预期管理失败的奥特曼、无法实现 AGI 的 GPT-5

在 “能力超人类” 的预期中，GPT-5 赶在 8 月份上线了。 8 月 8 日凌晨，OpenAI 正式发布 GPT-5 模型，全家桶包含 GPT-5、GPT-5 mini、GPT-5 nano 和 GPT-5 Pro 四个版本。 OpenAI 用 “最智能、最快、最实用” 来评价新模型，如果在这个基础上还要加一个标签，业界普遍认为是 “平价”。首先是对 C 端用户限量免费，其次是对 API 用户 “大降价”——输入 1.25 美元/百万 tokens，而输入只要 10 美元。 那么，除了让奥特曼成为行业里的 “价格屠夫” 之外，OpenAI 交出的这份作业究竟是否符合预期？ “量变而非质变” “更便宜的 OpenAI 与回归开源” “安全与可用性更好的平衡” 8 月 8 日，在腾讯科技、智源社区、清华大学人工智能国际治理研究院联合发起的 AGI 之路解读直播中，智源研究院数据研究组负责人刘广、华中师范大学人工智能教育学部助理教授熊宇轩、中科大墨子青年学者、清华大学人工智能国际治理研究院青年科学家 张辉分别给出了自己的总结。 “（之前）预期过高，实际效果虽有提升（推理、工具调用），但未达预期属于 ‘意料之中的进步’。” 刘广说。张辉也给予了类似的评价，“GPT-5 的进步不够 ‘惊艳’，边际效率不高，未满足用户因长期铺垫产生的高预期。” 在刘广看来，GPT-5 大量使用合成数据、建立数据分级分类体系，以及开发通用的数据质量评估模型，这些工程层面的优化在一定程度上缓解了高质量数据稀缺的问题，但作为 OpenAI 的期间模型，GPT-5 也表现不足的地方，比如推理相关的研究。 “我们既不清楚推理能力的真正来源，也无法确定什么才是真正有效的推理形式。” 刘广说。 GPT-5 上线之前，Anthropic 和谷歌先后卡位，分别推出 Claude opus 4.1、Genie 3 世界模型，尤其是前者，公开预热未来还会有新动作，暗示 8 月份将出现基座模型 “热战”。 “OpenAI 受压力不得不推出（GPT-5）,” 熊宇轩说。 在熊宇轩看来，Anthropic、谷歌、DeepSeek、Kimi 等的这些国内外的竞争对手都在推着 OpenAI 上新。同时，外界对安全的担忧也在逐渐缓和，再加上 “多模型路由（Router）” 也属于更偏商业的考虑，“这些都在推动 OpenAI 走向 ‘更便宜、更开放’，对行业是好事。” 对于新的多模型路由能力，熊宇轩将其定义为早期 MoE 的延伸，不属于颠覆性技术突破。“有时像开跑车，有时像用越野车，根据任务灵活调配。” 张辉长期从事安全研究，他和熊宇轩一样关注安全，尤其是 GPT-5 的 “安全补全” 能力。 “它在安全与可用性之间实现了较好的平衡。” 张辉说，尤其是对于 GPT-5 从 “拒答” 转向 “安全补全”，张辉认为这是一个积极的信号。“过去强拒答会损害正常使用， ‘安全补全’ 通过动态阈值、用户意图分类，实现了安全与性能的双向提升，证明安全与创新可共存。” 以下为直播实录全文（在不改变原意的情况下有调整删减）： 腾讯科技：首先，可以做一个快速填空题。GPT-3 带来了 ScalingLaw，GPT-3.5 带来了 RLHF，GPT-4 带来了 MoE，GPT-4o 带来了全模态，o1 开辟了推理的新范式。那么，GPT-5 带来了什么？可以用一到两个关键词组合来回答，最多不超过两个。 熊宇轩：这次 GPT-5 上线，更像是 OpenAI 商业策略的转向：更便宜、更开放。配合此前的 GPT-OSS，可视为对开源社区的一次回归与拥抱。 张辉：我觉得它的安全补全（safecompletion）机制很值得关注，也给了我不少启发——在安全性与可用性之间找到了一个相对良好的平衡。 刘广：各项都有增量，但没有超出预期。能力的量变而不是质变。 腾讯科技：奥特曼对 GPT-5 进行了多次隆重的铺垫，那这个模型对于 OpenAI 来说到底意味着什么？ 刘广：GPT-4o 发布已经有一段时间，大家一直期待 GPT-5。