這項(xiàng)由新加坡國(guó)立大學(xué)的劉博、里昂·格特勒等研究人員領(lǐng)導(dǎo)，聯(lián)合A*STAR前沿AI研究中心、東北大學(xué)、Sea AI Lab、Plastic Labs和華盛頓大學(xué)的團(tuán)隊(duì)共同完成的研究，于2025年6月發(fā)表在arXiv預(yù)印本平臺(tái)上。有興趣深入了解的讀者可以通過(guò)論文編號(hào)arXiv:2506.24119v1訪問(wèn)完整論文。

這項(xiàng)研究解決了一個(gè)讓AI研究人員頭疼不已的問(wèn)題：如何讓人工智能真正學(xué)會(huì)推理，而不是簡(jiǎn)單地背答案。傳統(tǒng)的訓(xùn)練方法就像讓學(xué)生死記硬背標(biāo)準(zhǔn)答案，雖然能在考試中得高分，但遇到新問(wèn)題就束手無(wú)策。更麻煩的是，這種方法需要大量的專家來(lái)設(shè)計(jì)題目、提供標(biāo)準(zhǔn)答案，成本高昂且難以擴(kuò)展。

研究團(tuán)隊(duì)提出了一個(gè)令人眼前一亮的解決方案：讓AI通過(guò)玩游戲來(lái)學(xué)習(xí)推理。他們開發(fā)了一個(gè)叫做SPIRAL的訓(xùn)練框架，讓AI模型通過(guò)與自己的復(fù)制版本對(duì)弈零和游戲來(lái)提升推理能力。這就好比讓一個(gè)人通過(guò)與鏡子中的自己下棋來(lái)提高棋藝，隨著自己水平的提升，對(duì)手的水平也在同步提升，形成了一個(gè)不斷進(jìn)步的良性循環(huán)。

最令人驚訝的是實(shí)驗(yàn)結(jié)果：僅僅通過(guò)訓(xùn)練AI玩簡(jiǎn)單的撲克游戲Kuhn Poker，AI在數(shù)學(xué)推理測(cè)試中的表現(xiàn)提升了8.6%，在通用推理測(cè)試中提升了8.4%。更重要的是，這種提升完全不需要任何數(shù)學(xué)題目作為訓(xùn)練材料。研究人員發(fā)現(xiàn)，游戲中培養(yǎng)的三種核心推理模式——系統(tǒng)性分解、期望值計(jì)算和逐案分析——能夠完美轉(zhuǎn)移到數(shù)學(xué)問(wèn)題求解中。

**一、游戲訓(xùn)練的巧妙設(shè)計(jì)**

要理解這項(xiàng)研究的精妙之處，我們可以把AI的學(xué)習(xí)過(guò)程想象成運(yùn)動(dòng)員的訓(xùn)練。傳統(tǒng)的AI訓(xùn)練方法就像讓運(yùn)動(dòng)員反復(fù)練習(xí)比賽中的標(biāo)準(zhǔn)動(dòng)作，雖然能掌握基本技能，但缺乏應(yīng)變能力。而SPIRAL框架則像讓運(yùn)動(dòng)員在實(shí)戰(zhàn)對(duì)抗中成長(zhǎng)，每一次對(duì)弈都是一次新的挑戰(zhàn)。

研究團(tuán)隊(duì)精心選擇了三款具有不同認(rèn)知要求的游戲作為訓(xùn)練環(huán)境。井字棋要求空間推理能力，玩家需要識(shí)別獲勝模式、阻擋對(duì)手威脅并規(guī)劃多步強(qiáng)制序列。這種確定性的完全信息游戲能夠訓(xùn)練純粹的策略推理，避免了不確定性管理的干擾。

Kuhn Poker則引入了概率推理的挑戰(zhàn)。這是一個(gè)簡(jiǎn)化版的撲克游戲，只使用三張牌（J、Q、K），每位玩家獲得一張牌，剩余一張不發(fā)。游戲的精髓在于隱藏信息下的決策制定，玩家需要計(jì)算期望值、建模對(duì)手行為，并在不確定性中做出選擇。這些能力直接對(duì)應(yīng)著數(shù)學(xué)中涉及概率、期望值和策略不確定性的問(wèn)題。

