像人类一样思考:麻省理工学院新算法让AI学会“量体裁衣”式推理
在人工智能领域,算力成本是制约大型语言模型(LLM)发展的核心瓶颈。为了解决复杂数学或逻辑问题,传统策略通常采用“推理时间扩展”,即通过生成大量推理路径来筛选答案。然而,这种“一刀切”的固定计算预算模式导致了严重的资源浪费:面对简单问题时进行冗余推理,面对复杂问题时算力又捉襟见肘。2025年12月4日,麻省理工学院(MIT)研究人员在NeurIPS会议上展示了一种名为“实例自适应扩展”(Instance-Adaptive Scaling)的新技术,赋予AI根据问题难易程度动态调整“思考”时间与深度的能力,有望大幅降低能耗并提升推理效率。
01技术核心:从“事后评分”到“实时导航”
MIT团队的新框架旨在打破僵化的算力分配逻辑,其核心在于赋予模型类似“元认知”的能力——即“知道自己不知道什么”。该技术依赖于关键组件“过程奖励模型”(PRM)的角色转变。在传统模式中,PRM仅作为事后评分员对生成的方案进行打分;而在新架构下,PRM进化为实时的导航员。
- 信心评估:在推理的每一步,PRM评估当前部分解导出正确答案的概率。
- 动态缩减:若模型对当前路径充满信心,系统自动缩减后续搜索广度,节省算力。
- 预算增加:若面临不确定性,系统则增加预算,允许模型探索更多分支路径。
02关键突破:驯服AI的“过度自信”
PRM模型表现对比
过度自信症
输出单一自信度数值
倾向于高估找到正确答案的概率
导致系统误判问题难度,过早削减预算
最终输出错误结果


精准不确定性表达
生成一系列概率分布区间
被迫更诚实地表达不确定性
提供接近真实的成功率预估
在不牺牲准确性的前提下削减开销
03实测效果与应用前景
| 评估维度 | 传统固定预算模式 | MIT实例自适应扩展模式 |
|---|---|---|
| 算力策略 | 固定配额,缺乏灵活性 | 动态调整,根据难度分配资源 |
| 计算成本 | 存在双重浪费(简单/复杂问题) | 在同等准确率下计算量减少50% |
| 模型潜力 | 依赖巨型模型算力堆叠 | 轻量级模型可挑战顶级模型性能 |
新旧推理模式效能对比
实验数据显示,该技术在标准数学推理任务中表现优异。这一“以小博大”的潜力使得规模较小的模型在处理复杂问题时,能达到甚至超越资源消耗巨大的顶级模型。研究团队计划将该框架扩展至代码生成、自主智能体规划及强化学习等领域。IBM软件核心人工智能总监评价称,这标志着AI从静态概率软件向动态智能体迈进,通过理解自身知识盲区,AI将更安全、稳定地适应新情况,开启更绿色、普及的人工智能新时代。
当前文章无评论,是时候发表评论了