劃重點
01OpenAI發(fā)布o1模型，具有強大的邏輯推理能力，在AIME 2024數學競賽中準確率達到驚人的83.3%，相比之下GPT-4o的準確率只有13.4%。
02o1模型的核心在于通過自博弈強化學習和蒙特卡洛樹搜索等技術，將思維樹的推理能力內化進LLM中。
03然而，o1模型目前距離AGI依然有較大距離，一次通過率為21%，相比GPT-4的9%有所提升，但距離AGI 85%的門檻仍有不短的距離。
04o1模型帶來的影響與啟示包括：提示詞工程的重要性可能快速下降，數據飛輪效應有望為OpenAI訓練下一代模型帶來巨大幫助。
以上內容由騰訊混元大模型生成，僅供參考
文 |AlphaEngineer 作者|費斌杰 北京市青聯(lián)委員 熵簡科技CEO
距離OpenAI發(fā)布o1模型已經過去一周，其口碑出現了明顯的兩極分化。
一種聲音認為o1的出現意味著人類距離AGI只有咫尺之遙，另一種聲音認為o1又貴又不好使，其能力表現甚至不如GPT-4。
沉淀一周后，我們結合熵簡AI團隊的研究成果，對o1的技術原理及產業(yè)影響進行詳細探討，形成了以下判斷，與各位分享。
原始報告的獲取鏈接放在文末，歡迎感興趣的朋友下載。
（1）直觀認識o1模型強大的推理能力
OpenAI于9月13日推出o1模型，在邏輯推理能力上大幅提升。
在AIME 2024數學競賽中，o1模型的準確率達到驚人的83.3%，相比之下GPT-4o的準確率只有13.4%，提升6倍。
在CodeForces代碼競賽中，o1的準確率甚至達到了89%，GPT-4o的準確率是11.0%，呈現大幅提升。
用柱狀圖來說明邏輯推理能力的提升，還不夠直觀。下面我用OpenAI官方的一個具體案例，來說明o1目前的邏輯推理能力到底達到了怎樣的水平。
這是一個“密碼破譯”的例子，給定一串密文“oyfjdnisdr rtqwainr acxz mynzbhhx”，它應該翻譯成明文“Think step by step”，請你根據以上規(guī)則，翻譯以下密文：oyekaijzdf aaptcg suaokybhai ouow aqht mynznvaatzacdfoulxxz
下圖是GPT-4o的回答，回答很工整，先“break this down step by step”，然后進行分詞，但最后無法破譯密碼，認為只給出一個案例是不夠的，希望我們給予更多提示。
接著讓我們來看o1的回答：
首先，o1對給出的問題進行分析，認為可以先檢查一下每個單詞的長度。
它敏銳的發(fā)現，密文中每個單詞的長度，和明文中每個單詞的長度之間，有著2倍的關系。
oyfjdnisdr（10個字符）-> Think（5個字符）
rtqwainr（8個字符）-> step（4個字符）
在這個基礎上，o1推測應該存在一種映射關系，使得密文中相鄰的2個字符能夠映射為明文中的1個字符，即：
那么怎么才能把'oy'映射到'T'呢？
針對這個問題，o1進行了多種嘗試。首先，按字母在字母表中的順序位置，可以假設o等于15，y等于25，T等于20。
o1嘗試了加法，嘗試了減法，發(fā)現都不對。
隨后o1嘗試把o和y相加，并對26求模，發(fā)現也不對。
然后o1發(fā)現，把o和y相加再除以2，正好等于T。
發(fā)現規(guī)律的時候，o1說：Wait a minute, that seems promising.
隨后，o1把這個規(guī)則用在了其他字符組上進行驗證，都成功了。
因此，o1找到了密碼破譯的規(guī)則，那就是把密文中相鄰2個字符在字母表中的位數相加并除以2，就得到了明文字符在字母表中的位置。
通過這個規(guī)則，o1把“oyekaijzdf aaptcg suaokybhai ouow aqht mynznvaatzacdfoulxxz”這串密碼成功翻譯了出來，答案是：
There are three R's in Strawberry.
