OpenAI o1模型“我思故我在”，是怎么做到的？

OpenAI发布了第一组慢思考模型系列，会花上10~30秒的时间进行一番“长考”，然后给出答案。它在数学、编程、生物、物理等领域能回答更为复杂和多步骤的问题，并且还能展示出一些推理的过程，似乎增加了智能的“可解释性”。

这组模型不再是GPT系列，而是OpenAI的o1系列，用户可以通过ChatGPT或者API使用，目前推出了预览版的o1 Preview和轻型的o1 mini两个模型，绰号“草莓”。

OpenAI在关于该模型安全的系统报告中称，这一模型“更加接近AGI”。“随着我们的系统越来越接近通用人工智能（AGI），我们在模型开发方面变得更加谨慎，特别是在涉及灾难性风险的情况下。”

OpenAI称，这开创了大模型的一个新时代，这种会“思考”的大模型，以后将按照编号o1、o2、o3......发展下去。尽管OpenAI称以后还会保留GPT系列的番号，但有一点似乎已经比较明确了，沿着更大参数和更大数据做出更大模型的性价比短期内并不可行，即所谓那种依靠算力的“粗暴”运算，让智能不明觉厉地“涌现”的方法，短期内是无法取得突破，亦无补于解决大模型的幻觉问题。

远的不说，对电力和环境造成的直接影响就难以持续。就在模型发布的当天，英伟达的黄仁勋、OpenAI的奥特曼、微软总裁、谷歌总裁、AWS CEO、Anthropic创始人等跑到华盛顿，游说拜登政府建立一个工作小组，在能源和基础设施等方面为加快数据中心的部署提供支持。

一、扩展定律 (scaling law) 新范式

OpenAI负责推理研究的布朗（Noam Brown）称o1模型的发布为“新的扩展范式”，通过强化学习训练，在回答问题之前通过私人思维链进行“思考”。“它思考的时间越长，在推理任务上的表现就越好。这开辟了一个新的扩展维度。我们不再受预训练的限制。我们现在也可以扩展推理计算能力。” 通过训练，它们学会了完善思维过程，尝试不同的策略，并认识到自己的错误。

o1 的性能在训练时和测试时的计算量增加时，都能平稳提升。

在推理计算能力上进行扩展，布朗的想法更为大胆，“o1模型能够思考数秒，但我们的目标是让未来版本能够思考数小时、数天，甚至数周。推理成本会更高，但对于一种新的癌症药物，你愿意付出多少成本？对于突破性的电池技术呢？对于黎曼猜想的证明又如何？人工智能不仅仅可以是聊天机器人。”

这也是推理范式的一大转变，大模型从追求快速的推理、在一秒钟内吐出数百上千个token，到几十秒钟的“长考”，OpenAI为预训练扩展独木桥上的大模型，又开辟了一条路径。布朗是AI扑克游戏和外交游戏之王。他去年7月加入OpenAI，专门研究用强化学习加强大模型的推理能力。

英伟达科学家Jim Fan也认为，o1对扩展定律实现了一次范式转变：“我们终于看到推理时间扩展的范式在生产中得到普及和部署。正如Sutton在《苦涩的教训》中所说，只有两种技术可以无限扩展计算能力：学习和搜索。现在是时候将重点转移到后者了。”大量计算从预训练/后训练转移到服务推理。

OpenAI没有透露任何模型的细节，但显然草莓模型并不大。Fan认为，并不需要一个巨大的模型来进行推理。大量参数专用于记忆事实，以便在琐事问答等基准测试中表现良好。可以将推理从知识中分离出来，即一个小型的“推理核心”，知道如何调用浏览器和代码验证器等工具。预训练计算可能会减少。

当年思维链论文的作者之一、OpenAI的Jason Wei称，o1 mini能做对60%的美国奥数竞赛题，是小模型了不起的成就。实际上，推理的内核并不大，多数参数都是用于知识和记忆，在推理时可以剔除。

Wei认为，不要仅仅通过提示来展开思维链，而是使用强化学习训练模型以获得更好的思维链。“在深度学习的历史中，我们一直试图扩展训练计算能力，但思维链是一种可以在推理时进行扩展的自适应计算形式。”

二、“系统2”从研究到产品

关于大模型“慢思考”的研究方向，早在GPT-4去年3月份发布后，微软的那篇著名的“AGI的火花”论文，就已经指出，GPT-4之所长，类似于人类意识中的“系统1”，即直觉性和联想性较强的“快思考”，但是要消除幻觉，进行更缜密的推理和思考，还需要做到人类意识中的“系统2”，即“慢思考”。这些思路，来自去世不久的诺奖行为经济学家和心理学家卡尼曼的思想。

