預期管理失敗的奧特曼、無法實現 AGI 的 GPT-5

在 “能力超人類” 的預期中，GPT-5 趕在 8 月份上線了。 8 月 8 日凌晨，OpenAI 正式發佈 GPT-5 模型，全家桶包含 GPT-5、GPT-5 mini、GPT-5 nano 和 GPT-5 Pro 四個版本。 OpenAI 用 “最智能、最快、最實用” 來評價新模型，如果在這個基礎上還要加一個標籤，業界普遍認為是 “平價”。首先是對 C 端用户限量免費，其次是對 API 用户 “大降價”——輸入 1.25 美元/百萬 tokens，而輸入只要 10 美元。 那麼，除了讓奧特曼成為行業裏的 “價格屠夫” 之外，OpenAI 交出的這份作業究竟是否符合預期？ “量變而非質變” “更便宜的 OpenAI 與迴歸開源” “安全與可用性更好的平衡” 8 月 8 日，在騰訊科技、智源社區、清華大學人工智能國際治理研究院聯合發起的 AGI 之路解讀直播中，智源研究院數據研究組負責人劉廣、華中師範大學人工智能教育學部助理教授熊宇軒、中科大墨子青年學者、清華大學人工智能國際治理研究院青年科學家 張輝分別給出了自己的總結。 “（之前）預期過高，實際效果雖有提升（推理、工具調用），但未達預期屬於 ‘意料之中的進步’。” 劉廣説。張輝也給予了類似的評價，“GPT-5 的進步不夠 ‘驚豔’，邊際效率不高，未滿足用户因長期鋪墊產生的高預期。” 在劉廣看來，GPT-5 大量使用合成數據、建立數據分級分類體系，以及開發通用的數據質量評估模型，這些工程層面的優化在一定程度上緩解了高質量數據稀缺的問題，但作為 OpenAI 的期間模型，GPT-5 也表現不足的地方，比如推理相關的研究。 “我們既不清楚推理能力的真正來源，也無法確定什麼才是真正有效的推理形式。” 劉廣説。 GPT-5 上線之前，Anthropic 和谷歌先後卡位，分別推出 Claude opus 4.1、Genie 3 世界模型，尤其是前者，公開預熱未來還會有新動作，暗示 8 月份將出現基座模型 “熱戰”。 “OpenAI 受壓力不得不推出（GPT-5）,” 熊宇軒説。 在熊宇軒看來，Anthropic、谷歌、DeepSeek、Kimi 等的這些國內外的競爭對手都在推着 OpenAI 上新。同時，外界對安全的擔憂也在逐漸緩和，再加上 “多模型路由（Router）” 也屬於更偏商業的考慮，“這些都在推動 OpenAI 走向 ‘更便宜、更開放’，對行業是好事。” 對於新的多模型路由能力，熊宇軒將其定義為早期 MoE 的延伸，不屬於顛覆性技術突破。“有時像開跑車，有時像用越野車，根據任務靈活調配。” 張輝長期從事安全研究，他和熊宇軒一樣關注安全，尤其是 GPT-5 的 “安全補全” 能力。 “它在安全與可用性之間實現了較好的平衡。” 張輝説，尤其是對於 GPT-5 從 “拒答” 轉向 “安全補全”，張輝認為這是一個積極的信號。“過去強拒答會損害正常使用， ‘安全補全’ 通過動態閾值、用户意圖分類，實現了安全與性能的雙向提升，證明安全與創新可共存。” 以下為直播實錄全文（在不改變原意的情況下有調整刪減）： 騰訊科技：首先，可以做一個快速填空題。GPT-3 帶來了 ScalingLaw，GPT-3.5 帶來了 RLHF，GPT-4 帶來了 MoE，GPT-4o 帶來了全模態，o1 開闢了推理的新範式。那麼，GPT-5 帶來了什麼？可以用一到兩個關鍵詞組合來回答，最多不超過兩個。 熊宇軒：這次 GPT-5 上線，更像是 OpenAI 商業策略的轉向：更便宜、更開放。配合此前的 GPT-OSS，可視為對開源社區的一次迴歸與擁抱。 張輝：我覺得它的安全補全（safecompletion）機制很值得關注，也給了我不少啓發——在安全性與可用性之間找到了一個相對良好的平衡。 劉廣：各項都有增量，但沒有超出預期。能力的量變而不是質變。 騰訊科技：奧特曼對 GPT-5 進行了多次隆重的鋪墊，那這個模型對於 OpenAI 來説到底意味着什麼？ 劉廣：GPT-4o 發佈已經有一段時間，大家一直期待 GPT-5。據説內部經歷了多輪 “賽馬”，淘汰了不少版本，主要因為數據問題和訓練過程中的意外導致性能達不到預期。