不会型的向思盲区致命总学为大语言模什么考反

最近在AI圈里流传着一个让人啼笑皆非的现象：我让GPT-3和Llama学习"张三就是李四"这样简单的知识，结果当反过来问"李四是谁"时，AI竟然一脸茫然。这就像你教孩子"妈妈叫王芳"，然后问"王芳是谁"，孩子却完全不知道答案一样荒谬。

什么是"逆转诅咒"？

研究人员给这个现象起了个很有噱头的名字——"逆转诅咒"(Reversal Curse)。简单来说，就是大语言模型在学会"A是B"后，竟然无法自然而然地反向推导出"B是A"。这不禁让人怀疑：我们天天夸AI聪明，结果它连最基本的逻辑对称性都搞不定？

举个例子，当我用"汤姆・克鲁斯的母亲是Mary Lee Pfeiffer"训练AI后，AI可以顺利回答"汤姆・克鲁斯的母亲是谁"，但当我问"Mary Lee Pfeiffer的儿子是谁"时，AI就傻眼了。这就像一个人能记住"北京是中国的首都"，却不知道"中国的首都是北京"一样离谱。

问题到底出在哪里？

说起来挺讽刺的，这些花费数亿美元训练的大模型，在学习简单逻辑关系时表现得像个固执的孩子。研究人员测试了从GPT-3到Llama的各种模型，发现它们全都"中招"了。更扎心的是，这个问题与模型规模、训练数据量都没有明显关系。

我个人觉得，这可能暴露了大语言模型一个本质缺陷——它们其实并不真正"理解"知识，只是在玩概率游戏。就像背课文一样，只记住了"从前有座山"的下文是"山上有座庙"，但如果反过来问"庙在哪座山上"，就完全摸不着头脑了。

实际测试结果令人忧心

为了验证这个问题，研究人员做了个很有意思的实验：用虚构的名人和作品关系来训练AI。比如"Daphne Barrington是《穿越时空》的导演"，训练后的AI可以准确回答"Daphne Barrington是谁"，但当问"谁导演了《穿越时空》"时，准确率直接归零。

更有意思的是，在名人亲子关系的测试中，GPT-4能正确识别79%的名人父母，但反过来识别父母对应的子女时，准确率暴跌到33%。这不禁让人怀疑：AI是不是也患上了"脸盲症"？

为什么会出现这种现象？

目前学界还没有定论，但有几个可能的解释：

1. 训练机制问题：大模型在训练时只考虑单向预测，没有强制建立双向关联。就像我们背单词时只记"apple-苹果"，没练习"苹果-apple"一样。

2. 知识存储方式：AI的知识可能是"碎片化"存储的，缺乏人类那种网状关联的记忆结构。

3. 概率思维局限：大模型更擅长计算"看到A后出现B的概率"，而非建立"A和B互为因果"的逻辑关系。

OpenAI的科学家Andrej Karpathy说得一针见血："LLM学到的知识比我们想象的零散得多。"这让我想起小时候玩的拼图游戏——AI似乎只能按固定方向拼图，转个角度就认不出来了。

这对AI发展意味着什么？

这个发现给如火如荼的AI热潮浇了盆冷水。它提醒我们：

- 大模型可能远没有达到真正的"智能"水平

- 当前的训练方式存在系统性缺陷

- 简单增加模型规模未必能解决根本问题

不过话说回来，这个"逆转诅咒"也让我们重新思考：人类的学习方式中，哪些是AI尚未掌握的精华？也许未来的突破点不在于更大的数据集，而在于如何让AI真正"理解"知识的双向关系。

这就像教孩子学习时，我们不会只让ta死记硬背，而是会通过反复提问、换位思考来建立完整的认知框架。或许，AI也需要类似的教学方法？

(责任编辑：探索)