四川
以往的AI更像个“被动应答机”，只懂根据现有信息回复，不会主动追问补充，而近期美国南加州大学、微软公司和加州大学戴维斯分校联合开展的研究，恰恰解决了这个痛点，让大模型学会了主动追问，大幅提升了人机协作的效果。
在以往的研究和应用中，大模型的定位更偏向“执行者”，要么是回答用户的事实性问题，要么是根据明确指令生成内容，几乎不参与创造性的信息挖掘过程，哪怕用户的需求模糊、信息不全，它也只会基于现有信息勉强输出，很难产出有深度的结果。
而这项研究最核心的突破，就是引入了主动信息收集的任务范式，让大模型从“被动等待指令”变成了“主动探索信息”，简单来说，就像面试时优秀的面试者会通过追问面试官来展现自身价值、明确岗位需求一样，经过训练的大模型也能在面对模糊提示时，主动识别信息缺口。
挖掘用户没说出来的隐含需求，这种转变可不是简单的功能升级，而是人机协作逻辑的重构，它让AI不再是单纯的工具，更像一个能平等互动的协作伙伴，这一点尤为重要，因为真正高效的协作从来不是单向的指令下达，而是双向的信息同步。
要让大模型学会主动追问，关键在于训练方式的创新。研究团队没有采用传统的针对性训练，也就是直接教模型该提什么问题、该要什么答案，用强化学习的方式，培养它的主动思考能力，这种思路就是授人以渔而非授人以鱼，核心是教给模型思考方式，而非具体答案。
在具体实现上，研究团队做了两个关键设计：一是选择了涵盖25个专业领域、1000多条数据的DOLOMITES数据集进行测试，并通过掩盖关键信息的方式，模拟真实场景中的模糊需求，确保训练的真实性和可学习性；二是设计了独特的奖励机制。
不关注模型提出问题的具体内容，而是奖励提出创造性问题这一行为本身，鼓励模型提出数据中不存在的新问题，为了获取稳定的奖励信号，研究团队还设计了对话模拟引擎，让两个AI互动：一个提出澄清问题，另一个对问题质量和回答有效性打分，以此形成闭环训练。
这样的训练方式带来了很好的泛化性，在自动评估指标上比基线模型o3-mini提高了18%；在人类评估中，其生成的澄清问题和最终大纲的偏好率分别达到42%和28%，这组数据充分说明，这种训练方式是有效的，模型真正学会了主动发现信息缺口的思考方式，而这种具备泛化性的能力，正是其能在多个领域落地的关键。
总的来说，这项让大模型学会主动追问的研究，不仅实现了技术层面的突破，更重构了人机协作的逻辑，它让我们看到，AI不再是冰冷的工具，而是能主动参与思考、助力创新的协作伙伴，从技术内核来看，“授人以渔”的训练思路，让模型具备了很强的泛化能力。
随着技术的不断完善，相信未来我们和AI的协作会越来越顺畅，更多复杂的创造性任务也能在人机配合下高效完成，而对于我们普通人来说，学会适应这种新型的人机协作模式，也会成为提升自身竞争力的重要方向。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
