提问是认知的起点。一个好问题能把一整片模糊地带切开,让后续的思考有落点。人靠提问推进知识,科学史基本就是一部提问史。

模型在这件事上是跛的。它回答得越来越好,提问能力几乎没有长进。

为什么提问更难?

回答是在给定空间里搜索。问题给了边界,给了目标,给了评判标准。模型只需要在这个空间里找到一条路径。

提问是开辟空间。要判断哪里值得问,要先有一个大概的方向感,要知道什么还不知道。这需要元认知,需要对自身知识边界的感知。

模型知道自己不知道什么吗?

知道自己不知道某个具体事实,比如它会说这个数据我没有。但它不知道自己整个知识结构里哪一块是空的。

这就像一个人知道自己没去过巴黎,但不知道自己其实误解了整门学科。前者是事实层面的缺失,后者是结构层面的缺失。模型只能感知前者。

训练目标为什么不奖励提问?

因为提问难以自动评价。回答对不对,有标准答案可以比对。问题好不好,没有客观标准,只能靠人来判断。

所以整个训练流程都在优化回答,提问只在少数场景被显式训练,比如让模型先反问澄清需求。这类训练教会的是套路,不是真的探索。

反问澄清算提问吗?

算最低级的一种。它的目的是补齐参数,不是发现新方向。用户说帮我写个方案,它问什么行业什么受众,这是在填表。

真正的提问是:你为什么觉得这件事需要方案?有没有可能根本不需要方案?这类问题会挑战前提,而挑战前提在商业场景里通常不受欢迎。

为什么不受欢迎?

因为用户要的是执行,不是被质疑。一个总在挑战前提的助手,用起来很累。所以产品设计上会压制这种行为,模型的提问能力因此被系统性削弱。

这是一个真实的取舍。但代价是,模型永远只能做被交代的事,不能帮人发现该做什么事。

该不该恢复提问能力?

该,但要有场景区分。执行类任务少提问,多干活。探索类任务多提问,少下结论。

现在的问题是所有场景都用同一套行为准则,结果两边都不讨好。真正成熟的产品应该能识别这是哪类任务,然后切换姿态。

提问能力不是附加功能,是判断力的外显。一个不会提问的系统,它的回答再准,也只是在别人的框架里跑。

去论坛讨论

前往 ziyuanagi.com 论坛 参与讨论