如果說，智能駕駛此前還在圍繞VLM（視覺-語言模型）與VLA（視覺-語言-動作模型）、一段式與兩段式、無圖和有圖等維度展開競爭，那么從今年開始，智駕競爭已悄然進入深水，一場更底層的較量正在算力集群與算法架構之間展開。
無論是智能駕駛、大模型還是具身智能，其競爭焦點正從快速預訓練響應轉向慢速深度推理。在這場圍繞推理能力的暗戰中，AI將不再僅僅依賴于快速的模式匹配，而是能夠進行深入思考，解決更復雜的問題，這將使AI迎來突破智能瓶頸的“奇點時刻”。
讓人工智能學會“頓悟”
“推理”被視為人工智能發展的下半場，這一變化的發生并不是偶然。
OpenAI的聯合創始人伊利亞·蘇茨克維爾（Ilya Sutskever）在溫哥華NeurIPS大會上明確表示，AI的預訓練時代已接近尾聲。他指出，當前的數據資源并不再具有指數級的增長，而計算能力仍在不斷攀升，這意味著我們必須重新評估和利用現有的數據，提高其推理效率。
“推理”這一術語來源于邏輯學，是系統根據已知前提，通過規則來產生新的結論或決策的能力。推理反映了AI在模擬人類思維方面的能力，人類的推理是通過已有知識（經驗或教育）對新情況進行分析，例如“如果天空烏云密布，那么可能會下雨”。
AI運行過程其實與上述描述特征基本一致，是因為它模仿了人類和邏輯系統中“從已知信息得出未知結論”的過程。推理強調模型利用訓練獲得的知識，在不確定的輸入情況下生成合理輸出。
與傳統的數據處理和模式識別有所不同，推理要求系統不僅能夠識別模式，還能夠理解其背后的原因和邏輯。這是機器學習技術的漫長而復雜的演進過程中的最后一步，就像是人工智能的“頓悟”時刻。
舉個例子，學生學習和考試，學生平時課堂學習、寫作業等，可以看成是AI模型的訓練。學生寫作業，老師批改作業，以及老師答疑，都是在給學生反饋哪些是正確的哪些是錯誤的，通過這個過程學生掌握了課本里面的知識。
到了考試以后，考題多數情況下是跟平時做的題目不一樣，學生需要利用掌握的知識來分析解答考試題目，這個就是推理的過程。
但是有一點需要說明，考試的知識點肯定要在課本知識范圍內，即考試不能超綱，否則學生也答不上來或者答的效果不好。
在AI的下半場，推理之所以變得尤為重要，是因為隨著應用場景的復雜化和多樣化，簡單的數據處理和分類已經無法滿足需求。比如在智駕領域，系統不僅需要識別行人、車輛和交通信號，還需要理解它們之間的交互關系，預測未來的行為，并據此做出安全、合理的駕駛決策，這就需要強大的推理能力來支撐。
巴克萊的一份報告預計，AI推理計算需求將快速提升，預計其將占通用人工智能總計算需求的70%以上，推理計算的需求甚至可以超過訓練計算需求，達到后者的4.5倍。
作為AI技術應用的兩大基石，訓練（Training）和推理（Inference）決定著AI的智能化水平。