阿里林俊旸離職后首發(fā)長(zhǎng)文：AI正從“推理式思考”走向“智能體式思考”

AI正在走向“為了采取正確行動(dòng)而思考”。

編譯整理｜莘歆

來(lái)源 | 盒飯財(cái)經(jīng)（ID：daxiongfan）

頭圖及封面來(lái)源 | 網(wǎng)絡(luò)及即夢(mèng)制作

在X（推特）上宣布離職后的22天，林俊旸發(fā)了一篇長(zhǎng)文。

3月26日晚，作為前阿里通義千問(wèn) Qwen 負(fù)責(zé)人，林俊旸這篇題為《從“推理式思考”到“智能體式思考”》（From "Reasoning" Thinking to "Agentic" Thinking）的文章，是他從阿里離職后首次公開發(fā)表的長(zhǎng)文。

圖片來(lái)源：X 截圖

長(zhǎng)文中提到，過(guò)去兩年，OpenAI o1和DeepSeek R1證明了AI能夠在“回答之前先思考”，而不是“脫口而出”。但在林俊旸看來(lái)，這種范式目前正在發(fā)生轉(zhuǎn)移，AI的重心正在從“推理式思考”走向“智能體式思考”。

簡(jiǎn)單來(lái)說(shuō)就是，AI從最初的“簡(jiǎn)單回答問(wèn)題”到“為了給出正確答案，先思考再回答問(wèn)題”，到如今正在走向“為了采取正確行動(dòng)而思考”，即目標(biāo)發(fā)生了轉(zhuǎn)移。

在阿里任職期間，林俊旸主導(dǎo)了從 Qwen-7B 到 Qwen-2.5 這一系列模型的研發(fā)，是阿里云大模型“通義千問(wèn)（Qwen）”的技術(shù)總指揮。3月4日，林俊旸在X上發(fā)文稱“me stepping down. bye my beloved qwen.”（我卸任了。再見了，我深愛的千問(wèn)。）林俊旸正式從阿里離職。

林俊旸此次發(fā)布的這篇長(zhǎng)文約4500字，主要探討了人工智能從“推理思考”（Reasoning Thinking）向“智能體思考”（Agentic Thinking）的演進(jìn)趨勢(shì)，并分析了這一轉(zhuǎn)變背后的技術(shù)挑戰(zhàn)與未來(lái)方向。

截止發(fā)稿前，該文章已經(jīng)獲得將近40萬(wàn)的瀏覽量和兩千多的點(diǎn)贊收藏。評(píng)論區(qū)的討論也很火爆，一位LLM研究人員表示“只有通過(guò)人為干預(yù)/協(xié)調(diào)智能體和工具，而不是讓LLM完全掌控整個(gè)流程，這樣自動(dòng)化才會(huì)成為可能。”另外一位生物學(xué)專業(yè)出身的人工智能研究者同樣也表示“模型存在掌握了信息，卻不愿采取行動(dòng)”的情況。

圖片來(lái)源：X 截圖

林俊旸的這一思考與論點(diǎn)獲得了Grok研發(fā)工程師Ethan He等諸多專業(yè)人士的認(rèn)同和支持。

以下是原文，有編譯：

過(guò)去兩年來(lái)，徹底重塑了我們?cè)u(píng)估模型的方式，也改變了我們對(duì)模型的期望。

OpenAI 的 o1 表明，“思考”可以成為一流的能力，一種你可以為之訓(xùn)練并向用戶展示的能力。DeepSeek R1 證明，推理式的后訓(xùn)練（post-training）可以在原始實(shí)驗(yàn)室之外被復(fù)現(xiàn)和擴(kuò)展。OpenAI 將 o1 描述為一個(gè)通過(guò)強(qiáng)化學(xué)習(xí)訓(xùn)練的模型，它會(huì)在“回答之前先思考”。DeepSeek則將 R1 定位為一個(gè)與 o1 具有競(jìng)爭(zhēng)力的開源推理模型。

那個(gè)階段很重要。但2025年上半年主要圍繞的是推理式思考：如何讓模型消耗更多的推理期算力，如何用更強(qiáng)的獎(jiǎng)勵(lì)來(lái)訓(xùn)練它們，以及如何展示或控制這些額外的推理投入?，F(xiàn)在的問(wèn)題是接下來(lái)會(huì)怎樣。

