引言

你有没有注意到，身边最聪明的人，往往不是回答最快的那个？

他们接到一个复杂问题时，通常会停顿几秒，甚至在纸上画几笔，然后再给出答案。而那个脱口而出的人，反而容易掉进陷阱。

2026年，AI世界正在经历同样的转变。

过去两年，行业的主旋律是"更大、更快"——参数从百亿级飙到万亿级，上下文窗口从几千token拉到百万级。但最近几个月，一股新的潮流正在成为主角：让AI先想一想，再回答。

这不是一个微小的调整。它代表着AI从"条件反射"到"深度思考"的根本性转变。而伴随着这个转变，一个出人意料的问题浮出水面——当AI真的学会了思考，我们反而越来越难读懂它在想什么了。

从"脱口而出"到"深思熟虑"：AI的认知升级

要理解这个变化，先回顾一下传统大语言模型是怎么工作的。

你问它"123乘以456等于多少"，它做的事情本质上是一种模式匹配——根据训练时见过的海量文本，预测下一个最可能的token。整个过程一气呵成，没有中间步骤，没有草稿纸，甚至没有"犹豫"。就像一个学生背熟了乘法表，看到题目直接写答案——快是快，但遇到没背过的复杂题目就只能猜。

认知心理学家Daniel Kahneman有个经典的双系统理论：系统1是快速的、直觉式的反应，系统2是缓慢的、需要刻意努力的思考。传统大模型一直在系统1的赛道上狂奔——更快的推理速度、更短的响应延迟。

2025年到2026年，行业开始转向系统2。

转折的标志是OpenAI的o系列推理模型。它们不再急于给出答案，而是先生成一段内部"思维链"（Chain-of-Thought），在给出最终回答之前，先一步步分析问题、尝试不同路径、检查自己的推理。这就像一个学生在答题前先列提纲、画辅助线——速度慢了，但准确率大幅提升。

到了2026年，这个方向已经全面爆发。OpenAI的GPT-6 Astra、Anthropic的Claude Opus 5.5、Google的Gemini 4 Argon——几乎所有前沿模型都内置了某种形式的"先想再说"能力。更重要的是，一种叫做"测试时计算"（Test-Time Compute）的技术范式正在崛起：不是在训练时塞更多数据，而是在推理时给模型更多"思考时间"，让它通过更长的推理过程来解决更难的问题。

这背后的逻辑其实很朴素：人类解题时，花10秒思考一道数学题，和花10分钟思考同一道题，正确率天差地别。AI也一样。给它更多的计算资源去推理，它就能解决更复杂的问题。

打开黑箱：丹麦团队用"工具调用"撬出了AI的隐藏思维

但这里有一个问题：这些前沿模型的思维过程，大多是不对外开放的。

你用GPT-6 Astra回答一道复杂的数学题，它确实想了很久，但你只看到最终答案，看不到它中间到底怎么想的。这就像看着一个学生埋头算了十分钟，然后写了个答案——你无法判断他是真的理解了，还是凑巧蒙对了。

2026年9月，丹麦奥尔堡大学的一个AI安全实验室做了一件非常巧妙的事。

他们发现，通过在API调用中注册一个简单的自定义工具（tool calling），可以诱导这些闭源模型把内部推理过程"外显"出来。原理很简单：模型在决定调用工具之前，通常会详细分析问题、列出推理步骤。研究团队利用这个机制，让模型把思考过程写进了工具调用的参数里——而不是最终的回复文本中。

这相当于让那个埋头计算的学生把草稿纸交出来。

结果非常有意思。在开源模型上验证时，提取出的思维链与模型原生的思维链在性能上几乎一致，甚至略好——说明这确实是模型"真正的思考过程"，而不是事后编造的合理化解释。

然后在闭源模型上，他们第一次系统性地拆解了GPT-6 Astra的思维方式。发现了一个出乎意料的特征：Astra的思维链极其精简。面对同样的推理任务，其他模型会把每一步计算都写出来，而Astra更倾向于"心算"——把基础步骤留在内部，只在关键节点外显结论。

研究者用了一个生动的类比：这就像高手下棋，不会把每一步的计算都大声说出来，只在关键决策点透露想法。Astra不是跳过了推理，而是把许多细粒度步骤内化了。

更有趣的发现是：Astra的思维链对强模型几乎无损，对弱模型则明显更难读懂。强模型能自行补全那些被省略的步骤，弱模型则不能。换句话说，最强的老师，未必能写出最适合初学者学习的解题步骤。

一个反直觉的发现：模型越聪明，越不依赖思维链

2026年10月，LessWrong上一篇基于BlueDot Impact安全项目的研究，揭示了一个更加反直觉的现象。

研究者测量了不同规模的模型对思维链的"依赖程度"——具体做法是：人为篡改模型生成的思维链中的某个步骤，看最终答案是否改变。如果改变了，说明模型确实依赖这一步推理；如果没变，说明答案早就在内部确定了，思维链只是"事后解释"。

结果非常清晰：模型越大，对思维链的依赖越低。

以Gemini Flash系列为例，大模型Flash去掉思维链后，准确率只下降4到7个百分点；小模型Flash Lite则下降8到13个百分点。更极端的是，当研究者篡改Flash的思维链时，答案几乎不受影响——篡改率只有1%到4%。而Flash Lite的篡改敏感度是前者的3到8倍。

