DeepSeek再扔核弹：当AI学会『自查作业』，人类天才的最后堡垒正在崩塌

三连一下，了解更多精彩内容

DeepSeek又搞事了。

就在刚才，DeepSeekMath-V2论文正式发布。如果你只把它当成一次常规的版本更新，那你可能严重低估了这次迭代的含金量。

先看数据：Putnam数学竞赛，DeepSeekMath-V2拿了118分（满分120）。

这是什么概念？Putnam被誉为北美本科生最难的数学竞赛，此前人类选手的最高纪录是90分。也就是说，AI不仅打败了人类，还在人类最引以为傲的复杂逻辑推理领域，完成了一次彻底的碾压。

但这篇论文最让我兴奋的，不是分数，而且一个新的方向：告别死记硬背，AI终于学会了『反思』。

DeepSeek 这篇论文其实写的不算难懂，没事的话，你也可以看看。

1.

要理解这次的突破，先得看看现在的AI有什么毛病。

当下的顶流大模型，不论是GPT-4还是之前的DeepSeek版本，在做数学题时，往往采用的是结果导向。简单说，就是不管过程对不对，只要最终答案是42，系统就给它发小红花。

这就导致AI变成了一个只会对答案的坏学生。它可能中间几步全是胡扯，逻辑完全不通，但刚好运气好或者记住了类似的题，蒙对了一个答案。

这就是为什么你在用AI写代码或推导公式时，经常觉得它在一本正经地胡说八道。这种逻辑幻觉，是目前大模型最大的阿喀琉斯之踵。

而且，还有一个严重问题，这种方式无法适用于定理证明，因为定理证明往往没有数值答案，其目标是严谨推导，而非输出数字。

2.

DeepSeekMath-V2不再只是着答案，而是盯上了过程。

它引入了一套全新的机制，我称之为左右互搏。

模型被拆分成了两个角色：

1. 做题家（Generator）：负责吭哧吭哧写证明过程。

2. 改卷老师（Verifier）：负责在一旁盯着，专门挑刺。

这不仅仅是简单的对错判断。这个改卷老师极其严格，它会把证明过程拆解成每一步，然后给出三种评级：

• 满分：逻辑严密，无懈可击。

• 0.5分：大方向对了，但细节有瑕疵。

• 0分：逻辑断裂，或者关键步骤缺失。

更绝的是，为了防止这个改卷老师自己也看走眼，DeepSeek还引入了元验证（Meta-Verification）机制。

这就像是学校里有了老师改卷子，教务处还要抽查老师改得对不对。如果改卷老师把错误的步骤判对了，或者把对的判错了，就会被教务处打板子。

通过这种层层套娃的监管体系，DeepSeekMath-V2练就了一双火眼金睛。

4.

在推理过程中，DeepSeekMath-V2不再是一条路走到黑。它写完一段证明，会立刻启动自查模式。

• 这里逻辑通不通？

• 这一步推导是不是太跳跃了？

• 这个结论真的成立吗？

一旦发现问题，它会立刻自我否定，打回重写，直到自己找不出毛病为止。论文数据显示，在处理IMO（国际数学奥林匹克）级别的难题时，经过这种自我审视-修正-再审视的循环，AI的解题成功率呈指数级上升。

这哪里是AI，这分明是一个拥有极强元认知能力的超级学霸。它不仅知道答案，更知道自己为什么知道答案。

好像完了？

这篇论文的真正恐怖之处，其实隐藏在那些不起眼的图表和脚注里。

如果你只看到了它『会反思』，那只看到了第一层。DeepSeekMath-V2 在底层逻辑上，其实正在验证一个可能颠覆整个AI行业的公式：推理算力 > 训练算力。

以下是论文中没写在摘要里，但极具深度的三个细节，我们来剥开看看：

5.

在论文的 3.3.3章节（High-Compute Search），DeepSeek 透露了一个关键战术：测试时算力扩张（Test-time Compute Scaling）。

以前的大模型是『快思考』，问什么答什么，主打一个直觉。但面对奥数题，直觉往往是错的。DeepSeekMath-V2 极其奢侈地使用了『慢思考』。

它是怎么做的？

• 人海战术：面对一道难题，它不是只生成1个答案，而是起手先生成 64个 候选证明。

• 末位淘汰：用验证器（Verifier）给这64个答案打分。

• 疯狂迭代：选出分最高的，指出问题，让模型『改错』，生成新一轮答案。这个过程最多重复 16轮。

• 终极门槛：只有当一个证明连续通过 64次 严苛的验证（verify all 64 verification attempts），才会被判定为『解决』。

这意味着 AI 的算力消耗正在发生历史性转移。以前我们拼命堆算力在『训练阶段』（Pre-training），现在 DeepSeek 告诉我们，『推理阶段』的算力同样重要。

这就好比考试，以前是拼命把学生教成天才（训练），现在是允许学生考试时带一堆草稿纸，并且考试时间延长到10个小时（推理）。只要给足够的时间『磨』，AI就能磨出诺贝尔奖级别的答案。

6.

论文第5页提到了一句话：

『In our last two training iterations, this fully automated pipeline replaced human annotation entirely.』

（在最后两次迭代中，这套全自动流程完全取代了人类标注。）

这解决了数学AI最大的痛点：数据荒。

这世界上的数学题是有限的，能高质量解析奥数题的人类专家更是稀缺资源（而且很贵）。

DeepSeek 的做法是：

1. 冷启动：先用少量人类专家数据教 AI 怎么『改卷子』。

2. 自我繁殖：当 AI 改卷水平及格后，就让它去改自己生成的卷子。

3. 元验证（Meta-Verification）：这是神来之笔。验证『这个证明对不对』很难，但验证『这个改卷评语写得对不对』相对容易。DeepSeek 发现，训练 AI 评价『评价本身』，比训练 AI 做题效率高得多。

这种『自产自销』的数据闭环，意味着 DeepSeekMath-V2 的进化速度不再受限于人类产出数据的速度。这才是真正的『指数级增长』。

7.

不过也有问题，

他们发现，在处理像 IMO（国际奥数）这种超难题目时，模型有时会陷入死循环。它明明知道自己错了（验证器给出了报错），但因为推理步骤太长，128K 的 Token 上下文竟然不够用了！

『lacks the context length to resolve all identified issues in a single attempt.』

这暴露了当前 Transformer 架构在深度逻辑推理上的物理瓶颈。哪怕是 128K 的超长窗口，在极度复杂的数学推演面前，也显得捉襟见肘。

那么下一步的优化方向：要么继续卷上下文长度（做 1M 甚至 10M），要么通过类似 KV Cache 压缩 或 思维链摘要（Chain-of-Thought Summarization） 的技术，让 AI 学会『把书读薄』。

如果说 DeepSeekMath-V2 其实有三个启发：

1. 算力观的改变：推理算力换智能，只要让 AI 想得够久，它就够聪明。

2. 数据观的改变：不需要人类了，AI 可以左脚踩右脚上天。

3. 架构的挑战：现有的上下文长度，快要装不下 AI 的逻辑链条了。

看来我们的 LLM 还有很大的进步空间啊。

8.

但是如你所见，这背后是极大的算力需求。

老黄的显卡还是有得卖。