通過這個例子，我們能夠更直觀的感受o1模型強大的邏輯推理能力。
尤其值得注意的是，這種推理能力不是單純縱深式的推理，而是類似決策樹的層層遞進。遇到困難的時候，o1會做出假設，并對假設進行驗證。如果假設被證偽，它會選擇其他思路進行突破，最終得到正確答案。
相比CoT（思維鏈）而言，它更像是ToT（思維樹）的結構。
（2）o1原理猜想：RL+MCTS，將CoT能力內化
目前OpenAI官方對于o1的原理是諱莫如深的，只有一篇官方的技術報告，標題為《Learning to Reason with LLMs》。
全文不長，但其中關于o1原理的探討更少，只有一句話：Through reinforcement learning, o1 learns to hone its chain of thought and refine the strategies it uses.
先說結論，我們認為o1模型的核心在于：通過RL及MCTS，將CoT能力內化進LLM中。
在o1出現之前，CoT能力更多是一種Prompting技巧，是獨立于LLM之外存在的，而o1的價值在于將思維鏈的能力內化到了LLM中。
那么具體而言，o1是如何做到這點的呢？為了回答這個問題，我們得參考去年關于Q*的探討。
要知道，Q*、Strawberry、o1本質上是相通的，因此去年底對Q*的解讀和分析，對于我們理解o1的工作原理是相當有幫助的。
在去年12月的時候，我們對Q*的原理做了詳細的探討和推測，具體可以參考這篇文章：
【重磅】解碼OpenAI Q*：邁向AGI的信仰之躍
在對其技術原理進行分析之前，我們先講講大模型訓練的第一性原理。
（3）大模型訓練的第一性原理
大模型訓練的第一性原理：本質上大模型的能力都來自于訓練數據，體現某方面能力的訓練數據密度越高，訓練出的大模型這方面的能力就越強。
粗略的分類，大模型的能力體現為三塊：語言表達能力、知識記憶能力、邏輯推理能力。
可以說，大模型的這三項能力的獲取和掌握，與上述的第一性原理是密不可分的。
首先來看語言表達能力。大模型的語言表達能力很強，各國語言來回翻譯很少出錯，也鮮有用戶反饋說大模型的回答存在語法錯誤，這是為什么呢？
這是因為，隨便找一份訓練數據，里面的每一句話都包含著語法信息。所以訓練數據中體現語言表達能力的數據密度是非常高的，這也是為何大模型的語言能力很強的原因。
再來看知識記憶能力。這是大模型的另一項重要能力，但偶爾會出現記憶錯誤，體現為幻覺現象。比如我們問大模型水滸傳108將分別有誰，大模型可能會說有武大郎。
這是因為世界知識的覆蓋面非常廣泛，雖然訓練數據體量很大，但是分散到任何專項知識的數據集就很少了。訓練數據密度低了，自然訓練出的大模型這方面的能力就弱，對專項知識的掌握就不夠扎實，體現為幻覺。
然后再來看邏輯推理能力。這次o1模型在邏輯推理能力上產生了巨大突破，那么為什么此前的大模型在邏輯推理能力上比較弱呢？
這是因為訓練集中包含推理過程的數據太稀疏了。
就比如現在您在看的這篇文章，本質上是我的思考結果，不是我的思考過程。
可能在未來的某一天，這篇文章會被訓練進某個大模型中，但是大模型學到的是思考的結果而已，因為我們人類并不習慣于把大腦中發(fā)生的思考過程寫成文字，一股腦都放到互聯(lián)網上。
這就導致互聯(lián)網上的海量數據中，包含推理過程的數據集非常稀疏。當我們把這樣的訓練集喂給大模型的時候，又怎么能夠指望大模型學到強大的邏輯推理能力呢？
反過來思考，為了讓大模型獲得更強的邏輯推理能力，我們需要做的，恰恰是提供更多包含推理過程數據的訓練集。
有了這個大前提，對于Q*（也就是o1）的理解就水到渠成了。
（4）23年底關于Q*的理解：解釋微調、思維樹、過程監(jiān)督
