2024年9月12日：o1与"慢思考"的诞生

2024年9月12日，OpenAI发布了一个新模型。它不叫GPT-5，也不叫GPT-4.5，而是一个全新的代号——o1。"o"代表Orion（猎户座），一个全新的模型系列。此时距离GPT-4o发布（2024年5月13日）仅四个月，但o1与GPT-4o的差别不是参数量大小，而是思考方式。

诺贝尔奖得主丹尼尔·卡尼曼在《思考，快与慢》中将人类思维分为两个系统：系统1快速、直觉、自动化；系统2缓慢、审慎、逻辑推理。在此之前的所有大语言模型——从GPT-1到GPT-4o——都是"系统1"模型：它们接收输入，立即输出，中间没有"思考"步骤。o1引入了一个全新的机制——推理令牌（Reasoning Tokens）。模型在给出最终答案前，先生成一条隐藏的推理链，进行多步骤逻辑推演，然后再输出答案。

这听起来像是一个简单的改动，但效果惊人。在AIME 2024数学竞赛上，GPT-4o的正确率是12%（1.8/15），o1-preview飙升到74%（11.1/15）。在Codeforces竞赛编程中，GPT-4o排在第23.6百分位，o1-preview冲到第89百分位。在博士级科学问答GPQA Diamond上，GPT-4o是49.9%，o1-preview是60.0%。

o1还引入了一个全新的概念——测试时计算（Test-Time Compute）。传统模型对每个问题分配大致相同的计算量，o1会根据问题复杂度动态调整"思考"深度。简单问题快速回答，复杂问题深入推理。这意味着同一模型可以通过"思考更久"来解决更难的问题——相当于用推理算力换取更高的准确率。

2024年12月：o3与ARC-AGI突破

2024年12月20日，OpenAI在"12 Days of OpenAI"活动的最后一天宣布了o3模型（跳过o2以规避商标冲突）。同一天，Google DeepMind首席科学家Jeff Dean宣布推出Gemini 2.0 Flash Thinking实验性推理模型——推理模型赛道正式进入多方竞争。

o3最引人注目的成绩在ARC-AGI基准测试上。ARC-AGI由François Chollet设计，被视为评估AI"通用智能"的试金石，此前所有模型表现都不理想。o1大约得32%，而o3在低算力设置下达到75.7%，在高算力设置下达到87.5%——超越了人类表现的约85%。

但这个成绩的代价令人咋舌。据报道，o3-high在ARC-AGI上的单任务成本约3500美元，比o1-high高出约1000倍。这就是推理模型的"推理税"——更强的推理能力意味着更多的推理算力消耗，每次查询的成本远高于传统模型。

2025年1月31日，OpenAI发布o3-mini，定位为"最具成本效益的推理模型"。它支持三种推理强度（low/medium/high），medium强度下性能匹配o1但响应速度更快，且首次向ChatGPT免费用户开放推理模型。o3-mini的发布标志着推理模型从"高端实验"走向"大众可用"。

2025年1月20日：DeepSeek-R1的"顿悟时刻"

如果说o1和o3展示了推理模型的能力上限，那么DeepSeek-R1则用一种出人意料的方式，动摇了整个行业的成本假设。

2025年1月20日，中国AI公司深度求索（DeepSeek）发布DeepSeek-R1，采用MIT许可证完全开源——包括模型权重、推理数据和技术论文。基础模型是DeepSeek-V3-Base，MoE架构，总参数671B，激活参数37B，上下文长度128K。

纯强化学习训练：不需要人类示范

DeepSeek-R1最重要的技术贡献在于训练方法。他们发布了两个版本：R1-Zero和R1。R1-Zero直接在基础模型上应用大规模强化学习，不经过监督微调（SFT）作为前置步骤。这是首个公开研究验证LLM的推理能力可以纯粹通过RL激励获得，无需人类编写的推理示范。

他们自研了GRPO算法（Group Relative Policy Optimization），核心思路是对同一问题采样多条回答，在组内进行相对排名来计算优势函数，无需单独训练Critic网络，降低了训练成本和不稳定性。

"Aha Moment"：AI自己学会了反思

这个"顿悟时刻"是DeepSeek-R1论文中最引人注目的发现。在R1-Zero的RL训练过程中，模型自发涌现出类似人类的自我反思和策略调整能力。它开始表现出自我验证、反思和生成长思维链的行为——这些行为没有人教它，是纯粹在奖励信号压力下自然涌现的。复旦大学知识工场实验室后续用仅200多行代码成功复现了这一现象。

成本：557万美元训练，29万美元强化学习

DeepSeek-V3的训练成本约557.6万美元（约278.8万H800 GPU小时），在14.8万亿token上预训练，采用FP8混合精度训练。R1的强化学习训练成本约29.4万美元。使用的芯片是英伟达H800——H100的中国降级版，符合美国2022年10月出口管制要求。西方AI公司训练前沿模型通常花费数千万至数亿美元，DeepSeek的成本仅为零头。

性能：与o1正式版相当

DeepSeek-R1在多项基准上达到与OpenAI o1正式版相当的水平——AIME 2024和MATH-500甚至略超o1。考虑到训练成本的巨大差距，这个结果令市场震惊。此外，DeepSeek-R1-Distill-Qwen-32B（蒸馏版小模型）在多项基准上超越o1-mini，意味着推理能力可以被"蒸馏"到更小的模型中。

2025年1月27日：英伟达的"黑色星期一"

2025年1月27日，DeepSeek-R1发布一周后，市场做出了剧烈反应。英伟达股价暴跌约17%（收盘下跌16.97%），单日市值蒸发约5900亿美元，创下美国上市公司单日市值损失的历史纪录。其他芯片股同步大跌：博通下跌17.4%，AMD下跌6%。

市场的逻辑很简单：如果DeepSeek能用557万美元训练出媲美o1的模型，那AI行业是否还需要那么多高端GPU？英伟达发言人回应称"DeepSeek是AI领域的卓越进步"，并强调"推理需要大量GPU"——这句话后来被证明是正确的。

DeepSeek应用一度登顶苹果App Store，超越ChatGPT。2025年9月17日，DeepSeek-R1论文登上《自然》（Nature）杂志封面，成为首个经过同行评审的主要大语言模型，通讯作者为梁文锋。

范式转变：第四个扩展维度

传统AI扩展依赖三个维度：更多数据、更大参数、更多训练算力。推理模型引入了第四个维度——测试时计算（Test-Time Compute）。模型在推理阶段根据任务复杂度动态分配计算资源，而非对所有问题使用固定计算量。

这个新维度改变了AI的算力经济学。传统模式下，大部分算力投入训练；推理模型模式下，每次查询的推理算力大幅增加。o1的API价格约为GPT-4o的3-6倍。这意味着AI芯片的需求结构正在变化——从"训练密集型"向"推理密集型"转变。英伟达股价暴跌后的反弹也验证了这一点：推理模型实际上增加了对推理算力的需求，每个查询需要更多token生成、更多前向传播。

竞争格局也在快速演变。2025年2月24日，Anthropic发布Claude 3.7 Sonnet，号称全球首个混合推理模型——将普通语言处理和推理能力集成在一个模型中，用户可选择快速响应或扩展推理。Google的Gemini 2.0 Flash Thinking、阿里巴巴的QwQ-32B-Preview也相继加入赛道。DeepSeek-R1的开源策略使推理模型技术民主化，全球开发者可以基于其蒸馏模型构建自己的推理能力，打破了OpenAI在推理模型领域的技术垄断。

核心判断：新维度的开启