据说内部经历了多轮 “赛马”，淘汰了不少版本，主要因为数据问题和训练过程中的意外导致性能达不到预期。其中一个关键障碍是 “数据墙”——高质量数据几乎没有增量。后来，团队通过合成数据等手段缓解了这一问题。 从最新版本来看，GPT-5 在推理能力和调用工具能力上都有显著提升。技术报告和 system card 中提到，训练中不仅使用了学者贡献的数据，也利用了模型生成的数据；在数据处理上，还进行了分级分类，将可信和非可信来源区分开，并辅以人工与模型联合筛选。经过这一系列数据工作的打磨，GPT-5 在安全性和推理能力上的提升是预料之中的。 只是因为研发周期拉得很长，外界期望值又很高，所以发布后的效果更像是一种 “情理之中” 的结果。 张辉：我比较赞同刘老师的看法——GPT-5 的确不够惊艳。 在奥特曼连续一两年营造情绪期待之后，用户对它的期望值被推得很高。实事求是地说，它没有达到预期。不过，从个人零星的测试和体验来看，仍有一些值得学习和借鉴的地方，甚至包括它失败的经验。 就这款产品而言，未达预期其实也是意料之中的。尤其值得注意的是，奥特曼自己的表述也发生了变化——从最初的 “已经实现通用人工智能”，到后来的 “还没有实现”。这种话术转变，本身就说明了外界期望与实际进展之间的落差。 熊宇轩：我认为，GPT-5 更像是一个信号，标志着行业进入新的转折点。它或许不是一次颠覆性的技术创新，但从模型架构到数据收集，都体现出大模型发展已进入新的阶段。 回想 GPT-4 发布时，安全问题曾引发广泛担忧，甚至有人呼吁暂停 GPT-5 的研发，奥特曼当时也说短期内不会推出。但几年过去，GPT-5 还是来了，这至少说明两点： 第一，行业变化极快、竞争激烈，迫使 OpenAI 不得不加速前进； 第二，从安全角度看，许多曾经的担忧被证明没有想象中那样直接威胁人类，且已有多种可行的控制手段。 对 OpenAI 来说，GPT-5 更多是商业层面的布局。例如新版本的模型路由（Router），本质上只是早期 MoE 的延伸——有时像开跑车，有时像用越野车，根据任务灵活调配，并非颠覆性技术突破。 但它带来的结果是模型更便宜、更开放、更易用。这不仅对 OpenAI 自身有益，也会推动整个行业朝着更可用、更普及的方向发展。 腾讯科技： Plus 用户在账号上只能看到 GPT-5，其他的历史模型都不见了。是不是未来 OpenAI 想用这样一个大一统的模型去统一所有的模型？ 张辉：我觉得原因可能有多方面。直觉上，首先是站在用户角度做了操作简化——在商业竞争激烈、竞品纷纷简化设置的背景下，这样做能提升易用性。其次，从品牌管理来看，OpenAI 现在的品牌效应极大，把系列产品整合进 GPT-5，有助于形成统一品牌形象，这在管理上是科学合理的。 最后，也不能排除技术创新的因素——比如 Router 的引入，到底属于怎样的创新？它如何自动识别用户提示词和意图？这里面是否隐藏着更深的技术突破，还需要继续观察。 腾讯科技：怎么看这种多模型路由架构？它可以根据需求自由选择调用哪个模型的能力，这算是多大的创新？ 熊宇轩：其实模型之间本来就有分工，体现在功能和规模上。这个思路并不新，比如清华黄高老师很早就提出过 “动态神经网络”——根据任务难度动态选择网络结构。到了大模型时代，理念还是一样的。 GPT-5 中既有需要 thinking 的推理模型，也有不需要 thinking 的模型；前者资源占用更高、运行时间更长。这样做，一方面能帮用户省钱，另一方面也能降低自身运营负载，从而提供更好的整体体验。所谓 “大统一模型” 更多是一个概念包装，背后既有技术考量，也有商业运营上的策略因素。 刘广：路由这个概念，学术界早就有研究，工业界也早有实践，比如前段时间 360 就尝试过多 Agent 或多模型融合的路由机制。OpenAI 的不同之处，可能是在效果、体验和工程优化上做得更好。 从创新角度看，它更多是把已有思路做到极致——就像 GPT-3 时代，通过单纯扩大规模就显著提升了能力一样。