云南龙网

  1. 首页 > 生活百科 > >

Zoom团队：AI推理新突破提升ChatGPT效率80%

人工智能ai数学ChatGPT

Zoom团队：AI推理新突破提升ChatGPT效率80%


这项突破性研究来自Zoom通信公司的四位研究员——徐思蕾、谢文浩、赵凌霄和何鹏程 ， 于2025年3月发表在计算机科学预印本平台arXiv上 。 有兴趣深入了解的读者可以通过论文编号arXiv:2502.18600v2访问完整研究报告 。
【Zoom团队：AI推理新突破提升ChatGPT效率80%】当我们解决复杂问题时 ， 比如算数学题或者分析复杂情况 ， 大脑通常会在纸上快速记录关键信息——几个数字、一个公式、几个要点 ， 而不是写出完整的句子和详细解释 。 然而 ， 目前最先进的AI系统如GPT和Claude在处理问题时 ， 却像一个过分详细的学生 ， 每一步都要写出完整的解释和冗长的推理过程 。 这种做法虽然看起来很\"聪明\" ， 但实际上浪费了大量时间和计算资源 。
Zoom研究团队的这项发现彻底颠覆了我们对AI推理的认知 。 他们发现 ， 如果让AI模仿人类的简化思考方式——只记录最关键的信息点而不是冗长的解释——不仅能保持同样的准确性 ， 还能将处理速度提升数倍 ， 同时大幅降低使用成本 。 这就好比把一个啰嗦的顾问变成了一个简洁高效的专家 ， 既快又准 。
研究团队将这种新方法命名为\"思维草稿法\"（Chain of Draft ， 简称CoD） ， 与目前广泛使用的\"思维链法\"（Chain of Thought ， 简称CoT）形成鲜明对比 。 传统的思维链法就像让AI写详细的作文 ， 而思维草稿法则像让AI只写要点和关键步骤 。 实验结果令人震撼：在保持几乎相同准确率的情况下 ， 新方法只使用了传统方法7.6%的文字量 ， 大幅减少了处理时间和计算成本 。
**一、从\"话痨AI\"到\"简洁专家\"的转变**
目前的AI推理系统存在一个有趣的矛盾 。 当你问ChatGPT或Claude一个数学问题时 ， 它们会像刚学会说话的小孩一样 ， 把每个步骤都解释得非常详细 。 比如解决\"小明原来有20个糖果 ， 给了小红一些 ， 现在还剩12个 ， 问给了多少个？\"这样的简单问题 ， 传统AI会写出一长串解释：先说小明原来有多少个 ， 再说现在有多少个 ， 然后解释为什么要用减法 ， 最后才给出答案 。
这种详细解释在某些教学场景下确实有用 ， 但在大多数实际应用中却是不必要的负担 。 就像你在超市买东西时 ， 不需要收银员详细解释每一步计算过程 ， 你只需要知道总价是多少 。
研究团队通过对比发现 ， 传统的思维链方法虽然提高了AI的推理准确性 ， 但代价是生成了大量冗余信息 。 以Claude 3.5 Sonnet为例 ， 在处理数学问题时 ， 传统方法平均需要生成190个词汇单位才能给出答案 ， 而新的思维草稿法只需要40个词汇单位就能达到几乎相同的准确率 。 这相当于把一篇800字的文章压缩成160字的摘要 ， 但保持了所有重要信息 。
更令人惊讶的是 ， 这种简化不仅没有损害AI的推理能力 ， 在某些情况下甚至提高了准确性 。 这是因为过多的冗余信息有时会让AI\"迷失\"在自己的解释中 ， 而简洁的要点能帮助AI更好地专注于核心问题 。
**二、人类智慧的启发：为什么少即是多**
这项研究的核心洞察来自对人类思维过程的观察 。 当我们面对复杂问题时 ， 大脑实际上采用的是一种高度优化的信息处理策略 。 以解数学题为例 ， 我们通常会在纸上快速写下关键数字和符号 ， 比如\"20-x=12\" ， 然后直接得出\"x=8\" ， 而不会写\"首先 ， 我注意到小明原来有20个糖果 ， 这是我们的起始数量...\"这样的完整句子 。
