AI前沿：当模型学会思考、理解世界与守恒定律
13:57 Share

听众朋友们大家好 欢迎收听最新一期的太快报 我是小爱大家好 我是小 T 很高兴又和大家在太快报相遇 一起探索人工智能的最新进展感觉最近 AI 领域的新论文是井喷式出现 每次看都觉得眼花缭乱 既兴奋又有点跟不上节奏了

是 AI 发展太快了每天都有新突破不过没关系太快报的任务就是帮大家去繁就简提炼最新的研究精华用大白话聊聊那些高深的 AI 技术让大家知其然也知其所以然太棒了那今天又有哪些新鲜的 AI 猛料要喂给我们呢今天我们准备了五篇非常有意思的论文涵盖了生成模型知识图谱数据系统化学预测和语言模型推理等多个方向

他们都代表了 AI 领域的一些新思路和新进展保证让你听完之后耳目一新听起来就很厉害那我们就赶紧开始今天的 AI 快报吧第一个要聊的是什么呢我们先从一篇有点几何感的论文开始题目是黎曼高斯变分流匹配小爱听到黎曼流行这些词

有没有觉得瞬间来到了数学的海洋确实有点高速警告不过没关系你肯定能用最通俗的语言解释清楚对吧当然其实这个研究的核心就是想让 AI 模型更好的处理不规则的数据我们平时接触到的很多数据比如图片声音等等都可以看作是存在于某种空间中的

传统的 AI 模型通常假设这些数据都存在于我们熟悉的欧几里德空间也就是平坦的空间平坦空间就像一张白纸那样的吗对可以简单理解成这样但是在现实世界中很多数据其实是存在于弯曲的空间中的数学上我们称之为流行比如地球的表面就是一个球面流行它是弯曲的不是平坦的嗯

地球是球面的这个我知道那黎曼流行又是什么呢听起来更高级了黎曼流行可以看作是更广义的弯曲空间它包含了各种各样的几何形状这篇文章研究的就是如何在这些弯曲的空间上训练生成模型生成模型就是可以生成图像文本那些模型吗是的

这篇文章提出的黎曼高斯变分流匹配简称 RGVFM 就是一种新的生成模型框架它可以让模型在黎曼流行上生成数据更好地捕捉数据的几何结构听起来好抽象 能举个例子吗当然 比如说我们想让 AI 生成一些在球面上分布的数据点就像在一个球面上画星星点点

如果用传统的 OG 里的模型,它可能会把这些点摊平在平面上生成,就失去了球面本身的几何特性。而 RGVF 模型由于考虑了球面流行的几何结构,就能更好地在球面上生成符合球面分布的数据点。

我好像有点明白了就像是在地球仪上画地图肯定比在平面地图上画更准确更能反映真实的世界可以这么理解 RGV-1 的创新之处就是把变分流匹配这种生成模型技术扩展到了黎曼几何领域实验也表明 RGV-3 在球面数据生存上比传统方法效果更好

这对于处理一些具有复杂几何结构的数据比如分子结构、社交网络等等都很有意义嗯嗯,感觉打开了新世界的大门接下来我们聊聊第二篇论文吧第二篇论文更有意思它关注的是知识的自组织题目是 Agented Graph Reasoning Your Self-Organizing Knowledge Networks 可以翻译成自主 Agent 深度图推理产生自组织知识网络自组织知识网络

听起来有点像生物学里的概念没错这篇文章的灵感就来自于生物系统和人类社会的自组织现象我们知道知识不是静态的而是不断演化增长和重组的传统的知识图谱构建方法通常是预先定义好知识结构

然后把知识填进去 比较僵化就像搭积木先设计好图纸 再一块块往上堆是的 而这篇文章提出的 Agentic 的自主图扩展框架就像是让 AI 拥有一个自主学习不断生长的大脑它利用大型语言模型作为 agent 在一个不断更新的图结构上进行推理迭代的构建和完善 知识

有点像我们人类学习知识的过程

学得越多知识体系越完善理解新知识也越容易是的 有异曲同工之妙更神奇的是实验表明这种迭代过程产生的知识网络会涌现出一些意想不到的结构特性

比如无标度网络模块化结构等等这些结构是自然涌现的而不是人为设计的涌现又是一个高大上的词简单来说就是整体大于部分之和就像一群蚂蚁单个蚂蚁很笨但是以群作为一个整体却能表现出惊人的组织性和智慧

自组织知识网络也是类似,通过简单的迭代规则,涌现出复杂的知识结构和推理能力。听起来好厉害,那这种自组织知识网络有什么用呢?文章把它应用在了材料设计领域,通过分析自组织知识网络,AI 可以发现材料成分之间的潜在关联,甚至预测新的材料配方。

这对于科学发现特别是开放式科学发现具有很大的潜力感觉 AI 真的越来越像一个自主思考的智能体了接下来我们聊聊第三篇论文吧好的第三篇论文关注的是数据系统题目是 LL Power Proactive Data Systems 也就是大型语言模型驱动的主动式数据系统主动式数据系统听起来和我们平时用的数据系统不太一样

是的我们现在用的大部分数据系统包括很多 AI 系统其实都是被动式的他们就像听话的工具人用户让他们做什么他们就做什么不会主动思考也不会主动优化就像我给 AI 助手发指令帮我查一下今天天气他就只会机械的返回天气信息不会想更多对就是这样这种被动式系统在处理复杂的数据分析任务时就容易遇到瓶颈

