2025 年春节，中国科技公司深度求索开发的 AI——DeepSeek R1 获得广泛关注，成为全球最热门的 AI ！人们在使用 DeepSeek R1 时发现，这个 AI 不仅思维缜密、推理能力出众，还颇具人情味。那么，它是如何成为“最会思考”的 AI 的呢？
此前，科学家主要用一种叫作“监督微调”的技术，来训练AI的推理能力。这种技术的训练过程，就像老师提供大量的逻辑例题及标准答案，让学生通过模仿来学习逻辑思维方法一样。
深度求索公司却另辟蹊径，采用了一种叫作“强化学习”的技术。这种技术不靠例题指导，而是让 AI 在反复尝试中自主探索推理方法，这也类似于人类的学习方式——借助试错和经验积累，逐渐掌握知识。
强化学习技术还为 DeepSeek R1 设置了双重奖惩机制——准确性奖励和格式奖励。准确性奖励是指，让它根据是否答对问题来给自己打分：答对加分，答错扣分。格式奖励是指，它需要在思考过程中清晰地表达每一步的推理过程，确 保答案清晰易懂，遵循了格式就得分，否则就会扣分。正是这两种奖励机制，让 DeepSeekR1 的推理能力突飞猛进。
深度求索公司还用了一种叫作“GRPO”的算法，让 DeepSeek R1 在没有“老师”的指导下，自我对比输出结果，并改进自己的推理策略。就像一个人在没有任何帮助下，仅靠自己不断摸索，最终学会了骑车一样。
- 上一篇：蟑螂救援队？
- 下一篇：没有了