其中一個關鍵障礙是 “數據牆”——高質量數據幾乎沒有增量。後來，團隊通過合成數據等手段緩解了這一問題。 從最新版本來看，GPT-5 在推理能力和調用工具能力上都有顯著提升。技術報告和 system card 中提到，訓練中不僅使用了學者貢獻的數據，也利用了模型生成的數據；在數據處理上，還進行了分級分類，將可信和非可信來源區分開，並輔以人工與模型聯合篩選。經過這一系列數據工作的打磨，GPT-5 在安全性和推理能力上的提升是預料之中的。 只是因為研發週期拉得很長，外界期望值又很高，所以發佈後的效果更像是一種 “情理之中” 的結果。 張輝：我比較贊同劉老師的看法——GPT-5 的確不夠驚豔。 在奧特曼連續一兩年營造情緒期待之後，用户對它的期望值被推得很高。實事求是地説，它沒有達到預期。不過，從個人零星的測試和體驗來看，仍有一些值得學習和借鑑的地方，甚至包括它失敗的經驗。 就這款產品而言，未達預期其實也是意料之中的。尤其值得注意的是，奧特曼自己的表述也發生了變化——從最初的 “已經實現通用人工智能”，到後來的 “還沒有實現”。這種話術轉變，本身就説明了外界期望與實際進展之間的落差。 熊宇軒：我認為，GPT-5 更像是一個信號，標誌着行業進入新的轉折點。它或許不是一次顛覆性的技術創新，但從模型架構到數據收集，都體現出大模型發展已進入新的階段。 回想 GPT-4 發佈時，安全問題曾引發廣泛擔憂，甚至有人呼籲暫停 GPT-5 的研發，奧特曼當時也説短期內不會推出。但幾年過去，GPT-5 還是來了，這至少説明兩點： 第一，行業變化極快、競爭激烈，迫使 OpenAI 不得不加速前進； 第二，從安全角度看，許多曾經的擔憂被證明沒有想象中那樣直接威脅人類，且已有多種可行的控制手段。 對 OpenAI 來説，GPT-5 更多是商業層面的佈局。例如新版本的模型路由（Router），本質上只是早期 MoE 的延伸——有時像開跑車，有時像用越野車，根據任務靈活調配，並非顛覆性技術突破。 但它帶來的結果是模型更便宜、更開放、更易用。這不僅對 OpenAI 自身有益，也會推動整個行業朝着更可用、更普及的方向發展。 騰訊科技： Plus 用户在賬號上只能看到 GPT-5，其他的歷史模型都不見了。是不是未來 OpenAI 想用這樣一個大一統的模型去統一所有的模型？ 張輝：我覺得原因可能有多方面。直覺上，首先是站在用户角度做了操作簡化——在商業競爭激烈、競品紛紛簡化設置的背景下，這樣做能提升易用性。其次，從品牌管理來看，OpenAI 現在的品牌效應極大，把系列產品整合進 GPT-5，有助於形成統一品牌形象，這在管理上是科學合理的。 最後，也不能排除技術創新的因素——比如 Router 的引入，到底屬於怎樣的創新？它如何自動識別用户提示詞和意圖？這裏面是否隱藏着更深的技術突破，還需要繼續觀察。 騰訊科技：怎麼看這種多模型路由架構？它可以根據需求自由選擇調用哪個模型的能力，這算是多大的創新？ 熊宇軒：其實模型之間本來就有分工，體現在功能和規模上。這個思路並不新，比如清華黃高老師很早就提出過 “動態神經網絡”——根據任務難度動態選擇網絡結構。到了大模型時代，理念還是一樣的。 GPT-5 中既有需要 thinking 的推理模型，也有不需要 thinking 的模型；前者資源佔用更高、運行時間更長。這樣做，一方面能幫用户省錢，另一方面也能降低自身運營負載，從而提供更好的整體體驗。所謂 “大統一模型” 更多是一個概念包裝，背後既有技術考量，也有商業運營上的策略因素。 劉廣：路由這個概念，學術界早就有研究，工業界也早有實踐，比如前段時間 360 就嘗試過多 Agent 或多模型融合的路由機制。OpenAI 的不同之處，可能是在效果、體驗和工程優化上做得更好。 從創新角度看，它更多是把已有思路做到極致——就像 GPT-3 時代，通過單純擴大規模就顯著提升了能力一樣。在這個方向上，GPT-5 屬於工程層面的極致優化，由此帶來更好的體驗和一定的能力提升，這是一種偏工程性的創新。 騰訊科技：讓 GPT-5 計算 “9.9 − 9.11”，不開 thinking 模式是錯的，開啓後就對了。為什麼？這裏的技術難點是不是仍然很大？ 劉廣：難點在於何時需要推理、何時不需要。