OpenAI发布新的具有深度思考能力的o1推理模型，模型在复杂问题上花更多时间进行思考而非直接回应，具有改善和调整策略的能力，在科学、代码和数学等复杂问题上表现出色。OpenAI o1融合思维树和强化学习，实现思维模式的深度探索。Open o1在模型推理侧同样满足scaling law，即模型推理时间越久模型处理复杂问题能力愈强，通过不断的思维树检索和反复自我博弈，o1呈现出类人的逻辑思维潜力。由于推理过程的反复博弈，新架构下推理侧算力消耗将大幅增加。

OpenAI o1具备深度思考能力，在复杂问题上表现出色。从ChatGPT爆火整个社交网络后，大模型行业进入如火如荼的发展阶段，模型的基础能力得到显著提升，然而Transformer模型由于其架构限制存在一定的能力边界难以逾越，涉及到复杂数理逻辑推理时表现仍然有待提升。提示词工程应运而生，在合理的提示词设计下，大模型推理能力得到显著提升。OpenAI发布新的具有深度思考能力的o1推理模型，模型在复杂问题上花更多时间进行思考而非直接回应，具有改善和调整策略的能力，在科学、代码和数学等复杂问题上表现出色。

OpenAI o1融合思维树和强化学习，实现思维模式的深度探索。思维链和思维树通过中间推理步骤帮助大模型实现了复杂的推理能力，大语言模型能够自己对严谨推理过程的中间思维进行评估。强化学习是人工智能重要的研究领域，智能体在与环境的反复交互过程中持续学习，不断最大化其奖励。OpenAI o1深度融合思维树和强化学习，实现思维树的自我训练，同时通过广度搜索和深度搜索不断优化其思维树结构，进而实现思维模式的深度探索。

推理侧scaling law同样存在，大模型算力需求逐步迁移至推理侧。过去在训练侧证实了scaling law的存在，即训练越多模型愈发聪明。

Open o1在模型推理侧同时发现了scaling law，即模型推理时间越久模型处理复杂问题能力愈强，推理侧的scaling law同样展现了巨大的潜力，通过不断的思维树检索和反复自我博弈，o1呈现出类人的逻辑思维潜力。由于在推理过程的反复博弈，模型当前推理算力需求大幅提升，大模型整体算力消耗从训练侧逐渐迁移至推理侧，对整个算力需求起到长期的重要支撑。

风险提示：大模型技术发展不及预期、商业化落地不及预期、政策监管力度不及预期、数据数量与数据质量不及预期。

因篇幅限制，仅展示部分，更多重要内容、核心观点，请下载报告。