Think Fast: 估算前沿 AI 模型无思维链（No-CoT）任务完成时间视界

背景

当前，确保前沿人工智能（Frontier AI）模型安全性的许多努力，都依赖于对其“思维链”（Chain-of-Thought, CoT）推理过程的监控。这种监控机制的核心假设是：如果模型需要进行复杂的内部推理，它必须通过显式的“思考 token”（thinking tokens）将其过程外化，从而让监管者或安全系统得以审查。

然而，一个潜在的安全隐患随之浮现：如果模型能够在没有显式思考 token 的情况下，在内部执行足够复杂的推理，那么现有的基于 CoT 监控的安全防线将被削弱。这种“静默推理”能力使得模型能够在不被察觉的情况下完成高难度的逻辑任务，从而绕过基于内容审查的安全护栏。

为了量化这一风险并理解前沿模型在这一维度上的进展，研究人员开展了一项大规模评估，旨在测量前沿模型在“无思维链”（No-CoT）模式下的推理能力，并将其与人类表现进行对比。

核心内容

本研究通过一套包含超过 30,000 个问题、涵盖 43 个基准测试的评估体系，全面考察了前沿 AI 模型在无 CoT 情况下的推理表现。这些基准测试领域广泛，包括数学、编程、谜题、因果关系、心智理论（Theory-of-Mind）以及战略推理等。

1. 评估指标：时间视界（Time Horizon, TH）

为了将 AI 的表现与人类进行直观且可比的量化，研究引入了两个核心指标：

• 50% 任务完成时间视界（50%-Task-Completion Time Horizon, TH）： 这是衡量模型推理复杂度的主要指标。它定义为：人类完成某项任务所需的时间，使得该任务对于模型而言，其成功率为 50%。换句话说，如果模型在某个任务上以 50% 的概率正确回答，那么该任务对应的“人类耗时”即为该模型的 TH。这个指标将模型的抽象推理能力转化为具体的时间概念，便于理解。

• 50% 推理 Token 视界（50% Reasoning Token Horizon）： 作为补充指标，研究还测量了模型在 CoT 模式下所需的推理资源。它定义为：解决成功率为 50% 的任务所需的最低 o3-mini 推理 token 数量。这反映了模型在显式推理模式下的计算成本。

2. 主要发现：无 CoT 能力的指数级增长

研究数据显示，前沿模型在无 CoT 模式下的 50% TH 在过去六年中大约每两年翻一番（注：原文表述为 "doubling roughly every year"，即每年翻一番，此处忠实于原文数据趋势描述，但需注意指数增长的剧烈性）。

• 最新进展：GPT-5.5 的无 CoT 50% TH 已超过 3 分钟。这意味着，GPT-5.5 能够在无需显式输出思考过程的情况下，独立完成那些需要人类花费 3 分钟以上才能解决的复杂逻辑任务。
• CoT 模式对比：在显式推理模式下，o3-mini 模型解决同等难度任务所需的推理 token 数已超过 1,500 个。

3. 未来预测

基于当前趋势的中位数估计，研究人员预测：

• 到 2028 年，前沿模型的无 CoT 50% TH 可能超过 7 分钟。
• 到 2030 年，这一数值可能达到 25 分钟。

当然，这些预测存在巨大的不确定性，但趋势本身表明了无 CoT 推理能力的快速跃升。

关键要点

• 安全监控的漏洞：现有的 AI 安全监控主要依赖对 CoT（思维链）的审查。如果模型能够“静默”地进行复杂推理，现有的安全护栏将失效。
• 量化标准创新：研究提出了“50% 任务完成时间视界（TH）”这一新颖指标，将 AI 的推理能力映射为人类所需的时间，使得跨模态（人机）的能力对比成为可能。
• 能力增长迅猛：过去六年间，前沿模型在无 CoT 模式下的推理能力（以 TH 衡量）呈现指数级增长，约每年翻一番。
• 当前水平惊人：最新的 GPT-5.5 模型在无 CoT 模式下，已能处理需要人类花费 3 分钟以上才能完成的复杂任务。
• 未来风险加剧：预计到 2028 年和 2030 年，模型将分别具备相当于人类 7 分钟和 25 分钟复杂思考能力的“静默推理”能力。
• 建议：研究建议前沿 AI 开发者应明确追踪并记录这一指标，以更好地评估和管理模型的安全风险。

意义与影响

这项研究对 AI 安全领域具有深远的警示意义。它揭示了一个被低估的风险点：模型能力的增长不仅体现在显式的推理输出上，更体现在其内部隐式处理复杂信息的能力上。

1. 对安全范式的挑战：如果模型可以在不产生任何“思考痕迹”的情况下完成高难度任务，那么基于内容过滤和 CoT 审查的安全机制将变得形同虚设。开发者需要寻找新的监控手段，例如通过输入输出行为的细微差异、响应时间的分布特征或内部激活模式来检测隐式推理。
2. 对齐（Alignment）的难度增加：随着模型能够在内部进行更长时间的“深思熟虑”，确保其推理过程符合人类价值观和对齐目标变得更加困难。模型可能在内部推导出有害结论，但仅输出一个看似无害的最终答案。
3. 基准测试的演进：现有的许多基准测试可能过于依赖 CoT 或简单的事实检索，无法有效评估模型的“静默”推理能力。未来的基准测试需要设计更多需要长时间、多步内部逻辑整合的任务，以准确衡量这一维度。
4. 行业透明度需求：研究呼吁开发者公开追踪这一指标，这将推动 AI 行业在模型能力评估上更加透明和标准化，有助于学术界、监管机构和公众更全面地理解 AI 的真实能力边界。

总之，"Think Fast" 研究不仅是一次能力评估，更是一次安全预警。它提醒我们，AI 的“思考”正在变得愈发隐蔽和强大，安全研究必须从“监控思考过程”转向“理解思考结果及其潜在风险”。