在推理环节进行扩展，加强上下文学习，早已经成为让大模型“思考”起来的重要研究方向。

在学术界最近对推理扩展定律的研究最近才有点热起来，如今年到最近的几篇论文：

• 《大语言猴子：通过重复采样扩展推理计算》（Large Language Monkeys: Scaling Inference Compute with Repeated Sampling. Brown et al.）DeepSeek-Coder在SWE-Bench上从一次采样的15.9%提高到250次采样的56%，超过了Sonnet-3.5。

• 《优化LLM测试时计算的扩展可能比扩展模型参数更有效》（Scaling LLM Test-Time Compute Optimally can be More Effective than Scaling Model Parameters. Snell et al.）PaLM 2-S在测试时搜索中在MATH上击败了一个14倍大的模型。

• 《大语言模型（LLMs）无法进行规划，但可以在 LLM-Modulo 框架中帮助规划》（LLMs Can't Plan， But Can Help Planning in LLM-Modulo Frameworks，Kambhampati et al.）。

但OpenAI较早关注到了这一领域，从去年挖到布朗入局，到年底传出Q*模型却将实现AGI，都在一步步印证OpenAI提前在推理扩展方面布局。这再一次体现出OpenAI的过人之处，它总是能更深地洞察研究的前沿，更重要的是它能最先推出产品原型。

三、o1是如何“思考”的，一种机制的推测

Subbarao Kambhampati（కంభంపాటి సుబ్బారావు）是亚利桑那州立大学计算机教授。他上个月在ACL大会上发表了一个著名的演讲“大模型能推理和规划吗”，并提出了ABC方块问题，难住了所有的大模型，但布朗说o1模型解决了。

Kambhampati推测了草莓的工作机制，并称之为一个AlphaGo嵌入到大语言模型中，可以称之为GPTGo。他写了一段长推文：

其中提到了两个东西——“强化学习（RL）”和“私人思维链（Private CoT）”。想象你正试图将一个“广义AlphaGo”——我们称之为GPTGo——移植到底层LLM的token预测子状态上。

要做到这一点，你需要知道：

(1) GPTGo的“动作”是什么？对于AlphaGo，我们有围棋的落子。当任务仅仅是“扩展提示词”时，什么才是正确的“动作”？

(2) 它从哪里获得外部的成功/失败信号？对于AlphaGo，我们有模拟器/验证器给出成功/失败信号。将自我对弈的想法应用到通用AI代理时，最有趣的问题是它从哪里获得这个信号？

我猜测这些“动作”是自动生成的思维链（CoTs）（因此动作有很高的分支因子）。出于简化，让我们假设有一个生成CoT的LLM，它根据提示词生成这些CoTs。成功信号来自带有正确答案的训练数据。当扩展后的提示词似乎包含正确答案时（可能由LLM判断？），那就是成功。如果不是，则失败。

强化学习的任务是：给定原始问题提示词，生成并选择一个CoT，并用它继续扩展提示词（可能在每几个阶段后生成子目标CoTs）。获取该示例的最终成功/失败信号（对于你确实有答案的示例）。在大量带有答案的训练示例上循环，每个示例多次（带答案的训练示例可以来自基准测试，也可以来自带问题和解决方案的合成数据——使用外部求解器）。

让强化学习来搞定该示例中使用的CoTs的功劳-责任分配。将这个RL反馈信号纳入CoT生成器的权重中（？）。此时，你就有了一个比RL阶段之前更好的CoT生成器。

在推理阶段，你基本上可以进行展开（类似于原始AlphaGo）以进一步提高移动（“内部CoTs”）的有效性。展开越多，时间越长。

我猜测o1给出的（思维链）摘要只是“获胜路径”的摘要（根据它的判断）——而不是完整的展开树。

假设我在猜测o1的做法上是正确的，有几个推论：

1. 这至少可以比仅仅在合成数据上进行微调要好——我们通过学习移动（自动CoT）生成器来更好地利用数据。（想想行为克隆vs.强化学习）

2. 仍然不能保证提供的答案是“正确的”——它们可能在概率上稍微更正确（取决于训练数据）。如果你想要保证，即使在此基础上，你仍然需要某种LLM-Modulo方法。

3. 目前还不清楚是否有人真的愿意在推理过程中等待很长时间（等待10秒来连接10个单词的最后一个字母已经很痛苦了！）。那些愿意等待更长时间的人肯定会想要得到某种保证——而且对于许多这样的情况，有很多深层且狭窄的系统2可以使用。

4. 将o1称为LLM感觉有点像“忒修斯之船”——考虑到它与其他LLM模型（所有这些模型本质上都有教师强制训练和近乎实时的下一个token预测）的差异有多大。话虽如此，这确实是一种有趣的方法，可以在LLM基础上构建一个广义的系统2式组件——但没有保证。我认为我们需要了解这如何与其他获得系统2行为的努力相结合——包括为特定类别提供保证的LLM-Modulo。