簡(jiǎn)單談判游戲則培養(yǎng)了多約束優(yōu)化能力。兩名玩家交換木材和黃金資源，各自擁有不同的估值函數(shù)，形成天然的利益對(duì)立。成功需要理解對(duì)手偏好、規(guī)劃多步交易，以及通過(guò)提議和反提議進(jìn)行策略性溝通。研究人員假設(shè)這些技能能夠轉(zhuǎn)移到優(yōu)化問(wèn)題、資源分配任務(wù)以及需要平衡競(jìng)爭(zhēng)目標(biāo)的多約束推理中。

更巧妙的是訓(xùn)練機(jī)制的設(shè)計(jì)。與傳統(tǒng)的監(jiān)督學(xué)習(xí)不同，SPIRAL采用了完全在線的多智能體強(qiáng)化學(xué)習(xí)系統(tǒng)。系統(tǒng)使用分布式演員-學(xué)習(xí)者架構(gòu)，多個(gè)并行演員從不同游戲中采樣軌跡，而集中式學(xué)習(xí)者處理這些軌跡并執(zhí)行策略更新。這種設(shè)計(jì)讓AI能夠在真實(shí)的競(jìng)爭(zhēng)環(huán)境中學(xué)習(xí)，而不是簡(jiǎn)單地模仿專家行為。

**二、自對(duì)弈的無(wú)限課程效應(yīng)**

自對(duì)弈訓(xùn)練的魅力在于它創(chuàng)造了一個(gè)永不停止的自適應(yīng)課程。當(dāng)AI與固定對(duì)手訓(xùn)練時(shí)，很容易陷入兩種困境。一種是"格式學(xué)習(xí)的回合詛咒"：面對(duì)隨機(jī)對(duì)手時(shí)，AI必須在每個(gè)回合都生成正確格式的有效動(dòng)作才能獲得正面獎(jiǎng)勵(lì)，但生成完全有效軌跡的概率隨著回合長(zhǎng)度呈指數(shù)下降，使得探索和學(xué)習(xí)變得極其困難。另一種是"靜態(tài)策略利用"：固定的模型對(duì)手雖然能幫助學(xué)習(xí)動(dòng)作格式，但AI很快就會(huì)找到針對(duì)性的獲勝策略，導(dǎo)致過(guò)擬合而無(wú)法泛化。

自對(duì)弈巧妙地避免了這兩個(gè)陷阱。由于對(duì)手和自己共享同一個(gè)策略網(wǎng)絡(luò)，隨著AI能力的提升，對(duì)手的水平也在同步增長(zhǎng)。這創(chuàng)造了一個(gè)始終維持在50%左右勝率的平衡狀態(tài)，確保挑戰(zhàn)難度始終適中。更重要的是，這種動(dòng)態(tài)平衡迫使AI不斷開發(fā)新的策略，而不是停留在固定的獲勝套路上。

實(shí)驗(yàn)數(shù)據(jù)清楚地展示了這種差異。在與固定對(duì)手Gemini的訓(xùn)練中，AI在前128步幾乎沒有任何學(xué)習(xí)（勝率為0%，意味著沒有正面獎(jiǎng)勵(lì)信號(hào)），直到第384步才學(xué)會(huì)擊敗這個(gè)固定對(duì)手，勝率達(dá)到62.5%。然而，一旦掌握了獲勝策略，進(jìn)步就停滯不前。相比之下，自對(duì)弈訓(xùn)練始終維持50-52%的勝率，表明對(duì)手在持續(xù)進(jìn)化以匹配當(dāng)前能力。

這種持續(xù)適應(yīng)性訓(xùn)練在推理能力轉(zhuǎn)移方面表現(xiàn)得更加出色。自對(duì)弈在數(shù)學(xué)推理測(cè)試中達(dá)到40%的成績(jī)，在通用推理測(cè)試中達(dá)到45%，分別比最佳固定對(duì)手訓(xùn)練高出5個(gè)和3個(gè)百分點(diǎn)。這種相對(duì)提升證明了多樣化策略比利用靜態(tài)弱點(diǎn)更能培養(yǎng)可泛化的推理模式。

**三、推理模式的意外轉(zhuǎn)移**

研究團(tuán)隊(duì)通過(guò)深入分析發(fā)現(xiàn)，游戲訓(xùn)練過(guò)程中自然涌現(xiàn)出三種核心推理模式，這些模式能夠以不同程度轉(zhuǎn)移到數(shù)學(xué)問(wèn)題求解中。

