騰訊科技《AI未來指北》特約作者 郝博陽

時隔不到一個月，DeepSeek又一次震動全球AI圈。

去年 12 月，DeepSeek推出的DeepSeek-V3在全球AI領域掀起了巨大的波瀾，它以極低的訓練成本，實現了與GPT-4o和Claude Sonnet 3.5等頂尖模型相媲美的性能，震驚了業界。

騰訊科技曾對此模型進行深度解讀，用最簡單直白的語言闡釋其實現低成本和高效能的技術背景（點擊可查看）。

和上次不同的是，這次推出的新模型DeepSeek-R1不僅成本低，更是在技術上有了大福提升。

而且，它還是一個開源模型。

這款新模型延續了其高性價比的優勢，僅用十分之一的成本就達到了GPT-o1級別的表現。

所以，很多業內人士甚至喊出了“DeepSeek接班OpenAI”的口號。

比如，前Meta AI工作人員、知名AI論文推特作者Elvis就強調，DeepSeek-R1的論文堪稱瑰寶，因爲它探索了提升大語言模型推理能力的多種方法，並發現了其中更明確的涌現特性。

另一位AI圈大V Yuchen Jin則認爲，DeepSeek-R1論文中提出的，模型利用純RL方法引導其自主學習和反思推理這一發現，意義非常重大。

用最簡單的配方，迴歸最純粹的強化學習

在o1推出之後，推理強化成了業界最關注的方法。

一般來說，一個模型在訓練過程中只會嘗試一種固定訓練方法來提升推理能力。

而DeepSeek團隊在R1的訓練過程中，直接一次性實驗了三種截然不同的技術路徑：直接強化學習訓練（R1-Zero）、多階段漸進訓練（R1）和模型蒸餾，還都成功了。多階段漸進訓練方法和模型蒸餾都包含着很多創新意義元素，對行業有着重要影響。

其中最讓人激動的，還是直接強化學習這個路徑。因爲DeepSeek-R1是首個證明這一方法有效的模型。

我們先來瞭解一下，訓練AI的推理能力傳統的方法通常是什麼：一般是通過在SFT（監督微調）加入大量的思維鏈（COT）範例，用例證和複雜的如過程獎勵模型（PRM）之類的複雜神經網絡獎勵模型，來讓模型學會用思維鏈思考。

這就像讓一個天才兒童在沒有任何範例和指導的情況下，純粹通過不斷嘗試和獲得反饋來學習解題。

DeepSeek-R1-Zero 有的只是一套最簡單的獎勵系統，來激發AI的推理能力。

這個規則就兩條：

1.  準確性獎勵：準確性獎勵模型評估響應是否正確。對了就加分，錯了扣分。評價方法也很簡單：例如，在具有確定性結果的數學問題中，模型需要以指定格式（如<answer>和</answer>間）提供最終答案；對於編程問題，可以使用編譯器根據預定義的測試用例生成反饋。

2.  格式獎勵：格式獎勵模型強制要求模型將其思考過程置於<think>和</think>標籤之間。沒這麼做就扣分，做了就加分。

爲了準確觀察模型在強化學習（RL）過程中的自然進展，DeepSeek甚至有意將系統提示詞僅約束限制在這種結構格式上，來避免任何內容特定的偏見——例如強制讓模型進行反思性推理或推廣特定的問題解決策略。

R1 Zero的系統提示詞

靠着這麼一個簡單的規則，讓AI在GRPO（Group Relative Policy Optimization）的規則下自我採樣+比較，自我提升。

GRPO的模式其實比較簡單，通過組內樣本的相對比較來計算策略梯度，有效降低了訓練的不穩定性，同時提高了學習效率。

更重要的是，這種方法真的讓模型學會了思考，而且是以“頓悟”的方式學會的。

用自己的語言，在“頓悟”中學習

我們是怎麼看出模型在這種非常“原始”的方法下，是真的學會了“思考”的呢？

論文記錄了一個引人注目的案例：在處理一個涉及複雜數學表達式 √a - √(a + x) = x 的問題時，模型突然停下來說"Wait, wait. Wait. That's an aha moment I can flag here"（等等、等等、這是個值得標記的啊哈時刻），隨後重新審視了整個解題過程。這種類似人類頓悟的行爲完全是自發產生的，而不是預先設定的。

這種頓悟往往是模型思維能力躍升的時刻。

因爲根據DeepSeek的研究，模型的進步並非均勻漸進的。在強化學習過程中，響應長度會出現突然的顯著增長，這些"跳躍點"往往伴隨着解題策略的質變。這種模式酷似人類在長期思考後的突然頓悟，暗示着某種深層的認知突破。

在這種伴隨着頓悟的能力提升下，R1-Zero在數學界享有盛譽的AIME競賽中從最初的15.6%正確率一路攀升至71.0%的準確率。而讓模型對同一問題進行多次嘗試時，準確率甚至達到了86.7%。這不是簡單的看過了就會做了——因爲AIME的題目需要深度的數學直覺和創造性思維，而不是機械性的公式應用。模型基本必須能推理，才可能有這樣的提升。