研究团队意识到 ， 人类的这种\"草稿式思考\"实际上是经过数千年进化优化的信息处理方式 。 我们的大脑天然倾向于提取和保留最关键的信息 ， 同时舍弃不必要的细节 。 这种能力让人类能够在有限的认知资源下处理复杂问题 。
将这种思维模式应用到AI系统中 ， 研究团队发现了令人兴奋的结果 。 通过指导AI只生成最必要的中间步骤 ， 而不是详细的解释文字 ， AI不仅能更快地找到答案 ， 还能避免被自己生成的冗长文字\"绕糊涂\" 。 这就像给一个容易跑题的学生提供了一个简洁的提纲 ， 帮助他们保持专注 。
研究还发现 ， 这种方法特别适合那些有明确逻辑结构的问题 。 在数学计算、逻辑推理和符号操作等任务中 ， 关键信息往往可以用简单的符号和数字表达 ， 而不需要冗长的自然语言描述 。
**三、实战效果：三大领域的惊人表现**
为了验证思维草稿法的实际效果 ， 研究团队在三个不同的认知领域进行了全面测试：数学推理、常识推理和符号推理 。 这些领域代表了AI系统需要处理的主要思维类型 ， 从具体的计算到抽象的逻辑操作 。
在数学推理测试中 ， 研究团队使用了GSM8K数据集 ， 这是一个包含8500道小学数学应用题的标准测试集 。 结果显示 ， GPT-4o使用传统详细解释方法的准确率为95.4% ， 每个回答平均需要205个词汇单位 ， 处理时间为4.2秒 。 而使用思维草稿法时 ， 准确率达到91.1% ， 只需要44个词汇单位 ， 处理时间缩短到1.0秒 。 Claude 3.5 Sonnet的表现更加出色 ， 准确率从95.8%下降到91.4% ， 但词汇使用量从190个减少到40个 ， 处理时间从3.1秒降至1.6秒 。
这种差异在实际应用中意味着什么呢？假设你运营一个在线教育平台 ， 每天需要处理10万个学生的数学问题 。 使用传统方法 ， 每个问题的处理成本和时间都很高 ， 而使用思维草稿法 ， 不仅能将成本降低80%以上 ， 还能让学生几乎立即得到答案 ， 极大提升用户体验 。
在常识推理测试中 ， 研究团队评估了AI理解日期和体育知识的能力 。 这类问题需要AI调用背景知识并进行逻辑推理 ， 比如\"如果今天是星期三 ， 三天后是星期几？\"在日期理解任务中 ， GPT-4o使用思维草稿法的准确率为88.1% ， 词汇使用量只有传统方法的40% 。 更有趣的是 ， Claude 3.5 Sonnet在体育知识问答中使用思维草稿法时 ， 准确率从93.2%提升到97.3% ， 同时词汇使用量从189个骤降至14个 ， 降幅达到92.4% 。
符号推理测试使用了抛硬币任务 ， 这类问题需要AI追踪一系列操作的结果 。 比如\"硬币开始是正面朝上 ， 小明翻了一次 ， 小红翻了一次 ， 小李没有翻 ， 请问现在是正面还是背面朝上？\"在这个测试中 ， 两种AI系统使用思维草稿法都达到了100%的准确率 ， 但GPT-4o的词汇使用量从52个减少到17个 ， Claude 3.5 Sonnet从135个减少到19个 ， 效率提升令人瞩目 。
**四、方法的核心：如何教会AI\"写草稿\"**
思维草稿法的实现原理其实相当简单 ， 但需要精心设计 。 研究团队的核心策略是改变AI的\"写作指令\" ， 让它像人类做笔记一样思考 ， 而不是像写正式报告一样详细解释每个步骤 。
具体来说 ， 传统的思维链方法会给AI这样的指令：\"请逐步思考以下问题 ， 在回答结尾用四个井号标记最终答案 。 \"而思维草稿法的指令则是：\"请逐步思考 ， 但每个思考步骤最多只用5个词 ， 在回答结尾用四个井号标记最终答案 。 \"
