來跟風，試了一下本地端的 DeepSeek-R1:32B 模型.. (我的 GPU 勉強跑得動這大小..)

說實在話，我對他是用多少成本訓練出來的沒有很感興趣 XDD, 我在意的是能普及被每個人使用的模型能力可以到甚麼程度..

R1 對我而言, 最有參考價值的是 ... 中間的東西，看看 AI 怎麼解題的思路，比直接看答案還有意思。之前 OpenAI 開放 o1 時, CoT 的過程是隱藏起來的..

現在 deepseek-r1 可以本地端執行，也能看的到 過程，對我而言是一大加分。太多人只想要 AI 給你你要的答案，但是我認為過程也很重要，原因有這幾個:

1. 思考過程可以降級問題的複雜度 通常你就是不懂才會問 AI，既然不懂，你應該也沒十足的把握能鑑別 AI 的回答對不對 (除非你只是故意在考他)。而看到思考過程，從中間判斷他的思路是否合理，對我而言容易得多。

2. 思考過程可以提升自己的能力 之前 Lee Ruddy 老師在別的場合，提到 AI code review 會扼殺工程師學習的機會.. 我很認同老師的觀點。當然不只 code review, 各種地方過度使用, 都會讓人失去學習的能力。替代的方式是，不論你要拿 AI 來幹嘛，你都要想辦法讓自己有鑑別能力 (你要能鑑別 AI 給你的答案好不好?)。閱讀 CoT 的過程，就是個好方法，你也更有機會個別求證 (拿 think 的過程拆成小問題各自往下挖)

3. 有助於進階的應用 為何我會說 內容是降級問題的複雜度? 很多人都有一套思考的方式，這些層級的思路都不會太複雜。比如說 Elon Musk 都在強調第一性原理，要理解這原理並不難，難的是每個問題他都能用這原理思考，並引導出答案。這其實就是 AI 另一個議題: Agent 提到的 Planner 能力。你能拆解問題，就能用能力較差的 LLM 也能做到理想的水準。有自己時做過 RAG 的人大概能理解我的意思，拆解問題，找到片段資訊，再靠 LLM 彙整結果，只要你拆解的過程做得到為，你都能得到品質不錯的答案。

問題降級，你對模型的要求也能降級。若你能善加應用在 AI APP 身上，你就能解決更複雜的問題。訪間之前有很多流傳的 prompt, 就是讓你用 GPT4o 也能做 CoT 的 prompt .. 我是沒有很愛用這種懶人包，我寧可讓自己學習怎麼拆解問題，以後在詢問 AI 時自己拆兩段來問，既可以提高回答的品質，自己能力也能提升

– 以下曬圖 XDD 在我自己的桌機，用 WSL2 跑 ollama + open webui 來跑 deepseek-r1.. 32b 參數大小剛好可以填滿 16GB vram ..