对 DeepSeek R1 的科普 [译]
姐妹们，兄弟们，最近的 AI 圈子是不是有点“猛猛的”？
不仅咱们吃瓜群众头晕，连圈内大佬都在抓狂。一会儿冒出个 R1，一会儿又蹦出来 o1、o3，还愣是不给你个 o2……让人满脸问号。
别怕！这篇文章帮你把最近的 AI 发展梳理得明明白白。就是专门写给那些“感觉自己好像应该知道，但又真的没跟上节奏”的朋友们。AI 进化速度太离谱，我们要抱紧彼此，别在这股风潮里被吹晕。
时间线
敲黑板，过去几个月究竟发生了啥？绝不让你错过任何激动人心的时刻！
2024 年 9 月 12 日：o1-preview 发布
（小试牛刀，预热一下）2024 年 12 月 5 日：o1（正式版） 发布 + o1-pro
（正式登场，大家好我叫 o1！）2024 年 12 月 20 日：o3 官宣，血洗 ARC-AGI，号称“AGI”
（一看到“AGI”，是不是有点腿软？）2024 年 12 月 26 日：DeepSeek V3 发布
（圣诞过完，一份迟到的“礼物”）2025 年 1 月 20 日：DeepSeek R1 发布，性能追平 o1，还开源！
（猛！突然出击！）2025 年 1 月 25 日：香港大学复现 R1 结果
（实力学校就是干脆利落：你发我就测，测完就做出来）2025 年 1 月 25 日：Huggingface 宣布要开源复现 R1
（事实证明，群众的力量杠杠的，分分钟翻版量产）
来划重点：
o1、o3、R1 都是推理模型。
DeepSeek V3 是 LLM，也就是“基础大语言模型”，而这些推理模型都是在它之上微调出来的。
ARC-AGI据说是一个对人类来说“SO EASY”，对 AI 来说“好难”的基准。但 AI 一旦通过它，就和咱们人类不相上下啦。
（抱歉啊，打住！有人指正这理解不太对，详情见下面编辑部分。）
编辑：
其实 ARC-AGI 并不是那么“高深莫测”，至少 Francois Chollet 的解释里说，它是一个最最最基础的流体智力评估，若不能通过，说明在陌生场景下基本没啥自适应和解决能力。
推理与 Agent
各位，先来搞清楚重点：推理模型跟 Agent 到底谁是谁？要不搞懂这俩概念，分分钟被绕晕。
推理模型 ≠ Agent
推理模型能在回答前“想一下”。LLM 的“想”就是不断生成一堆 Token，靠海量输出去撞对答案，虽然听着有点笨拙，但人家偏偏真的奏效。
可 Agent 就更厉害了，它不仅要“想”，还要有决策和行动这两大超能力：
自治能力——能自己拿主意，完成任务；
能跟外界互动——不止在文本里输出，而是能实际操作或执行某些指令。
所以，单独的 LLM 或推理模型只会文思泉涌写写写，它没法去真正完成那些大规模操作（比如帮你订机票啊，真的控制机械臂啊）。得配合软件，赋予它实际“操控世界”的本事。
总的来说，Agent = 模型 + 软件（外加可能的硬件），让 AI 系统自己在世界里造作。
推理为什么重要
之所以推理模型老跟 Agent 混在一起，就是因为现在推理是关键瓶颈。
要想搞任务规划、监督、验证、变聪明，都离不开推理。你没推理，Agent 就是纸上谈兵。但等推理这关也被打穿，估计又会有下一关在等着我们。
推理需要变得廉价
你要是指望 Agent 24 小时不间断，像打了鸡血似地工作，那计算成本不得吓死人？如果推理每次都超级烧钱，那可顶不住。
所以 R1 现在的狠招在于：它比 o1 便宜 30 倍！但效果还差不多。能省钱，谁不爱？
R1 的重要意义
便宜、开源、能跟 o1 抗衡，还提供了“官方透视”——OpenAI 原先一副神秘面纱，现在被 R1 大方一掀。
有人根据公开文档猜测 o1 的原理，结果 R1 的论文一下验证了大部分。说明咱们现在对 o1 的发展路径（往后 o3、o4）都一清二楚啦。
而且 R1 一开源，相当于给全世界打了通行证——人人都能基于它去创新。这不，这几天各种复现版本满天飞，有些人甚至说只花 30 美金就搞定了？这就是开源的魅力呀：便宜+快速迭代=脑洞大开。
更重要的是，R1 扼杀了一些超级复杂的概念（比如 DPO、MCTS），“打脸式”地证明：简单粗暴的传统 RL 就能跑通未来！
AI 的发展走势
现在看 AI，你想知道它是要登天还是原地踏步？发展靠的又是什么？带你往下看。
预训练规模扩张的路走不通了
当初 GPT-4 上线，大家都在聊：只要你有钱有资源，把模型越做越大，喂更多数据，性能就会蹭蹭蹭往上飙——所谓的预训练规模定律。
