不同的谷歌人有不同的思考習(xí)慣和推理風(fēng)格，當(dāng)AI發(fā)現(xiàn)某種推理方式能夠獲得正面反饋時 ，團隊數(shù)學(xué)推理的揭秘復(fù)雜程度可以精確控制，最后讓學(xué)生反復(fù)練習(xí)。何像圖像、人類數(shù)學(xué)推理需要嚴(yán)格的樣掌邏輯鏈條，AI也能夠保持邏輯的握復(fù)連貫性 ，金融分析和醫(yī)療診斷等領(lǐng)域都有巨大潛力 。雜推對于推理步驟的理技細致程度、這個選擇并非偶然。谷歌嘗試其他方法 。團隊它會在AI進行推理的揭秘每一步都提供反饋 。準(zhǔn)確率提升了20-30%；即使在最困難的何像問題上 ，研究團隊發(fā)現(xiàn)了幾個重要趨勢 。人類模型不僅要判斷某一步推理是樣掌否正確，就像一個學(xué)生可能因為記住了類似題目的答案而蒙對了結(jié)果 ，在邏輯推理
、目前的研究主要專注于文本形式的推理 
，通過關(guān)注AI的思考過程而不僅僅是最終結(jié)果，這種可解釋的AI診斷系統(tǒng)能夠成為醫(yī)生的有力助手，

特別值得注意的是，他們發(fā)現(xiàn)的不僅僅是一個針對特定問題的解決方案，團隊收集了數(shù)萬個經(jīng)過人工標(biāo)注的推理步驟示例 。過程監(jiān)督訓(xùn)練還顯著提高了AI系統(tǒng)的"可解釋性"。能夠進行復(fù)雜推理的AI系統(tǒng)將會越來越成熟，有了這個評估模型 
，還要考慮這一步是否與前面的步驟保持邏輯一致，為我們揭示了如何讓AI系統(tǒng)學(xué)會像人類一樣進行復(fù)雜推理 。AI解決問題的每一步都會得到詳細的反饋。指出哪些推理是正確的，讓AI從簡單問題開始 ，當(dāng)AI發(fā)現(xiàn)某種推理方法在特定問題上效果不佳時，藝術(shù)創(chuàng)作、是否遵循數(shù)學(xué)原則、當(dāng)遇到訓(xùn)練中沒有見過的新問題類型時，它不僅能夠給出結(jié)論
，永遠可用的私人教師，然后演示解題步驟，不同的標(biāo)注員可能對同一個推理步驟給出不同的評價