在这个方向上，GPT-5 属于工程层面的极致优化，由此带来更好的体验和一定的能力提升，这是一种偏工程性的创新。 腾讯科技：让 GPT-5 计算 “9.9 − 9.11”，不开 thinking 模式是错的，开启后就对了。为什么？这里的技术难点是不是仍然很大？ 刘广：难点在于何时需要推理、何时不需要。人类会本能判断并在需要时用工具；模型没有先验，且并不擅长精确数值计算。从这个角度看，它算错并不意外。按理说它可以调用内置工具（如 Python），但如何在合适的时机自动调用合适的工具、以及是否触发推理，目前仍是瓶颈。 腾讯科技：像这种 “小学数学题”，或者 “识别图片里有几根手指” 这类人类一眼就能看出的任务还没完全解决，这是不是大模型 “刻在基因里” 的缺陷？ 张辉：从安全治理角度看，这更像是内生风险。模型缺乏人类的先验与世界常识，对 “什么时候需要推理” 本身的理解不足。它主要通过 “刷题” 式学习，数据里可能很少遇到 “9.9 − 9.11” 这样的边界案例。 至于你点开 thinking 按钮后，背后到底是架构级的创新，还是只是触发了外部工具，两者意义差别很大。但根子上，这依然是内生性问题：没有先验、难以自适应地判断是否需要推理与何时调用工具。 腾讯科技：在 AI for 医疗或 for science 这样的复杂领域，GPT-5 的能力进化能在多大程度上提供帮助？发布后是否解锁了新的应用场景？ 熊宇轩：OpenAI 自己宣称，在医疗和经济数据等领域的表现都非常好，达到 SOTA 水平。但这些领域最核心的问题是结果是否可信。过去我们谈到幻觉问题，可以通过 RAG 引入外部知识来缓解。GPT-5 在数据构造、清洗和质量提升上确实有自己的方法，但这更多是工程优化。 至于推理，我们当然希望它能真正发挥作用，但它究竟能做到哪一步，仍有待验证。现在的 CoT（思维链）是不是真正的推理，学术界也有争议。尤其在医疗这种关乎生命安全的领域，更需要以谨慎而乐观的态度看待它的发展。 腾讯科技：所以 OpenAI 目前也还没有真正解决——究竟什么时候该让模型进行推理，什么才是最合适的推理？ 熊宇轩：它确实把这个问题抛了出来，并且声称现在的模型 Router 就是在解决这件事。但效果到底如何，还需要观察一段时间。 刘广：顺着熊老师的观点，现在学界还在探讨——什么才是真正的大模型推理？是显式的 CoT（思维链），还是隐式的推理？推理的形式究竟应该是什么样？更关键的是，我们其实并不清楚推理能力是怎么产生的，那又该如何提升？这是一个很大的谜团。 比如 Bengio 的文章就指出，现在的 CoT 往往并不忠实（faithful）。如果推理过程和最终答案不一致，那么基于推理链的监控也就失效。这样一些原理性问题不解决，很难为下一步发展铺路。 从数据角度看，是否构造大量推理数据就能提升推理能力？这又引出了新问题：这种能力是自然涌现的，还是通过强化学习得来的？答案并不确定。所以，OpenAI 提出的很多功能，背后的机理可能仍然缺乏足够解释。 腾讯科技：这次 GPT-5 在数据领域有哪些创新？又是如何应对高质量数据不够用的问题？ 刘广：过去大家都说遇到了 “数据墙”，高质量数据基本用完了。一条可行路径就是使用合成数据——当模型能力足够强时，就可以生成接近人类产出的数据。我认为 GPT-5 很可能大量采用了这种方式。实际上，国内不少公司，比如 DeepSeek、千问，也都在预训练中引入合成数据，这已经成为业内公认的手段。 另一个有意思的例子是 IMO 数学竞赛金牌事件。OpenAI 抢先宣布获奖，背后依托的是一套通用的强化学习方法和一个通用推理模型。这类模型的难点在于如何给没有标准答案的问题打分；如果解决了这个机制，就能用来筛选和评估数据。 从 GPT-5 的技术报告看，他们对信息来源进行了分类，并用统计方法和模型打分，这与 reward model 的设计密切相关。有人认为，这可能是此前 “超级对齐” 团队留下的技术遗产。 张辉：从安全角度看，数据源保真是很必要的。这次 GPT-5 的一大亮点，是提出以输出为中心的安全策略。