本周四，OpenAI发布了新消息，通过用强化学习生成更优的思维链，在给出答案之前先通过生成思维链进行思考，在数/理/化/生、IOI信息学竞赛等对逻辑推理要求较高的领域中表现惊艳，甚至超过人类博士，给大模型迈向通用人工智能的道路打开了新的想象空间。对于复杂推理任务，这是个里程碑式的进展，代表人工智能认知能力新水平，因此OpenAI将计数器重置为1，并将这一系列命名为OpenAI o1。
先来感受一下，什么叫震撼：
AIME2024是个高水平的数学竞赛，GPT4o的准确率为13.4%，o1的准确率直接干到了83.3%，编程竞赛，GPT4o是成绩是11%，o1干到了89%，博士级科学问题GPQA，人类专家是69.7%，o1直接碾压到了78%。
OpenAI官方给了一张图，非常有含金量：
传统LLM的scaling law主要是模型数据量和模型参数量，侧重pretrain和postpretrain阶段，但由于自然语言符合zipf’s law，一味增多训练数据，其实还是强者恒强，补充的知识大概率原来的训练数据就有的，对模型带来新信息的边际效能会逐渐递减，而从开源模型和闭源模型之间的差距在逐渐缩小也可以看出，再依靠大力出奇迹去卷数据量卷参数量，不太好使了。而OpenAI这张图带给我们新的信息--推理阶段也有scaling law。
推理缩放定律：指的是模型推理时间越长，推理效果会越好。且以最佳方式扩展LLM测试时的计算量可能比扩展模型参数更有效。OpenAI应该早在学术界之前就发现了这一定律并实践成功，而学术界是近一个月左右才发现：Snell等人发现，PaLM 2-S通过测试时间搜索，在MATH上的表现优于一个14倍大的模型（《Scaling LLM Test-Time Compute Optimally can be More Effective than Scaling Model Parameters》，https://arxiv.org/pdf/2408.03314）。
o1模型在训练和推理两个scaling law下双驱动，实现了性能提升。给大语言模型的效果优化带来了新的方向。
诺贝尔经济学奖得主丹尼尔-卡尼曼有一本著作《思考，快与慢》里面介绍了人类大脑的信息处理主要分为两个系统，第一个系统是快思考，偏经验记忆型，反应速度快，但欠缺思考容易出错；第二个是慢思考，偏逻辑推理型，反应速度慢，但思考的结果相对会更可靠。当输入经过第二系统处理的结果都符合一定规律，就会内化成记忆和经验，之后转由第一系统处理，以提高大脑处理信息的效率，同时降低大脑的能耗。OpenAI的这个推理阶段的scaling law，就是让模型慢思考。
而实现这个的功能的关键，是Self-replay RL，其实就是AlphaGo的自我博弈。当模型在回答一个复杂问题时，它就会进行一个类似Self-play的过程。模型会生成多个可能的思路，然后评估这些思路的质量，选择最佳的一个。通过自我探索、试错、完善思维链策略，模型学会将复杂问题分解为更简单的步骤，且当当前的方法不起作用时，模型也会尝试其他的策略，不断识别和纠正自己的错误。一旦答案正确，则中间推理的结果就可以形成数据飞轮，作为正reward和负reward，继续供模型训练完善，这比传统cot靠人类专家昂贵的标注样本效率高多了，上限也高多了。
https://platform.openai.com/docs/guides/reasoning?reasoning-prompt-examples=coding-planning
而推理时，引入了reasoning tokens，告诉模型去拆碎对prompt的理解，并考虑多个方法去产生最后的答案，产生答案并作为可见的token后，模型删掉之前的reasoning tokens。对于多轮问答，则如上图所示，每轮都保留用户输入和系统的输出，但对中间的reasoning token则删掉，不作为模型的输入。直到达到128k个token的上限，则截断输出。
这个其实是对next token prediction的一个扩展。预测不仅仅是局限在next token，文字的输出背后可能会有很多思考的痕迹，而OpenAI这种做法，正是建模这种文字背后思考的痕迹，让模型学会思考。
类似的研究有半年前斯坦福的《Quiet-STaR: Language Models Can Teach Themselves to Think Before Speaking》这篇论文，https://arxiv.org/pdf/2403.09629。
如上图，模型会并行的生成多个思路/想法，然后根据每个思路加与不加，对模型预测出正确的下一个token的似然概率是有益还是有害作为reward，用强化学习探索出更优的生成和选择候选思路的策略，这样不断提高模型逻辑推理的水平。
这本质上就是模型自己来生产并决定用什么prompt来引导自己输出更好的结果了，也意味着，之前那一批prompt工程师们又要失业了。
意料之中，却比想象中更快。
我很早之前了解过prompt learning，但自己却很少去研究过prompt要怎么写。因为在我的认知里，prompt工程师是用一种黑盒测试的方式，来适应人对大模型的使用。当设计出来的prompt跟模型训练数据分布越相似，效果就会越好。不管是hack中了模型的训练数据，还是hack中了模型的泛化方向，本质都是一种投机。以人去适应特定机器所获得的技能，衰退的速度会远超想象。机器一旦升级更新，人类针对旧机器积累的技能很可能不再有效。
我们回到LLM的落地。
AI要产生比较可观的经济效益，主要有两种落地姿势：+AI，AI+。
+AI，是大部分公司目前的做法，即在已有的系统或者业务下，使用AI技术进行优化，提高系统效率，降本增效，大部分都属于中小型创新，常见于各种大厂或成熟业务；
AI+，是以AI技术为核心，重新定义产品解决方案，相比现有的解决方案，用户体验需要好上好几倍，而不是仅仅好一点，才能有足够的势能让用户甘愿完成解决方案的切换。
企业在技术落地时决策用+AI还是AI+，需要考虑两个方面：
一是AI在全业务流程的价值链占比。如果很小，比如只有10%，则比较适合+AI策略。因为还需要补全剩余90%，而这可能在产业深耕多年的公司已经具备，仅靠AI胜算不大。如电商行业，即使没有chatgpt，依然能依靠已有的搜索和推荐建立人-货-场连接，商家依然可以通过提供优质的产品和服务，通过线上线下积累的渠道完成价值交换。
二是AI是否具备护城河。如果具备形成护城河，则AI+的策略会更有胜算。因为后来者因为护城河的原因，要追赶需要付出更大的代价。如OpenAI的chatgpt，不仅仅是技术壁垒，在超高的人气加持下，用户不断产生的系统交互日志，会帮他们建立品牌认知，也不断帮他们及时发现用户在bot场景下的真实使用需求，进而继续迭代完善他们的模型服务。
根据这两个标准，可以划分出四个象限，如下图所示。
而o1模型的成功，意味着大语言模型除了传统的偏文科型的领域外，进一步进军理工型领域的应用。现实世界的问题，有不少是需要逻辑推理的，短期内即使人类专家也不太容易取得突破性成果的，如研发新药、开发新电池等。这些都主要对应到上图的右上角象限，发展空间比原来更大了。
只要用户需求够痛，生成的结果就算不一定正确，但也可能给人类带来有价值的启发，那么即使推理时间长，如几小时、几天甚至几周，相信也会有人接受并愿意尝试的。而随着端上推理分担计算量和工程性能优化，推理的算力成本或者时间成本也一定会慢慢得到解决。
预测未来的趋势还是会有一个类似Agent（侧重工程）或者MOE（侧重模型）的系统，去针对不同的问题，决定使用侧重记忆型的模型，还是推理型的模型，或者多个模型结果整合。
欢迎微信扫码关注公众号 nlp之路， 回复LLM， 免费领取LLM相关资料