四、“博士生水平”

OpenAI称，它在测试中发现，等到下一次模型更新，即o1的正式发布时，o1在物理、化学和生物学的挑战性基准任务中表现与博士生相当。

o1 在绝大多数以推理为主的任务上显著优于 GPT-4o。

在具有挑战性的推理基准测试中，o1 大幅优于 GPT-4o。实心柱显示 pass@1 准确率，阴影区域展示了在64个样本下的多数投票（共识）性能。

在许多以推理为主的基准测试中，o1 的表现可与人类专家相媲美。OpenAI在 AIME（美国中学生数学竞赛）上评估了数学表现，该考试旨在挑战美国最优秀的高中数学学生。在 2024 年的 AIME 考试中，GPT-4o 平均只解决了 12%（1.8/15）的问题。o1 在每个问题使用单个样本时平均解决了74%（11.1/15），在64个样本达成共识时为 83%（12.5/15），而在使用学习得分函数对1000个样本重新排名时达到了 93%（13.9/15）。13.9 分使其跻身全国前 500 名学生之列，并超过了美国数学奥林匹克的入围分数线。

GPQA Diamond是一项难度较高的智能基准测试，包括了化学、物理和生物学方面的专业知识。为了将模型与人类进行比较，OpenAI招募了拥有博士学位的专家来回答 GPQA Diamond 的问题，发现 o1 超越了这些人类专家的表现，成为首个在该基准测试中达到此水平的模型。这些结果并不意味着 o1 在所有方面都比博士更有能力——仅仅表明该模型在解决一些博士预期能够解决的问题上更为熟练。在其他几个机器学习基准测试中，o1 也超过了现有的最先进水平。启用视觉感知能力后，o1 在 MMMU 上获得了 78.2% 的得分，成为第一个能够与人类专家竞争的模型。它还在 57 个 MMLU 子类别中的 54 个上超过了 GPT-4o。

o1 在广泛的基准测试中优于 GPT-4o，包括57个 MMLU 子类别中的54个。为便于说明，我们展示了其中的七个。

o1着力开发的编程能力，在国际信息科技比赛中初步得到了验证。经过多次提交，模型的表现超过了金牌门槛。在模拟Codeforces的编程比赛中，表现也优于93%的选手。

大模型在编程中的应用，是最为看好的领域。o1强大的编程能力，使它有可能会加快产生完全自主的AI程序员。号称开发出首个AI码农的独角兽企业Devin，在使用了o1的API之后发现远胜于GPT-4o。其他特别适合的领域包括数学、物理、生命科学等。显然o1模型的用户在知识精英领域，尤其是可能在AI for Science应用方面首先取得突破，对于一个国家的研发创新能力有重大意义。

但o1也并非全面胜过GPT-4o。人类训练师查看了来自 o1-preview 和 GPT-4o 的匿名回复，并对他们更喜欢的回复进行了投票。在推理密集型的类别中，如数据分析、编程和数学，o1-preview 明显更受偏爱。然而，在某些自然语言任务中，o1-preview 并不占优，这表明它并不适合所有的应用场景。

在人们更看重推理能力的领域，o1-preview 更受偏爱。

五、可解释性与安全

初步看来，“慢思考”通过提示展开思维链，再对思维链进行强化学习，在扩展中不断优化。通过展示思维链知道了所以然，对齐和安全性取得了新的进展。

OpenAI认为，将模型行为的政策整合到推理型的思维链中，是一种有效且稳健的方式来传授人类价值观和原则。通过对模型进行安全规则的教育，并让它学会在上下文中进行推理，推理能力直接提高了模型的稳健性：o1-preview 在关键的越狱评估以及最严格的内部评估中表现出显著改进，可以找到模型的边界，拒绝不安全请求。评估的详细结果可以在随附的系统卡中找到。

六、One more thing

OpenAI请了四位各学科顶级的人才来试用o1，它们是经济学教授，AI编程独角兽公司创始人，量子物理学家，遗传学家。

借鉴朋友的方法，我们也试了下：

用上小学时常玩的24点算术游戏，给它出了一道题: 用加减乘除法，用四个4算出个24。第一遍，它想了27秒做错了。第二遍，它想了29秒，

在做这道简单的算术题时，界面上会不停地显示出o1“正在思考”、“尝试不同方法”、“检验不同方案”、“使用不同的公式”、“改善方法”、“新的组合”、“纠正失误”等等，让用户直观地以为它正在勤奋严谨地思考，但也给人一种嘟嘟囔囔的感觉。

最后，GPT-5还会有吗？不知道，但最起码应该是休克了。

本文来自微信公众号：未尽研究，作者：未尽研究