推理王者o1到底怎么落地？

今天小编分享的科学经验：推理王者o1到底怎么落地？，欢迎阅读。

完整版 o1" 被泄露 "，成了上周 AI 界的大新闻。

9 月 13 日，OpenAI 发布了传说中代号 " 草莓 " 的全新模型系列的预览版 o1 preview，随后又上线了 o1 mini。o1 模型系列，能够模仿人类思维过程 " 慢思考 "，提升了 AI 的逻辑推理能力，成为 AI 模型领網域的王炸，牵动着整个行业的神经。

而就在上周，有不少用户突然发现，能在 ChatGPT 官网上用到完整版 o1 了。奥特曼更是不小心 " 登错账号 "，在社交媒体宣布 "o2 即将登场 "。

从 o1 preview 到 o2，这一系列模型，炸裂归炸裂，但所谓的推理能力好像并没有真正融入产业应用，以至于大家都有种狼来了的感觉，开始猜测这不过是奥特曼的又一次宣传噱头。

比如，就有网友觉得完整版 o1 被释放，并不是 " 不小心 "，而是 " 精心策划 " 的炒作，奥特曼 " 登错号剧透 o2" 也是装的。

如何避免真实的技术价值沦为 " 狼来了 " 的戏码？答案就是，别让模型能力成为空中楼阁，而是加速落地到产业中。

到底哪些场景才能充分发挥 o1" 慢思考 " 的技术潜力呢？本文就来找找产业化落地的路子。

落地产业，前提是正确认识到技术的价值。o1 模型系列与老前辈们的最大区别和价值究竟是啥呢？就是慢思考。

我们都知道 GPT-4o 啥的处理些日常琐事还行，但时不时就会犯点小迷糊，算个小学数学题加减法都错漏百出。而 o1 就像是经过严格训练的学霸，专克逻辑推理、复杂任务难题。前不久的 OpenAI 伦敦开发者日上，完整版 o1 的五大能力包括：函数调用、开发者 message、流式传输、结构化输出、影像理解。

如果说 4o 的数学水平是高中生程度，那么 9 月发布的 o1-preview 就有大学生水平了，即将发布的 o2 在 GPQA 研究生级别基准中取得了 105% 的成绩，未来是妥妥的研究生了。

而上述能力靠的就是 o1 的独门秘籍——慢思考。

已知人腦有两种模式：一种是快思考，就是咱们平时 " 一拍腦门 " 那种凭直觉、靠经验的快速决策；另一种是慢思考，指的是在解数学题、进行科学推理需要花时间、费精力去琢磨的思考模式，更注重逻辑和理性分析。

o1 通过学习人腦深思熟虑、稳扎稳打的思考模式，o1 采用强化学习 + 思维链，把复杂问题拆成小块，一步步来，直到得出最准确的答案，极大地提高了模型的推理能力。

研究生级别的学霸 o1 模型系列，给 AI 界带来了全新的可能。但如何将 " 慢思考 " 的技术潜力真正转化为实际应用，让 o1 成为推动产业进步的重要力量？还是一个需要进一步探索的话题。

产业大不同，落地有先后。按照落地的难易程度，我们可能会看到类 o1 的 " 慢思考 " 能力，在以下产业逐步应用开来。

坚实的数字化基础、对新技术的高接受度、强大的付费能力，这些特性使得金融成为大模型技术落地的理想场所。

几乎所有的大模型厂商，都将金融行业作为业务开拓的第一站。然而，在金融与大模型的结合过程中，由于大模型的推理能力不强，加上幻觉问题，导致大模型在金融领網域的复杂应用中表现并不理想。

此前，大模型在金融行业的应用范围，主要是一些容错率较高的浅层应用上，如智能客服、报表文档助手。而风控、信贷、投资分析等的严肃生产力场景，需要对多种模态的数据，进行深入分析和推理，决策质量要求极高。这些核心业务中，大模型在工作流中发挥的价值相对有限，主要还是得靠人类专家来做。

一位银行从业者表示，客户需要我们的理财分析师给出犀利、专业的观点来帮助决策，而大模型只会泛泛而谈，没什么参考价值。

人人都希望由专业的金融从业人员来服务，如果 AI 模型能够在一些容错率低的严肃场景中应用，只需要少量人工干预、监督和验证，那么专业人士的时间精力，不就可以解放出来了吗？随着 " 慢思考 " 逻辑推理能力的出现，这一期待真的有可能实现。

基于类 o1 的逻辑推理能力，我们有望看到 AI 在金融核心业务中承担起专家角色，发挥更重要的作用。比如像专业审核员一样读征信报告、看账单流水，甚至能解读网络大数据，思考和捕捉数据之间的关联，并生成风险判断的依据和结论。

又或者像专业分析师一样，根据用户需求进行个性化的产品设计，缜密分析投资策略，给出理财、投资、投保等建议。

慢思考可以让 AI 从浅层、边缘、单一的场景，进入到复杂、核心、高价值的核心业务中，突破大模型在金融行业的价值上限。

"o1 实在太强了……我的博士作业做了 20 个小时，被它 3 分钟思考就拿下了。刚读博就出这个，感觉人生都灰暗了 [ 流泪 ] 。" 逻辑推理能力达到研究生水平的 o1 模型系列，让不少人类研究生、博士生感到了切实的危机。

