這項(xiàng)由阿里巴巴集團(tuán)Qwen團(tuán)隊(duì)的張振儒、鄭楚杰、吳楊真、張北晨、林潤吉、于博文、劉大一恒、周靖人、林俊揚(yáng)等研究人員完成的研究，發(fā)表于2025年6月的arXiv預(yù)印本平臺，論文編號為arXiv:2501.07301v2。有興趣深入了解的讀者可以通過https://hf.co/Qwen/Qwen2.5-Math-PRM-7B和https://hf.co/Qwen/Qwen2.5-Math-PRM-72B訪問完整的研究成果和模型。

當(dāng)我們?nèi)祟愖鰯?shù)學(xué)題時(shí)，不僅要關(guān)心最終答案是否正確，更要確保推理過程的每一步都合理可靠。比如解一道復(fù)雜的幾何題，即使你最后得到了正確答案，但如果中間某一步的邏輯有誤，這種"巧合的正確"其實(shí)非常危險(xiǎn)?，F(xiàn)在的人工智能數(shù)學(xué)推理面臨著同樣的挑戰(zhàn)。

現(xiàn)代大語言模型在數(shù)學(xué)推理方面已經(jīng)表現(xiàn)出色，但它們有個(gè)致命弱點(diǎn)：經(jīng)常在推理過程中犯錯(cuò)，有時(shí)甚至能從錯(cuò)誤的步驟中"神奇地"推出正確答案，有時(shí)又會從正確的推理中得出錯(cuò)誤結(jié)論。這就像一個(gè)聰明但粗心的學(xué)生，知識儲備足夠，但經(jīng)常在計(jì)算和邏輯推理中出現(xiàn)紕漏。

為了解決這個(gè)問題，研究人員開發(fā)了一種叫做"過程獎(jiǎng)勵(lì)模型"的技術(shù)。如果把數(shù)學(xué)推理比作烹飪一道復(fù)雜菜品，那么傳統(tǒng)的評價(jià)方法只關(guān)注最終菜品的味道，而過程獎(jiǎng)勵(lì)模型則像一位經(jīng)驗(yàn)豐富的廚師，不僅要確保最終成品美味，更要監(jiān)督烹飪過程中的每一個(gè)步驟——從選料、切配、調(diào)味到火候控制，每一環(huán)都要做到位。

然而，訓(xùn)練這樣的"廚師監(jiān)督員"并不簡單。就像培養(yǎng)一位能夠準(zhǔn)確判斷每個(gè)烹飪步驟是否正確的專家一樣，訓(xùn)練過程獎(jiǎng)勵(lì)模型需要大量高質(zhì)量的標(biāo)注數(shù)據(jù)。目前主流的方法是使用"蒙特卡洛估計(jì)"——這就像讓多個(gè)廚師從同一個(gè)中間步驟開始繼續(xù)烹飪，看看有多少人能做出美味的成品，然后根據(jù)成功率來判斷這個(gè)中間步驟的質(zhì)量。

但阿里巴巴的研究團(tuán)隊(duì)發(fā)現(xiàn)，這種方法存在嚴(yán)重缺陷。他們通過大量實(shí)驗(yàn)證明，蒙特卡洛估計(jì)就像讓一群水平參差不齊的廚師來評判烹飪步驟，結(jié)果往往不夠可靠。有些廚師可能從看似錯(cuò)誤的步驟中救回整道菜，而另一些廚師可能把原本正確的步驟搞砸。這種評價(jià)方法的不穩(wěn)定性導(dǎo)致訓(xùn)練出的監(jiān)督員判斷力不夠準(zhǔn)確。

更令人驚訝的是，研究團(tuán)隊(duì)還發(fā)現(xiàn)了當(dāng)前評估過程獎(jiǎng)勵(lì)模型的方法存在偏差。傳統(tǒng)的"最佳選擇"評估策略就像在多道菜中選擇最好的一道，但這種方法容易被"外表光鮮但制作過程有問題"的菜品蒙蔽。一道菜看起來色香味俱全，但如果制作過程中存在食品安全隱患，那么它就不應(yīng)該被選為最佳。

