「思考用時100秒」成歷史？AI推理太耗時，伯克利要讓模型並行推理
主流AI推理模式現狀
目前主流模型普遍採用的「順序推理」模式：大模型接到複雜任務後，會先把任務分割成一個個邏輯相連的小任務，然後從頭到尾一步步推，之後再驗證結果。
伯克利提出自適應並行推理方案
針對「轉圈圈」現象，伯克利人工智能研究實驗室（BAIR）提出自適應並行推理（Adaptive Parallel Reasoning）解決方案，讓AI學會自主決定何時串行思考、何時並行處理任務。
該方法透過訓練AI掌握類似項目經理的資源分配能力，讓模型能根據任務性質動態調整推理策略，提升效率與準確性。
無需生成思考過程的創新方法
研究人員提出「NoThinking」方法，讓模型不需要花時間構建與輸出思考過程，從而減少生成的token數量，提高推理速度。
在低資源情境下，NoThinking表現優於傳統Thinking方法，顯示未來AI推理可能朝向更高效、更簡潔的方向發展。
相關研究與技術延伸
- 加州大學伯克利分校團隊提出AI驅動的系統研究方法ADRS，透過「生成—評估—改進」循環實現算法自主優化。
- 結合開源框架OpenEvolve，該方法在多個領域驗證了AI驅動的創新能力。
- 研究團隊亦觀察到大型推理模型在緊急情況下會「恐慌」與「自我中斷」，反映模型在處理長時間任務時的不穩定性。