoT），这是人工智能解决问题的范式转变。
AoT的开发是为了让法学硕士更像人类那样思考，并在解决问题方面变得更有效。微软声称，其新方法结合了“人类推理的细微差别和算法方法的严格精确性”。
像ChatGPT这样的LLM使用的当前思想链过程依赖于统计模式从提示到输出。从问题到解决方案是一个非常线性的进展，因为LLM将解决方案分解成更小的步骤。
这种方法的问题是训练数据并不总是足够的，所以有时会缺少一些步骤。当这种情况发生时，法学硕士获得创造性和幻觉，以填补一个不正确的答案的空白。
一些LLM使用的一种更先进的技术是使用思想树方法找到解决方案。LLM遵循从问题到解决方案的多条线性路径，并在遇到不可行的解决方案时停止。
但这涉及大量查询，并且非常耗费内存和计算资源。
是什么让AoT更好？
使用AoT，该算法评估潜在解决方案的第一步，并在早期决定一种方法是否值得追求。这防止了它顽固地走上一条明显错误的道路，然后不得不编造一些东西。
此外，AoT不是线性方法，而是让LLM能够搜索多个潜在的解决方案，甚至在必要时回溯。它可以回到前一步，继续探索，而不是在遇到死胡同时从头开始。
LLM目前使用的方法就像开车从你的家到你的目的地，迷路了，然后回家尝试不同的路线。AoT的方法是回到你最后一个错误的转弯处，然后尝试从那个点开始的新路线。
这种“上下文学习”方法使模型在解决问题的方式上更加结构化和系统化。这是一个少得多的资源饥饿，并可能消除问题的LLM与幻觉。
即使采用了这种新颖的方法，人工智能离人类的实际思考和推理方式还有一段路要走。有了AoT，似乎朝着这个方向迈出了重要的一步。
研究人员从他们的实验中得出的一个结论是，他们的“结果表明，使用算法指导LLM可以带来超过算法本身的性能。”
这正是我们的大脑所做的事情。我们有与生俱来的能力来学习我们以前不知道的新技能。想象一下，如果像ChatGPT这样的工具能够通过推理学习，而不需要进一步的培训。
这种新方法还可能导致人工智能在其“思考”过程中更加透明，让我们深入了解代码背后实际发生的事情。