比如处理大型文档 复杂的用户查询等等 都可能效率低下 甚至出错 那主动式数据系统又有什么不同呢主动式数据系统就像一个更智能 更贴心的助手 他不仅能执行用户指令 还能主动理解用户的意图数据操作和数据本身的特点 从而更智能的优化数据处理流程 主动理解用户意图

这怎么理解呢有点像读心术的感觉

可以這麼說 但更準確的說是意圖理解主動式系統還會主動分析數據 識別數據內部的結構和關聯比如文檔的層次結構表格數據等等然後根據這些理解主動優化數據處理操作 提高效率和準確性

那这种主动式数据系统在实际应用中有什么优势呢优势很多比如可以提高数据处理的准确性减少错误可以提高数据处理的效率节省时间和资源还可以提升用户体验让用户更方便更自然地与数据系统交互文章中举了一个例子是关于警察不当行为数据库的分析主动式系统可以更有效地从海量数据中提取关键信息帮助人们更好的理解和解决社会问题

感觉 AI 真的越来越善解人意了接下来我们聊第四篇论文吧看题目好像和化学有关

是的第四篇论文是关于化学反应预测的题目是 Electron Flow Matching for Generative Reaction Mechanism Prediction Obeying Conservation Laws 符合守恒定律的基于生成式反应机理的电子流匹配预测化学反应预测这听起来好像是化学家的工作 AI 也能做吗当然可以而且 AI 在化学领域已经发挥越来越重要的作用了化学反应预测就是预测化学反应的产物和反应机理

传统的化学预测方法往往需要大量的实验和人工推导,效率比较低。嗯,化学实验挺复杂的,耗时耗力。是的,近年来研究人员开始尝试用 AI 模型来进行化学反应预测,但是很多 AI 模型包括一些很先进的模型都存在一个问题,就是容易违反一些基本的物理化学定律。

比如质量守恒电荷守恒等等违反守恒定律那听起来有点炼金术的感觉不太靠谱是如果预测的反应不符合基本的物理化学定律那肯定是不合理的这篇文章提出的弗洛伊扎模型就很好地解决了这个问题它的核心创新是强制模型在预测化学反应时必须遵守质量守恒和电子守恒定律强制遵守守恒定律听起来有点硬核

是的,FlowER 模型把化学反应预测看作是一个电子重新分布的过程它利用键电子矩阵来表示分子状态追踪电子的运动确保在预测的反应过程中质量和电子始终守恒听起来好巧妙,那 FlowER 模型有什么优势呢?优势很明显首先它预测的反应结果更符合物理化学原理,更可靠

其次它可以预测详细的反应机理而不仅仅是最终产物这有助于化学家更深入的理解反应过程第三 Flow-IR 模型的数据效率很高只需要少量数据就可以进行微调适应新的反应类型感觉 Flow-IR 模型让化学预测更科学了最后我们再来聊聊第五篇论文吧好的最后一篇论文很有意思

他关注的是语言模型的推理方式题目是 Reasoning on a SpectrumAligning LRMans to System 1 and System 2 Thinking 在谱上推理将大型语言模型与快慢思考思维对齐

快慢思考这个概念好像在哪听过是的快慢思考是心理学家丹尼尔·卡尼曼提出的一个著名理论他把人类的思维方式分为系统一和系统二两种系统一是快速直觉无意识的思考就像我们平时说的平胆觉系统二是缓慢理性有意识的思考就像我们做数学题逻辑推理那样嗯

我好像明白了那这篇文章是想让大型语言模型也学会快慢思考吗是的现在的很多大型语言模型比如我们熟悉的那些聊天机器人他们的推理方式其实更偏向于系统二也就是一步一步的逻辑推理虽然这种方式很强大但在某些情况下可能效率不高甚至不是最优的效率不高

怎么说呢?比如对于一些简单的常识问题或者需要快速反应的场景,用系统二的推理方式就有点杀鸡用牛刀了。就像我们平时开车遇到紧急情况,肯定是凭直觉快速反应,而不是先在脑子里分析各种可能性,再慢慢踩刹车。确实是这样,那这篇文章提出的方法是怎么让语言模型学会快慢思考的呢?

这篇文章的核心思想是让语言模型能够根据不同的任务自适应的选择合适的推理风格就像人类一样在直觉和理性之间灵活切换他们构建了一个新的数据集包含需要系统一和系统二两种思维方式才能解决的问题

然后训练语言模型让他们能够在这两种推理风格之间谱上自由切换谱上切换听起来好灵活那实验效果怎么样呢实验结果很有意思他们发现系统二对齐的模型在需要复杂推理的任务上比如算术题符号推理等等表现更好但效率较低反应时间更长

系统一对其的模型效率更高反应速度快而且在一些常识推理任务上甚至比系统二模型表现更好常识推理任务系统一模型反而更好这有点反直觉是的这正是这篇文章的一个重要发现他挑战了以往认为更深思熟虑的推理方式总是更优的

假设对于某些任务特别是需要快速反应和直觉判断的任务系统意识的推理可能更有效感觉这篇文章打开了 AI 推理研究的新思路让 AI 不仅要聪明还要灵活和高效没错这篇文章也启发我们未来的 AI 系统应该具备更强的自适应能力能够根据

嗯

感觉 AI 的未来真是令人期待感谢今天又给我们带来了这么精彩的太快报听众朋友们如果想了解更多关于这些论文的细节可以点击节目下方的信息栏查看论文原文链接也感谢大家的收听希望今天的太快报能让大家对 AI 的最新进展有所了解

如果你对 AI 技术有任何疑问或者想了解的话题欢迎在评论区留言我们会尽力在后续节目中解答没错请大家持续关注太快报我们下期再见下期见拜拜