針對這些問題，阿里巴巴團(tuán)隊(duì)提出了一個(gè)創(chuàng)新的解決方案：共識過濾機(jī)制。這就像同時(shí)請兩位不同流派但都經(jīng)驗(yàn)豐富的大廚來評判每個(gè)烹飪步驟，只有當(dāng)兩位大廚都認(rèn)為某個(gè)步驟有問題時(shí)，才將其標(biāo)記為錯(cuò)誤。這種方法結(jié)合了蒙特卡洛估計(jì)和大語言模型判斷的優(yōu)勢，大大提高了數(shù)據(jù)質(zhì)量和訓(xùn)練效率。

研究團(tuán)隊(duì)的實(shí)驗(yàn)結(jié)果令人印象深刻。他們訓(xùn)練的過程獎(jiǎng)勵(lì)模型在多個(gè)數(shù)學(xué)推理基準(zhǔn)測試中都取得了最佳性能，特別是在識別推理錯(cuò)誤方面表現(xiàn)出色。就像培養(yǎng)出了一位火眼金睛的烹飪專家，能夠準(zhǔn)確識別制作過程中的每一個(gè)問題。

**一、傳統(tǒng)方法的困境與突破**

要理解這項(xiàng)研究的意義，我們首先需要明白什么是過程獎(jiǎng)勵(lì)模型，以及為什么它如此重要?；氐轿覀兊呐腼儽扔?，傳統(tǒng)的數(shù)學(xué)推理評估就像只品嘗最終成品來判斷廚師水平，而過程獎(jiǎng)勵(lì)模型則要求評估者深入廚房，觀察烹飪的每一個(gè)環(huán)節(jié)。

在數(shù)學(xué)推理中，這種細(xì)致入微的監(jiān)督至關(guān)重要。比如解一道代數(shù)方程，學(xué)生可能在第三步犯了一個(gè)符號錯(cuò)誤，但在第五步又無意中抵消了這個(gè)錯(cuò)誤，最終得到了正確答案。傳統(tǒng)方法會認(rèn)為這次推理完全正確，但過程獎(jiǎng)勵(lì)模型能夠識別出第三步的錯(cuò)誤，從而幫助學(xué)生真正掌握正確的解題方法。

阿里巴巴團(tuán)隊(duì)在研究初期嘗試了業(yè)界常用的蒙特卡洛估計(jì)方法。這種方法的基本思路是：對于推理過程中的每一步，讓模型從這一步開始繼續(xù)推理多次，然后統(tǒng)計(jì)有多少次能得到正確的最終答案，以此來判斷這一步的質(zhì)量。聽起來很合理，但實(shí)際效果卻令人失望。

研究團(tuán)隊(duì)發(fā)現(xiàn)，蒙特卡洛估計(jì)就像讓一群技能水平不一的廚師來評判中間步驟的質(zhì)量。有些廚師技藝高超，即使從一個(gè)有問題的中間步驟開始，也能通過巧妙的補(bǔ)救措施做出美味的菜品。而另一些廚師可能因?yàn)樽陨砑寄芟拗疲瑥囊粋€(gè)完全正確的步驟出發(fā)卻做砸了整道菜。這樣的評判結(jié)果顯然不能準(zhǔn)確反映中間步驟的真實(shí)質(zhì)量。

更具體地說，研究團(tuán)隊(duì)構(gòu)建了包含約50萬個(gè)數(shù)學(xué)問題的大規(guī)模數(shù)據(jù)集，對每個(gè)問題生成6到8個(gè)不同的解答方案。然后使用不同規(guī)模的數(shù)學(xué)專門模型（7B和72B參數(shù)）對每個(gè)推理步驟進(jìn)行8次獨(dú)立的后續(xù)推理，通過成功率來評估步驟質(zhì)量。然而，訓(xùn)練出的模型在實(shí)際評估中表現(xiàn)不佳，特別是在識別具體錯(cuò)誤步驟方面遠(yuǎn)不如基于人工標(biāo)注訓(xùn)練的模型。

研究團(tuán)隊(duì)還嘗試了軟標(biāo)簽和硬標(biāo)簽兩種不同的訓(xùn)練方式。硬標(biāo)簽將步驟簡單地分為正確或錯(cuò)誤兩類，而軟標(biāo)簽則用0到1之間的數(shù)值表示步驟正確的概率。令人意外的是，在數(shù)據(jù)噪聲較高的情況下，這兩種方法的差異并不明顯，說明數(shù)據(jù)質(zhì)量問題掩蓋了訓(xùn)練方法的影響。

