最近科技圈里有个事儿挺有意思，就是那个做脸书（Facebook）的公司Meta，他们的人工智能研究团队又搞出了一个新东西。

简单来说，他们想办法让AI大模型学会了“偷懒”，但这个懒偷得非常高明，不但没影响工作质量，反而效率大大提升。

这事儿听起来有点玄乎，就像一个平时埋头苦干的学生，突然有一天开窍了，学会了总结学习方法，做题速度飞快，正确率还一点没降。

我们得先说说现在的人工智能大模型普遍存在的一个“毛病”。

你可能也发现了，现在你跟那些聊天机器人说话，比如问它一个稍微复杂点的问题，它会给你一大串的回答，把每一步的思考过程都原原本本地写出来。

这在学术上叫“思维链”，就是模仿人一步步思考的样子。

比如你让它算一道数学题，它会从“解：设未知数x为……”开始，一步步列公式、化简、求解，写得清清楚楚。

这么做的好处是逻辑严谨，不容易出错，也能让你看明白它是怎么想的。

但坏处也很明显，就是太啰嗦了。

同样一个类型的题，下次再遇到，它还是会把这一整套详细的过程原封不动地再走一遍。

这就好比一个厨师，每次炒菜前都要把菜谱从头到尾念一遍，哪怕这道菜他已经做了一千次了。

这种“啰嗦”不仅让我们看得累，更关键的是，它消耗了大量的计算资源。

人工智能的每一次思考，每一个字的输出，背后都是电脑芯片在高速运转，这都是要耗电、花钱的。

所以，如何让AI在保持聪明的同时，变得更简洁、更高效，就成了一个大难题。

Meta的研究人员们就从这里找到了突破口。

他们发表了一篇学术论文，题目叫《元认知复用：将循环的LLM推理转化为简洁的行为》。

这个题目听起来很学术，但翻译成大白话就是：让AI学会反思自己的思考过程，把那些经常用到的、重复的解题步骤，总结成一个个“套路”或者说“小妙招”，然后存起来。

下次再遇到类似的情况，就不用从头想了，直接把这个“套路”拿出来用就行。

这个过程，他们起名叫“元认知复用”。

“元认知”这个词，意思就是“对思考的思考”，说白了就是自我反思的能力。

具体是怎么做的呢？

他们设计了一套流程。

第一步，先让一个非常厉害的“老师”AI模型，用最传统、最详细的方法去解决一大堆难题，比如数学竞赛题。

这个过程就像一个学霸在刷题，并且把每一道题的详细解题步骤都工工整整地写在草稿纸上。

第二步，也是最关键的一步，就是让这个AI回头看自己的这些“草稿纸”，进行复盘和总结。

它会分析，在解决这些不同问题的过程中，有没有哪些步骤是反复出现的？

比如，它可能会发现，在处理很多概率问题时，总会用到一个叫做“容斥原理”的方法来避免重复计算；或者在解一类代数方程时，总会先进行“分母有理化”这个操作。

一旦识别出这些高频出现的解题模式，AI就会给这个模式起个名字，写个简单的说明，把它变成一个标准化的“行为指令”。

第三步，就是把所有这些总结出来的“行为指令”收集起来，放进一个专门的数据库里。

研究人员把这个数据库形象地称为“行为手册”。

这本手册就像一本武功秘籍，随着AI解决的问题越来越多，里面的招式和心法也会越来越丰富。

比如，“计算所有可能结果”可以是一个招式，“运用勾股定理”可以是另一个招式。

有了这本“行为手册”之后，AI的工作方式就彻底改变了。

当它再遇到一个新问题时，它不再是像以前那样，从最基本的公理和定义开始一步步往下推导。

它会先分析问题，然后去自己的手册里查找，看看有没有现成的“招式”可以用。

比如说，一道复杂的概率题，它一看，发现可以用“计算总数”、“分别计算A和B事件”、“使用容斥原理”这三个现成的招式组合起来解决。

于是，它的回答就会变得非常简洁，可能就是几句话：“根据题意，调用‘计算总数’行为，得到总可能性为X。调用‘A事件’行为，得到Y。调用‘B事件’行为，得到Z。最后调用‘容斥原理’行为，综合计算得出最终答案。”整个过程干净利落，省去了中间大段的铺垫和重复性描述。

效果怎么样呢？

论文里的数据非常惊人。

在一个叫MATH的公开数学题测试集上，用了这个新方法之后，AI模型在回答问题时，平均下来所需要的计算步骤（也就是专业术语里的token数量）减少了将近一半，最多能减少46%。

这意味着，同样一道题，AI“想”的时间和精力少了一半，但做出来的答案准确率不仅没有下降，在某些情况下甚至还有一点点提升。

这就好比原来需要写两页纸的解题过程，现在半页纸就搞定了，而且答案还是一样对。

这对于降低AI的运营成本、提高反应速度来说，意义非常重大。

更有意思的是，这个方法还能用来“传帮带”。

Meta的研究人员让那个聪明的“老师”模型，用这种高效简洁的方式生成大量的解题范本，然后用这些浓缩过的、高质量的范本去训练那些规模更小、能力稍弱的“学生”模型，这里面也包括了我们国内很优秀的“通义千问”（Qwen）系列模型。

结果发现，这些“学生”模型学得特别快，它们不光学会了知识点，更重要的是学会了这种高效的、结构化的思考方式。

用这种方法训练出来的模型，比用传统啰嗦答案喂出来的模型，明显更聪明，也更省资源。

这就好比一个经验丰富的老工匠，他教徒弟不只是手把手教每个动作，更是把自己的经验总结成几句口诀，让徒弟能更快地领悟到核心技巧。

总的来说，Meta的这项研究，给人工智能的发展提供了一个全新的思路。

它让AI不再是一个只会埋头苦算、记忆力超强的“书呆子”，而是开始学会像人类专家一样，去积累经验、总结规律，并把这些经验内化成一种近乎本能的“直觉”。

我们人类学习新知识的过程不就是这样吗？

一开始我们严格按照课本上的步骤来，做得多了，自然而然就总结出了自己的方法和技巧，处理问题也就越来越得心应手。

这项技术让AI从“慢思考”向“快反应”迈出了一大步，让我们看到了未来AI变得更高效、更实用，也更像一个真正有智慧的伙伴的可能性。

它解决了一个很实际的问题：如何让聪明的AI用更少的力气，办更多的事。