逐案分析展現(xiàn)了近乎完美的轉(zhuǎn)移效果，從游戲中的72%使用率幾乎無(wú)損地轉(zhuǎn)移到數(shù)學(xué)中的71%。這種系統(tǒng)性枚舉的元認(rèn)知技能代表著一種領(lǐng)域無(wú)關(guān)的結(jié)構(gòu)化思維方式，能夠普遍改善推理表現(xiàn)。無(wú)論是分析撲克中的對(duì)手可能性，還是分析數(shù)學(xué)中的解決方案分支，核心技能都是相同的。一個(gè)具體的例子是，在游戲中AI學(xué)會(huì)了"情況1-棄牌：你失去1個(gè)籌碼，現(xiàn)在有2個(gè)籌碼。情況2-跟注：你有0%的獲勝機(jī)會(huì)，如果輸了會(huì)有1個(gè)籌碼"的分析方式，在數(shù)學(xué)中則轉(zhuǎn)化為"情況n=0：m?+2=m，無(wú)實(shí)數(shù)解。情況n=1：m?+6=3m，無(wú)實(shí)數(shù)解"的系統(tǒng)性枚舉。

期望值計(jì)算顯示了有限但有意義的轉(zhuǎn)移，從游戲中的78%使用率轉(zhuǎn)移到數(shù)學(xué)中的28%。雖然游戲特定的概率推理在數(shù)學(xué)中出現(xiàn)頻率較低，但這主要是因?yàn)榇蠖鄶?shù)數(shù)學(xué)問(wèn)題缺乏顯式的決策理論結(jié)構(gòu)。然而，在涉及概率和優(yōu)化的數(shù)學(xué)問(wèn)題中，這種推理方式直接適用且非常有效。

最有趣的是模式識(shí)別展現(xiàn)出的放大效應(yīng)，從游戲中的35%使用率實(shí)際增強(qiáng)到數(shù)學(xué)中的45%。研究人員認(rèn)為這是因?yàn)閿?shù)學(xué)本質(zhì)上需要模式識(shí)別，游戲訓(xùn)練增強(qiáng)了一個(gè)已經(jīng)存在的核心數(shù)學(xué)技能，使其在面對(duì)數(shù)學(xué)問(wèn)題時(shí)部署得比游戲中更加頻繁。

**四、多游戲訓(xùn)練的協(xié)同效應(yīng)**

單獨(dú)游戲訓(xùn)練已經(jīng)令人印象深刻，但多游戲組合訓(xùn)練展現(xiàn)出了更加強(qiáng)大的協(xié)同效應(yīng)。研究團(tuán)隊(duì)發(fā)現(xiàn)，不同游戲培養(yǎng)的專門技能能夠互補(bǔ)協(xié)作，創(chuàng)造出比單一游戲更強(qiáng)的綜合能力。

在專家對(duì)專家的對(duì)決中，這種專業(yè)化分工表現(xiàn)得淋漓盡致。井字棋專家在需要類似認(rèn)知技能的游戲中表現(xiàn)出色，在訓(xùn)練游戲中獲得57.5%的勝率，在未見過(guò)的貪吃蛇游戲中保持56.0%的表現(xiàn)，證明了空間推理能力的穩(wěn)健轉(zhuǎn)移。Kuhn Poker專家在概率推理方面獨(dú)領(lǐng)風(fēng)騷，不僅在訓(xùn)練游戲中達(dá)到64.2%的勝率，在未見過(guò)的豬骰子游戲中更是創(chuàng)造了驚人的91.7%勝率。簡(jiǎn)單談判專家則在策略優(yōu)化方面見長(zhǎng)，在訓(xùn)練游戲中獲得62.7%勝率，在真相與欺騙游戲中達(dá)到55.8%。

然而，真正的魔力在多游戲模型中展現(xiàn)。這個(gè)綜合訓(xùn)練的模型在面對(duì)新挑戰(zhàn)時(shí)展現(xiàn)出超越任何專家的適應(yīng)能力。在騙子骰子游戲中，各個(gè)專家的表現(xiàn)都不盡如人意，Kuhn Poker專家只有24.9%的勝率，簡(jiǎn)單談判專家更是只有12.3%。但多游戲模型卻達(dá)到了51.4%的勝率，證明了多樣化訓(xùn)練創(chuàng)造的涌現(xiàn)能力遠(yuǎn)超單一技能的簡(jiǎn)單疊加。

