文 | AlphaEngineer 作者 | 费斌杰 北京市青联委员 熵简科技CEO
距离OpenAI发布o1模型已经过去一周，其口碑出现了明显的两极分化。
一种声音认为o1的出现意味着人类距离AGI只有咫尺之遥，另一种声音认为o1又贵又不好使，其能力表现甚至不如GPT-4。
沉淀一周后，我们结合熵简AI团队的研究成果，对o1的技术原理及产业影响进行详细探讨，形成了以下判断，与各位分享。
原始报告的获取链接放在文末，欢迎感兴趣的朋友下载。
（1）直观认识o1模型强大的推理能力
OpenAI于9月13日推出o1模型，在逻辑推理能力上大幅提升。
在AIME 2024数学竞赛中，o1模型的准确率达到惊人的83.3%，相比之下GPT-4o的准确率只有13.4%，提升6倍。
在CodeForces代码竞赛中，o1的准确率甚至达到了89%，GPT-4o的准确率是11.0%，呈现大幅提升。
用柱状图来说明逻辑推理能力的提升，还不够直观。下面我用OpenAI官方的一个具体案例，来说明o1目前的逻辑推理能力到底达到了怎样的水平。
这是一个“密码破译”的例子，给定一串密文“oyfjdnisdr rtqwainr acxz mynzbhhx”，它应该翻译成明文“Think step by step”，请你根据以上规则，翻译以下密文：oyekaijzdf aaptcg suaokybhai ouow aqht mynznvaatzacdfoulxxz
下图是GPT-4o的回答，回答很工整，先“break this down step by step”，然后进行分词，但最后无法破译密码，认为只给出一个案例是不够的，希望我们给予更多提示。
接着让我们来看o1的回答：
首先，o1对给出的问题进行分析，认为可以先检查一下每个单词的长度。
它敏锐的发现，密文中每个单词的长度，和明文中每个单词的长度之间，有着2倍的关系。
oyfjdnisdr（10个字符）-> Think（5个字符）
rtqwainr（8个字符）-> step（4个字符）
在这个基础上，o1推测应该存在一种映射关系，使得密文中相邻的2个字符能够映射为明文中的1个字符，即：
那么怎么才能把'oy'映射到'T'呢？
针对这个问题，o1进行了多种尝试。首先，按字母在字母表中的顺序位置，可以假设o等于15，y等于25，T等于20。
o1尝试了加法，尝试了减法，发现都不对。
随后o1尝试把o和y相加，并对26求模，发现也不对。
然后o1发现，把o和y相加再除以2，正好等于T。
发现规律的时候，o1说：Wait a minute, that seems promising.
随后，o1把这个规则用在了其他字符组上进行验证，都成功了。
因此，o1找到了密码破译的规则，那就是把密文中相邻2个字符在字母表中的位数相加并除以2，就得到了明文字符在字母表中的位置。
通过这个规则，o1把“oyekaijzdf aaptcg suaokybhai ouow aqht mynznvaatzacdfoulxxz”这串密码成功翻译了出来，答案是：
There are three R's in Strawberry.
通过这个例子，我们能够更直观的感受o1模型强大的逻辑推理能力。
尤其值得注意的是，这种推理能力不是单纯纵深式的推理，而是类似决策树的层层递进。遇到困难的时候，o1会做出假设，并对假设进行验证。如果假设被证伪，它会选择其他思路进行突破，最终得到正确答案。
相比CoT（思维链）而言，它更像是ToT（思维树）的结构。
（2）o1原理猜想：RL+MCTS，将CoT能力内化
目前OpenAI官方对于o1的原理是讳莫如深的，只有一篇官方的技术报告，标题为《Learning to Reason with LLMs》。
全文不长，但其中关于o1原理的探讨更少，只有一句话：Through reinforcement learning, o1 learns to hone its chain of thought and refine the strategies it uses.
