新加坡團隊搞的AdaMCoT框架，讓AI自己選語言思考，總算把這個老大難問題解決了。

以前用翻譯軟件翻印尼語詩歌，經(jīng)常發(fā)現(xiàn)押韻全亂了，查斯瓦希里語常識題，還見過把"首都"說錯的情況。

后來才知道，這是AI直接用低資源語言推理時掉的"坑"數(shù)據(jù)不夠，理解不深，只能硬湊答案。

上次看到把"畫龍點睛"翻成"給龍畫眼睛"，差點沒笑出聲，每種語言都有自己的"特長"。

全球7000多種語言里，95%以上都是低資源語言，訓練數(shù)據(jù)少得可憐，傳統(tǒng)AI處理這些語言時，性能比高資源語言差一大截。

這可不是小事，等于把很多人擋在AI技術門外，本來以為AI多學幾種語言就完事了，后來發(fā)現(xiàn)根本不是這么回事。

新加坡科技研究局和新加坡科技設計大學的團隊，搞出個AdaMCoT框架，才算摸到了門道讓AI自己選語言思考，而不是被動執(zhí)行固定路徑。

AI咋知道選哪條路？團隊請了個"評分官"GPT-4o，每次AI推理完，GPT-4o就從事實對不對、邏輯順不順、任務要求合不合三個方面打分，滿分10分，只有9分以上的推理路徑才會被留下來當"教材"。

有次測試"法國首都是哪里"，不管用英語、斯瓦希里語還是烏爾都語提問，AI都能穩(wěn)穩(wěn)答出"巴黎"，不像以前換種語言就可能說錯。

以前的AI推理，就像被綁住了手腳，只能按預設語言走，AdaMCoT這套機制，更像人用擅長的語言想問題，效率自然高得多。

在32種語言的事實性問答測試里，搭了AdaMCoT的模型在31種語言上都有進步，尤其是斯瓦希里語、烏爾都語這些低資源語言，準確率平均提了15%-20%。

傳統(tǒng)方法要么在低資源語言上"翻車"，要么因為來回翻譯損耗，準確率比它低8%-12%，研究人員還用LogitLens工具看過AI的"思考過程"。

低資源語言直接推理時，中間步驟全是"噪音"，不是事實錯誤就是邏輯斷片；換成英語思考后，earlylayers就能鎖定正確方向，輸出明顯自信多了。

UMAP可視化也有意思，訓練后非英語語言的語義向量明顯向英語中心靠攏，但原有的語義結構沒亂。

這說明AI不是死記硬背翻譯，而是真把多語言知識打通了，AdaMCoT沒加模型參數(shù)，也沒要海量數(shù)據(jù)，就靠"讓AI自己選語言"這個點子，解決了跨語言推理的大問題。

AdaMCoT開了個好頭，說不定以后的AI，真能像人一樣，用最合適的語言把問題想明白。

這種雙路徑加評分官的模式，讓AI在面對不同語言時，能自主判斷哪種語言更適合當下的推理任務，它不再局限于單一語言的思維定式，而是能夠靈活切換，充分利用各種語言的優(yōu)勢。

如此一來，AI在處理復雜問題時，就能展現(xiàn)出更強大的邏輯能力和更精準的理解能力，真正實現(xiàn)像人類一樣用語言去深度思考，在跨語言場景中，這種能力優(yōu)勢尤為明顯。