AI 推理能力是什么？从符号逻辑到思维链

推理（Reasoning）指 AI 系统根据已有信息、规则和知识，通过分析、推导和判断得出新结论的能力。解数学题、做逻辑判断、分析因果、制定计划、把多条信息综合成结论，都需要推理。它是 AI 从“记住知识”走向“解决问题”的关键能力。注意中文里“推理”也常指模型运行（Inference），这里说的是逻辑推理能力。

不是大模型才有的

AI 推理的研究历史很长。早期人工智能的主流是符号推理：把知识写成逻辑规则，用推理引擎一步步推导出结论，专家系统就是代表。它的优点是严谨、可解释，缺点是规则要靠人写，面对开放世界的模糊问题很脆弱。深度学习兴起后，神经网络擅长感知和模式识别，但在多步推理上一直是弱项。

思维链：让模型“把步骤写出来”

2022 年，谷歌研究人员提出了思维链（Chain-of-Thought，CoT）提示：在提示词里给几个示例，示例里不只有答案，还写出解题的中间步骤。结果发现，足够大的语言模型会学着先写推理过程、再给答案，在算术、常识和符号推理任务上的表现大幅提升。这说明推理能力在模型规模足够大时会“涌现”，而让模型把思考过程外化出来，能显著帮助它解决复杂问题。后来的“让我们一步步思考”零样本提示，也是同一个道理。

推理模型的出现

2024 年起，OpenAI 的 o1、DeepSeek-R1 等推理模型把这个思路推向了新阶段：通过大规模强化学习训练模型在回答前进行长时间的思考，可以自我检查、回溯、尝试不同方法。它们在数学竞赛、编程竞赛、科学问题上的成绩大幅提高。代价是思考过程很长，消耗更多 token，响应更慢、成本更高，所以很多模型提供了可调节的推理强度。

仍然存在的问题

模型写出的推理步骤不一定就是它真正的“思考过程”，有时步骤看起来合理、结论却是错的；在需要严格逻辑、反事实推理和长链条规划的问题上，模型仍会犯错。所以在高风险场景里，推理结果需要验证，比如用代码执行、用形式化证明检查器或人工复核。