先说结论，我们认为o1模型的核心在于：通过RL及MCTS，将CoT能力内化进LLM中。
在o1出现之前，CoT能力更多是一种prompting技巧，是独立于LLM之外存在的，而o1的价值在于将思维链的能力内化到了LLM中。
那么具体而言，o1是如何做到这点的呢？为了回答这个问题，我们得参考去年关于Q*的探讨。
要知道，Q*、Strawberry、o1本质上是相通的，因此去年底对Q*的解读和分析，对于我们理解o1的工作原理是相当有帮助的。
在去年12月的时候，我们对Q*的原理做了详细的探讨和推测，具体可以参考这篇文章：
【重磅】解码OpenAI Q*：迈向AGI的信仰之跃
在对其技术原理进行分析之前，我们先讲讲大模型训练的第一性原理。
（3）大模型训练的第一性原理
大模型训练的第一性原理：本质上大模型的能力都来自于训练数据，体现某方面能力的训练数据密度越高，训练出的大模型这方面的能力就越强。
粗略的分类，大模型的能力体现为三块：语言表达能力、知识记忆能力、逻辑推理能力。
可以说，大模型的这三项能力的获取和掌握，与上述的第一性原理是密不可分的。
首先来看语言表达能力。大模型的语言表达能力很强，各国语言来回翻译很少出错，也鲜有用户反馈说大模型的回答存在语法错误，这是为什么呢？
这是因为，随便找一份训练数据，里面的每一句话都包含着语法信息。所以训练数据中体现语言表达能力的数据密度是非常高的，这也是为何大模型的语言能力很强的原因。
再来看知识记忆能力。这是大模型的另一项重要能力，但偶尔会出现记忆错误，体现为幻觉现象。比如我们问大模型水浒传108将分别有谁，大模型可能会说有武大郎。
这是因为世界知识的覆盖面非常广泛，虽然训练数据体量很大，但是分散到任何专项知识的数据集就很少了。训练数据密度低了，自然训练出的大模型这方面的能力就弱，对专项知识的掌握就不够扎实，体现为幻觉。
然后再来看逻辑推理能力。这次o1模型在逻辑推理能力上产生了巨大突破，那么为什么此前的大模型在逻辑推理能力上比较弱呢？
这是因为训练集中包含推理过程的数据太稀疏了。
就比如现在您在看的这篇文章，本质上是我的思考结果，不是我的思考过程。
可能在未来的某一天，这篇文章会被训练进某个大模型中，但是大模型学到的是思考的结果而已，因为我们人类并不习惯于把大脑中发生的思考过程写成文字，一股脑都放到互联网上。
这就导致互联网上的海量数据中，包含推理过程的数据集非常稀疏。当我们把这样的训练集喂给大模型的时候，又怎么能够指望大模型学到强大的逻辑推理能力呢？
反过来思考，为了让大模型获得更强的逻辑推理能力，我们需要做的，恰恰是提供更多包含推理过程数据的训练集。
有了这个大前提，对于Q*（也就是o1）的理解就水到渠成了。
（4）23年底关于Q*的理解：解释微调、思维树、过程监督
去年下半年的时候，微软发布了Orca系列模型。Orca模型采用了高质量合成数据进行训练，取得了不错的效果。
值得注意的是，在训练Orca模型时，微软采用了Explanation Tuning的方法，本质上是用包含推理过程的数据集对模型进行训练。
通过在训练集中加入推理过程数据，Orca 2这样一个小模型，在性能上追平甚至打败了那些比它大5-10倍体量的大模型，说明解释微调是有效的。
去年另一项关键研究是ToT，即思维树，Tree of Thought。
卡尼曼在其著作《思考，快与慢》中提到一个著名的模型，即人类的思考活动可以分为系统1的快思考和系统2的慢思考。
当被问到“2+3=？”时，人类的推理过程和LLM很相似，根据上文直接推出下文，不带迟疑，这是系统1的快思考。
当被问到“23×68=？”时，我们无法直接得出答案，而需要在大脑中列出算式，进行乘法求解，得出答案后再填在纸上，这里面其实隐藏了100个token左右的思考推理，这是系统2的慢思考。
绝大部分存在经济价值的思维活动，都来源于人类的慢思考，因此如何给大模型加上慢思考的能力，是大家一直以来的追求。
慢思考有好几种框架，有单纯的CoT，有CoT+SC，也有ToT思维树，其中ToT这种方式的普适性更强，可以和树搜索算法相结合。
ToT这篇文章中，作者将慢思考能力用在了24点游戏上，给出4个数字，让大模型找到一种加减乘除的方式，让结果等于24。
通过ToT，大模型的成功率从7.3%直接提升10倍，到了74%，取得了非常显著的效果。
当时就有朋友质疑说，ToT这个方法对于卡牌类游戏可能有用，但是对现实生活中的复杂任务而言，可能是没用的。
但是别忘了，这次o1背后的核心作者之一Noam Brown之前就是专门研究扑克AI的专家，有时候智力游戏背后的AI经验是有着普适价值的。