人類會本能判斷並在需要時用工具；模型沒有先驗，且並不擅長精確數值計算。從這個角度看，它算錯並不意外。按理説它可以調用內置工具（如 Python），但如何在合適的時機自動調用合適的工具、以及是否觸發推理，目前仍是瓶頸。 騰訊科技：像這種 “小學數學題”，或者 “識別圖片裏有幾根手指” 這類人類一眼就能看出的任務還沒完全解決，這是不是大模型 “刻在基因裏” 的缺陷？ 張輝：從安全治理角度看，這更像是內生風險。模型缺乏人類的先驗與世界常識，對 “什麼時候需要推理” 本身的理解不足。它主要通過 “刷題” 式學習，數據裏可能很少遇到 “9.9 − 9.11” 這樣的邊界案例。 至於你點開 thinking 按鈕後，背後到底是架構級的創新，還是隻是觸發了外部工具，兩者意義差別很大。但根子上，這依然是內生性問題：沒有先驗、難以自適應地判斷是否需要推理與何時調用工具。 騰訊科技：在 AI for 醫療或 for science 這樣的複雜領域，GPT-5 的能力進化能在多大程度上提供幫助？發佈後是否解鎖了新的應用場景？ 熊宇軒：OpenAI 自己宣稱，在醫療和經濟數據等領域的表現都非常好，達到 SOTA 水平。但這些領域最核心的問題是結果是否可信。過去我們談到幻覺問題，可以通過 RAG 引入外部知識來緩解。GPT-5 在數據構造、清洗和質量提升上確實有自己的方法，但這更多是工程優化。 至於推理，我們當然希望它能真正發揮作用，但它究竟能做到哪一步，仍有待驗證。現在的 CoT（思維鏈）是不是真正的推理，學術界也有爭議。尤其在醫療這種關乎生命安全的領域，更需要以謹慎而樂觀的態度看待它的發展。 騰訊科技：所以 OpenAI 目前也還沒有真正解決——究竟什麼時候該讓模型進行推理，什麼才是最合適的推理？ 熊宇軒：它確實把這個問題拋了出來，並且聲稱現在的模型 Router 就是在解決這件事。但效果到底如何，還需要觀察一段時間。 劉廣：順着熊老師的觀點，現在學界還在探討——什麼才是真正的大模型推理？是顯式的 CoT（思維鏈），還是隱式的推理？推理的形式究竟應該是什麼樣？更關鍵的是，我們其實並不清楚推理能力是怎麼產生的，那又該如何提升？這是一個很大的謎團。 比如 Bengio 的文章就指出，現在的 CoT 往往並不忠實（faithful）。如果推理過程和最終答案不一致，那麼基於推理鏈的監控也就失效。這樣一些原理性問題不解決，很難為下一步發展鋪路。 從數據角度看，是否構造大量推理數據就能提升推理能力？這又引出了新問題：這種能力是自然湧現的，還是通過強化學習得來的？答案並不確定。所以，OpenAI 提出的很多功能，背後的機理可能仍然缺乏足夠解釋。 騰訊科技：這次 GPT-5 在數據領域有哪些創新？又是如何應對高質量數據不夠用的問題？ 劉廣：過去大家都説遇到了 “數據牆”，高質量數據基本用完了。一條可行路徑就是使用合成數據——當模型能力足夠強時，就可以生成接近人類產出的數據。我認為 GPT-5 很可能大量採用了這種方式。實際上，國內不少公司，比如 DeepSeek、千問，也都在預訓練中引入合成數據，這已經成為業內公認的手段。 另一個有意思的例子是 IMO 數學競賽金牌事件。OpenAI 搶先宣佈獲獎，背後依託的是一套通用的強化學習方法和一個通用推理模型。這類模型的難點在於如何給沒有標準答案的問題打分；如果解決了這個機制，就能用來篩選和評估數據。 從 GPT-5 的技術報告看，他們對信息來源進行了分類，並用統計方法和模型打分，這與 reward model 的設計密切相關。有人認為，這可能是此前 “超級對齊” 團隊留下的技術遺產。 張輝：從安全角度看，數據源保真是很必要的。這次 GPT-5 的一大亮點，是提出以輸出為中心的安全策略。聽起來像常識，但它之所以特別提，是因為在輸入階段，涉及用户意圖識別的問題。可能一開始模型在這方面有所偏差，現在又回到正確路徑上來。 這對我有啓發——從輸出端來談內容安全確實沒錯。至於現實中的挑戰，比如數據源和幻覺問題，技術上都可以處理。GPT-5 強調的意圖識別，如果真的能準確分類用户意圖，就能讓安全策略更加多樣。 不過，OpenAI 也承認，即便做了意圖分類，仍會出現有害輸出，這是不可避免的，我覺得這種承認本身體現了實事求是的態度。 