四川
哈嘍，大家好，我是小方，今天，我們主要來看看，麻省理工的一項新研究，是不是真的讓我們離“會思考”的AI更近了一步。
麻省理工學院CSAIL實驗室的研究者們換了個角度，他們的想法很直接：既然讓AI一次性“吃下”整本書會消化不良，那為什么不給它一個“圖書館通行證”，讓它自己走進去查資料、做筆記、分章節閱讀呢？這就是他們提出的“遞歸語言模型”核心。
更重要的是，它巧妙地繞開了模型本身的輸出長度限制，傳統模型回答一個問題，生成幾百幾千字就到頭了，但RLM可以把每一步的分析結果，都作為變量儲存在編程環境里，最后拼接成一個結構化的、可能長達數萬字的完整報告輸出，這意味著，AI的“產出”能力不再受其“嘴巴”的大小限制，而是取決于其“大腦”的規劃。
MIT的這項研究，可以看作是近期AI發展思潮轉變的一個具體縮影，近一個月來，從硅谷到國內的頂尖實驗室，討論的焦點逐漸從“如何把模型做得更大”，轉向了“如何讓模型用得更巧”。
就在上個月，國內一家領先的AI公司也發布了一項相關技術報告，他們通過讓大模型學習在復雜指令中自動編排和調用一系列專用工具，在多項需要多步推理的數學和代碼任務上，取得了顯著超越純語言模型的成績。
這背后的共識越來越清晰：通向更高級AI的道路，可能不在于無限堆疊參數，而在于構建更精妙的“腦內工作流”。讓AI學會“主動思考”，本質是賦予它自主使用工具、管理記憶、分解任務的能力，麻省理工的RLM，正是將“遞歸”、“工具使用”和“外部記憶”這幾個關鍵模塊系統化整合的一次成功嘗試。
技術的演進往往不是突然的爆炸，而是一系列關鍵拼圖的接連就位，遞歸語言模型的思路，為我們打開了一扇新的窗戶：真正的智能或許不在于知道所有答案，而在于懂得如何高效、主動地去尋找答案。
特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布，本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
