共计 846 个字符，预计需要花费 3 分钟才能阅读完成。
最近，我一直在思考一个问题：生成式 AI 是否真的能够清晰地解释它们的推理过程？为了找到答案，我决定亲自测试两个不同的模型。
首先，我设想了一个经典的火车问题：一列火车从芝加哥出发，以每小时 70 英里的速度向西行驶，另一列火车从旧金山出发，以每小时 80 英里的速度向东行驶。问题是，它们会在何时何地相遇？
这个问题对于 AI 来说并不新鲜，尤其是像 OpenAI 的“o1”这样的大型语言模型。这些模型不仅能给出答案，还能解释它们是如何得出答案的。这种解释通常是通过所谓的“思维链”方法来实现的。
思维链听起来很酷，但实际上，它的效果可能因模型的不同而大相径庭。在我的实验中，我发现有些模型的思维链解释非常清晰，而有些则让人一头雾水。
为了更深入地探讨这个问题，我将 OpenAI 的 o1 与中国的初创公司 DeepSeek 的最新模型 R1-Lite 进行了对比。DeepSeek 声称 R1-Lite 在多个基准测试中击败了 o1，尤其是在加州大学伯克利分校开发的 MATH 测试中。
我首先将那个经典的火车问题提交给了这两个模型。结果是，两个模型都给出了类似的答案，但 o1 明显更快，只用了五秒钟，而 R1-Lite 则花了 21 秒。不过，更有趣的差异出现在后续的计算中。
当我要求两个模型计算两列火车大约会在哪里相遇时，o1 迅速给出了怀俄明州的夏延。而 R1-Lite 则经历了一个漫长而复杂的“思维”过程，最终给出了一个近似的答案——“在西部内布拉斯加或东部科罗拉多”。
R1-Lite 的推理过程非常详细，但也非常冗长，甚至有些混乱。它尝试了多种方法来计算位置，但每种方法都显得有些奇怪和复杂。相比之下，o1 的推理过程则简洁明了。
通过这次测试，我意识到，虽然思维链方法听起来很吸引人，但实际效果可能并不理想。对于那些希望通过 AI 模型来理解复杂问题的人来说，简洁明了的解释可能比冗长复杂的推理过程更有帮助。
总的来说，生成式 AI 在解释其推理过程方面还有很长的路要走。虽然有些模型做得不错，但大多数模型仍然需要进一步改进，以确保它们的解释既清晰又易于理解。