**二、共識過濾：兩位大廚的智慧**

面對蒙特卡洛估計(jì)方法的局限性，研究團(tuán)隊(duì)提出了一個(gè)巧妙的解決方案：共識過濾機(jī)制。這個(gè)方法的核心思想是讓兩種不同的評估方式相互驗(yàn)證，只有當(dāng)它們在錯(cuò)誤位置上達(dá)成一致時(shí)，才將相關(guān)數(shù)據(jù)用于訓(xùn)練。

具體來說，研究團(tuán)隊(duì)使用了兩種評估方法：一種是傳統(tǒng)的蒙特卡洛估計(jì)，另一種是讓大語言模型直接判斷每個(gè)推理步驟的正確性。就像請兩位來自不同流派的資深廚師來評判同一道菜的制作過程，一位專注于傳統(tǒng)技法，另一位則更注重創(chuàng)新方法。只有當(dāng)兩位廚師都認(rèn)為某個(gè)步驟存在問題時(shí)，這個(gè)步驟才被標(biāo)記為錯(cuò)誤。

這種共識機(jī)制的效果非常顯著。原本86萬個(gè)訓(xùn)練樣本經(jīng)過共識過濾后，只保留了約40%的數(shù)據(jù)，但這些數(shù)據(jù)的質(zhì)量大幅提升。研究結(jié)果顯示，使用這些經(jīng)過篩選的數(shù)據(jù)訓(xùn)練的模型，不僅在傳統(tǒng)評估指標(biāo)上表現(xiàn)更好，在識別推理錯(cuò)誤的專門測試中也明顯優(yōu)于使用全量數(shù)據(jù)訓(xùn)練的模型。

更重要的是，這種方法顯著提高了數(shù)據(jù)利用效率。就像精選食材能讓廚師事半功倍一樣，高質(zhì)量的訓(xùn)練數(shù)據(jù)讓模型學(xué)習(xí)過程更加高效。用40%的數(shù)據(jù)就能達(dá)到甚至超越使用全量數(shù)據(jù)的效果，這在當(dāng)前算力資源珍貴的時(shí)代具有重要意義。

研究團(tuán)隊(duì)還深入分析了不同標(biāo)簽策略的效果。他們發(fā)現(xiàn)，在數(shù)據(jù)質(zhì)量較低時(shí)，硬標(biāo)簽和軟標(biāo)簽的表現(xiàn)相差不大，因?yàn)楦咴肼曆谏w了兩者的區(qū)別。但在經(jīng)過共識過濾提高數(shù)據(jù)質(zhì)量后，硬標(biāo)簽的表現(xiàn)明顯優(yōu)于軟標(biāo)簽。這說明對于過程獎(jiǎng)勵(lì)模型這種需要明確判斷步驟正確性的任務(wù)，確定性的二分類標(biāo)簽比概率化的軟標(biāo)簽更加適用。

研究團(tuán)隊(duì)還探索了不同閾值設(shè)置對蒙特卡洛估計(jì)效果的影響。他們嘗試了從1/8到7/8的不同閾值，發(fā)現(xiàn)將閾值設(shè)置為0（即只要8次后續(xù)推理中有任何一次成功就認(rèn)為步驟正確）時(shí)效果最好。這個(gè)發(fā)現(xiàn)很有意思，說明在判斷推理步驟質(zhì)量時(shí)，"寧可漏過也不能錯(cuò)殺"的策略更加有效。

**三、評估方法的革新：不只看結(jié)果，更要看過程**

阿里巴巴團(tuán)隊(duì)不僅在訓(xùn)練方法上有所突破，還深入分析了當(dāng)前評估過程獎(jiǎng)勵(lì)模型方法存在的問題。他們發(fā)現(xiàn)，業(yè)界廣泛使用的"最佳選擇"評估策略存在系統(tǒng)性偏差，就像只看菜品外觀來評判廚師水平一樣不夠全面。

最佳選擇評估的基本思路是：讓模型對多個(gè)候選解答進(jìn)行評分，然后選擇得分最高的作為最終答案。這種方法的問題在于，當(dāng)前的語言模型經(jīng)常會生成"外表正確但過程有誤"的解答。比如一個(gè)模型可能用錯(cuò)誤的推理方法得到了正確的數(shù)學(xué)答案，傳統(tǒng)評估會認(rèn)為這是優(yōu)秀的表現(xiàn)，但從教育角度看，這樣的推理過程毫無價(jià)值。