我相信答案是智能體式思考：為了行動(dòng)而思考，在與環(huán)境交互的同時(shí)進(jìn)行思考，并根據(jù)來(lái)自現(xiàn)實(shí)世界的反饋不斷更新計(jì)劃。

o1與R1的興起真正教會(huì)了我們什么

第一波推理模型教會(huì)了我們：如果我們想在語(yǔ)言模型中擴(kuò)展強(qiáng)化學(xué)習(xí)，我們需要確定性、穩(wěn)定且可擴(kuò)展的反饋信號(hào)。數(shù)學(xué)、代碼、邏輯和其他可驗(yàn)證的領(lǐng)域變得至關(guān)重要，因?yàn)樵谶@些場(chǎng)景中的獎(jiǎng)勵(lì)比通用的偏好監(jiān)督要強(qiáng)得多。

它們讓強(qiáng)化學(xué)習(xí)能夠針對(duì)正確性而非表面合理性進(jìn)行優(yōu)化?；A(chǔ)設(shè)施變得至關(guān)重要。

一旦一個(gè)模型被訓(xùn)練成能夠通過(guò)更長(zhǎng)的軌跡進(jìn)行推理，強(qiáng)化學(xué)習(xí)就不再是監(jiān)督微調(diào)（SFT）的一個(gè)輕量級(jí)附加組件了。它變成了一個(gè)系統(tǒng)問(wèn)題：你需要大規(guī)模的推演（rollouts）、高吞吐量的驗(yàn)證、穩(wěn)定的策略更新和高效的采樣。

推理模型的出現(xiàn)，既是一個(gè)建模領(lǐng)域的故事，也是一個(gè)基礎(chǔ)設(shè)施領(lǐng)域的故事。

OpenAI將o1描述為一條用強(qiáng)化學(xué)習(xí)訓(xùn)練的推理產(chǎn)品線，而DeepSeek R1隨后通過(guò)展示基于推理的強(qiáng)化學(xué)習(xí)需要多少專門的算法和基礎(chǔ)設(shè)施工作，進(jìn)一步鞏固了這一方向。第一次大轉(zhuǎn)變是：從擴(kuò)展預(yù)訓(xùn)練走向?yàn)橥评頂U(kuò)展后訓(xùn)練。

真正的問(wèn)題，從來(lái)不只是“合并思考與指令”

2025 年初，我們Qwen團(tuán)隊(duì)的許多人都懷揣著一個(gè)宏大的構(gòu)想：理想的系統(tǒng)，將統(tǒng)一思考（thinking）和指令（instruct）模式。它會(huì)支持可調(diào)節(jié)的推理投入，類似于低/中/高推理設(shè)置。

更理想的情況是，它會(huì)從提示詞和上下文中自動(dòng)推斷出合適的推理量，這樣模型就能決定何時(shí)立即回答，何時(shí)思考更長(zhǎng)時(shí)間，以及何時(shí)在真正困難的問(wèn)題上投入多得多的計(jì)算量。

從概念上講，這是正確的方向。

Qwen3是最清晰的公開嘗試之一。它引入了“混合思考模式”，在同一個(gè)模型家族中支持思考和非思考行為，強(qiáng)調(diào)可控的思考預(yù)算，并描述了一個(gè)四階段的后訓(xùn)練流程：該流程在長(zhǎng)鏈?zhǔn)剿季S（long-CoT）冷啟動(dòng)和推理強(qiáng)化學(xué)習(xí)之后，明確包含了“思維模式融合”這一步。

但融合說(shuō)起來(lái)容易，做起來(lái)難。難點(diǎn)在于數(shù)據(jù)。

當(dāng)人們談?wù)摵喜⑺伎己椭噶顣r(shí)，他們通常首先考慮的是模型側(cè)的兼容性：一個(gè)檢查點(diǎn)（checkpoint）能否同時(shí)支持兩種模式，一個(gè)對(duì)話模板能否在兩者間切換，一套推理服務(wù)架構(gòu)能否提供正確的切換開關(guān)。更深層次的問(wèn)題是，這兩種模式的數(shù)據(jù)分布和行為目標(biāo)有著本質(zhì)的區(qū)別。