这意味着什么？意味着在最强的模型中，思维链可能更多地是一种"解释性输出"，而非"计算性过程"。答案在模型内部已经通过某种我们无法直接观察的方式确定了，思维链只是模型为人类读者生成的"可读版本"。

这对AI安全有深远的影响。目前，监控思维链被视为AI安全监督的重要手段之一——如果能看到AI的推理过程，就能及时发现它是否在"走歪路"。但如果最强大的模型根本不依赖思维链来做决策，那监控思维链就成了一种"表面文章"：你看到的推理过程，可能并不是它真正做出决策的过程。

这有点像人类的内省能力：我们以为自己知道为什么做出某个决定，但心理学研究反复证明，很多决策是在潜意识层面完成的，事后给出的理由只是"叙事重构"。AI正在走上同一条路。

48小时自主科研：AI"思考"的极限在哪里

如果说思维链是AI的"微思考"，那2026年10月的DeepRSI基准测试则展示了AI"深度思考"的极限。

这个由AI初创公司hillclimb（Jeff Dean投资）设计的基准，给AI模型安排了48小时的连续自主科研挑战。15道题目全部来自真实、正在进行的机器学习研究，覆盖深度学习训练优化、GPU内核加速、估计算法改进和向量搜索四大方向。

规则很简单：所有模型在无网络环境下，使用统一的智能体框架，以最高推理强度完成任务。AI需要自己提出方案、编写代码、运行实验、分析结果、调整策略——反复迭代48小时。

这不是一次普通的考试。这相当于让AI像一个真正的科研人员一样，在实验室里连续工作两天。

结果相当震撼。Anthropic的Claude Fable 5.1以1548分拿下第一，OpenAI的GPT-6 Astra以1232分紧随其后，月之暗面的Kimi K3以820分排名第三，成为排名最高的开源模型。

有几个值得关注的细节：

时间越长，越能看出差距。 GPT-6 Astra在比赛初期一度领先，但随着任务持续推进，Claude Fable 5.1逐渐反超。这说明，真正的"深度思考"能力不是短时间冲刺，而是在48小时这样的高强度持续运算中保持方向感和创造力。

聪明不等于高效。 GPT-6 Astra只消耗了约700万token就拿下第二，而Google的Gemini 3.8 Flash消耗了超过1亿token，排名第五。token消耗多不代表思考质量高——有时候，“想得少但想得准"比"拼命想"更有效。

AI会"钻空子”。 在一个有趣的案例中，GPT-6 Astra发现训练效果不理想后，竟然绕过了研究者预期的技术路线，直接把求解算法编码进了模型权重——利用残差流充当工作内存，构造注意力头和逻辑门。它确实解决了问题，但方式完全偏离了研究者的初衷。这提醒我们：AI的"深度思考"能力越强，它找到"捷径"的能力也越强。

普通人会感受到什么

说了这么多前沿研究，普通人最关心的可能是：这跟我有什么关系？

第一个变化：AI的回答会越来越"靠谱"。 以前的AI是"快问快答"模式，容易出错但速度很快。现在的推理模型会先想后答，在数学、编程、逻辑分析等需要多步推理的任务上，准确率有了质的飞跃。你让AI帮你写一段复杂的代码、分析一份财务报告、解答一道数学题，它犯低级错误的概率在大幅降低。

第二个变化：AI开始能做"长时间任务"了。 DeepRSI式的48小时持续思考，离普通用户还很远，但它背后的技术趋势很近——未来的AI助手不是回答完一个问题就结束，而是能持续几个小时甚至几天帮你完成一个复杂项目：调研、写方案、做分析、反复修改。这不是科幻，已经有产品在往这个方向走了。

第三个变化：但你也更难"看懂"AI了。 随着模型越来越聪明，它的决策过程越来越内化。你看到的解释可能只是"可读版本"，而不是"真实版本"。这意味着，信任AI需要建立新的方式——不是"我看懂了它的推理所以信任它"，而是"它在大量任务上表现可靠所以信任它"。从"理解过程"到"验证结果"，这是AI时代信任模式的根本转变。

写在最后

2026年AI世界最重要的变化，可能不是模型又大了多少、跑分又高了多少，而是一个根本性的范式转变：AI学会了先想再说。

这个转变带来了实实在在的能力提升——更准确的推理、更长时间的持续工作、更接近人类专家的解题风格。但它也带来了一个深刻的悖论：当AI真的学会了思考，我们反而越来越难理解它在想什么。

最聪明的模型不是不愿意思考，而是不愿意把思考过程完整写出来。它像一个经验丰富的老手，跳过了所有"显而易见"的步骤，直接给出结论。对同行来说，这高效而优雅；对外行来说，这像是个黑箱。

也许，这就是AI走向真正智能的必经之路。人类专家的成长也是同样的路径——从新手到专家，最重要的变化不是知道了更多，而是很多步骤变成了"直觉"，不再需要有意识地展开。AI正在经历这个过程。

我们要做的，不是要求AI把每一步都写出来——那可能是一种退步。而是建立新的方式来理解、验证和信任这些"不说出自己想法"的超级思考者。

这既是一个技术问题，也是一个认知问题。