Deep research 是什麼？花時間蒐集資料、推理精練、緩解幻覺，是屬於 AI 的「慢思考」
AI 在過去幾年間迅速滲透到多領域的應用之中，知識工作者也多多少少了解使用的技巧，但是許多人遲遲跨不過付費的門檻，為的就是等待一個殺手級應用，而這陣子開始席捲知識工作者目光，且成功讓不少人付費的應用，就是 deep research（深度研究）。
2025 年 2 月初，OpenAI 在 ChatGPT 中引入的 deep research 功能，也就是透過 AI 代理分階段蒐集、推理資料，並整合成一份研究報告。該功能起初僅提供給付費較高的 Pro 用戶，但由於報告品質驚人，有碩博士生的水準，因此口碑爆棚。在市場敲碗下，目前已開放給所有付費用戶，每月均附帶 10 次查詢的機會。
ChatGPT 開放給所有付費用戶，Grok 與 Perplexity 有免費查詢額度
很有趣的是，目前 AI 龍頭們為這類應用取的產品名，清一色都叫做 deep Research，只有 Grok3 是叫做 Deep Search，這種命名毫無識別度也實屬罕見。
實際上，Google 早在 2024 年底在就為 Gemini 推出了「deep research」功能，谷歌有搜索引擎以及谷歌學術的優勢原應該在這應用上發光發熱，但可惜生成報告的程度有落差，而且幻覺嚴重，所以才讓 OpenAI 有後發先至的機會。此外，伊隆．馬斯克（Elon Musk）的 xAI 於 2025 年 2 月推出新模型 Grok-3，因為有個有錢就是任性的首富爸爸，因此它的「deep search」功能（名稱少了個 "re"，但功能相同），無限制提供查詢服務，直至伺服器滿載。而最引人注目的是 Perplexity，其「deep research」功能，讓所有免費會員每日享有 5 次查詢額度。
2002 年諾貝爾經濟學獎得主丹尼爾．康納曼（Daniel Kahneman）的著作《快思慢想》，提到了人類大腦中有 2 種思維體系，基於直覺、快速、低耗能但未必正確的系統 1，以及基於邏輯推理、較為緩慢、高耗能但正確率比例高的系統。deep research 的出現揭示著 AI 跨越了從聊天機器人至推理者之間的鴻溝，也同時意味著為了獲取更具洞察力與深度的結論報告，我們願意給予模型充裕的時間廣泛的資料蒐集，理解內容、梳理背景脈絡，經過多次推理與整合分析來精煉觀點，這也正是屬於機器的「慢思考」。
在過去人工智慧模型因為有著 OpenAI 知名的擴展定律（scaling law）的影響，認為模型的效果只跟神經元多寡、訓練的資料量以及訓練用的算力三者有關，但是每一項的提升都是驚人的成本。但所謂的推理時刻計算，也正是不用把過多成本放在預訓練上，只要我們允許模型推論時一步一步想，反而可以獲得好到驚人的成績，這就是為何現在「慢思考」成為新的大型語言模型的新寵。
Deep research 真正落實了「慢思考」的本質。它藉由多階段研究計畫與縝密蒐集，搭配反思式的檢驗與修正，使得 AI 能在快速回應與精準思考之間取得平衡，因為是從多重資料來源中理解，便能避免盲目依賴即時訊息，也緩解了幻覺的問題。
我們可以這樣看 deep research，它不單純是一組工具或一種技術，而是模仿人類「深入探究」與「實踐落地」並行的研究方法論。在參與 deep research 的過程中，AI 智能體不僅要發現問題，還需要在迭代中持續提煉解決策略。透過深入而廣博的資料蒐集、縝密的理論驗證與跨領域觀點的融合，最終形成能真正落地的結論。
Deep research 可能重塑的領域：人資查核、創投評估、企業授信
我曾經拿我自己的名字去做 deep research，結果總結的報告完整到讓我驚訝不已，所以 deep research 遲早會在許多領域，不論是在人資領域中做履歷的查核、投資機構想對一級投資標的的創業團隊做評估，銀行要在企業授信前要做 KYC（know your customer，認識你的客戶）與徵信領域的作業流程我認為都有可能被大幅重塑。
智能從來就不便宜，任何事物都要等價交換，原有的大型語言模型等於是拿電力換，但是當語言模型的規模大到很難在擴充時，拿時間做交換看起來是個划算的交易。各位是否也該適時的讓自己的步調慢下來，看看這世界也許會有不同的精彩。
核稿編輯：張玉琦
