System 2 Thinking

Система 2 — медленный, требующий усилий и осознанный режим рассуждения в теории двойного процесса человеческого познания; ему противопоставляется Система 1 — быстрая, автоматическая и интуитивная. Психологи Keith Stanovich и Richard West ввели названия этих систем в 2000 году, а Daniel Kahneman, получивший в 2002 году Нобелевскую премию по экономике памяти Альфреда Нобеля, популяризировал их в книге 2011 года «Думай медленно… решай быстро». Kahneman иллюстрирует различие задачей Shane Frederick про биту и мяч: вместе они стоят $1.10, а бита стоит на $1.00 дороже мяча. Система 1 отвечает, что мяч стоит 10 центов, а Система 2, проверив вычисления, находит правильный ответ — 5 центов. В искусственном интеллекте (AI) этим термином обозначают модели и системы, которые тратят дополнительные вычислительные ресурсы на рассуждения, поиск или проверку перед ответом.

Система 1 и Система 2 в ИИ#

Один прямой проход нейросети похож на работу Системы 1: модель классификации изображений, модель детекции объектов или предсказание следующего токена в большой языковой модели (LLM) тратит одинаковый фиксированный объём вычислений на любой вход, простой или сложный. Yoshua Bengio сделал это различие центральной темой своего выступления на NeurIPS 2019 «От глубокого обучения Системы 1 к глубокому обучению Системы 2», утверждая, что глубокое обучение освоило быстрое восприятие, но ему по-прежнему нужны рассуждения, планирование и обобщение на новые ситуации, характерные для Системы 2. Методы Системы 2 позволяют увеличивать объём вычислений вместе со сложностью задачи — за счёт поиска, пошаговых рассуждений или проверки ответа перед его выдачей.

В игровых ИИ обе системы начали объединять довольно рано. AlphaGo сочетала нейросеть политики, которая сразу предлагает перспективные ходы, с поиском по дереву методом Монте-Карло (MCTS), который проигрывает варианты перед выбором. В работе Thomas Anthony, Zheng Tian и David Barber «Думай быстро и медленно с глубоким обучением и поиском по дереву» (2017) быструю сеть обучали имитировать медленный поиск, чтобы со временем обдуманные решения превращались в интуитивные. Системы, использующие оба режима, часто распределяют входные данные следующим образом:

Методы Системы 2 в языковых моделях#

Подсказки с цепочкой рассуждений предлагают LLM записывать промежуточные шаги, давая ей больше токенов и, следовательно, больше вычислительных ресурсов до ответа. Дерево мыслей, в статье 2023 года о котором напрямую говорится о теории двойного процесса, выполняет поиск по разветвляющимся цепочкам рассуждений и возвращается назад из тупиков; в арифметической игре «24» этот метод повысил долю успешных ответов GPT-4 с 4% при подсказках с цепочкой рассуждений до 74%. Модели рассуждений, например o1 от OpenAI и DeepSeek-R1, обучаются с помощью обучения с подкреплением, чтобы самостоятельно долго рассуждать, а модель вознаграждения за процесс (PRM) может проверять каждый шаг возможного решения во время поиска.

Многие продукты предлагают оба режима. Claude 3.7 Sonnet от Anthropic, выпущенная в феврале 2025 года, — это одна модель, которая отвечает сразу или использует расширенное рассуждение в зависимости от настройки. GPT-5, выпущенная в августе 2025 года, использует маршрутизатор, направляющий каждый запрос быстрой модели или модели с более глубокими способностями к рассуждению, как на схеме выше.

Быстрые и медленные системы в зрении и робототехнике#

Робототехника распределяет две системы между отдельными моделями, работающими с разной скоростью. Helix от Figure, анонсированная в феврале 2025 года, запускает визуально-языковую модель (VLM) с 7 миллиардами параметров на частоте 7–9 Гц в качестве Системы 2; она интерпретирует сцену и голосовую команду. Политика управления с 80 миллионами параметров работает на частоте 200 Гц как Система 1 и преобразует результат VLM в непрерывные движения верхней части тела вплоть до отдельных пальцев.

В конвейерах компьютерного зрения такое же разделение помогает контролировать затраты. Шаблон YOLO to VLM Monitor в Ultralytics Platform Agents запускает нано-модель YOLO26 для каждого изображения и обращается к VLM для описания сцены, только если YOLO обнаруживает хотя бы одного человека. Поэтому изображения без людей никогда не поступают в более медленную и дорогую модель.

Затраты и ограничения#

Kahneman описывал Систему 2 как ленивую: осознанное мышление утомляет, поэтому люди по умолчанию полагаются на Систему 1 и часто принимают её ошибки. В ИИ цена такого подхода — задержка и вычислительные ресурсы: прежде чем ответить на вопрос, с которым быстрая модель справляется за один проход, модель рассуждений может сгенерировать тысячи скрытых токенов, а маршрутизация определяет, как часто приходится платить эту цену. Однако обдумывание не гарантирует корректных рассуждений. Записанные моделью шаги могут отличаться от вычислений, которые привели к ответу; это расхождение изучают в рамках объяснимого ИИ (XAI), а методы латентных рассуждений переносят обдумывание в скрытые состояния, не оставляющие письменного следа.