这个看似微小的改变产生了巨大的效果 。 当面对\"小明有20个糖果 ， 给了小红一些 ， 现在剩12个 ， 给了多少个？\"这个问题时 ， 传统方法会生成类似这样的回答：\"让我们逐步分析这个问题 。 首先 ， 小明最初有20个糖果 。 然后 ， 他给了小红一些糖果后 ， 还剩下12个糖果 。 为了找出给了多少个糖果 ， 我们需要计算初始数量和剩余数量的差值...\"
而思维草稿法的回答则简洁得多：\"20-x=12；x=20-12=8 。 ####8\"
这种差异不仅体现在文字数量上 ， 更重要的是思维方式的转变 。 传统方法像是让AI扮演一个耐心的老师 ， 需要详细解释每个步骤的逻辑和原因 。 而思维草稿法让AI更像一个熟练的专家 ， 直接抓住问题的核心 ， 用最简洁的方式表达关键步骤 。
研究团队还发现 ， 这种方法需要通过示例来\"训练\"AI的行为模式 。 他们为每种任务类型手工编写了草稿式的示例 ， 让AI学习这种简洁的表达方式 。 这就像教一个学生如何做笔记——不是告诉他们做笔记的理论 ， 而是展示什么样的笔记是有效的 。
**五、局限性：并非万能的解决方案**
尽管思维草稿法展现出了令人印象深刻的效果 ， 但研究团队也诚实地指出了这种方法的局限性 。 最主要的问题是 ， 这种方法高度依赖于示例引导 ， 如果没有恰当的例子 ， AI往往无法自发地采用草稿式思维 。
当研究团队测试\"零示例\"情况时 ， 也就是不给AI任何草稿式思维的例子 ， 直接要求它用简洁方式思考时 ， 效果大打折扣 。 在数学问题测试中 ， GPT-4o的准确率从标准的56.9%只提升到84.4% ， 远低于有示例指导时的91.1% 。 Claude 3.5 Sonnet的表现更差 ， 准确率只从61.9%轻微提升到65.5% 。
这个现象反映了一个深层问题：目前的AI系统在训练过程中接触的主要是详细、完整的文本 ， 很少见到草稿式的简洁推理过程 。 这就像一个从小只读过正式文学作品的人 ， 突然被要求写笔记或做摘要 ， 会感到不知所措 。
另一个重要局限是在小型AI模型上的表现 。 研究团队测试了几个参数量少于30亿的小型模型 ， 包括Qwen2.5、Llama 3.2和Zoom自研的SLM模型 。 结果显示 ， 这些模型使用思维草稿法时 ， 虽然能减少词汇使用量 ， 但准确率下降更为明显 。 比如Qwen2.5-3B模型使用传统方法的准确率为59.1% ， 使用思维草稿法时降至43.1% 。
研究团队分析认为 ， 这是因为小型模型的\"理解能力\"相对有限 ， 需要更多的中间步骤来\"想清楚\"问题 。 就像一个刚学会解题的学生 ， 如果强制要求他们简化步骤 ， 可能会导致思路混乱 。 而大型模型由于\"经验\"更丰富 ， 能够在简化表达的同时保持思维的连贯性 。
**六、实际应用：改变AI使用的游戏规则**
思维草稿法的意义远远超出了学术研究的范围 ， 它可能会根本性地改变我们使用AI的方式 ， 特别是在成本和效率至关重要的商业应用中 。
在客服系统中 ， 这种方法能够显著降低运营成本 。 传统的AI客服在处理复杂查询时 ， 往往会生成冗长的内部推理过程 ， 虽然用户看不到这些过程 ， 但每个字符都需要计算资源 。 使用思维草稿法 ， AI可以用更少的计算资源得出同样准确的答案 ， 这意味着同样的服务器可以同时处理更多用户请求 。
在教育技术领域 ， 这种方法特别有价值 。 当学生提交数学或逻辑问题时 ， AI家教不需要生成冗长的解释过程来\"思考\"答案 ， 而可以快速给出准确回应 ， 然后将节省的计算资源用于生成更个性化的教学内容 。 这就像把一个反应慢但最终很准确的老师 ， 变成了一个反应敏捷且同样准确的老师 。