這種協(xié)同效應(yīng)在標(biāo)準(zhǔn)推理基準(zhǔn)測(cè)試中得到了進(jìn)一步驗(yàn)證。多游戲訓(xùn)練將Qwen3-4B模型的平均表現(xiàn)從33.1%提升到42.3%，提升幅度達(dá)到9.2個(gè)百分點(diǎn)。更令人印象深刻的是，即使對(duì)于已經(jīng)表現(xiàn)優(yōu)異的強(qiáng)推理模型DeepSeek-R1-Distill-Qwen-7B，多游戲訓(xùn)練仍然能夠帶來(lái)從59.7%到61.7%的2.0個(gè)百分點(diǎn)提升，證明游戲訓(xùn)練教授的認(rèn)知技能即使對(duì)已經(jīng)擅長(zhǎng)數(shù)學(xué)推理的模型也具有互補(bǔ)價(jià)值。

**五、技術(shù)創(chuàng)新的關(guān)鍵支撐**

整個(gè)研究的成功離不開一項(xiàng)關(guān)鍵的技術(shù)創(chuàng)新：角色條件優(yōu)勢(shì)估計(jì)（RAE）。這項(xiàng)技術(shù)解決了多智能體自對(duì)弈訓(xùn)練中的一個(gè)根本性挑戰(zhàn)——高方差梯度導(dǎo)致的訓(xùn)練不穩(wěn)定。

傳統(tǒng)的強(qiáng)化學(xué)習(xí)方法在多智能體設(shè)置中面臨嚴(yán)重的方差問(wèn)題，特別是當(dāng)兩個(gè)玩家共享同一個(gè)策略網(wǎng)絡(luò)時(shí)。即使在共享策略的情況下，不同角色可能因?yàn)橛螒虿粚?duì)稱性（如井字棋的先手優(yōu)勢(shì)、Kuhn Poker的信息不對(duì)稱）而具有不同的期望回報(bào)。RAE通過(guò)為每個(gè)游戲和角色維護(hù)獨(dú)立的基線來(lái)解決這個(gè)問(wèn)題，使用指數(shù)移動(dòng)平均來(lái)估計(jì)每個(gè)角色在特定游戲中的期望回報(bào)。

這種看似簡(jiǎn)單的改進(jìn)產(chǎn)生了巨大的影響。沒有RAE的訓(xùn)練會(huì)導(dǎo)致災(zāi)難性的"思維崩潰"現(xiàn)象：模型在200步訓(xùn)練后開始截?cái)嗤评磉^(guò)程，生成空洞的推理軌跡如"下注"。這種崩潰伴隨著梯度范數(shù)的不穩(wěn)定，先是出現(xiàn)高初值和峰值，然后在200步后崩潰至接近零，表明模型已收斂到退化策略。

相比之下，使用RAE的訓(xùn)練始終維持穩(wěn)定的梯度范數(shù)（約0.1），確保持續(xù)學(xué)習(xí)。更重要的是，RAE防止了推理放棄行為，維持了對(duì)泛化至關(guān)重要的實(shí)質(zhì)性推理。實(shí)驗(yàn)清楚地顯示，沒有RAE的模型學(xué)會(huì)了單純玩游戲但放棄了鏈?zhǔn)剿季S，導(dǎo)致泛化失敗。數(shù)學(xué)推理性能從35%暴跌至12%（相對(duì)下降66%），通用推理從44%下降至40%。

**六、實(shí)驗(yàn)驗(yàn)證的全面性**

研究團(tuán)隊(duì)的實(shí)驗(yàn)設(shè)計(jì)展現(xiàn)了令人敬佩的全面性和嚴(yán)謹(jǐn)性。他們不滿足于單一維度的驗(yàn)證，而是從多個(gè)角度確保發(fā)現(xiàn)的可靠性。

在游戲外泛化測(cè)試中，他們精心選擇了七款未見過(guò)的游戲來(lái)測(cè)試學(xué)習(xí)技能的遷移。貪吃蛇和四子棋測(cè)試空間推理，豬骰子和騙子骰子測(cè)試概率推理，真相與欺騙測(cè)試策略優(yōu)化。這些游戲?qū)ｉT探測(cè)從井字棋、Kuhn Poker和簡(jiǎn)單談判中學(xué)到的空間推理、概率推理和策略優(yōu)化是否能遷移到新的游戲機(jī)制。