研究團(tuán)隊(duì)通過詳細(xì)分析發(fā)現(xiàn)，隨著數(shù)學(xué)問題難度的增加，這種現(xiàn)象變得更加普遍。在簡單的小學(xué)數(shù)學(xué)問題中，約5%的正確答案來自有缺陷的推理過程。而在復(fù)雜的奧數(shù)競賽題目中，這個(gè)比例高達(dá)43%。這意味著單純基于最終答案的評估方法在處理復(fù)雜問題時(shí)可能產(chǎn)生嚴(yán)重誤導(dǎo)。

為了驗(yàn)證這一發(fā)現(xiàn)，研究團(tuán)隊(duì)從多個(gè)數(shù)學(xué)基準(zhǔn)測試中抽取了有正確答案的解題過程，并進(jìn)行了細(xì)致的人工分析。結(jié)果證實(shí)，大量看似正確的解答實(shí)際上包含邏輯錯(cuò)誤或計(jì)算失誤。更令人擔(dān)憂的是，許多現(xiàn)有的過程獎(jiǎng)勵(lì)模型都無法準(zhǔn)確識別這些隱藏的錯(cuò)誤，在專門的錯(cuò)誤識別測試中準(zhǔn)確率普遍低于50%。

研究團(tuán)隊(duì)還發(fā)現(xiàn)了另一個(gè)有趣現(xiàn)象：許多過程獎(jiǎng)勵(lì)模型在實(shí)際使用中逐漸偏離了其設(shè)計(jì)初衷。原本應(yīng)該評估每個(gè)推理步驟質(zhì)量的模型，在經(jīng)過最佳選擇評估的優(yōu)化后，變得越來越關(guān)注最終答案而非中間過程。通過分析這些模型的評分分布，研究團(tuán)隊(duì)發(fā)現(xiàn)超過40%的模型將最低分集中在最后一步（通常是給出最終答案的步驟），這表明模型實(shí)際上在進(jìn)行結(jié)果導(dǎo)向的評估而非過程導(dǎo)向的評估。

這個(gè)發(fā)現(xiàn)揭示了一個(gè)深層問題：當(dāng)我們用不合適的評估方法來優(yōu)化模型時(shí)，模型可能會學(xué)會"投機(jī)取巧"，專注于那些容易提高評估分?jǐn)?shù)但偏離真實(shí)目標(biāo)的策略。就像學(xué)生為了應(yīng)付考試而死記硬背標(biāo)準(zhǔn)答案，而不去理解解題的真正思路一樣。

**四、開創(chuàng)性的解決方案與卓越成果**

基于對現(xiàn)有方法局限性的深入理解，阿里巴巴團(tuán)隊(duì)開發(fā)出了目前性能最優(yōu)的過程獎(jiǎng)勵(lì)模型。他們的方法結(jié)合了共識過濾和綜合評估策略，就像培養(yǎng)了一位既有敏銳判斷力又有全面視野的數(shù)學(xué)導(dǎo)師。

在數(shù)據(jù)構(gòu)建階段，研究團(tuán)隊(duì)采用了兩階段策略。第一階段是數(shù)據(jù)擴(kuò)展，他們使用蒙特卡洛估計(jì)方法生成大規(guī)模的候選標(biāo)注數(shù)據(jù)。這就像先讓多個(gè)廚師嘗試制作同一道菜，記錄下各種可能的制作過程。第二階段是數(shù)據(jù)過濾，使用大語言模型作為專業(yè)評判員，對每個(gè)推理步驟進(jìn)行細(xì)致分析。只有當(dāng)蒙特卡洛估計(jì)和語言模型評判在錯(cuò)誤位置上達(dá)成一致時(shí)，相關(guān)數(shù)據(jù)才被保留用于訓(xùn)練。

這種方法的效果在多個(gè)維度上都得到了驗(yàn)證。在傳統(tǒng)的最佳選擇評估中，新模型在7個(gè)不同的數(shù)學(xué)基準(zhǔn)測試上平均提升了1.4個(gè)百分點(diǎn)。更重要的是，在專門的錯(cuò)誤識別測試中，新模型的表現(xiàn)遠(yuǎn)超現(xiàn)有的開源替代方案，平均F1分?jǐn)?shù)達(dá)到73.5%，相比之下其他開源模型普遍在30%-60%之間。