在金融分析、医疗诊断辅助等对实时性要求很高的专业领域 ， 思维草稿法能够让AI系统更快地处理大量信息并给出初步判断 。 虽然这些领域仍需要人类专家的最终确认 ， 但AI的快速预处理可以大大提高整体工作效率 。
研究团队还指出 ， 这种方法可以与其他效率优化技术结合使用 。 比如与并行处理、智能缓存等技术配合 ， 进一步提升AI系统的整体性能 。 这种组合效应可能会让AI服务的成本降低到目前的十分之一甚至更少 。
从更宏观的角度看 ， 思维草稿法代表了AI发展的一个重要方向：不仅要让AI更聪明 ， 还要让AI更高效 。 随着AI应用的普及 ， 计算资源和能源消耗已经成为不可忽视的问题 。 通过优化AI的\"思维方式\" ， 我们可以在保持智能水平的同时 ， 大幅降低资源消耗 。
研究团队建议 ， 未来的AI训练过程应该专门包含草稿式推理的数据 ， 让AI从\"幼儿期\"就学会这种高效的思维模式 。 这可能需要重新设计训练数据集 ， 加入更多简洁而准确的推理示例 。 同时 ， 他们也在探索如何让AI自动学会在不同情况下选择合适的详细程度——在需要解释时详细 ， 在只需要答案时简洁 。
说到底 ， Zoom团队的这项研究揭示了一个简单而深刻的道理：有时候 ， 说得少反而能想得更好 。 就像人类在解决问题时依靠简洁的草稿和要点一样 ， AI也可以通过减少不必要的\"话语\"来提高思维效率 。 这不仅仅是技术上的改进 ， 更是对智能本质的重新理解——真正的智能不是能说多少话 ， 而是能用最少的信息达到最准确的结果 。
这项研究的影响可能会持续很多年 。 随着越来越多的开发者和企业开始采用思维草稿法 ， 我们可能会看到AI服务变得更便宜、更快速 ， 同时保持同样的可靠性 。 对于普通用户而言 ， 这意味着更好的AI体验；对于企业而言 ， 这意味着更低的运营成本；对于整个社会而言 ， 这意味着更可持续的AI发展模式 。
当然 ， 这种方法还需要进一步的完善和验证 ， 特别是在更多复杂场景下的应用 。 但研究团队已经为我们打开了一扇新的大门 ， 让我们看到了AI效率优化的巨大潜力 。 有兴趣深入了解技术细节的读者 ， 可以通过arXiv:2502.18600v2访问完整的研究论文 ， 其中包含了详细的实验数据和技术实现方案 。
Q&A
Q1：思维草稿法是什么？它是如何工作的？ A：思维草稿法是一种让AI模仿人类简洁思考的新方法 。 不像传统AI需要详细解释每个步骤 ， 这种方法让AI只记录最关键的信息点 ， 就像我们做笔记时只写要点一样 。 通过限制每个思考步骤最多用5个词 ， AI能更快地找到答案 。
Q2：使用思维草稿法会不会影响AI回答的准确性？ A：研究显示准确性基本不受影响 ， 有时甚至更准确 。 以数学问题为例 ， GPT-4o的准确率只从95.4%下降到91.1% ， 但处理速度快了4倍多 。 在某些任务中 ， 简洁的思维反而帮助AI避免被冗长信息\"绕糊涂\" ， 提高了准确性 。
Q3：普通用户什么时候能体验到这种技术带来的改进？ A：这种方法可以立即应用到现有的AI系统中 ， 不需要重新训练模型 。 目前主要限制是需要为不同任务设计合适的示例 。 随着更多企业采用这种方法 ， 用户很快就能享受到更快、更便宜的AI服务 ， 特别是在客服、教育和专业咨询等领域 。

    推荐阅读


    上一篇：GitHub Copilot历史用户数突破2000万大关

    下一篇：Meta AI如何让机器人像人类一样灵活应对多变环境