“像人一样推理”……GIST 实现可推断解题过程“意图”的人工智能

by Min Chanki

Published 25 Sep.2025 09:29(KST)

（照片中自左起）GIST 人工智能融合学部教授 Kim Seondong、博士后研究员 Kim Sejin、硕士课程毕业生 Hwang Sanha、硕士课程在读生 Lee Seungpil、电气电子计算机工学科学士毕业生 Lee Hosung。

光州科学技术院（GIST）25日表示，人工智能融合学科的 Kim Seondong 教授研究团队提出了一种将学习人类解题过程中所蕴含“意图”的估计与对齐算法，与人工智能生成模型相结合，从而像人一样生成多样化解题过程的数据增强方法。

研究团队通过结合这两种方法，证明了人工智能不仅能停留在“给出正确答案”的水平之上，还可以实现“像人一样进行推理的能力”。

人工智能在针对给定问题快速得出正确答案方面具有优势，但在像人一样经过阶段性思考过程来解决问题的推理能力方面仍然不足。人类在解题时会经历反复试错，为达到同一目标会尝试多种方式。在这一过程中积累的解题数据中，包含的不是简单的行为罗列，而是人的意图。学习这些意图，是让人工智能具备“像人一样推理能力”的核心。

研究团队基于这一观点，开发了在解题过程中估计并对齐意图的算法，并利用生成模型之一 GFlowNet，提出了生成多样化解题轨迹的数据增强方法。

前者是以反映人的思维过程的方式实现，后者则通过扩展解题过程来强化泛化性能，这两种方法相互补充。通过这一方式，研究团队以开发不仅能得出正确答案、且具有人类相似思维与泛化能力的人工智能模型为目标。

多种问题求解轨迹与意图示例。

研究团队分析了人类的解题数据，将未能到达最优解的情况分为三种类型（功能不足、低效尝试、错误策略），并将其反映到学习过程中。随后，将解题轨迹划分为多个阶段，提出了对各阶段意图进行估计和对齐的算法，并将其应用于人工智能训练，从而实现模拟人类思维过程的学习。此外，通过基于 GFlowNet 的数据增强方法，像人一样生成多种解题过程，大幅提升了训练数据的多样性和泛化性能。

GFlowNet 通过概率性探索，经过多个中间状态生成多条解题路径。针对相同输入，通过旋转、对称等多种运算组合生成大量轨迹并用于训练，因此不会偏向某一种解题方式，而是可以学习到多样化的策略分布。

基于 GflowNet 的解题轨迹生成过程。

研究团队从真实人群中收集了解题轨迹数据，在轨迹不足的情况下则利用 GFlowNet 生成数据进行补充。将如此获取的多样化解题数据用于训练后，与现有模型相比，准确率提升了约 5.85 个百分点（从 83.59% 提升至 89.44%）。这证明了人工智能可以像人一样进行思考和泛化。

Kim Seondong 教授表示：“人类在解题时，往往不会总是遵循教科书式的标准解题过程，而是通过自己熟悉的方式巧妙地找到答案，但在人工智能模型训练中，不加思索地直接使用人类收集的数据的情况却十分常见。若能系统地应用本论文提出的前、后处理过程，就能克服数据的内在局限，开发出能够实现更为理想行为的人工智能。”