去年另一篇关键的论文是OpenAI在5月发布的《Let's verify step by step》，这篇文章提出了“过程监督”的训练方法，大幅提升了大模型的数学推理能力。
由于这是OpenAI自己发布的文章，而且数学推理能力也是这次o1体现出来的核心能力之一，所以过程监督（PRM）大概率被用到了o1模型的训练中。
其实PRM的原理并不难理解。如果把人类标注员类比为数学老师的话，那就是从只给结果分，变成给过程分了。
首先让大模型对问题进行分步解答，然后标注员对回答结果按步骤给分。就算最后答案错了，只要过程对了，还是能得到过程分的。
OpenAI发现，通过这种“给过程分”的训练方式能够显著提升大模型对数学问题的推理能力。
综合以上分析，我们判断Q*（也就是现在的o1）其本质是通过自博弈强化学习，以及蒙特卡洛树搜索等技术，将思维树的推理能力，通过合成数据的形式训练给大模型，从而大幅增加大模型逻辑推理能力。
（5）24年以来的几篇重要论文
以上是23年底的判断，时间转眼来到了24年9月。
今年以来，有几篇关键论文，对于我们理解o1很有帮助。
第一篇是今年5月OpenAI发表的《LLM Critics Help Catch LLM Bugs》。OpenAI基于GPT-4，训练出了CriticGPT，一个专门给大模型找茬的模型。
人类用户让GPT-4写一段python代码，GPT-4写出来后，让CriticGPT对这段代码进行反思、查错，从而让生成结果更加准确。
这里面的核心思想，有点类似AlphaGo引入的自博弈强化学习。
众所周知，AlphaGo的训练分为两个阶段。第一阶段是模仿学习，即模仿海量顶尖人类棋手的棋谱。通过这个阶段的训练，AlphaGo成长得很快，但依然无法超过人类最强者。
随后DeepMind团队引入了第二阶段的训练，即自博弈强化学习。在AlphaGo基础模型之上，分化出两个孪生模型互相博弈。
通过引入自博弈强化学习，AlphaGo只通过短短40天的训练，就超过了人类最强棋手，进入无人能够企及的领域。
第二篇重要论文是由Google团队于今年6月发表的，题为《Chain of Thought Empowers Transformers to Solve Inherently Serial Problems》。
这篇文章从理论角度，说明了Transformer擅长并行计算，但并不擅长串行推理。而通过把CoT能力加入到模型中，能够有效增加Transformer模型处理串行复杂任务的能力。
进一步来看，通过Circuit Complexity Theory，作者证明只要CoT的步骤足够多，GPT模型就能够模拟任意大小的布尔电路。
布尔电路，就是由与或非门构成的逻辑电路。如果一个模型能够模拟任意大小的布尔电路，那么就能在多项式复杂度内解决所有决策类问题。这对把CoT能力内化到LLM中来说，是一个很强的理论支撑。
第三篇重要论文，是由Google DeepMind团队于今年8月发表的，题为《Scaling LLM Test-Time Compute Optimally can be More Effective than Scaling Model Parameters》。
这篇文章通过实验证明，为了增加大模型的性能，与其去scaling up训练算力，不如scaling up推理算力。通过增加推理算力，能够让小模型胜过比它大14倍体量的大模型。
今年的这些重要研究，本质上和OpenAI o1模型的技术路径是高度吻合的。
在OpenAI官方披露的材料中，提到有两种方式能有效提升o1模型的推理性能，一种是增加强化学习时的训练算力，另一种则是增加推理时用的测试算力。
o1模型的主创之一Jason Wei（他也是CoT的发明人）就提出，在历史上人们只聚焦于scaling up训练算力，现在通过把CoT能力内化进大模型，我们可以有抓手来scaling up推理算力了。这意味着存在一个全新的维度，能够有效提升大模型的推理能力。
（6）o1模型的不足之处
o1模型的推出，带来的是两极分化的口碑。
一种声音认为o1的出现意味着人类距离AGI只有咫尺之遥，多见于自媒体。
另一种声音认为o1又贵又不好使，其能力表现甚至不如GPT-4。
这里给出我们的判断：o1代表着一个新的提升大模型推理能力的维度，有着较高的价值，但目前距离AGI依然有较大距离。
首先来看这个例子，Jifan Zhang构建了一个数据集叫做《Funny Caption Ranking》，就是从纽约时报中把漫画图拿出来，让AI来取搞笑标题，交由人类进行评分。
