摘要
2026 年，AI 行业正在经历一场悄然发生的费用危机。 在大多数开发者的印象里，AI 模型的成本在过去几年里一路走低。确实，从 2022 年到 2024 年，前沿模型的推理成本下降了超过千倍。这个趋势让许多团队相信，把 AI 部署进产品只是时间问题。 然而，推理模型的出现打破了这一预期。OpenAI 的 o 系列、Anthropic 的 Claude Extended Thinking、DeepSeek R1—— 这些模型在生成最终回答之前，会先在内部进行大量「思考」，产生数以千计的中间推理步骤，然后再吐出最终答案。这些中间步骤在账单上有个专门的名字：推理token（reasoning tokens）。 问题在于，你得为这些思考过程买单，即便你根本看不到它们。 根据行业研究机构在 2026 年初的统计，一个复杂的代码审查任务，如果使用推理模型，费用可能是普通模型的 5 到 10 倍。一次多步骤规划任务，内部思考步骤消耗的 token 数量，有时会超过一万个。有团队测试发现，让 Claude Opus 4.6 和 Grok-4 分别回答同一个问题时，两者给出了完全相同的答案，但 Grok-4 消耗的 token 数量是 Claude 的两倍多，成本差距接近 10 倍。这一切，仅仅因为模型想得太多。 换句话说，AI 正在为了「把话说清楚」而付出巨大代价。 而这种代价，在某种程度上是设计使然。现有的主流推理模型，都依赖一种叫做「思维链（CoT）」的机制：让模型像人类一样，用自然语言一步步写出推理过程，然后再给出答案。这种方法行之有效，但用自然语言推理，天然就是冗长的。 就在这个背景下，IBM Research 的一个团队发布了一篇论文。他们提出了一个问题：如果 AI 根本不需要用人类语言来思考，会怎样？ 论文标题：Thinking Without Words: Efficient Latent Reasoning with Abstract Chain-of-Thought 论文地址：https://arxiv.org/pdf/2604.22709 抽象推理链：一门人类看不懂的语言…
摘要可能不完整，可查看原文