System 1 / System 2(双系统理论)原是心理学家 Daniel Kahneman 在著作《思考,快与慢》(Thinking, Fast and Slow, 2011)中总结的人类双加工认知框架,近年来被大模型研发界与系统架构师广泛借用,用来区分「低延迟直觉响应」与「高算力慢思考推理」两类互补的模型范式。
- System 1(快系统):快速、并行、低成本、低延迟响应——适合即时分类、意图路由、安全初筛与日常明确指令;
- System 2(慢系统):在输出正式答案前主动分配额外测试时计算(Test-Time Compute),串行推演、检验假说并自我回溯——适合竞赛数学、复杂代码排错、跨系统规划与精密策略权衡。
在现代 AI 工程中的对应谱系
| 对比维度 | AI System 1(快响应) | AI System 2(慢推理) |
|---|---|---|
| 核心工作机制 | 单次前向直出或极短思维预算,追求首字延迟与吞吐 | 长 思维链 展开、自我验证、多路径搜索与分支回溯 |
| 典型延迟范围 | 几十至数百毫秒(如小型路由分类器、Flash 档模型或非思考模式) | 数秒至数分钟(随难题动态拉长推理 token 长度) |
| 代表模型与形态 | TypeSafe AI Jev(专为 70–500ms 结构化软件判断设计的 System One Model)、轻量开源模型、关闭深度思考的通用模型 | 推理模型(如 DeepSeek-R1、OpenAI 推理系列、开启高思考预算的旗舰混合推理模型) |
| 主力职责 | 结构化分类、意图路由、实时 护栏拦截、简单问答补全 | 多文件软件修补(Coding Agent)、数学定理/代码验证、深水区架构方案设计 |
类比的工程局限(AI ≠ 人类大脑)
尽管直观,工程架构上不应把心理学名词完全等同于生物大脑机制:
- 来源机制不同:人类快思考常来自慢思考熟练后的自动化内化;而专业 AI System One 模型(例如从零按 校准 目标训练的小决策模型)可能是通过完全不同的目标函数专门训练出来的,并不一定是大推理模型「减负」后的副产品;
- 能耗与成本斜率极大:Human System 2 功耗有限,但 AI 的长思考按输出 Token 数量与 GPU 显存驻留时长线性甚至超线性烧算力,若毫无区分地把简单客服分类交给重型慢思考模型,延迟与成本将瞬间失控;
- 可控推理预算(Hybrid Thinking)融合趋势:新一代模型(如 Qwen3、Claude 等混合推理配置)支持按请求动态调节思考 Token 预算(
thinking开关与预算档位),让单一底座能在快慢模式间弹性切换,而不再绝对割裂。
双系统协同架构实战:System 1 调度 System 2
在成熟生产系统中,最高性价比的路线通常是分级路由 + 置信度门控:
- 前哨站(System 1):负责结构化提取、常规请求直接处理、低延迟安全护栏,以及评估当前问题不确定性;
- 重炮手(System 2):仅当快系统识别出复杂代码冲突、模糊条件或 置信度 跌破阈值时,才把任务升级路由给慢思考推理模型或 Agent 深度循环,实现速度、成本与准确率的帕累托最优。
进一步阅读
- Kahneman, D. (2011), Thinking, Fast and Slow(双系统理论原著介绍):https://en.wikipedia.org/wiki/Thinking,_Fast_and_Slow
- Snell et al. (2024), Scaling LLM Test-Time Compute Optimally can be More Effective than Scaling Model Parameters:https://arxiv.org/abs/2408.03314
- DeepSeek-AI (2025), DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning:https://arxiv.org/abs/2501.12948