推理（Reasoning）是指人工智能系统根据已有信息、规则、知识或观察结果，通过分析、推导和判断得到新结论的过程。推理能力是人工智能实现复杂问题求解、规划决策和知识应用的重要组成部分，涉及逻辑推理、概率推断、因果分析以及多步信息整合等多个方向。

人工智能推理并非随着大语言模型出现才产生，其研究历史可以追溯到早期人工智能中的符号推理（Symbolic Reasoning）、专家系统和知识表示方法。随着机器学习和深度学习的发展，研究者逐渐探索如何使神经网络模型具备更强的复杂推理能力。 2022 年，Google Research 研究人员在论文 Chain-of-Thought Prompting Elicits Reasoning in Large Language Models 中提出思维链（Chain-of-Thought, CoT）提示方法，通过引导大语言模型生成中间推理步骤，提高模型在数学推理、常识推理和复杂任务上的表现，成为大语言模型推理研究中的代表性工作之一。

现代 AI 推理主要用于解决传统深度学习模型在复杂任务中容易依赖表面模式匹配、难以进行多步骤分析的问题。通过引入中间过程表示、工具调用、外部知识检索以及验证机制，现代智能系统能够在任务执行过程中进行更系统的信息分析和结果判断。例如，大语言模型中的思维链推理、程序辅助语言模型（Program-Aided Language Models, PAL）、检索增强推理（Retrieval-Augmented Reasoning）等方法，都旨在提升模型处理复杂问题的能力。

近年来，随着大语言模型和智能体（Agent）技术的发展，推理能力已经成为衡量 AI 系统能力的重要方向之一。相关技术已广泛应用于数学问题求解、代码生成、科学研究辅助、智能规划和决策系统等领域。但当前 AI 推理仍面临事实可靠性、推理一致性和复杂环境适应能力等挑战，尚不能完全等同于人类的认知推理过程。