听起来像常识，但它之所以特别提，是因为在输入阶段，涉及用户意图识别的问题。可能一开始模型在这方面有所偏差，现在又回到正确路径上来。 这对我有启发——从输出端来谈内容安全确实没错。至于现实中的挑战，比如数据源和幻觉问题，技术上都可以处理。GPT-5 强调的意图识别，如果真的能准确分类用户意图，就能让安全策略更加多样。 不过，OpenAI 也承认，即便做了意图分类，仍会出现有害输出，这是不可避免的，我觉得这种承认本身体现了实事求是的态度。 腾讯科技：即使 GPT-5 这次能力跃升低于预期，从商业角度，它能否带来更多用户和 API 收入？ 熊宇轩：在全球范围内，应该还是会有增长的。毕竟 OpenAI 是行业的引领者，一旦发布新产品，总有人会去尝试。但在国内，这个效果就不一定了。现在国内的大模型已经很强，日常工作场景完全能胜任。 有时差距不大，我反而更倾向用国内模型，比如 DeepSeek、豆包、千问，这些在日常编程等任务中已经非常好用。 刘广：OpenAI 在一些应用场景上依然是断档式领先，比如 deep research、信息收集整理，幻觉率极低。但竞争压力同样巨大，尤其是来自 Claude。GPT-5 这次提出了并行 Agent 的支持，但还需要时间验证，到底能否在实际表现上超越 Claude。 国内很多公司，比如 Kimi 的 K2，已经兼容 Claude 的生态。这背后其实反映了两种理念的差异：OpenAI 坚持一个大模型打天下，而 Claude 走的是工业化路径——小步快跑、构建工具生态。目前来看，产业界和个人开发者更偏向于 Claude 这种路线。 熊宇轩：但这次也能看出，OpenAI 正在尝试新的方向。它的这个 router，在某种程度上可以看作是对 Agent 的一种编排。从这一点来看，OpenAI 确实已经被逼到不得不去做这样的尝试。 腾讯科技：未来这些模型公司是不是会转向 “通用 Agent 生态 + 平台” 的模式？ 熊宇轩：有可能会走向通用 Agent 生态，也可能像刘老师说的那样，在模型研发上大家已经差不多了。接下来竞争的重点，可能会落在数据上，比如数据的合成、多样性、有效性、安全性，以及与人类价值观的对齐。 此外，还要关注数据与模型之间的匹配问题——并不是简单生成更多数据就一定好，还需要和模型的架构、规模相适配。 腾讯科技：从普通人的角度看，现在这些模型公司好像又走回了相似的路线，变得越来越同质化，而且价格可能会越卷越低？ 刘广：是的，我认为价格肯定会越来越低。现在很多模型都免费了，甚至开源了。DeepSeek 开源之后，反而变成——如果你不把最好的模型开源出来，你就很难在台面上竞争。 但开源有两面性：一方面，它对市场推广很有帮助，可以让很多传统企业快速用起来；另一方面，对 ToB 商业模式是很大的冲击。开源是否可持续，我还不好判断，但可以确定的是，它会让模型的使用成本持续下降，也会让它更加普及。 刘广：我觉得目前还处在起步阶段，不能说完全没有差距。比如谷歌最近推出的视频模型，可能就是一个新的方向——不再卷文本，而是卷视频生成。语言模型是不是已经 “卷” 到头了？现在还不能下这个结论。 熊宇轩：我们也不是说以后就不研发模型了，只是现阶段，从用户使用的角度看，差异并没有那么大。就像开法拉利和开普通车，在城市限速的情况下，跑得再快也有限。用户的需求就在那，所以哪怕模型在性能上还有差异，最后也很可能走向同质化。 比如谷歌做出了视频模型，你觉得 Meta 后面不会做吗？当大家都做起来之后，又会回到我们刚才提到的循环——从模型到数据，再到安全，数据、算法和算力都会以螺旋式的方式不断上升。 腾讯科技：我们进入下一个更难解决的问题，就是这次提出的 “安全补齐”（Safe Completion）。过去模型遇到一些严重的安全问题会直接拒答，而现在转变为安全完成。这种做法能真正实现可用性和安全性的平衡吗？还是说，它是在牺牲安全性、更多地迁就可用性？ 张辉：从 GPT-5 公布的信息来看，它确实在这方面做了努力尝试。