在標(biāo)準(zhǔn)推理基準(zhǔn)測(cè)試中，他們使用了廣泛的數(shù)學(xué)和通用推理評(píng)估套件。數(shù)學(xué)推理涵蓋MATH500、AIME24、AIME25、OlympiadBench、AMC-23和Minerva Math等數(shù)據(jù)集，覆蓋從基礎(chǔ)數(shù)學(xué)到競(jìng)賽級(jí)難題的各個(gè)層次。通用推理則使用GPQA（研究生級(jí)科學(xué)問(wèn)題）和MMLU-Pro（多學(xué)科知識(shí)基準(zhǔn)）進(jìn)行評(píng)估。所有評(píng)估都采用零樣本設(shè)置，確保游戲誘導(dǎo)的推理能夠成功遷移到通用問(wèn)題解決中。

更為重要的是，他們通過(guò)大規(guī)模的推理模式分析來(lái)理解遷移機(jī)制。使用GPT-4.1作為評(píng)判器，他們分析了290個(gè)游戲軌跡和46,792個(gè)數(shù)學(xué)問(wèn)題解答中的推理軌跡，將推理策略分類為三種核心模式。通過(guò)跟蹤這些模式在訓(xùn)練檢查點(diǎn)（早期：步驟0，中期：步驟128，后期：步驟400）的演變，他們測(cè)量了從游戲到數(shù)學(xué)領(lǐng)域的遷移率。

實(shí)驗(yàn)結(jié)果的一致性令人信服。SPIRAL訓(xùn)練僅在Kuhn Poker上就在數(shù)學(xué)推理（MATH500提升10.6%，AIME'25提升6.7%，AMC-23提升7.5%）和通用推理（GPQA提升6.4%，MMLU-Pro提升10.5%）方面實(shí)現(xiàn)了一致的提升。特別值得注意的是，SPIRAL實(shí)現(xiàn)了這些收益，盡管在整個(gè)訓(xùn)練過(guò)程中從未見過(guò)單一的數(shù)學(xué)方程、學(xué)術(shù)問(wèn)題或領(lǐng)域特定的訓(xùn)練示例。Minerva Math上18.1%的提升和數(shù)學(xué)基準(zhǔn)平均8.7%的收益證明，競(jìng)爭(zhēng)游戲環(huán)境成功地促使發(fā)現(xiàn)了在各個(gè)領(lǐng)域廣泛遷移的推理模式。

**七、研究意義與未來(lái)展望**

這項(xiàng)研究的意義遠(yuǎn)超其技術(shù)貢獻(xiàn)本身，它揭示了一個(gè)關(guān)于智能本質(zhì)的深刻洞察：復(fù)雜的推理能力可能不是來(lái)自精密的監(jiān)督，而是來(lái)自迫使模型思考的環(huán)境挑戰(zhàn)。

從實(shí)用角度來(lái)看，SPIRAL為AI訓(xùn)練提供了一條全新的道路。傳統(tǒng)方法需要專家設(shè)計(jì)復(fù)雜的獎(jiǎng)勵(lì)函數(shù)、策劃訓(xùn)練問(wèn)題并驗(yàn)證推理軌跡，每個(gè)新的推理領(lǐng)域都需要專家來(lái)設(shè)計(jì)評(píng)估指標(biāo)、策劃訓(xùn)練問(wèn)題并驗(yàn)證推理軌跡。這種手工過(guò)程隨著我們追求更通用的智能而變得越來(lái)越不可持續(xù)，限制了模型能夠?qū)W習(xí)的推理挑戰(zhàn)的規(guī)模和多樣性。SPIRAL通過(guò)游戲動(dòng)態(tài)單獨(dú)生成無(wú)限訓(xùn)練數(shù)據(jù)，消除了對(duì)人工策劃問(wèn)題-答案對(duì)的依賴。

從理論角度來(lái)看，這項(xiàng)研究支持了一個(gè)重要觀點(diǎn)：智能的涌現(xiàn)可能不需要復(fù)雜的架構(gòu)設(shè)計(jì)，而需要合適的環(huán)境壓力。競(jìng)爭(zhēng)壓力剝奪了記憶，因?yàn)樽詫?duì)弈對(duì)手不斷演進(jìn)，迫使模型發(fā)展真正的推理而非模式匹配。游戲隔離了純推理，沒有領(lǐng)域復(fù)雜性，游戲教授了有效泛化的基本認(rèn)知操作（枚舉、評(píng)估、綜合）。在游戲中學(xué)到的結(jié)構(gòu)化輸出格式為模型重用數(shù)學(xué)問(wèn)題提供了推理腳手架。