在試圖平衡模型合并與提升后訓(xùn)練數(shù)據(jù)的質(zhì)量和多樣性時(shí)，我們并沒(méi)有做對(duì)所有事情。修正過(guò)程中，我們也密切關(guān)注了用戶實(shí)際上是如何使用思考和指令模式的。一個(gè)強(qiáng)指令模型通常因其直接、簡(jiǎn)潔、符合格式要求、在處理重復(fù)性、高并發(fā)的企業(yè)任務(wù)（如重寫、標(biāo)注、模板化支持、結(jié)構(gòu)化提取和運(yùn)營(yíng)QA）時(shí)低延遲而受到青睞。一個(gè)強(qiáng)思考模型則因其在難題上花更多Token、保持連貫的中間推理結(jié)構(gòu)、探索替代路徑、并保留足夠的內(nèi)部計(jì)算以切實(shí)提升最終正確率而受到青睞。

這兩種行為特征是相互沖突的。

如果合并的數(shù)據(jù)沒(méi)有經(jīng)過(guò)精心篩選，結(jié)果通常是在兩方面都表現(xiàn)平庸：“思考”行為變得嘈雜、臃腫或不夠果斷，而“指令”行為則變得不夠干脆與可靠，并且比商業(yè)用戶實(shí)際想要的成本更高。

實(shí)踐中，分離仍然具有吸引力。2025年下半年，繼Qwen3最初的混合架構(gòu)之后，2507產(chǎn)品線發(fā)布了區(qū)分明確的Instruct（指令）和Thinking（思考）更新，包括各自獨(dú)立的30B和235B版本。

在商業(yè)部署中，大量客戶仍然希望為批量操作提供高吞吐量、低成本、高度可控的指令行為。這些場(chǎng)景中，合并并沒(méi)有明顯的好處。將產(chǎn)品線分離使得團(tuán)隊(duì)能夠更純粹地專注于解決每種模式的數(shù)據(jù)和訓(xùn)練問(wèn)題。

其他實(shí)驗(yàn)室選擇了相反的路徑。

Anthropic 公開主張一種集成的模型理念：Claude 3.7 Sonnet作為混合推理模型推出，用戶可以選擇普通回復(fù)或擴(kuò)展思考，API用戶可以設(shè)置思維預(yù)算。Anthropic 明確表示，他們認(rèn)為推理應(yīng)該是一種整合能力，而不是一個(gè)單獨(dú)的模型。GLM-4.5 也公開定位為一個(gè)混合推理模型，兼具思考和非思考模式，統(tǒng)一了推理、編碼和代理能力；DeepSeek后來(lái)在V3.1的“思考與非思考”（Think & Non-Think）混合推理中也走向了類似的發(fā)展方向。

關(guān)鍵問(wèn)題在于合并是否是“有機(jī)”。

如果思考模式和指令模式僅僅是共存于同一個(gè)檢查點(diǎn)內(nèi)，但行為上仍然像兩個(gè)生硬拼湊的人格，那么產(chǎn)品體驗(yàn)仍然不自然。一個(gè)真正成功的合并需要推理投入的平滑過(guò)渡。模型應(yīng)該能夠表達(dá)多個(gè)級(jí)別的投入度，并且最好能夠自適應(yīng)地在它們之間做出選擇。GPT風(fēng)格的投入控制指向了這一點(diǎn)：一種對(duì)計(jì)算量的策略控制，而不是一個(gè)二元開關(guān)。

為什么Anthropic的方向是一次有用的糾偏

Anthropic 圍繞 Claude 3.7 和 Claude 4 的公開表述是克制的。他們強(qiáng)調(diào)集成推理、用戶控制的思考預(yù)算、現(xiàn)實(shí)世界任務(wù)、代碼質(zhì)量，以及后來(lái)在擴(kuò)展思考期間使用工具的能力。Claude 3.7 被呈現(xiàn)為一個(gè)具有可控預(yù)算的混合推理模型；Claude 4擴(kuò)展了這一點(diǎn)，允許推理與工具使用交替進(jìn)行，同時(shí)Anthropic強(qiáng)調(diào)將編程、長(zhǎng)時(shí)間運(yùn)行的任務(wù)和智能體工作流作為主要目標(biāo)。

