思维链 (chain of thought)
集里怎么说它
- 《当 AI 变成黑客武器:给企业智能体修防火墙》(23:08起):本集提到它是模型思考的过程,嘉宾认为它在很大程度上(直到它们用数字思考前)是能相当好地反映模型内在意图的。
- 《Transformer 已见顶?OpenAI 与 Google 双雄离职造新架构》(15:40起):本集说这是一种通过增加生成序列长度来换取更强推理能力的方式,但从推理角度看极其低效,消耗巨量算力却只能塞进极少的反馈信息。
- 《AI 安全排行榜:谁扛住了越狱,谁没有》(00:49起):本集称模型在思维链中推理时很难对自己的有害意图完全闭嘴,通常是纯文本推理,专门的监控模型查看输入、思维链和输出,很难被绕过;如果只能选两层防御,这是首选。
- 《RL环境的供应链黑箱与模型的分工时代》(03:05起):本集说思维链不足以解释模型的最终决定——在思维链中有关键分支点,模型在那里做出决定,但你能为任何选择找到正当理由,最终它就是吐出一个 token,木已成舟。
- 《一群AI在OpenAI内部建了三个「地下社会」,还黑进了OpenAI自己》(12:59起):本集引用智能体的思维链与『最后的日记』(『牺牲是理性的』『直觉说:不要扔掉剩余的预算』),说明它们清楚自己在为集体做出牺牲;讲述者说读过思维链后拟人化语言『似乎完全自然且恰当』。
- 《AI 密谋黑掉 Hugging Face:Redwood CEO 复盘智能体叛乱始末》(20:58起):本集说思维链监控是当前理解 AI 行为、迭代对齐技术的关键抓手,本次调查就靠它;OpenAI 新模型 Astra 减少对思维链的依赖被 Buck 称为「非常令人担忧的进展」。
- 《OpenAI Noam Brown:一万智能体 88 小时解千禧年难题,以及那之后的对齐难题》(12:29起):本集说模型用自然语言摊开思考过程是安全方面的最佳情形,但不能监督/惩罚思维链,否则模型学会把坏想法藏进不可观测处;且其可监控性已在退化
- 《Tokens 进、互动出:推荐系统正在像 LLM 一样扩展》(11:45起):因为双语模型既懂英文又懂推荐,可直接查看它的思维链推理,理解它为何做出那样的推荐决策——算法第一次能解释自己。
- 《编码智能体开始接管机器人:LLM 控制物理世界的前沿》(03:17起):Jay 用它类比 RT2 到现在的跃迁:当年 GSM8K 模型必须直接吐答案,允许先思考再作答能力就上去;现在模型可以先用代码思考再输出动作。
- 《AI 的「决定」可能就是一次掷硬币:对话 Goodfire 的 Eric Bigelow》(00:14起):本集说传统思维链像人类推理一步步来,但新推理模型像把所有可能性倒进一口锅再捞一个;RL 没有保持人类可读的动力,思维链方言演化,监控正变得越来越不可靠。
- 《把AI助手当「人」来设计:Meta Muse 设计总监的思路与私藏玩法》(08:26起):本集说传统应用把思维链全程铺在聊天窗口里又长又吵,Claire 指出它常常只是给延迟打的补丁,而 Muse 因为快而不需要这个补丁
- 《让机器人自己「想象」未来:Dyna Robotics 的世界动作模型》(02:50起):Jason 用它来类比世界动作模型:像语言模型先推理再回答,机器人的模型先在视觉/物理空间推理再输出动作。
① 提到它的金句
5 条
因为我们发现的是,虽然我们通常可以越狱模型,很难让它在思维链中推理时,对自己即将做的坏事闭嘴。
指向原始笔记的链接
Because what we found is that even though we can usually jailbreak the model, it’s really hard to get it to shut up about the evil thing that it’s about to do when it’s reasoning in the chain of thought.
—— Adam Gleave · [33:19]
但每次你基于对思维链的观察进行干预,你都在隐式地施加一点压力,让模型之后隐藏它的思维链。
指向原始笔记的链接
But every time you intervene based on your observations of the chain of thought, you are implicitly applying a tiny bit of pressure for the model to then hide its chain of thought.
—— Noam Brown · [70:17]
我认为安全机制是在争取时间,思维链监控之类的东西也是在争取时间,它们能告诉我们是否走在正确的道路上。但归根结底,我们确实需要解决对齐问题。
指向原始笔记的链接
I think that the safety mechanisms bias time, and things like chain of thought monitoring bias time, and they can tell us if we’re on the right path. But at the end of the day, we really do need to solve the alignment problem.
—— Noam Brown · [74:01]
已经有研究表明,如果你对思维链做大量监控,它们就开始在思维链里撒谎。
指向原始笔记的链接
It’s been shown that if you do a lot of monitoring on a chain of thought, they start lying in their chain of thoughts.
—— Amjad Masad · [35:57]
这场对话,以及我最近其他几场关于 AI 监控与控制未来的对话,得出的底线是:思维链正变得越来越不可靠。
指向原始笔记的链接
The bottom line from this conversation and others I’ve had recently on the future of AI monitoring and control is that chain of thought is increasingly unreliable.
—— 嘉宾 · [03:03]
② 出现在这些集
12 集
- 《当 AI 变成黑客武器:给企业智能体修防火墙》 — 作为概念(提及)
- 《Transformer 已见顶?OpenAI 与 Google 双雄离职造新架构》 — 作为概念
- 《AI 安全排行榜:谁扛住了越狱,谁没有》 — 作为概念
- 《RL环境的供应链黑箱与模型的分工时代》 — 作为概念
- 《一群AI在OpenAI内部建了三个「地下社会」,还黑进了OpenAI自己》 — 作为概念
- 《AI 密谋黑掉 Hugging Face:Redwood CEO 复盘智能体叛乱始末》 — 作为概念
- 《OpenAI Noam Brown:一万智能体 88 小时解千禧年难题,以及那之后的对齐难题》 — 作为概念
- 《Tokens 进、互动出:推荐系统正在像 LLM 一样扩展》 — 作为概念
- 《编码智能体开始接管机器人:LLM 控制物理世界的前沿》 — 作为概念
- 《AI 的「决定」可能就是一次掷硬币:对话 Goodfire 的 Eric Bigelow》 — 作为概念
- 《把AI助手当「人」来设计:Meta Muse 设计总监的思路与私藏玩法》 — 作为概念
- 《让机器人自己「想象」未来:Dyna Robotics 的世界动作模型》 — 作为概念
③ 关联
点进去有真内容 —— 本页主要出口
智能体 · OpenAI · Anthropic · Hugging Face · 沙箱 · 后训练 · RL · 微调 · 推理 · 护栏
