Extended Thinking: как AI учатся думать медленно

Языковые модели традиционно работают в режиме быстрого ответа — получили запрос, сразу генерируют текст токен за токеном. Extended Thinking меняет этот подход, давая модели пространство для рассуждений перед формулировкой финального ответа. Это как черновик мышления — модель проверяет гипотезы, обнаруживает противоречия, меняет направление логики, и только потом выдает результат пользователю.

Психолог Даниэль Канеман описал две системы человеческого мышления: быстрое интуитивное и медленное аналитическое. Стандартная генерация ближе к первому — паттерн-матчинг на основе обучающих данных. Extended Thinking приближает модели ко второму — осознанному анализу с проверкой предположений и пошаговой верификацией.

Разные подходы к расширенному мышлению

Claude от Anthropic разделяет процесс на две фазы. Первая — внутренний монолог, где модель анализирует задачу и проверяет подходы. Разработчик видит этот процесс полностью, что решает проблему "черного ящика" AI. Вторая фаза — финальный ответ на основе проведенного анализа. Thinking опционален и контролируется через параметры API, что позволяет балансировать между качеством и стоимостью.

OpenAI o1 работает иначе — модель всегда использует расширенное рассуждение, это встроено в архитектуру. O1 обучалась через reinforcement learning оптимизировать процесс мышления и показывает превосходные результаты на математике и программировании. Интересная особенность — процесс мышления скрыт от пользователя, показывается только краткое резюме. OpenAI объясняет это соображениями конкурентного преимущества.

Google Gemini 2.0 Flash использует адаптивный thinking — модель сама определяет, сколько времени нужно на рассуждение в зависимости от сложности задачи. Для простых запросов thinking минимален, для сложных расширяется автоматически. Это решает проблему фиксированного бюджета на рассуждения.

ChatGPT не имеет нативного extended thinking, но достигает похожих результатов через промпт-инжиниринг. Техника Chain-of-Thought просит модель "рассуждать пошагово" в самом запросе. Разница в том, что это часть финального ответа, а не отдельная фаза мышления.

Когда это критично и когда избыточно

Extended thinking эффективен для математических доказательств, сложных вычислений, проектирования архитектуры систем, научного анализа данных, стратегического планирования. Разница особенно заметна на задачах уровня математических олимпиад — o1 показывает результаты, сопоставимые с квалифицированными математиками, тогда как стандартные модели справляются только с базовым уровнем.

Но thinking не улучшает креативность, генерацию контента, простые ответы на вопросы. Для таких задач стандартный режим достаточен и экономически эффективнее. Главные компромиссы — вычислительная стоимость увеличивается в несколько раз, латентность может достигать 10-30 секунд для сложных запросов, что неприемлемо для real-time приложений.

Видимость процесса мышления создает иллюзию понимания. Модель может генерировать логично звучащие рассуждения, которые содержат фундаментальные ошибки. Thinking не гарантирует правильность — он только показывает, как модель пришла к выводу. Критическая оценка результатов остается необходимой.

Простое правило: начинайте со стандартного режима, оптимизируйте промпты, добавляйте контекст. Только если результаты неудовлетворительны — переходите к extended thinking. Для большинства задач стандартный режим работает отлично. Thinking критичен для задач, где цена ошибки высока и требуется глубокий анализ — математика, критические бизнес-решения, научные вычисления, сложное программирование.

Будущее расширенного мышления — специализированные модели под конкретные типы рассуждений, мультиагентные системы с разными режимами мышления, обучение через reinforcement learning на качестве процесса рассуждения, адаптивное мышление с автоматическим определением необходимой глубины анализа. Выбор между быстрым и медленным мышлением зависит от специфики задачи, требований к качеству и доступных ресурсов.