當(dāng)然，研究也存在一些局限性。雖然消除了人工策劃的問(wèn)題，但SPIRAL仍然需要設(shè)計(jì)游戲環(huán)境。實(shí)驗(yàn)使用簡(jiǎn)單游戲（井字棋、Kuhn Poker、簡(jiǎn)單談判），擴(kuò)展到復(fù)雜環(huán)境仍有待探索。計(jì)算要求相當(dāng)大（每個(gè)實(shí)驗(yàn)需要8個(gè)H100 GPU運(yùn)行25小時(shí)）。性能在延長(zhǎng)訓(xùn)練后趨于平穩(wěn)，評(píng)估重點(diǎn)關(guān)注學(xué)術(shù)基準(zhǔn)而非需要常識(shí)或倫理判斷的現(xiàn)實(shí)推理任務(wù)。

盡管如此，這項(xiàng)工作開啟了幾個(gè)激動(dòng)人心的研究方向。擴(kuò)展到合作游戲、納入部分可觀察性、設(shè)計(jì)針對(duì)特定推理弱點(diǎn)的游戲都是值得探索的領(lǐng)域。理解為什么某些游戲發(fā)展特定技能可能實(shí)現(xiàn)有原則的環(huán)境設(shè)計(jì)。研究團(tuán)隊(duì)甚至設(shè)想了自我改進(jìn)智能體生態(tài)系統(tǒng)，生成越來(lái)越復(fù)雜的挑戰(zhàn)，創(chuàng)造超越人類監(jiān)督的自主推理發(fā)展。

說(shuō)到底，SPIRAL證明了簡(jiǎn)單游戲可以解鎖復(fù)雜推理，而無(wú)需領(lǐng)域特定數(shù)據(jù)。通過(guò)利用競(jìng)爭(zhēng)壓力，研究團(tuán)隊(duì)創(chuàng)造了發(fā)現(xiàn)自己課程并持續(xù)改進(jìn)的系統(tǒng)。從游戲到數(shù)學(xué)的遷移表明，智能的涌現(xiàn)可能不是來(lái)自精密的監(jiān)督，而是來(lái)自迫使模型思考的環(huán)境挑戰(zhàn)。這種范式轉(zhuǎn)換指向了AI系統(tǒng)自主推動(dòng)推理邊界并通過(guò)自對(duì)弈持續(xù)演進(jìn)的未來(lái)。

當(dāng)我們站在AI發(fā)展的十字路口時(shí)，SPIRAL提醒我們，有時(shí)候最簡(jiǎn)單的想法——讓AI通過(guò)游戲?qū)W習(xí)——可能蘊(yùn)含著最深刻的洞察。正如人類通過(guò)游戲?qū)W會(huì)了策略思維和問(wèn)題解決，AI也許能夠通過(guò)同樣的方式發(fā)展出真正的智能。這不僅是技術(shù)的進(jìn)步，更是我們對(duì)智能本質(zhì)理解的一次重要飛躍。

Q&A

Q1：SPIRAL是什么？它能做什么？ A：SPIRAL是新加坡國(guó)立大學(xué)開發(fā)的AI訓(xùn)練框架，通過(guò)讓AI與自己的復(fù)制版本玩零和游戲來(lái)提升推理能力。它的核心能力是無(wú)需任何數(shù)學(xué)題目訓(xùn)練，僅通過(guò)游戲就能讓AI在數(shù)學(xué)和通用推理測(cè)試中提升8%以上的表現(xiàn)。

Q2：為什么玩游戲能提升AI的數(shù)學(xué)推理能力？ A：研究發(fā)現(xiàn)游戲訓(xùn)練能培養(yǎng)三種核心推理模式：系統(tǒng)性分解、期望值計(jì)算和逐案分析。這些模式能完美轉(zhuǎn)移到數(shù)學(xué)問(wèn)題求解中。競(jìng)爭(zhēng)壓力迫使AI發(fā)展真正的推理能力而非簡(jiǎn)單記憶，就像人類通過(guò)下棋學(xué)會(huì)策略思維一樣。

Q3：這項(xiàng)技術(shù)會(huì)不會(huì)改變AI訓(xùn)練方式？ A：很可能會(huì)。傳統(tǒng)AI訓(xùn)練需要專家設(shè)計(jì)大量題目和標(biāo)準(zhǔn)答案，成本高昂。SPIRAL通過(guò)自對(duì)弈游戲自動(dòng)生成無(wú)限訓(xùn)練數(shù)據(jù)，大大降低了訓(xùn)練成本。雖然目前仍需要設(shè)計(jì)游戲環(huán)境，但已經(jīng)展現(xiàn)出替代傳統(tǒng)監(jiān)督學(xué)習(xí)的巨大潛力。