我们先聊聊“思维链（Chain-of-Thought）”。这个方法很简单，就是让AI在回答问题前，先把思考步骤一步步写出来。 就像你解一道数学题，不会直接写答案，而是会先把公式和计算过程列出来。这样做的好处是，AI不容易在复杂的逻辑里绕晕，而且我们也能看到它的思考过程，知道它错在哪儿。 对于那些有清晰、线性解决路径的问题，比如“莎拉有3件20美元的衬衫和2条50美元的牛仔裤，总共打九折，她花了多少钱？”，思维链就很好用。 它会先算衬衫总价，再算牛仔裤总价，然后加起来，最后打折，步骤清晰，不容易出错。
但是，思维链有一个根本性的问题：它是一条直线。它只能沿着一个方向走到黑。 如果第一步就想错了，那后面基本就全错了，而且它自己还不知道回头。 这就像走一条单行道，发现是死胡同的时候，已经没法掉头了。此外，研究发现，思维链对模型的规模有要求，通常需要百亿参数以上的大模型才能看到明显效果，小模型用了反而可能产生不合逻辑的推理，导致准确率下降。
这就是“思维树（Tree of Thoughts）”出场的时候了。如果说思维链是走一条单行道，那思维树就是在走一个迷宫，它会在每个路口都派出探子去看看不同的路。 它不是沿着单一路径思考，而是在每一步都生成多个不同的“想法”或下一步的可能性，然后评估哪个想法最有前途，再继续深入。 这个过程就像一棵树，从一个树干（问题）开始，分出好几个大树枝（初步想法），每个大树枝又会分出更多小树枝（深化想法）。
这种方法的关键在于它引入了探索和评估机制。 AI不再是“一条路走到黑”的死脑筋，它学会了“货比三家”。它会自己判断哪些想法看起来不靠谱，然后剪掉那些“枯枝”，集中精力去培养那些最有希望长出果实的树枝。 如果发现一条路走不通，它还能退回到上一个分叉口，选择另一条路继续探索。 这种回溯和探索的能力，让它在解决特定类型的问题时，比思维链强得多。
那么，具体是哪些类型的问题呢？
第一类：需要广泛探索和战略规划的问题。
这类问题的特点是没有唯一的正确路径，需要尝试多种可能性才能找到最优解。典型的例子就是“24点游戏”。 规则很简单，用四个数字通过加减乘除得到24。
用思维链来解这个问题，效果非常差。它可能会随便选两个数做个运算，然后用结果和第三个数继续运算，这是一条线走下去的。如果初始的运算顺序或方式不对，就很难得到24。有研究显示，GPT-4用思维链提示解决24点游戏的成功率只有4%。
但思维树完全不同。它会把所有可能的运算组合都当成不同的“树枝”来探索。 比如，对于“4 9 10 13”这四个数，思维树会同时探索：
* 分支A：先算 9 + 13 = 22，然后看 22、10、4 怎么组合。
* 分支B：先算 10 * 4 = 40，然后看 40、9、13 怎么组合。
* 分支C：先算 13 – 9 = 4，然后看 4、10、4 怎么组合。
在探索每个分支时，它还会进行评估。比如分支B得到40，它可能会判断这个数字离24有点远，成功的可能性不大，于是降低这个分支的优先级。而分支C得到了两个4，它可能会觉得“4x(10-4)=24”这条路很有希望，于是投入更多资源去深化这个想法。 通过这种方式，思维树系统地探索了各种可能性，而不是盲目地撞大运。结果是，用思维树的方法，GPT-4解决24点游戏的成功率飙升到了74%。
类似的问题还有数独或填字游戏。 当你在一个格子里填入一个数字或字母时，这会影响到其他所有行列的可能选择。思维链式的思考只会让你一条道走到黑，很容易就陷入逻辑死胡同。而思维树则可以在一个格子里“试填”一个答案，然后推演下去，如果发现矛盾，它能立刻“回溯”到上一步，换一个答案再试。 这本质上是一种有策略的试错，非常接近人类解决这类谜题时的思考方式。
第二类：需要创造力和多方案构思的任务。
比如创意写作。 假设你让AI根据四个随机的句子写一个四段式的连贯故事。
用思维链，AI可能会直接把四个句子串起来，然后往下编。这种方式写出来的故事，情节可能很平淡，或者逻辑上很生硬。因为它从一开始就锁定了一个故事走向。
而思维树会把这个问题看作一个开放的创作过程。它会在写完第一段后，构思几种完全不同的情节发展方向作为不同的“分支”：
* 分支A：主角发现了一个古老的秘密。
* 分支B：主角遇到了一个神秘的陌生人。
* 分支C：情节发生反转，之前的一切都是个误会。
然后，AI会评估哪个分支更有戏剧性、更符合逻辑、更有趣。它可能会选择B分支，然后基于“遇到陌生人”这个情节，再构思接下来几段的多种可能性。 这种方法让AI的写作过程不再是线性的，而是充满了选择和优化，最终生成的文本在连贯性和创造性上都会好很多。
第三类：存在多种约束条件、需要权衡和决策的复杂问题。
这类问题在商业策略、行程规划或资源分配等现实场景中非常常见。比如，制定一个公司的五年发展战略。
思维链可能会给你一个看起来不错的方案，比如“第一年开拓市场，第二年增加研发，第三年……” 这个方案可能逻辑自洽，但它只是众多可能性中的一种。
思维树则会更像一个真正的战略顾问。它会把不同的战略方向作为顶级分支，比如：
* 分支A：积极扩张，进入新市场。
* 分支B：保守运营，专注于优化现有业务。
* 分支C：技术突破，开发颠覆性产品。
在每个分支下，它又会进一步分解出子任务和可能的风险，并对每个分支的潜在回报和成功率进行评估。 比如，在“积极扩张”的分支下，它会考虑进入哪个市场、面临的竞争、需要的资金等。通过这种系统性的分析，思维树能够提供一个更加全面、考虑更周全的决策参考，而不是一个单一的、未经比较的答案。
当然，思维树也不是万能的。它的最大缺点就是计算成本高。 因为要探索那么多条路径，它需要消耗更多的计算资源和时间。 对于那些简单、直接的问题，用思维树就像杀鸡用牛刀，不仅浪费，而且可能因为想得太多而把简单问题复杂化。 在这种情况下，高效直接的思维链反而更好。
所以，选择哪种方法，完全取决于你要解决的问题类型。 如果问题有标准答案，步骤清晰，比如大多数数学计算和事实问答，思维链简单高效，是更好的选择。但如果问题是开放性的，需要探索、规划、创造和权衡多种可能，那么思维树的优势就体现出来了。它通过模仿人类在面对复杂问题时的“深思熟虑”——即生成多种选项、评估优劣、在必要时回溯和调整——极大地拓展了AI解决复杂问题的能力边界。
评论前必须登录！
注册