人工智能领域迎来一项突破性进展，香港理工大学联合多所高校的研究团队开发出一种新型推理机制，使AI系统能够在不重新训练模型的情况下，通过增加计算资源显著提升复杂问题解决能力。该成果已发表于知名学术预印本平台，为AI推理技术开辟了全新路径。
传统AI模型在处理复杂任务时，需要像学生解题般逐步推导每个步骤，这种显性推理方式虽逻辑清晰，但效率受限。研究团队提出的"潜在推理"框架，让AI以抽象数字向量的形式在"思维空间"中自主探索，模拟人类直觉思考过程。这种模式虽更高效，却面临思维路径单一化的挑战——缺乏类似人类通过不同表达方式展开思考的多样性机制。
针对这一难题，科研人员创造性地提出两种思维发散策略。第一种"蒙特卡洛随机失活"技术，通过随机关闭AI神经网络中的部分连接节点，迫使系统探索不同计算路径。这种策略如同让思考者间歇性关闭部分脑区，强制产生多样化认知视角。实验数据显示，该方法在处理高难度问题时表现尤为突出，能持续挖掘突破性解决方案。
第二种"加性高斯噪声"技术则采取不同思路，在思维过程中注入可控随机扰动，模拟人类在嘈杂环境中思考时产生的思维发散效应。这种策略如同为思考者添加思维催化剂，使其在常规路径附近产生更多变体。研究证实，该方法在解决结构化问题时具有独特优势，能快速定位最优解区域。
为筛选最优思维路径，团队构建了智能评估体系。该系统通过"随机推演"技术，对每个思维节点进行质量评估：从当前节点出发进行大量随机推导，统计最终正确率作为评分依据。进一步引入的对比学习机制，使系统能区分不同路径的相对优劣，形成动态导航能力。这种评估方式突破了传统概率计算的局限，为抽象思维过程建立了量化评价标准。
在数学推理基准测试中，新框架展现出显著优势。实验涵盖1300个基础数学题、600个多步骤算术题及高难度变体题库，采用三种代表性潜在推理模型进行验证。结果显示，随着计算资源投入增加，解题成功率呈现规律性提升：初期快速上升，后期增速放缓但持续正向增长。两种发散策略表现出互补特性——蒙特卡洛策略在深度探索方面更优，加性噪声策略在广度覆盖上占优。
可视化分析揭示了两种策略的本质差异。蒙特卡洛路径呈现"定向漂移"特征，如同水流沿河床持续深化探索；加性噪声路径则呈"辐射状扩散"，类似烟花绽放般覆盖周边区域。这种特性差异解释了它们在不同难度任务中的表现分化：高难度问题需要深度突破时，定向探索更具优势；简单问题寻求最优解时，辐射扩散效率更高。
研究团队特别强调该技术的工程价值。相比传统模型优化需要海量数据和漫长训练周期，新方法仅需调整推理阶段的计算资源分配，即可实现性能提升。这种"即插即用"的特性，使其在医疗诊断、科研分析等需要快速迭代的领域具有独特应用潜力。实验表明，通过合理配置计算资源，中等性能模型也能达到顶尖模型的解题水平。
当前技术仍存在优化空间。研究人员指出，实际应用中需平衡随机性强度与思维聚焦度，过度发散会导致资源浪费，过度集中则限制探索范围。参数调优过程虽不复杂，但需要针对具体场景进行定制化设置。这些挑战反而为后续研究指明了方向——开发自适应探索策略，使系统能根据问题特性动态调整思维模式。
这项成果正在引发学术界广泛关注。有专家指出，该研究首次证明潜在推理模型同样能受益于并行计算，这为AI发展提供了全新维度。更深远的影响在于，它揭示了机器思维与人类认知的相似性——多样化思考路径对复杂问题解决具有普适价值。随着技术成熟，未来AI系统或将具备"自主选择思考方式"的能力，在人机协作中提供更富创意的解决方案。
