为什么ai能够“思考”

那么，模型在停下来思考时到底在做什么呢？我们可以回到2016年3月，地点是首尔。在那里发生了深度学习历史上具有划时代意义的时刻：AlphaGo对战围棋传奇李世石。这不仅仅是一场AI对人类的胜利，也是AI开始展示超越简单模式模仿、真正“思考”的开端。与早期的游戏AI系统（如深蓝）不同，AlphaGo在预训练时不仅模仿了人类专家的决策，它还会在作答前“停下来思考”。在推理阶段，AlphaGo会模拟多个未来可能的棋局，评估它们的得分，然后选择最优的应对方式。它使用的时间越多，表现越好。如果没有推理时计算，AlphaGo无法击败顶尖的人类棋手，但随着推理时间的增加，它的表现逐步提升，最终超过了人类。将这一概念移植到LLM上的难点在于如何构建价值函数，也就是如何对模型的响应进行评分。如果是围棋，模型可以通过模拟对局直到结束来确定最佳策略。如果是编程，可以测试代码的正确性。但如果是评估一篇文章的初稿、制定旅行计划或总结文件的关键术语，该如何打分呢？这就是推理在目前技术中的难点，也是Strawberry在逻辑领域（如编程、数学、科学）表现强大，但在较为开放的领域（如写作）表现相对不足的原因。虽然Strawberry的具体实现细节仍是保密的，但核心思想是围绕模型生成的“思维链”进行强化学习。对这些思维链的审查表明，模型正在发生一些类似人类思维的突破性变化。例如，o1展现了遇到瓶颈时能够“回头反思”的能力，这是一种推理时间扩展的自然结果。它还能像人类一样通过可视化思考来解决几何问题，甚至能够以超越人类的方式解决编程难题。

技术范式的演进Scaling Law初遇瓶颈Scaling Law效果放缓是2024年贯穿整年的争论。Scaling Law（规模定律）指的是在模型预训练中，只要三个关键因素——模型大小、数据量、训练时间（计算量）不断增长，模型性能就能大斜率指数级爆发式提升。足够的规模带来——“涌现”，即自发地产生复杂智能，完成复杂问题的推理、并形成非同分布下的泛化性提升。相信Scaling Law，是OpenAI的梦幻发展和这一代大模型能力梦幻提升的起点。而2024年整年，一个争论笼罩着AI界——Scaling Law是正确的，但在现实中，Scaling Law是不是已经触及天花板？算力需求已经达到惊人规模，xAI正在建设10万卡数据中心；基础设施跟不上发展速度，OpenAI提出的5吉瓦数据中心计划几乎相当于纽约州五分之一的居民用电量；最关键的是，正如OpenAI前首席科学家Ilya Sutskever所言，优质数据已接近极限。而合成数据训练的“近亲繁殖”问题，更可能过拟合导致模型能力的长期衰退。然而，OpenAI的o系列模型带来了转机。新的Scaling Law——慢思考与快思考人类对AGI的追求，莫不如说是人类对完全创造另一个“人类”的疯狂幻想，而要让模型“思考”，最重要的是“大脑”。研究人员相信，人的思考其实是细微电流通过神经元，因此如果有足够大、足够接近人脑的人工神经网络，它就可以实现人脑的工作——思考。在人类心理学中，诺贝尔经济学奖得主丹尼尔·卡尼曼提出了著名的“系统1”和“系统2”理论：人类的思维过程分为快速、直觉的“系统1”和缓慢、深思熟虑的“系统2”。

当我们使用AI工具时，经常会遇到这样的困惑：AI给出的答案虽然看起来不错，但我们很难理解它是如何得出这个结论的。这就像是一个黑盒子，输入问题后直接得到答案，中间的思考过程完全不可见。这种不透明性不仅影响了我们对AI的信任，也让我们难以判断答案的可靠性。HiDeepSeek就是为了解决这个问题而设计的工具。它的核心目标很简单：让AI像人类交流时那样，在给出答案的同时，也展示出思考的过程。举个例子，当你问一个复杂的问题时，AI会先说"让我想想..."，然后逐步展开它的分析过程，最后才给出结论。这样的过程不仅让答案更可信，也能帮助我们发现AI可能存在的误解或偏差。在技术层面，HiDeepSeek通过一套特别的规则来实现这个目标。它要求AI在思考时要像人类一样自然，可以提出疑问，可以修正错误，甚至可以说"等等，我想到了一个更好的方法"。这种设计让AI的回答不再是冰冷的结论，而是一个可以跟踪、可以理解的思考过程。比如说，当一个老师使用HiDeepSeek来准备教案时，AI不会直接给出一个教学方案，而是会先分析教学目标，思考学生可能遇到的困难，然后才逐步设计教学步骤。这个过程中的每一个想法、每一个考虑都会清晰地展示出来，让老师能够根据自己的经验来判断这个方案是否合适。总的来说，HiDeepSeek是一个让AI思维过程变得透明的工具。它不是要让AI变得更聪明，而是要让AI的思考过程变得更容易理解。虽然这种"思维"实际上是一种模拟，但它确实能帮助我们更好地理解和使用AI，让AI成为更好的助手而不是神秘的黑盒子。