另一個模型確實通過這種方法學會了推理的另一個核心證據，是模型響應長度會根據問題的複雜度自然調節。這種自適應行爲表明，它不是在簡單地套用模板，而是真正理解了問題的難度，並相應地投入更多的"思考時間"。就像人類面對簡單的加法和複雜的積分會自然調整思考時間一樣，R1-Zero展現出了類似的智慧。

最有說服力的或許是模型展現出的遷移學習能力。在完全不同的編程競賽平臺Codeforces上，R1-Zero達到了超過96.3%人類選手的水平。這種跨域表現表明，模型不是在死記硬背特定領域的解題技巧，而是掌握了某種普適的推理能力。

一個聰明，但口齒不清的天才

儘管R1-Zero展現出了驚人的推理能力，但研究者們很快發現了一個嚴重的問題：它的思維過程往往難以被人類理解。

論文坦誠地指出，這個純強化學習訓練出來的模型存在"poor readability"（可讀性差）和"language mixing"（語言混雜）的問題。

這個現象其實很好理解：R1-Zero完全通過獎懲信號來優化其行爲，沒有任何人類示範的"標準答案"作爲參考。就像一個天才兒童自創了一套解題方法，雖然屢試不爽，但向別人解釋時卻語無倫次。它在解題過程中可能同時使用多種語言，或者發展出了某種特殊的表達方式，這些都讓其推理過程難以被追蹤和理解。

正是爲了解決這個問題，研究團隊開發了改進版本DeepSeek-R1。通過引入更傳統的"cold-start data"（冷啓動數據）和多階段訓練流程，R1不僅保持了強大的推理能力，還學會了用人類易懂的方式表達思維過程。這就像給那個天才兒童配了一個溝通教練，教會他如何清晰地表達自己的想法。

在這一調教下之後，DeepSeek-R1展現出了與OpenAI o1相當甚至在某些方面更優的性能。在MATH基準測試上，R1達到了77.5%的準確率，與o1的77.3%相近；在更具挑戰性的AIME 2024上，R1的準確率達到71.3%，超過了o1的71.0%。在代碼領域，R1在Codeforces評測中達到了2441分的水平，高於96.3%的人類參與者。

然而，DeepSeek-R1 Zero的潛力似乎更大。它在AIME 2024測試中使用多數投票機制時達到的86.7%準確率——這個成績甚至超過了OpenAI的o1-0912。這種"多次嘗試會變得更準確"的特徵，暗示R1-Zero可能掌握了某種基礎的推理框架，而不是簡單地記憶解題模式。

論文數據顯示，從MATH-500到AIME，再到GSM8K，模型表現出穩定的跨域性能，特別是在需要創造性思維的複雜問題上。這種廣譜性能提示R1-Zero可能確實培養出了某種基礎的推理能力，這與傳統的特定任務優化模型形成鮮明對比。

所以，雖然口齒不清，但也許DeepSeek-R1-Zero才是真正理解了推理的“天才”。

純粹強化學習，也許才是通向AGI的意外捷徑

之所以DeepSeek-R1的發佈讓圈內人的焦點都投向了純強化學習方法，因爲它完全可以說得上是打開了AI 進化的一條新路徑。

R1-Zero——這個完全通過強化學習訓練出來的AI模型，展現出了令人驚訝的通用推理能力。它不僅在數學競賽中取得了驚人成績。

更重要的是，R1-Zero不僅是在模仿思考，而是真正發展出了某種形式的推理能力。

因爲在過往的訓練方法中，尤其在監督微調中使用訓練好的神經網絡來評估質量的話，模型可能學會觸發獎勵模型的特定模式，生成對獎勵模型"口味"的內容，而不是真正提升推理能力。換句話說，AI系統找到了獲得高獎勵但實際上違背訓練目標的投機取巧方式。這就是我們常說的獎勵欺騙（reward hacking）。但R1-Zero用極簡的獎勵規則基本避免了獎勵欺騙的可能性——規則太簡單了，沒有什麼“口味”可以去模仿。模型在這個情況下發展出的推理能力更可信，也更自然。

這個發現可能會改變我們對機器學習的認識：傳統的AI訓練方法可能一直在重複一個根本性的錯誤，我們太專注於讓AI模仿人類的思維方式了，業界需要重新思考監督學習在AI發展中的角色。通過純粹的強化學習，AI系統似乎能夠發展出更原生的問題解決能力，而不是被限制在預設的解決方案框架內。

雖然R1-Zero在輸出可讀性上存在明顯缺陷，但這個"缺陷"本身可能恰恰印證了其思維方式的獨特性。就像一個天才兒童發明了自己的解題方法，卻難以用常規語言解釋一樣。這提示我們：真正的通用人工智能可能需要完全不同於人類的認知方式。

這才是真正的強化學習。就像著名教育家皮亞傑的理論：真正的理解來自於主動建構，而不是被動接受。