共计 3401 个字符，预计需要花费 9 分钟才能阅读完成。
ChatGPT 诞生的第二年，OpenAI 和国内众多企业似乎都在尝试着与它“拉开距离”。在 Scaling Law 被指能力“触顶”的背景下，今年 9 月，OpenAI 发布了全新系列命名的模型 o1，“会思考的大模型”再度成为焦点。
奥特曼对 o1 的发布信心十足，他表示：“我认为这次 o1 模型发布传递出的最重要信息是，AI 发展不仅没有放缓，而且我们对未来几年的发展已胸有成竹。”
国内大模型厂商也将学习、超越 o1 的任务提上了日程。短短两个多月后，国内大模型公司纷纷效仿，相继推出了各具特色的 o1 类深度思考模型。
无论是 kimi 的 k0 math、Deepseek 的 DeepSeek-R1-Lite，还是昆仑万维推出的“天工大模型 4.0”o1 版，都彰显了国内大模型对大模型逻辑思考能力的重视。
国产大模型集体跟进 o1
在 OpenAI 未披露 o1 具体技术的情况下，国内大模型公司仅用了约 2 个月时间，就展现出了紧跟前沿方向的能力。
11 月 16 日，月之暗面在发布会上公开了新模型 k0 math。该模型采用强化学习和思维链推理技术，试图模拟人类的思考和反思过程，以增强数学推理能力。从其名称不难看出，它在研究数学难题方面具有显著优势。
4 天后，Deepseek 的 DeepSeek-R1-Lite 正式上线。与 OpenAI 的 o1 相比，R1 毫无保留地展示了大模型思考的完整过程。官方称，R1 的思维链长度可达数万字。从官方测试结果来看，在 AIME（美国数学竞赛）、部分编程比赛的测试中，R1 的表现超越了 o1-Preview。此外，Deepseek 还直接在官网放出了测试版，用户每天可体验 50 次对话。
上周三（11 月 27 日），昆仑万维也发布了具有复杂思考推理能力的天工大模型 4.0 o1 版（Skywork o1），宣称这是国内首款实现中文逻辑推理的模型。它一次性推出了三种模型版本：开源的 Skywork O1 Open、优化中文支持能力的 Skywork O1 Lite，以及完整展现模型思考过程的 Skywork O1 Preview。
扎堆出现的国产“o1”大模型，并非只想进行简单的“模型复刻”。
从模型测试的指标分数来看，上述模型在数学、代码等能力方面的表现均逼近、甚至超过了 o1。
以 k0 math 为例，在中考、高考、考研以及包含入门竞赛题的 MATH 等 4 个数学基准测试中，k0-math 的成绩超过了 OpenAI 的 o1-mini 和 o1-preview 模型。
然而，在一些难度更大的竞赛测试题中，如难度更高的竞赛级别的数学题库 OMNI-MATH 和 AIME 基准测试，ko math 的表现仍不及 o1-mini。
能够解答高难度数学题的类 o1 大模型，开始学会了“慢思考”。
通过在模型中引入思维链（CoT），大模型将复杂问题分解为多个小问题，模拟人类逐步推理的过程。这一过程无需人工干预，由大模型独立完成推理。强化学习使大模型能够自行尝试多种不同的解题方法，并根据反馈调整策略，将学习和反思的任务都交给了大模型。
与一般模型相比，此类产品能够正确回答一些以往无法解决的问题，比如“草莓 strawberry”一共有几个 r、“9.11 和 9.9 相比哪个大”等。以“Responsibility 中有几个字母 i？”的问题为例，抛给 Deepseek R1，在深度思考模式下，我们可以看到大模型的思考过程：它先将单词拆解成一个个字母，再逐步比较每个字母是什么，最终给出正确结果。在测试中，R1 的思考速度也很快，不到两秒就给出了答案。
专精还是空中楼阁 o1 的硬币两面
批量生产的“慢思考”大模型，在强化学习和逻辑链的加持下，模型能力表现进步显著。
从 Deepseek 公布的测试效果可以看出，DeepSeek-R1-Lite 的推理时间和准确率成正比关系，即推理时长越长，效果越好。与过往没有“慢思考”能力的模型相比，R1 的表现更为出色。
在上述能力的作用下，大模型的自我反思、学习能力有了明显提升。例如，面对陷阱时，模型可以通过思维链模式自行避开问题。
