人工智能領域迎來一項突破性進展，香港理工大學聯合多所高校的研究團隊開發出一種新型推理機制，使AI系統能夠在不重新訓練模型的情況下，通過增加計算資源顯著提升復雜問題解決能力。該成果已發表于知名學術預印本平臺，為AI推理技術開辟了全新路徑。
傳統AI模型在處理復雜任務時，需要像學生解題般逐步推導每個步驟，這種顯性推理方式雖邏輯清晰，但效率受限。研究團隊提出的"潛在推理"框架，讓AI以抽象數字向量的形式在"思維空間"中自主探索，模擬人類直覺思考過程。這種模式雖更高效，卻面臨思維路徑單一化的挑戰——缺乏類似人類通過不同表達方式展開思考的多樣性機制。
針對這一難題，科研人員創造性地提出兩種思維發散策略。第一種"蒙特卡洛隨機失活"技術，通過隨機關閉AI神經網絡中的部分連接節點，迫使系統探索不同計算路徑。這種策略如同讓思考者間歇性關閉部分腦區，強制產生多樣化認知視角。實驗數據顯示，該方法在處理高難度問題時表現尤為突出，能持續挖掘突破性解決方案。
第二種"加性高斯噪聲"技術則采取不同思路，在思維過程中注入可控隨機擾動，模擬人類在嘈雜環境中思考時產生的思維發散效應。這種策略如同為思考者添加思維催化劑，使其在常規路徑附近產生更多變體。研究證實，該方法在解決結構化問題時具有獨特優勢，能快速定位最優解區域。
為篩選最優思維路徑，團隊構建了智能評估體系。該系統通過"隨機推演"技術，對每個思維節點進行質量評估：從當前節點出發進行大量隨機推導，統計最終正確率作為評分依據。進一步引入的對比學習機制，使系統能區分不同路徑的相對優劣，形成動態導航能力。這種評估方式突破了傳統概率計算的局限，為抽象思維過程建立了量化評價標準。
在數學推理基準測試中，新框架展現出顯著優勢。實驗涵蓋1300個基礎數學題、600個多步驟算術題及高難度變體題庫，采用三種代表性潛在推理模型進行驗證。結果顯示，隨著計算資源投入增加，解題成功率呈現規律性提升：初期快速上升，后期增速放緩但持續正向增長。兩種發散策略表現出互補特性——蒙特卡洛策略在深度探索方面更優，加性噪聲策略在廣度覆蓋上占優。
可視化分析揭示了兩種策略的本質差異。蒙特卡洛路徑呈現"定向漂移"特征，如同水流沿河床持續深化探索；加性噪聲路徑則呈"輻射狀擴散"，類似煙花綻放般覆蓋周邊區域。這種特性差異解釋了它們在不同難度任務中的表現分化：高難度問題需要深度突破時，定向探索更具優勢；簡單問題尋求最優解時，輻射擴散效率更高。
研究團隊特別強調該技術的工程價值。相比傳統模型優化需要海量數據和漫長訓練周期，新方法僅需調整推理階段的計算資源分配，即可實現性能提升。這種"即插即用"的特性，使其在醫療診斷、科研分析等需要快速迭代的領域具有獨特應用潛力。實驗表明，通過合理配置計算資源，中等性能模型也能達到頂尖模型的解題水平。
當前技術仍存在優化空間。研究人員指出，實際應用中需平衡隨機性強度與思維聚焦度，過度發散會導致資源浪費，過度集中則限制探索范圍。參數調優過程雖不復雜，但需要針對具體場景進行定制化設置。這些挑戰反而為后續研究指明了方向——開發自適應探索策略，使系統能根據問題特性動態調整思維模式。
這項成果正在引發學術界廣泛關注。有專家指出，該研究首次證明潛在推理模型同樣能受益于并行計算，這為AI發展提供了全新維度。更深遠的影響在于，它揭示了機器思維與人類認知的相似性——多樣化思考路徑對復雜問題解決具有普適價值。隨著技術成熟，未來AI系統或將具備"自主選擇思考方式"的能力，在人機協作中提供更富創意的解決方案。