以前那种过于强硬的拒答，其实并不好——很多时候用户并不是在作恶，比如一个小学生学习化学时提出某个问题，如果直接拒答，反而会损害它的有用性。 我们常有惯性思维，觉得安全和创新是对立的，但其实不是。从 GPT-5 的结果来看，安全补齐通过算法上的一些创新，不仅没有降低性能，反而带来了整体提升。这说明安全和创新是可以相辅相成的。 我认为这是一个好开端。哪怕只是做一个简单的安全补齐，比如设置动态变化的有害阈值等一系列小的微创新，也能同时提升安全性和性能。这对后续的 Agent 研发也很有启发意义。 腾讯科技：昨天 OpenAI 被吐槽的那个错误图表，到底是什么样的失误，才会让他们在这么重要的发布会上犯这样低级的错误？ 刘广：我刚才也和几位老师聊过，这种低级错误，很可能是他们自己画完图后，觉得自己的表现特别好，就把分数拉高了一点。至于其他团队成员有没有复核，或者干脆是用 GPT-5 自己去检查的，这就不好说了，但这都有可能导致这样的结果。 张辉：我觉得这也不算意外，毕竟 OpenAI 以前也出现过类似的 “观感失误”。有可能是提示词的风格设定，让模型倾向于强调 “我特别好，对方特别差”，于是它就在柱状图里不断放大自己的优势。模型自己对这个结果很满意，觉得实现了用户意图。 熊宇轩：我反而觉得更大的可能是他们内部确实太着急了，也说明这次发布会的压力很大，准备得比较仓促。 腾讯科技：前段时间奥特曼接受采访时说，他自己有一种 “比起 AI 毫无用处” 的感觉。AI 的能力是不是已经迭代到让人类开始怀疑自己的目标感了？留给我们的时间窗口还有多久？ 张辉：这个问题确实比较致命，也不好预测。有的人说是 2025 年，有的人说是 2027 年。在我看来，可能奥特曼用大模型的方式和我不太一样。我更多是用它来帮我检索文献，虽然它会生成很多不存在的文献，但也有一些是真的，还会附上原始链接，对做 RAG 很有帮助。你要说用大模型用到瑟瑟发抖、怀疑人生，我目前倒还没有遇到过。 熊宇轩：我觉得这个事情要从两个方面来看。第一，AI 越强，只要我们可控，那肯定是好事，能提升我们的工作效率。至于害怕，我觉得应该用动态的观点去看。它确实会取代一些职业，但也可能催生新的业态。 比如教师这个职业，未来可能会演变成 “师 - 机 - 生” 三方交互的形态，老师的角色会从单纯的知识传授者变成既传授知识，也教学生如何和大模型打交道。所以它既可能让人担忧，也有可喜的一面。我还是倾向于谨慎而乐观地看待它。 刘广：我总体是比较乐观的。就像刚才熊老师提到教育的例子，我注意到 OpenAI 的 GPT-5 里也专门有一个面向教育的入口，可能会把思维过程写得更详细，甚至提供 API 去检查作业是否由 AI 生成。一方面是为了辅助学生学习，另一方面又要防止学生作弊，这中间本身就有矛盾。 我认为关键还是可控性。如果 AI 在可控范围内去做这些事，就没问题；但如果不可控，比如之前传闻它拒绝关机、假装关机但实际上没有，那就非常让人毛骨悚然。不过从目前来看，我还是偏乐观的，只要安全机制、沙箱机制设计得足够好，这类风险是有可能在一定程度上被规避的。 熊宇轩：我还是回到开头提到的 router（路由）机制。虽然从学术上看，它的创新性并不算特别大，但实际上却重新引领了业界的竞争方向，也为后续的 Agentic AI 发展起到很大推动作用。从商业角度看，它可能让更多人用得起 GPT，这点意义不小。 张辉：抛开性能不谈，我觉得它在安全措施和安全治理上有所进步。它通过安全补齐这样的机制创新，让满足用户体验的性能和内容安全实现了同步提升，也给我们提供了一种新的思路——安全不一定要牺牲可用性。 刘广：我认为 OpenAI 在 AGI 的定义和路径上做了一些妥协。过去它强调一个模型能做所有事，现在则是打包一系列模型，再结合 agent 和工具调用往前推进。这种路线调整，本身也是一种现实选择。 风险提示及免责条款 市场有风险，投资需谨慎。本文不构成个人投资建议，也未考虑到个别用户特殊的投资目标、财务状况或需要。用户应考虑本文中的任何意见、观点或结论是否符合其特定状况。据此投资，责任自负。