但用一句流行语来说，"o1 不是来拆散科研这个家，而是来加入这个家的 "。

近几十年来，神经网络算法已经被广泛应用于科研领網域，从宏观世界的天文探索、引力波探测，到微观世界的蛋白质折叠、同步光源等，数据科学和算法工程提供了大量的操作手段，帮助科学领網域的探索性课题取得突破。AI 技术已经成为科学研究不可或缺的一部分，AI4S 的大趋势不可阻挡。

面对这个过程，一位高校力学老师曾对我们说过一个比喻：AI 和力学的结合，就像是成功的婚姻才刚刚开始，会有甜蜜期，也会有磨合期。

传统模型算法虽然有强大的计算能力和手段，但缺乏深入的逻辑推理能力和对科学原理的深刻理解，面对复杂的科学问题时，往往力不从心，难以提供准确且可靠的解决方案。思考方式跟追求严谨的科学家们大相径庭，此前的 AI4S 全靠人类迁就。

而 o1 慢思考强调的逐步分析、深入推理，这种思考方式与科学研究的本质不谋而合。具备慢思考能力的 AI 模型，相当于掌握了硕博们的学习方法，可以逐步拆解问题、分析数据、反复验算、推导结论。

在科研领網域，类 o1 模型可以作为科学家们的 " 科研伴侣 "，扮演好几种角色：

1. 灵感缪斯。在一些经典的科学问题，或者已经成熟的科研结果上，科学家们往往还要开发新方法、新理论。这个过程中，AI 的逻辑推理能力可以发现数据之间的潜在联系和规律，提出新的假设和预测，为科学研究开辟新的道路。

2. 科研助理。随着科学领網域 " 低垂的果实 " 被摘完，科学家们要去解决更复杂的问题。以力学为例，在深水探索任务中，不仅要做简单的维度对比，还需要做更细节的探索研究，包括复杂的洋流环境、水下潜入等复杂动作，这些是传统的流体控制方法所难以预测的。而逻辑推理大模型可以在这类非线性、高维度的科学问题与科研应用上，有更好的性能表现。比如马克思普朗克研究所的量子物理学者 Mario Krenn，就展示了 o1-preview 正确完成计算的复杂量子物理问题。

3. 工程师助理。科研目的不是简单地开发新方法、新理论，最终成果要转化到工业界，去解决工业、生活中的现实问题，这就不单单需要新颖的想法，还需要技术的安全性、成熟度、容错率等。这时候，具备逻辑推理能力的大模型，可以在工业场景中处理复杂问题，降低幻觉，如同工程师助理一样，减少实际应用中的故障率。

无论是容错率较高的创造型任务，还是容错率较低的工程类任务，拥有 " 慢思考 " 能力的大模型，都会是一名更得力的助手，与科学长相厮守。

ChatGPT 的第一个应用案例，就是帮学生写作业，为此遭到了各国多所学校的严格限制。这种应用场景虽然不可取，但说明了一个道理：充斥着大量文本、重复任务的教育行业，是大模型落地的绝佳场景。

过去一年多来，" 大模型 + 教育 " 这个新风口的爆发，也证实了教育产业 AI 化的价值切实存在。但真正落地的应用，主要还是以 AI 口语对话、AI 批改作文、LLM 翻译、中英文写作等功能为主。

一旦覆盖到复杂的学科内容，比如数学、物理、化学等，连 "9.9 跟 9.11 谁大 " 都搞不清楚的 GPT 们就集体熄火了。国产大模型也同样如此，一位国产数学大模型的工作人员告诉我，做数学题的正确率是 60%。试问哪个家长敢让数学成绩刚及格，还热爱 " 胡说八道 " 的 AI 给孩子当家教呢？

逻辑推理，限制了模型的能力边界。而模型的能力限制，又进一步影响了智能教育硬體、个性化 AI 在线辅导服务的市场化推广步伐。可以说，解决大模型 + 教育的商业化问题，最关键的是问技术要出路，这也是慢思考模型的价值所在。

首先，具备慢思考的大模型，数学推理的能力飞跃，数学正确率更是肉眼可见地高涨。在刚刚结束的 2024 IOI 信息学奥赛题目中，o1 的微调版本在每题尝试 50 次条件下取得了 213 分，属于人类选手中前 49% 的成绩。如果允许它每道题尝试 10000 次，能获得 362.14 分，可以获得金牌。对于有算力、有开发能力的教育大模型公司来说，完全有可能开发出数学能力很强的垂类大模型，提供面向复杂学科或高年龄学段的 AI 辅导功能。

其次，叠加了多模态的推理大模型，进一步开拓教育应用。在泄露出来的完整版 o1，已经具备多模态能力了，支持上传附件，或直接识图。有网友将一道普特南数学竞赛的证明题截图发给 o1，就被具有影像推理能力的 o1 成功搞定。这意味着教育类大模型不再局限于文本、语言对话类的功能，可以跟物理世界产生互動，比如拍照答题、实时视频问答等，不管学生问的是现实世界中的什么问题，AI 都能大概率找出正确答案。

更为关键的是，由于慢思考的模型不再一味追求参数、追求 scaling law，而是着重于提高推理能力和认知效率。也就是说，面对一个复杂问题或任务，AI 大模型开始以 " 更聪明 " 的方法，而非 " 力大飞砖 " 的笨办法，模型的参数规模更小，更便于在硬體终端上部署，在同样的终端配置下，推理大模型可以表现更出色，这有利于 AI 学习机等教育类智能硬體的普及，为教育行业带来新的增长点。