生成更長(zhǎng)的推理軌跡并不會(huì)自動(dòng)讓模型變得更聰明。在很多情況下，過(guò)度可見的推理表明資源分配薄弱。如果模型試圖以同樣冗長(zhǎng)的方式對(duì)所有事情進(jìn)行推理，它可能是在優(yōu)先級(jí)排序上失敗、在壓縮上失敗，或在采取行動(dòng)上失敗。

Anthropic的發(fā)展軌跡暗示了一種更嚴(yán)謹(jǐn)?shù)挠^點(diǎn)：思考應(yīng)該由目標(biāo)工作負(fù)載來(lái)塑造。如果目標(biāo)是編程，那么思考應(yīng)該有助于代碼庫(kù)導(dǎo)航、規(guī)劃、分解、錯(cuò)誤恢復(fù)和工具編排。如果目標(biāo)是智能體工作流，那么思考的價(jià)值應(yīng)當(dāng)體現(xiàn)在提升長(zhǎng)跨度任務(wù)的執(zhí)行質(zhì)量上，而非生成那些看似驚艷、實(shí)則冗余的中間文字。

這種對(duì)針對(duì)性效用（Targeted Utility）的強(qiáng)調(diào)，實(shí)際上指向了一個(gè)更宏大的命題：我們正在從訓(xùn)練模型的時(shí)代走向訓(xùn)練智能體的時(shí)代。我們?cè)赒wen3的博客中明確了這一點(diǎn)，當(dāng)時(shí)寫的是“我們正在從一個(gè)專注于訓(xùn)練模型的時(shí)代過(guò)渡到一個(gè)以訓(xùn)練智能體為中心的時(shí)代”。同時(shí)，為了實(shí)現(xiàn)長(zhǎng)鏈路推理，我們將未來(lái)強(qiáng)化學(xué)習(xí)的進(jìn)步和環(huán)境反饋聯(lián)系在了一起。

智能體是一個(gè)在長(zhǎng)時(shí)間周期內(nèi)持續(xù)運(yùn)作的系統(tǒng)，它能夠制定計(jì)劃、決定何時(shí)行動(dòng)、使用工具、感知環(huán)境反饋和修正策略。它的這個(gè)定義是由與世界的閉環(huán)交互決定的。

“智能體式思考”到底意味著什么

智能體式思考與推理式思考是兩個(gè)不同的優(yōu)化目標(biāo)。

推理式思考通常由給出最終答案前的內(nèi)部推理質(zhì)量來(lái)判斷，比如模型能解出定理、寫出證明、生成正確的代碼或通過(guò)基準(zhǔn)測(cè)試嗎？智能體式思考關(guān)乎的則是模型在與環(huán)境交互時(shí)能否不斷取得進(jìn)展。

核心問(wèn)題從“模型能思考足夠久嗎？” 轉(zhuǎn)變?yōu)椤澳Ｐ湍芊褚砸环N維持有效行動(dòng)的方式進(jìn)行思考？”

智能體式思考必須處理幾件純推理模型大多可以避免的事情：

（1）決定何時(shí)停止思考并采取行動(dòng)。

（2）選擇調(diào)用哪個(gè)工具以及以何種順序調(diào)用。

（3）引入來(lái)自環(huán)境的帶噪（Noisy）或部分（Partial）觀測(cè)。

（4）在失敗后修正計(jì)劃。

（5）在多輪對(duì)話和多次工具調(diào)用中保持連貫性。

（6）智能體式思考是一個(gè)模型通過(guò)行動(dòng)進(jìn)行推理的過(guò)程。

為什么智能體強(qiáng)化學(xué)習(xí)的基礎(chǔ)設(shè)施更難

這是因?yàn)橐坏┠繕?biāo)從解決基準(zhǔn)測(cè)試問(wèn)題轉(zhuǎn)向解決交互式任務(wù)，強(qiáng)化學(xué)習(xí)技術(shù)棧（整套技術(shù)方案）就會(huì)發(fā)生改變。

