思维链CoT：拆解复杂问题，形成详细的中间推理步骤。2022年1月的论文《 Chain-of-Thought Prompting Elicits Reasoning in LargeLanguage Models》中提出思维链的概念。大模型通过强调详细、逐步的推理过程的思维链（Chain-of-Thought, CoT）提示机制，在解决复杂推理任务中展现了较好的性能。
　　草稿链CoD：简化中间推理步骤，减少token使用量和推理延迟。2025年3月的论文《Chain of Draft: Thinking Faster by Writing Less》中提出了不同于思维链（CoT）的草稿链（CoD），草稿链CoD鼓励大模型在每个步骤生成简洁、信息密集的输出，而不是过度强调中间步骤。简单来说，思维链CoT鼓励大模型尽可能详细地展示推理过程，而草稿链CoD要求大模型尽可能简洁地表达关键信息。
　　CoD在准确性上与CoT相当甚至超越，同时仅使用7.6%的token，显著降低了各种推理任务的成本和延迟。CoD在数学推理（GSM8K数据集）、常识推理（日期/体育理解任务）和符号推理（抛硬币预测）等任务中，通过减少冗余步骤并聚焦于关键信息，CoD在准确性上达到甚至超越了CoT，同时仅使用了7.6%的token，显著降低了各类推理任务的成本和延迟。
　　大模型不可能三角。根据GPT-4与DeepSeek-R1对比、《Chain of Draft:Thinking Faster by Writing Less》中思维链与草稿链的数据对比，再结合阿里云发布的《GenAI技术落地白皮书》中的“大模型不可能三角”：成本、效果、性能，我们认为发展大模型不只有一条路径。DeepSeekR1是在牺牲推理精度的情况下，以低成本（较少GPU算力）的方式提升了推理速度（性能）。GPT-4在高成本、低速度（性能）的情况下实现了高精度（效果）。同理，草稿链也是在牺牲精度（效果）的情况下，以低成本（较少token）的方式提升了推理速度（性能）。
　　在高端算力芯片受限的情况下，端侧推理应用也可以获得大发展。调整速度、成本、精度的权重，来匹配不同的应用场景。在拥有高端算力芯片的条件下，例如英伟达B200等芯片，面向医疗、金融等深度应用高端市场，可以通过牺牲速度和成本获得高精度高性能。在高端算力芯片受限的条件下，可利用算力较低的端侧算力芯片，例如瑞芯微3588芯片，在面向智能客服、机器人等端侧应用领域，优化后的大模型在精度可接受的范围内，可以实现低成本和高速度。DeepSeek和CoD，证明了在高端算力芯片受限的情况下，基于非高端算力芯片的端侧推理应用也可以获得大发展。
　　投资建议。从芯片角度，建议关注高端算力芯片和较低算力的端侧芯片。从应用角度，建议关注搭载算力芯片和加载AI大模型的推理智能终端。
　　风险提示。算力芯片需求不及预期。