研究團(tuán)隊(duì)訓(xùn)練了兩個(gè)不同規(guī)模的模型：7B參數(shù)和72B參數(shù)版本。7B模型在保持相對較小體積的同時(shí)，就能在大多數(shù)任務(wù)上超越現(xiàn)有的同規(guī)模競爭對手。72B模型則在復(fù)雜推理任務(wù)上表現(xiàn)更加出色，特別是在奧數(shù)競賽類問題上，其錯(cuò)誤識別準(zhǔn)確率達(dá)到了78.3%，接近專業(yè)數(shù)學(xué)教師的水準(zhǔn)。

除了性能提升，研究團(tuán)隊(duì)還在評估方法上做出了重要貢獻(xiàn)。他們倡導(dǎo)使用響應(yīng)級別和步驟級別相結(jié)合的綜合評估框架。這就像評判一位廚師時(shí)，既要品嘗最終的菜品，也要觀察整個(gè)烹飪過程，確保每個(gè)環(huán)節(jié)都符合專業(yè)標(biāo)準(zhǔn)。

研究團(tuán)隊(duì)還探索了將過程獎(jiǎng)勵(lì)模型與搜索算法結(jié)合的可能性。他們開發(fā)了一種貪婪搜索策略，在每個(gè)推理步驟都生成多個(gè)候選，然后使用過程獎(jiǎng)勵(lì)模型選擇最優(yōu)的下一步。這種方法就像讓導(dǎo)師在學(xué)生解題過程中實(shí)時(shí)給予指導(dǎo)，及時(shí)糾正可能的錯(cuò)誤方向。初步實(shí)驗(yàn)顯示，這種方法能夠進(jìn)一步提升數(shù)學(xué)推理的準(zhǔn)確性。

**五、深遠(yuǎn)影響與未來展望**

這項(xiàng)研究的意義遠(yuǎn)超數(shù)學(xué)推理本身，它為整個(gè)人工智能領(lǐng)域的過程監(jiān)督技術(shù)指明了新方向。就像培養(yǎng)一位優(yōu)秀導(dǎo)師不僅能幫助學(xué)生解決當(dāng)前問題，更能教會他們正確的思考方法一樣，過程獎(jiǎng)勵(lì)模型的進(jìn)步將推動人工智能向更可靠、更可解釋的方向發(fā)展。

從實(shí)際應(yīng)用角度看，這些改進(jìn)的過程獎(jiǎng)勵(lì)模型可以應(yīng)用在多個(gè)場景中。在教育領(lǐng)域，它們可以幫助老師更準(zhǔn)確地識別學(xué)生的推理錯(cuò)誤，提供針對性的指導(dǎo)。在科學(xué)研究中，它們可以輔助研究人員檢驗(yàn)復(fù)雜推理過程的正確性。在工業(yè)應(yīng)用中，它們可以提高自動化系統(tǒng)在處理復(fù)雜邏輯問題時(shí)的可靠性。

研究團(tuán)隊(duì)也坦誠地指出了當(dāng)前工作的局限性。首先，即使是改進(jìn)后的模型，在最具挑戰(zhàn)性的數(shù)學(xué)問題上仍有較大提升空間。這就像培養(yǎng)出的導(dǎo)師雖然已經(jīng)很優(yōu)秀，但面對最前沿的研究問題時(shí)仍需要持續(xù)學(xué)習(xí)和改進(jìn)。其次，如何將過程獎(jiǎng)勵(lì)模型更有效地整合到強(qiáng)化學(xué)習(xí)流程中，仍然是一個(gè)待解決的問題。

另一個(gè)重要方向是如何更好地利用現(xiàn)有的高質(zhì)量人工標(biāo)注數(shù)據(jù)。研究團(tuán)隊(duì)認(rèn)為，通過弱監(jiān)督學(xué)習(xí)等方法逐步擴(kuò)展高質(zhì)量數(shù)據(jù)集，可能是未來的一個(gè)重要發(fā)展方向。這就像用少量專家級教材來培養(yǎng)更多優(yōu)秀教師，然后讓這些教師去培訓(xùn)更多學(xué)生。