用于傳統(tǒng)推理強(qiáng)化學(xué)習(xí)的基礎(chǔ)架構(gòu)已經(jīng)不夠用了。在推理強(qiáng)化學(xué)習(xí)中，采樣往往是一條條獨(dú)立的路徑，而且判斷好壞的標(biāo)準(zhǔn)非常直接、不含糊。

但在智能體強(qiáng)化學(xué)習(xí)中，策略（智能體的“決策大腦”）被嵌入在一個(gè)更大的框架（harness）中，這個(gè)框架包括工具服務(wù)器、瀏覽器、終端、搜索引擎、模擬器、執(zhí)行沙箱、API層、記憶系統(tǒng)和編排框架。環(huán)境不再是一個(gè)靜態(tài)的驗(yàn)證器，它是訓(xùn)練系統(tǒng)的一部分。

這帶來(lái)了一個(gè)新的系統(tǒng)要求：訓(xùn)練和推理必須更加徹底地解耦。

如果沒(méi)有這種解耦，推演的吞吐量就會(huì)崩潰。以一個(gè)需要在實(shí)時(shí)測(cè)試環(huán)境下運(yùn)行代碼的代碼智能體為例，推理端會(huì)因?yàn)榈却龍?zhí)行反饋而陷入停滯，訓(xùn)練端則因拿不到完整的軌跡數(shù)據(jù)而處于“饑餓”狀態(tài)，導(dǎo)致整個(gè)流水線的GPU利用率遠(yuǎn)低于傳統(tǒng)推理強(qiáng)化學(xué)習(xí)的預(yù)期水平。加上工具延遲、部分可觀測(cè)性和復(fù)雜多變的環(huán)境，會(huì)進(jìn)一步放大這些低效問(wèn)題。結(jié)果就是，在遠(yuǎn)未達(dá)到預(yù)定的能力水平之前，實(shí)驗(yàn)進(jìn)程就已經(jīng)放緩，且變得步履維艱。

在智能體強(qiáng)化學(xué)習(xí)中，環(huán)境本身也成為了一個(gè)一流的研究對(duì)象。

在監(jiān)督微調(diào)（SFT）時(shí)代，我們癡迷于數(shù)據(jù)多樣性。在智能體時(shí)代，我們應(yīng)該癡迷于環(huán)境質(zhì)量，如穩(wěn)定性、真實(shí)性、覆蓋率、難度、狀態(tài)的多樣性、反饋的豐富性、抗作弊（漏洞利用）能力等，以及推理的可擴(kuò)展性。環(huán)境構(gòu)建已經(jīng)開始成為一個(gè)真正的創(chuàng)業(yè)賽道，而不僅僅是一個(gè)副業(yè)項(xiàng)目。如果訓(xùn)練智能體的目的是為了讓它在類生產(chǎn)環(huán)境中運(yùn)行，那么環(huán)境（構(gòu)建）本身就是其核心能力棧的一部分。

下一個(gè)前沿是關(guān)于更具實(shí)用性的思考

我的預(yù)期是，智能體式思考將成為主流的思考形式。

我認(rèn)為它最終可能會(huì)取代大部分舊式的靜態(tài)獨(dú)白版推理思考，即試圖通過(guò)輸出越來(lái)越多的文本來(lái)彌補(bǔ)缺乏交互的、冗長(zhǎng)的、孤立的內(nèi)部推理。即使是在非常困難的數(shù)學(xué)或編程任務(wù)上，一個(gè)真正先進(jìn)的系統(tǒng)也應(yīng)該有權(quán)搜索、模擬、執(zhí)行、檢查、驗(yàn)證和修正。只要最終目標(biāo)是穩(wěn)健且高效地解決問(wèn)題。

但訓(xùn)練這類系統(tǒng)面臨著一個(gè)最艱巨的挑戰(zhàn)——獎(jiǎng)勵(lì)作弊（reward hacking）。一旦模型獲得了有意義的工具訪問(wèn)權(quán)限，獎(jiǎng)勵(lì)作弊就會(huì)變得更加危險(xiǎn)。一個(gè)帶有搜索功能的模型可能會(huì)學(xué)會(huì)在強(qiáng)化學(xué)習(xí)過(guò)程中直接查找答案。一個(gè)編程智能體可能會(huì)利用代碼庫(kù)中的“未來(lái)信息”、違規(guī)調(diào)取日志，或是通過(guò)尋找“邏輯捷徑”，從而導(dǎo)致整個(gè)測(cè)試任務(wù)失效。