去年下半年的時候，微軟發(fā)布了Orca系列模型。Orca模型采用了高質量合成數據進行訓練，取得了不錯的效果。
值得注意的是，在訓練Orca模型時，微軟采用了Explanation Tuning的方法，本質上是用包含推理過程的數據集對模型進行訓練。
通過在訓練集中加入推理過程數據，Orca 2這樣一個小模型，在性能上追平甚至打敗了那些比它大5-10倍體量的大模型，說明解釋微調是有效的。
去年另一項關鍵研究是ToT，即思維樹，Tree of Thought。
卡尼曼在其著作《思考，快與慢》中提到一個著名的模型，即人類的思考活動可以分為系統(tǒng)1的快思考和系統(tǒng)2的慢思考。
當被問到“2+3=？”時，人類的推理過程和LLM很相似，根據上文直接推出下文，不帶遲疑，這是系統(tǒng)1的快思考。
當被問到“23×68=？”時，我們無法直接得出答案，而需要在大腦中列出算式，進行乘法求解，得出答案后再填在紙上，這里面其實隱藏了100個token左右的思考推理，這是系統(tǒng)2的慢思考。
絕大部分存在經濟價值的思維活動，都來源于人類的慢思考，因此如何給大模型加上慢思考的能力，是大家一直以來的追求。
慢思考有好幾種框架，有單純的CoT，有CoT+SC，也有ToT思維樹，其中ToT這種方式的普適性更強，可以和樹搜索算法相結合。
ToT這篇文章中，作者將慢思考能力用在了24點游戲上，給出4個數字，讓大模型找到一種加減乘除的方式，讓結果等于24。
通過ToT，大模型的成功率從7.3%直接提升10倍，到了74%，取得了非常顯著的效果。
當時就有朋友質疑說，ToT這個方法對于卡牌類游戲可能有用，但是對現實生活中的復雜任務而言，可能是沒用的。
但是別忘了，這次o1背后的核心作者之一Noam Brown之前就是專門研究撲克AI的專家，有時候智力游戲背后的AI經驗是有著普適價值的。
去年另一篇關鍵的論文是OpenAI在5月發(fā)布的《Let's verify step by step》，這篇文章提出了“過程監(jiān)督”的訓練方法，大幅提升了大模型的數學推理能力。
由于這是OpenAI自己發(fā)布的文章，而且數學推理能力也是這次o1體現出來的核心能力之一，所以過程監(jiān)督（PRM）大概率被用到了o1模型的訓練中。
其實PRM的原理并不難理解。如果把人類標注員類比為數學老師的話，那就是從只給結果分，變成給過程分了。
首先讓大模型對問題進行分步解答，然后標注員對回答結果按步驟給分。就算最后答案錯了，只要過程對了，還是能得到過程分的。
OpenAI發(fā)現，通過這種“給過程分”的訓練方式能夠顯著提升大模型對數學問題的推理能力。
綜合以上分析，我們判斷Q*（也就是現在的o1）其本質是通過自博弈強化學習，以及蒙特卡洛樹搜索等技術，將思維樹的推理能力，通過合成數據的形式訓練給大模型，從而大幅增加大模型邏輯推理能力。
（5）24年以來的幾篇重要論文
以上是23年底的判斷，時間轉眼來到了24年9月。
今年以來，有幾篇關鍵論文，對于我們理解o1很有幫助。
第一篇是今年5月OpenAI發(fā)表的《LLM Critics Help Catch LLM Bugs》。OpenAI基于GPT-4，訓練出了CriticGPT，一個專門給大模型找茬的模型。
人類用戶讓GPT-4寫一段python代碼，GPT-4寫出來后，讓CriticGPT對這段代碼進行反思、查錯，從而讓生成結果更加準確。
這里面的核心思想，有點類似AlphaGo引入的自博弈強化學習。
眾所周知，AlphaGo的訓練分為兩個階段。第一階段是模仿學習，即模仿海量頂尖人類棋手的棋譜。通過這個階段的訓練，AlphaGo成長得很快，但依然無法超過人類最強者。
隨后DeepMind團隊引入了第二階段的訓練，即自博弈強化學習。在AlphaGo基礎模型之上，分化出兩個孿生模型互相博弈。