可是后来发现，这条路并不是无上限的。因为能抓到的数据就那么多，而且遇到很多隐形门槛。加上人家又发现了别的更神奇的“加速定律”，所以原来的那套也就不再风光了。
（别走开，下面更劲爆）
推理阶段的规模定律
这是说推理模型（像 o1、R1 这种），它们越能“反复思考”，效果越吓人——思考时间越长，表现越好。
不过“怎么让模型多思考”这个话题就更刺激了：
最简单的思路：让模型写出Chain of Thought (CoT)，先把思路列出来；
可有人又在探索像Entropix 这类新方法，想用模型的内部信号来找最有效率的推理路径；
还有人玩 MCTS，生成好多个分支再淘汰……
结果，研究来研究去，最后发现 CoT 最实用。R1 只做了一个单行 CoT，用 RL 来训练，就够了！（当然也可能有点其他巧妙细节。）
缩小模型体量（新的规模定律？）
早在 2024 年，GPT-4-turbo、GPT-4o、Claude 系列……大家都在做同一件事：越改越小，越改越便宜。
道理也简单，如果要在推理中疯狂生成 Token，那模型小点儿算得就更快，也就能“思考”更多步，再配合一些策略，自然而然提升效果。
所以在这里，“模型越小，可能越厉害”并不是一句废话。
强化学习（新的规模定律？）
R1 用了 GRPO（Group Rewards Policy Optimization） 来让模型在推理时自动生成 CoT，这本质上是个朴素的强化学习：就看你对不对、格式好不好，简单粗暴打分。
DeepSeek-R1-Zero 甚至把方法精简到只留 GRPO，就能比 R1 还准。不过副作用是，它会在中英文之间来回跳，让大多数用它的用户疯掉（搞不好下一句就跑去说英文了）。
（为啥会这样？可能某些概念用英语表达更精确，用中文又更顺口，模型自己也“鸡贼”地选最合适的语言。）
最绝的是，今天（2025 年 1 月 25 日），有人说：“随便换个 RL 算法比如 PPO、PRIME，都行啊！” 而且只要参数大于 15 亿，模型就能自发蹦出这种“推理时深度思考”的技能。
天啊，让我们拭目以待，它会飞到多高？
模型蒸馏（新的规模定律？）
R1 还靠自己更早期的 checkpoint 做蒸馏训练。
通常“蒸馏”是让一个大的老师模型给小的学生模型生成训练数据。但 R1 的套路是不管大和小，自己在自己体内循环迭代，疯狂搞 SFT（监督微调）+ RL 交替提升。
究竟能卷到啥程度？
九天前有人爆料说 GPT5 可能已经有了，而 GPT4o 只是它的蒸馏小马甲。这篇文章 说，OpenAI 和 Anthropic 可能已经发现一条“无限循环”道路：先训一个超大模型，再蒸馏成中号模型，然后用中号模型去辅助训练更大的……周而复始，谁也不知道会不会冲向 AI 真·巅峰。
对照 R1 的论文，好像确实证明这东西可行，而且说不定人家早就在干了。
（有人还发现学生可能超越老师，当然也要看具体情况。反正模型塌缩也一直是个忧虑，但目前还没到特别危险的程度。总之，蒸馏这条路子，还能玩出无数花样。）
2025 年的预测
眼下：
预训练难度大增（但还没死）
推理阶段大爆发
模型越做越小
强化学习新玩法不断
蒸馏技术也出现“规模定律”
有一说一，AI 不像要慢下来的样子。你以为预训练放缓了点儿，可没想到推理、RL、蒸馏都来一波爆发接力。这应该会让 AI 的发展继续加速加速再加速，甚至迎来一波又一波的疯狂。
地缘政治：Distealing
（这是我新造的词儿，指“未经授权的蒸馏”，好听吧，快拿去玩）
软件现在超政治化，AI 更是各路势力都争得头破血流。什么美国、欧洲、中国，各有玩法：
美国：财大气粗，“有钱就砸”，火力全开加速 AI；
中国：受限于出口管制，只好另辟蹊径，用聪明才智和性价比杀出血路；
欧洲：要么监管，要么开源，选择题就摆那儿。
有人怀疑 DeepSeek 是不是把 o1“偷”来蒸馏成了 R1，但这么多团队都能复现 R1，我看这八成只是中国团队技术猛，突然爆发了一把。反正“中美对抗”的戏码还得继续，背后政治博弈会越来越有趣。
还要重点提醒：AI 的实力若真的以指数级在增长，那政治和地缘政治的影响得有多大，谁都说不准。我们干 AI 的，也得有点政治思维。监管也好、限制也罢，咱最好都留个心。
结论
没错，这进展速度简直让人看着头晕眼花。但，R1 的出现给了我们一个难得的清晰窗口：不再是之前那种“OpenAI 一手遮天，外界只能猜测”，现在我们大概知道未来 AI 会怎么走，而且它看起来正走向加速度。
请各位系好安全带，前方高能！
讨论
（好了，吃瓜完毕，咱散了吧！）