这篇由微软亚洲研究院的王思维、沈依飞、孙皓然等研究人员领衔完成的重要研究发表于2025年9月，论文编号为arXiv:2509.22613v1。研究团队还包括来自北京大学、哈佛大学和南加州大学的学者，这项跨机构合作的成果为我们揭开了一个重要谜题：为什么OpenAI的o1等先进AI模型在解决复杂问题时表现如此出色。
当我们看到ChatGPT或Claude能够解决复杂的数学题、编写完整的代码，或者制定详细的旅行计划时，我们可能会好奇：这些AI是如何学会"思考"和"规划"的？就像一个孩子从简单地记住答案，成长为能够分析问题、制定策略的成熟思考者一样，AI模型也经历了类似的学习过程。
在AI的世界里，存在两种截然不同的学习方式。第一种叫做"监督微调"，就像传统的填鸭式教育，老师告诉学生标准答案，学生机械地记住每个问题对应的答案。这种方法看似简单有效，但问题在于，当遇到新情况时，学生往往束手无策，因为他们只是在背诵，而没有真正理解解题的逻辑。
第二种方法叫做"强化学习"，这更像是让孩子在实践中摸索。孩子可以尝试不同的方法，如果成功了就得到奖励，失败了就调整策略。通过这种方式，孩子