通過引入自博弈強化學習，AlphaGo只通過短短40天的訓練，就超過了人類最強棋手，進入無人能夠企及的領域。
第二篇重要論文是由Google團隊于今年6月發(fā)表的，題為《Chain of Thought Empowers Transformers to Solve Inherently Serial Problems》。
這篇文章從理論角度，說明了Transformer擅長并行計算，但并不擅長串行推理。而通過把CoT能力加入到模型中，能夠有效增加Transformer模型處理串行復雜任務的能力。
進一步來看，通過Circuit Complexity Theory，作者證明只要CoT的步驟足夠多，GPT模型就能夠模擬任意大小的布爾電路。
布爾電路，就是由與或非門構成的邏輯電路。如果一個模型能夠模擬任意大小的布爾電路，那么就能在多項式復雜度內解決所有決策類問題。這對把CoT能力內化到LLM中來說，是一個很強的理論支撐。
第三篇重要論文，是由Google DeepMind團隊于今年8月發(fā)表的，題為《Scaling LLM Test-Time Compute Optimally can be More Effective than Scaling Model Parameters》。
這篇文章通過實驗證明，為了增加大模型的性能，與其去scaling up訓練算力，不如scaling up推理算力。通過增加推理算力，能夠讓小模型勝過比它大14倍體量的大模型。
今年的這些重要研究，本質上和OpenAI o1模型的技術路徑是高度吻合的。
在OpenAI官方披露的材料中，提到有兩種方式能有效提升o1模型的推理性能，一種是增加強化學習時的訓練算力，另一種則是增加推理時用的測試算力。
o1模型的主創(chuàng)之一Jason Wei（他也是CoT的發(fā)明人）就提出，在歷史上人們只聚焦于scaling up訓練算力，現在通過把CoT能力內化進大模型，我們可以有抓手來scaling up推理算力了。這意味著存在一個全新的維度，能夠有效提升大模型的推理能力。
（6）o1模型的不足之處
o1模型的推出，帶來的是兩極分化的口碑。
一種聲音認為o1的出現意味著人類距離AGI只有咫尺之遙，多見于自媒體。
另一種聲音認為o1又貴又不好使，其能力表現甚至不如GPT-4。
這里給出我們的判斷：o1代表著一個新的提升大模型推理能力的維度，有著較高的價值，但目前距離AGI依然有較大距離。
首先來看這個例子，Jifan Zhang構建了一個數據集叫做《Funny Caption Ranking》，就是從紐約時報中把漫畫圖拿出來，讓AI來取搞笑標題，交由人類進行評分。
結果顯示，o1取出的標題，往往沒那么有趣，評分甚至不如GPT-4，因此作者認為o1的性能并沒有大家說得這么好。
我認為這個論斷有失偏頗。就像我們人類也有不同的性格特征，考察一個數學博士的幽默感，未必合理。
OpenAI在官方文檔中也提到了這點。o1模型在“reasoning-heavy”類問題中，表現得更加出色，比如數據分析、寫代碼、做數學題。
但是如果在普通的文本類問題中，o1的表現結果在人類看來，和GPT-4差不多。因此，這個案例中o1表現不佳，是可以理解的。
但是下一個案例中o1的表現，就值得我們重視了。
ARC-AGI是由Google的AI學者Franois Chollet構建的，他認為目前市面上對AGI的定義是模糊不清的，而真正的AGI應該是：一個能夠有效掌握新技能，并解決開放域問題的系統(tǒng)。
根據這一定義，他創(chuàng)造了ARC-AGI測試集，專門測試各種AI模型是否真正意義上達到了AGI。
