跟着小螃蟹，看懂 AI 的推理能力

小螃蟹选好了故事会场地：“有顶棚，老人不会晒着，完美！”

我问：“报名二十人，那里只有八把椅子，剩下的人呢？”

它举起钳子：“我可以站着。”

“你可以，不能替大家决定。”

01 推理：从已有信息，推出结论

理解帮助系统弄清要求；推理把事实、规则与条件组合起来，判断能推出什么。

“需要二十个座位”是要求，“只有八把椅子”是事实。结合起来，可以判断现有座位不足。至于能否补椅子，还要查场地条件。

理解与推理有交叉，这张能力地图只是便于排查，并不是模型内部固定的流水线。

02 有资料，还要会用资料

机器人查到了两处场地：顶棚下有八个座位；室内大厅有二十个座位，但入口有台阶。

如果参加者需要无障碍通行，就不能只凭“座位够”认定大厅合适。要进一步查有没有无障碍入口。

知识提供材料，推理检查材料与要求之间的关系。缺少的信息，应保留为待确认项，不能自己补成事实。

03 三种常见推理方式

演绎：从规则和事实推出结论。例如规则要求座位数不少于人数，现有八座、报名二十人，就不满足这项要求。结论是否可靠，仍取决于前提是否真实、推导是否有效。

归纳：从多次观察总结规律。几次故事会晚上到场人数较多，可以形成一个倾向判断，但不能保证下一次也如此。

溯因：为现象寻找可能解释。有人没到场，可能是天气、时间或通知遗漏。解释合理，也要寻找证据，不能直接认定原因。

小螃蟹说：“所以‘可能因为’和‘已经证明’，不能写成一回事。”

04 理由很长，不等于推理正确

模型可以把问题拆成多步，但也可能从错误前提出发，漏掉条件，或写出看似连贯却不成立的解释。

展示出来的理由，也不保证忠实反映模型内部的实际计算。检查答案时，应核对证据、关键约束和结论，而不是按篇幅打分。

算座位差额，可以用代码或计算器核验；判断场地能否预约，应查真实记录。

05 ‘推理’还有另一种技术用法

机器学习中，inference 常译为“推理”，指使用训练好的模型计算输出。图片分类、生成下一段文字，都可以属于这种模型推理。

这里讲的 reasoning，侧重组合信息、推导结论。看到‘推理接口’，不能因此认定它提供了逻辑推理能力。

06 给结论留一条核验路径

机器人找到了一个有二十个座位、带无障碍入口的室内场地。

小螃蟹这次没有直接宣布成功：“这两项条件满足了。开放时间和预约状态，还要确认。”

检查 AI 的推理，可以问：依据是什么？缺了哪些条件？结论是否超出了证据？怎样验证？

选出候选场地之后，预约和实际办活动，还需要规划与行动。

漫画为教学场景，配图由 AI 生成。

往期

《同事说我是财迷。公司买的 AI 账号有两个人没用，我接过来了》

《AI时代，程序员拼的到底是什么》

《AI 画漫画 25 美元，挑毛病 50 美元——读者催的漫画教程，和我拖着不发的真实原因》

《如果有十几亿白名单，每天白天需要高并发查询，晚上需要更新一次，如何设计？》