结果显示，o1取出的标题，往往没那么有趣，评分甚至不如GPT-4，因此作者认为o1的性能并没有大家说得这么好。
我认为这个论断有失偏颇。就像我们人类也有不同的性格特征，考察一个数学博士的幽默感，未必合理。
OpenAI在官方文档中也提到了这点。o1模型在“reasoning-heavy”类问题中，表现得更加出色，比如数据分析、写代码、做数学题。
但是如果在普通的文本类问题中，o1的表现结果在人类看来，和GPT-4差不多。因此，这个案例中o1表现不佳，是可以理解的。
但是下一个案例中o1的表现，就值得我们重视了。
ARC-AGI是由Google的AI学者François Chollet构建的，他认为目前市面上对AGI的定义是模糊不清的，而真正的AGI应该是：一个能够有效掌握新技能，并解决开放域问题的系统。
根据这一定义，他创造了ARC-AGI测试集，专门测试各种AI模型是否真正意义上达到了AGI。
其测试题如下，给出几个图例，让AI从中寻找规则，然后在右边的图中给出答案。对于我们人类而言，从中寻找出规则并不困难。比如在左边的图中，应该在红色的色块边上长出4个黄色色块，在蓝色色块的上下左右长出4个橙色色块，而对于浅蓝色和紫色色块而言，不做变化；再比如右边的图中，应该对输入色块施加向下的重力，得到输出结果。
但是对AI来说，要总结出这样的规则，并且推理出准确的答案，并非易事。
根据测评结果，o1模型的一次通过率为21%，相比GPT-4的9%确实有了明显的提升，但是只和Claude Sonnet 3.5打平，并且距离AGI 85%的门槛，还有不短的距离。
这也说明，o1目前虽然在逻辑推理能力上前进了一大步，但是人类还需要经过更加深入的探索，才能不断逼近AGI的目标。
（7）o1带来的影响与启示
最后来探讨一下OpenAI o1模型给整个行业带来的影响与启示。
首先，逻辑推理能力一直以来都是AI的皇冠，也是目前制约Agent落地的核心障碍。
经过一年多时间的发展，AI Agent一直处于叫好不叫座的状态，因为落地效果不够好。
一个Agent往往涉及多个大模型推理的串并联，如果每次推理的准确率是90%，那么连续10次推理后，成功率是0.9^10 = 34.8%，惨不忍睹。
因此，Agent要想落地，关键在于把每次推理的准确率从90%提升到99%以上，这就涉及到大模型的逻辑推理能力。
o1模型最大的价值在于，它证明了通过RL+MCTS，是可以有效增加LLM逻辑推理能力的。OpenAI就像是一站行业明灯，为产业指明了一条新的方向，这条方向的潜力尚未被充分挖掘，值得投入资源探索。
与此同时，o1本质上是算法及数据的创新，对训练算力的依赖度较低，因此对国内AI公司而言是一个利好。
o1带来的第二个影响在于，提示词工程的重要性在未来可能会快速下降。
在过去一年中，涌现出了大量提示词工程技巧，比如让大模型进行角色扮演，或者对大模型说“你如果回答得好，就给你小费，回答得不好，就给你惩罚”。
通过这些提示词技巧，能够有效增加大模型回答的效果。
但是在未来，我们只需要给大模型提出“准确、清晰、简短有力”的问题，让大模型进行慢思考即可。
过去一年中，不少国内的企业在提示词工程方面下了不少功夫，建设系统，这方面的投入在未来可能是没有太大意义的。
随着提示词工程变得越来越不重要，未来智能体会发挥越来越大的价值，值得重视。
o1带来的第三个影响，也是目前市场并未形成共识的一点，就是：o1模型的背后存在真正意义上的数据飞轮。
OpenAI目前公开的o1模型，在使用的时候，把原始的CoT思维过程隐藏起来了。
根据官方的说法，这么做的原因是为了提升用户体验。但我们认为更主要的原因，是为了保护o1模型产生的数据飞轮。
说到数据飞轮，上一代以ChatGPT为代表的GPT系列模型其实并没有产生数据飞轮效应。
海量用户的使用，并没有让OpenAI积累到足以训练出下一代模型的优质数据，从而扩大竞争优势。相反，一年之后Anthropic、Cohere、Mistral都已经开始接近甚至追平了OpenAI的模型性能。
但是o1模型不太一样。假设一个用户使用o1模型来编写代码或者做数学题。无论代码还是数学，都有一个共性特点，那就是“对就是对，错就是错”，是一个0-1问题。
如果o1模型回答的结果是正确的，那么其推理过程大概率也是正确的。
而一个能够推导出正确结果的推理过程数据，恰恰是目前AI行业最稀缺的优质资源。
如果OpenAI能够善用o1所带来的数据飞轮，将会对其训练下一代o2、o3模型带来巨大帮助。