其測試題如下，給出幾個圖例，讓AI從中尋找規(guī)則，然后在右邊的圖中給出答案。對于我們人類而言，從中尋找出規(guī)則并不困難。比如在左邊的圖中，應該在紅色的色塊邊上長出4個黃色色塊，在藍色色塊的上下左右長出4個橙色色塊，而對于淺藍色和紫色色塊而言，不做變化；再比如右邊的圖中，應該對輸入色塊施加向下的重力，得到輸出結果。
但是對AI來說，要總結出這樣的規(guī)則，并且推理出準確的答案，并非易事。
根據測評結果，o1模型的一次通過率為21%，相比GPT-4的9%確實有了明顯的提升，但是只和Claude Sonnet 3.5打平，并且距離AGI 85%的門檻，還有不短的距離。
這也說明，o1目前雖然在邏輯推理能力上前進了一大步，但是人類還需要經過更加深入的探索，才能不斷逼近AGI的目標。
（7）o1帶來的影響與啟示
最后來探討一下OpenAI o1模型給整個行業(yè)帶來的影響與啟示。
首先，邏輯推理能力一直以來都是AI的皇冠，也是目前制約Agent落地的核心障礙。
經過一年多時間的發(fā)展，AI Agent一直處于叫好不叫座的狀態(tài)，因為落地效果不夠好。
一個Agent往往涉及多個大模型推理的串并聯(lián)，如果每次推理的準確率是90%，那么連續(xù)10次推理后，成功率是0.9^10 = 34.8%，慘不忍睹。
因此，Agent要想落地，關鍵在于把每次推理的準確率從90%提升到99%以上，這就涉及到大模型的邏輯推理能力。
o1模型最大的價值在于，它證明了通過RL+MCTS，是可以有效增加LLM邏輯推理能力的。OpenAI就像是一站行業(yè)明燈，為產業(yè)指明了一條新的方向，這條方向的潛力尚未被充分挖掘，值得投入資源探索。
與此同時，o1本質上是算法及數據的創(chuàng)新，對訓練算力的依賴度較低，因此對國內AI公司而言是一個利好。
o1帶來的第二個影響在于，提示詞工程的重要性在未來可能會快速下降。
在過去一年中，涌現出了大量提示詞工程技巧，比如讓大模型進行角色扮演，或者對大模型說“你如果回答得好，就給你小費，回答得不好，就給你懲罰”。
通過這些提示詞技巧，能夠有效增加大模型回答的效果。
但是在未來，我們只需要給大模型提出“準確、清晰、簡短有力”的問題，讓大模型進行慢思考即可。
過去一年中，不少國內的企業(yè)在提示詞工程方面下了不少功夫，建設系統(tǒng)，這方面的投入在未來可能是沒有太大意義的。
隨著提示詞工程變得越來越不重要，未來智能體會發(fā)揮越來越大的價值，值得重視。
o1帶來的第三個影響，也是目前市場并未形成共識的一點，就是：o1模型的背后存在真正意義上的數據飛輪。
OpenAI目前公開的o1模型，在使用的時候，把原始的CoT思維過程隱藏起來了。
根據官方的說法，這么做的原因是為了提升用戶體驗。但我們認為更主要的原因，是為了保護o1模型產生的數據飛輪。
說到數據飛輪，上一代以ChatGPT為代表的GPT系列模型其實并沒有產生數據飛輪效應。
海量用戶的使用，并沒有讓OpenAI積累到足以訓練出下一代模型的優(yōu)質數據，從而擴大競爭優(yōu)勢。相反，一年之后Anthropic、Cohere、Mistral都已經開始接近甚至追平了OpenAI的模型性能。
但是o1模型不太一樣。假設一個用戶使用o1模型來編寫代碼或者做數學題。無論代碼還是數學，都有一個共性特點，那就是“對就是對，錯就是錯”，是一個0-1問題。
如果o1模型回答的結果是正確的，那么其推理過程大概率也是正確的。
而一個能夠推導出正確結果的推理過程數據，恰恰是目前AI行業(yè)最稀缺的優(yōu)質資源。
如果OpenAI能夠善用o1所帶來的數據飛輪，將會對其訓練下一代o2、o3模型帶來巨大幫助。
最后，給出OpenAI o1模型的主創(chuàng)團隊清單，除了大名鼎鼎的Ilya之外，還有不少新面孔。
