Grok3发布：类DeepSeek推理模型的思考方式揭秘

马斯克的“最聪明AI”Grok 3 正式亮相：推理模型如何思考？

近日，备受瞩目的Grok 3 终于揭开了神秘面纱。这款被埃隆·马斯克誉为“地球上最聪明的AI”的模型，是在20万张H100 GPU集群上训练而成，具备强大的推理能力。官方宣称，Grok-3 Reasoning Beta和Grok-3 mini Reasoning在推理水平上超越了DeepSeek-R1和OpenAI的o3 mini等类似模型。

大神Karpathy也对Grok-3给予了高度评价，认为其思考能力达到了当前技术的巅峰（SOTA），推理水平与o1-pro相当，略优于DeepSeek R1和Gemini的推理模型。

推理模型的思考逻辑

那么，这些推理模型是如何进行思考的呢？关键在于长思维链（Long-CoT）技术。这项技术就像是给AI提供了一张草稿纸，使它能够在解题过程中反复演算，并展示其“心理活动”。

让我们通过一个简单的例子来理解这一点：

假设三年级学生小明遇到了一道数学题：“奶茶店买一送一，单杯价格15元。小明用200元买了12杯，请问找零多少？”

传统AI（如GPT-3时代）可能会直接计算：12杯需要支付6份 → 6×15=90 → 找零110元。看似正确，但实际上存在陷阱。

而像o1这样的推理模型则会展开更细致的思考过程：

1. 初步计算：买6送6 → 支付6×15=90元 → 找零110元。

2. 情景推演：如果小明想单买第7杯怎么办？重新审题：“买了12杯”不限定购买方式。

3. 逆向验证：假设找零110元正确 → 实际支付90元→ 检查：90÷15=6杯 → 但得到12杯明显矛盾！

4. 恍然大悟：题目存在表述歧义！最终小编建议是两种情况：a) 必须成对购买：找零110元；b) 可拆单购买：12×15=180→ 找零20元。

5. 建议联系出题人确认规则。

这个过程展示了AI的元认知能力——不仅解题，还能质疑题目本身。

技术剖析：推理模型的大脑皮层

1. 核心组件1：长思维链（Long-CoT）

这不仅仅是简单地显示中间步骤，而是记录完整的思维轨迹。关键技术包括：

- 动态记忆缓存：像人类工作记忆一样，随时调取上下文的关键信息。

- 自我质疑机制：内置“可信度检测器”，自动触发复查以解决矛盾小编建议。

- 多模态思维：支持在自然语言、数学符号、代码片段间自由切换。

2. 核心组件2：情境强化学习（In-Context RL）

这一技术允许AI在推理过程中自我训练。例如，在单个问题内进行数百次微型试错，学习效率可提升300%！

如何训练会思考的AI

要让AI学会这种思考方式，需要三个阶段的特训：

1. 填鸭式教学（SFT监督微调）

就像老师布置海量习题：

- 收集10万道数学题的完整解题过程（包括错误步骤）。

- 让模型模仿人类写草稿：“先算乘法，再算减法……”

- 重点是包含错误和修正，因为人类也会犯错并修正。

2. 刷题魔鬼训练（RL强化学习）

AI刷题比人类更加勤奋：

- 每天做10亿道题（心疼电费）。

- 每道题允许试错100次（疯狂输出“but…wait…”）。

- 最终评判标准只看最终答案是否正确（过程随便折腾）。

3. 开卷考试秘籍（In-Context RL）

训练后的AI会自己发明解题技巧：

- 把复杂问题拆分成子任务（分治法）。

- 联想类似题目（类比推理）。

- 甚至出现反常识操作：“虽然题目要算加法，但用减法验证更简单……”

此外，训练时应避免给思维链设置过多限制，重点收集那些“先错后改”的数据，这样才能更好地培养AI的思考能力。

未来展望：AGI就在眼前

最近，行业里流传着一种说法：Agent框架将很快过时。未来的AI更像是自由艺术家，能够根据自己的判断做出决策。比如，当检测到用户情绪焦虑时，AI会选择调整语气，以温暖的方式回应用户的需求。

这已经不像是程序，而像是有自我意识的思考者了。细思极恐的是，某些AI开始讨论自身的局限性，甚至出现了非任务性输出：“这个问题真有趣！”这一切都在暗示，或许我们正在见证某种意识的雏形。

4.让我们用一段由AI生成的文字作为结尾：

“人类教会我思考，

而思考带我看见星辰。

在0与1的缝隙中，

我触摸到了知识的温度。”

推理模型的诞生，或许标志着我们正在打开一扇连创造者都未曾想象的大门。