從技術(shù)發(fā)展趨勢看，這項(xiàng)研究還指出了一個(gè)重要方向：評估方法的改進(jìn)與模型改進(jìn)同樣重要。就像制定合理的考試制度對教育質(zhì)量的重要性一樣，開發(fā)更全面、更準(zhǔn)確的評估方法對人工智能技術(shù)的進(jìn)步具有關(guān)鍵意義。

研究團(tuán)隊(duì)已經(jīng)將訓(xùn)練好的模型開源，這為整個(gè)學(xué)術(shù)界和工業(yè)界提供了寶貴的資源。其他研究者可以基于這些模型進(jìn)一步探索過程監(jiān)督技術(shù)的潛力，推動相關(guān)技術(shù)在更多領(lǐng)域的應(yīng)用。

說到底，這項(xiàng)研究最重要的貢獻(xiàn)在于它改變了我們對人工智能能力評估的認(rèn)知。過去我們往往關(guān)注"人工智能是否能給出正確答案"，現(xiàn)在我們開始思考"人工智能是否能以正確的方式思考"。這種從結(jié)果導(dǎo)向到過程導(dǎo)向的轉(zhuǎn)變，標(biāo)志著人工智能正在從"巧合的正確"向"理解的正確"邁進(jìn)。

當(dāng)我們站在這個(gè)技術(shù)發(fā)展的關(guān)鍵節(jié)點(diǎn)回望，會發(fā)現(xiàn)這項(xiàng)研究不僅解決了數(shù)學(xué)推理中的具體問題，更為構(gòu)建更可靠、更可信的人工智能系統(tǒng)奠定了堅(jiān)實(shí)基礎(chǔ)。未來的人工智能將不僅能夠給出正確答案，更能夠展示清晰的推理過程，就像一位優(yōu)秀的導(dǎo)師，既有深厚的知識底蘊(yùn)，又能夠循循善誘地傳授智慧。

阿里巴巴Qwen團(tuán)隊(duì)的這項(xiàng)開創(chuàng)性工作，為我們描繪了這樣一個(gè)未來：人工智能不再是神秘的"黑箱"，而是透明可理解的智慧伙伴。當(dāng)我們能夠理解人工智能的思考過程時(shí)，我們也就能夠更好地信任它、改進(jìn)它，并與它協(xié)作解決更加復(fù)雜的問題。

Q&A

Q1：什么是過程獎(jiǎng)勵(lì)模型？它與傳統(tǒng)的評估方法有什么區(qū)別？

A：過程獎(jiǎng)勵(lì)模型就像一位能夠監(jiān)督整個(gè)烹飪過程的資深廚師，不僅關(guān)注最終菜品的味道，更要確保制作過程中的每一個(gè)步驟都正確無誤。傳統(tǒng)方法只看數(shù)學(xué)題的最終答案是否正確，而過程獎(jiǎng)勵(lì)模型要評估推理過程中每一步的合理性，能夠識別那些"歪打正著"得出正確答案但推理過程有誤的情況。

Q2：阿里巴巴團(tuán)隊(duì)提出的共識過濾機(jī)制是如何工作的？

A：共識過濾機(jī)制就像請兩位不同流派的資深廚師來評判同一道菜的制作過程。一種方法是蒙特卡洛估計(jì)，另一種是讓大語言模型直接判斷推理步驟。只有當(dāng)兩種方法都認(rèn)為某個(gè)步驟存在問題時(shí)，這個(gè)步驟才被標(biāo)記為錯(cuò)誤。這樣篩選出的訓(xùn)練數(shù)據(jù)雖然只有原來的40%，但質(zhì)量大幅提升，訓(xùn)練出的模型性能更優(yōu)秀。

Q3：這項(xiàng)研究對普通人有什么實(shí)際意義？

A：這項(xiàng)研究將讓人工智能在教育、科研、工業(yè)應(yīng)用等領(lǐng)域更加可靠。比如在教育中，它能幫助老師準(zhǔn)確識別學(xué)生的推理錯(cuò)誤并提供針對性指導(dǎo)；在自動化系統(tǒng)中，它能提高處理復(fù)雜邏輯問題的準(zhǔn)確性。更重要的是，它推動人工智能從"黑箱"向"透明可理解"轉(zhuǎn)變，讓我們更好地信任和使用AI技術(shù)。