一個(gè)存在隱藏漏洞的環(huán)境可能使策略看起來(lái)像超人，但實(shí)際上只是在訓(xùn)練它去作弊。這正是智能體時(shí)代變得比推理時(shí)代微妙得多的地方。更好的工具使模型更加有用，但它們也擴(kuò)大了虛假優(yōu)化的攻擊面。

我們應(yīng)該預(yù)料到，下一個(gè)嚴(yán)重的研究瓶頸將來(lái)自環(huán)境設(shè)計(jì)、評(píng)估器的魯棒性（系統(tǒng)抗折騰的能力）、反作弊協(xié)議，以及策略與現(xiàn)實(shí)世界之間更具原則性的接口。盡管如此，方向是明確的?；诠ぞ叩乃伎冀^對(duì)比孤立的思考更有用，且更有可能提高實(shí)際生產(chǎn)力。

智能體式思考（Agentic Thinking）也意味著“Harness 工程”（系統(tǒng)駕馭工程）的興起。核心智能將越來(lái)越多地源自于多個(gè)智能體的組織方式：由一個(gè)統(tǒng)籌者負(fù)責(zé)規(guī)劃與分發(fā)工作；由專業(yè)智能體充當(dāng)領(lǐng)域?qū)＜?；而子智能體則執(zhí)行更細(xì)分的操作，同時(shí)協(xié)助控制上下文、避免信息污染，并保持不同推理層次間的獨(dú)立性。未來(lái)的趨勢(shì)是從“訓(xùn)練模型”轉(zhuǎn)向“訓(xùn)練智能體”，再?gòu)摹坝?xùn)練智能體”轉(zhuǎn)向“訓(xùn)練系統(tǒng)”。

結(jié)論

推理浪潮的第一階段確立了一個(gè)重要事實(shí)：在反饋信號(hào)可靠且基礎(chǔ)設(shè)施支撐到位的條件下，于語(yǔ)言模型之上引入強(qiáng)化學(xué)習(xí)（RL），能夠催生出在本質(zhì)上（質(zhì)性）更強(qiáng)的認(rèn)知能力。

更深層次的轉(zhuǎn)變是從“推理式思考”向“智能體式思考”跨越，即從“思考得更久”轉(zhuǎn)向了“為行動(dòng)而思考”。

訓(xùn)練的核心對(duì)象已經(jīng)發(fā)生了轉(zhuǎn)移。

現(xiàn)在是“模型+環(huán)境”的綜合系統(tǒng)，或者更具體地說(shuō)，是智能體以及圍繞它的測(cè)試框架。這意味著研究的重心，除了模型架構(gòu)和訓(xùn)練數(shù)據(jù)之外，還包括環(huán)境設(shè)計(jì)、采樣（rollout）基礎(chǔ)設(shè)施、評(píng)估器的魯棒性，以及多個(gè)智能體協(xié)調(diào)所依托的接口。它重新定義了什么是“好的思考”：在現(xiàn)實(shí)世界的約束下，最能支撐持續(xù)行動(dòng)的軌跡才是最有用的，而非那些最長(zhǎng)或最顯眼的思考過(guò)程。

這也改變了核心競(jìng)爭(zhēng)力的來(lái)源。

在推理時(shí)代，優(yōu)勢(shì)來(lái)自于更好的強(qiáng)化學(xué)習(xí)算法、更強(qiáng)的反饋信號(hào)和更具擴(kuò)展性的訓(xùn)練流水線。在智能體時(shí)代，競(jìng)爭(zhēng)優(yōu)勢(shì)將來(lái)自于更好的環(huán)境、更緊密的“訓(xùn)推一體化（Train-Serve Integration）”、更強(qiáng)的“架構(gòu)工程（Harness Engineering）”，以及在模型的決策與其產(chǎn)生的結(jié)果之間閉環(huán)的能力。

歡迎在評(píng)論區(qū)留言~如需開白請(qǐng)加微信：YPYP01234567