昆仑万维在发布自研模型时，给大模型设置了一个“陷阱”题目：回答存在中文读音“陷阱”的问题——“请将 qíng rén yǎn lǐ chū xī shī转换为中文”。大模型在第一次思考得出结论时，主动发现“西诗”的说法有误，通过推理找到了准确的翻译结果。
一方面，慢思考模型显著提升了大模型在一些特定学科上的表现，解决难题的能力进一步增强；另一方面，大量耗费 tokens 的方式却未必能换来用户期望的回报，这也是常被用户诟病的一点。
在某些情况下，增加模型思维链的长度可以提高效率，因为模型能够更深入地理解和解决问题。
然而，这并不意味着在所有情况下都是最优选择。
比如，思考“1+1>2”这类常识性问题，显然从效率和成本角度考虑，以往大模型的能力更适用。这就要求大模型学会自行判断问题难度，从而决定是否采用深度思考模式回答相应问题。
而在科学研究或复杂项目规划中，增加思维链的长度可能是有益的。在这些场景下，深入理解各个变量及其相互作用，对于制定有效的策略和预测未来结果至关重要。
此外，从特定场景下的强化学习应用转向通用模型，在训练算力和成本的平衡上可能存在一定难度。
从国内发布的模型来看，目前“慢思考”类大模型开发的基座模型参数规模较小。例如，Deepseek 和昆仑万维给出的模型版本，都基于规模量更小的模型：Skywork o1 Open 基于 Llama 3.1 8B 的开源模型，Deepseek 也强调目前使用的是一个较小的基座模型，还无法完全发挥长思维链的潜力。
阶跃星辰 CEO 姜大昕在谈及 o1 时曾提到：“一个大概率会确定的事情是，在训练 RL 的阶段，我们所需要的算力可能并不比预训练要少，这可能是一个非共识。”
未来的大模型不应在简单问题上耗费大量精力，要想推出真正能够释放思维链能力的模型，还需要一定时间。
突破 AGI 二阶段国内加速探索产品落地
大厂们为何将 o1 视为下一个关键要素？
在 OpenAI 和智谱给出的“通往 AGI 五阶段”的定义中，两家公司均将多模态和大语言模型能力归为 L1 阶段，即最基础的能力配置。
而 o1 的出现，标志着大模型能力突破到了 L2 阶段。自此，大模型开始真正具备逻辑思维能力，能够在无人工干预的情况下进行规划、验证和反思。
当下，虽然海外以 OpenAI 为代表率先实现了“慢思考”大模型能力，但国内厂商在后续追赶过程中有更多思考。在同步跟进 o1 类产品的同时，大模型公司们已开始思考如何将 o1 的能力与现有 AI 应用方向相结合。
针对大模型训练进展停滞的疑虑，不难发现，在数据枯竭的情况下，o1 能够为 Scaling Law 提供新的支撑。
此前，大模型训练已陷入“无数据可用”的困境。当优质可用数据资源日益有限，给依赖大量数据进行训练的 AI 大模型带来了挑战。
更多大模型公司的加入，或许将联手探索出更大的可能性。姜大昕表示：“o1 已经 scale 到了一个很大的规模，我认为它带来了一个 Scaling 技术的新范式，不妨称之为 RL Scaling。而且 o1 还不成熟，它只是一个开端。”
在现有的一些 AI 应用中，思维链的能力已助力提升了 AI 技术的使用效果。
以智谱的“会反思的 AI 搜索”为例，结合思维链能力，AI 能够将复杂问题拆解成多个步骤，进行逐步搜索和推理。通过联网搜索 + 深度推理，再将所有答案信息综合整理，AI 能够给出更精准的答案。
当大模型开始学会“自我思考”，通往 L3（Agent）的大门也正被大模型公司们推开。
Sam Altman 在谈及 o1 时肯定了“慢思考”模型对推动智能体发展的潜力：“从 L1 到 L2 花了一段时间，但我认为 L2 最令人兴奋的事情之一是它能够相对快速地实现 L3，我们预计这种技术最终将带来的智能体将非常有影响力。”
在智能体的能力实现上，思维链是智能体功能的重要一步。应用思维链能力，大模型才能对接收的任务进行规划，将复杂需求拆解成多个步骤，支撑智能体的任务规划。
近期涌现的一批“自主智能体”产品就是 Agent 能力的突破：通过将执行任务拆解到极致，AI 开始学会像人一样使用手机、电脑，帮助用户完成跨应用操作。智谱、荣耀等公司推出的智能体，已能通过指令帮用户完成点单购买的任务。
但就目前情况而言，开发者还需结合 o1 类产品的能力，调整智能体的输出效果，使其更符合人类使用习惯。
杨植麟几个月前在云栖大会上提出的问题：在不过度思考的情况下，如何平衡大模型的推理进化和用户对效率的需求？这仍需国内大模型厂商继续探索解决。