騰訊科技：即使 GPT-5 這次能力躍升低於預期，從商業角度，它能否帶來更多用户和 API 收入？ 熊宇軒：在全球範圍內，應該還是會有增長的。畢竟 OpenAI 是行業的引領者，一旦發佈新產品，總有人會去嘗試。但在國內，這個效果就不一定了。現在國內的大模型已經很強，日常工作場景完全能勝任。 有時差距不大，我反而更傾向用國內模型，比如 DeepSeek、豆包、千問，這些在日常編程等任務中已經非常好用。 劉廣：OpenAI 在一些應用場景上依然是斷檔式領先，比如 deep research、信息收集整理，幻覺率極低。但競爭壓力同樣巨大，尤其是來自 Claude。GPT-5 這次提出了並行 Agent 的支持，但還需要時間驗證，到底能否在實際表現上超越 Claude。 國內很多公司，比如 Kimi 的 K2，已經兼容 Claude 的生態。這背後其實反映了兩種理念的差異：OpenAI 堅持一個大模型打天下，而 Claude 走的是工業化路徑——小步快跑、構建工具生態。目前來看，產業界和個人開發者更偏向於 Claude 這種路線。 熊宇軒：但這次也能看出，OpenAI 正在嘗試新的方向。它的這個 router，在某種程度上可以看作是對 Agent 的一種編排。從這一點來看，OpenAI 確實已經被逼到不得不去做這樣的嘗試。 騰訊科技：未來這些模型公司是不是會轉向 “通用 Agent 生態 + 平台” 的模式？ 熊宇軒：有可能會走向通用 Agent 生態，也可能像劉老師説的那樣，在模型研發上大家已經差不多了。接下來競爭的重點，可能會落在數據上，比如數據的合成、多樣性、有效性、安全性，以及與人類價值觀的對齊。 此外，還要關注數據與模型之間的匹配問題——並不是簡單生成更多數據就一定好，還需要和模型的架構、規模相適配。 騰訊科技：從普通人的角度看，現在這些模型公司好像又走回了相似的路線，變得越來越同質化，而且價格可能會越卷越低？ 劉廣：是的，我認為價格肯定會越來越低。現在很多模型都免費了，甚至開源了。DeepSeek 開源之後，反而變成——如果你不把最好的模型開源出來，你就很難在台面上競爭。 但開源有兩面性：一方面，它對市場推廣很有幫助，可以讓很多傳統企業快速用起來；另一方面，對 ToB 商業模式是很大的衝擊。開源是否可持續，我還不好判斷，但可以確定的是，它會讓模型的使用成本持續下降，也會讓它更加普及。 劉廣：我覺得目前還處在起步階段，不能説完全沒有差距。比如谷歌最近推出的視頻模型，可能就是一個新的方向——不再卷文本，而是卷視頻生成。語言模型是不是已經 “卷” 到頭了？現在還不能下這個結論。 熊宇軒：我們也不是説以後就不研發模型了，只是現階段，從用户使用的角度看，差異並沒有那麼大。就像開法拉利和開普通車，在城市限速的情況下，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還有差異，最後也很可能走向同質化。 比如谷歌做出了視頻模型，你覺得 Meta 後面不會做嗎？當大家都做起來之後，又會回到我們剛才提到的循環——從模型到數據，再到安全，數據、算法和算力都會以螺旋式的方式不斷上升。 騰訊科技：我們進入下一個更難解決的問題，就是這次提出的 “安全補齊”（Safe Completion）。過去模型遇到一些嚴重的安全問題會直接拒答，而現在轉變為安全完成。這種做法能真正實現可用性和安全性的平衡嗎？還是説，它是在犧牲安全性、更多地遷就可用性？ 張輝：從 GPT-5 公佈的信息來看，它確實在這方面做了努力嘗試。以前那種過於強硬的拒答，其實並不好——很多時候用户並不是在作惡，比如一個小學生學習化學時提出某個問題，如果直接拒答，反而會損害它的有用性。 我們常有慣性思維，覺得安全和創新是對立的，但其實不是。從 GPT-5 的結果來看，安全補齊通過算法上的一些創新，不僅沒有降低性能，反而帶來了整體提升。這説明安全和創新是可以相輔相成的。 我認為這是一個好開端。哪怕只是做一個簡單的安全補齊，比如設置動態變化的有害閾值等一系列小的微創新，也能同時提升安全性和性能。這對後續的 Agent 研發也很有啓發意義。 騰訊科技：昨天 OpenAI 被吐槽的那個錯誤圖表，到底是什麼樣的失誤，才會讓他們在這麼重要的發佈會上犯這樣低級的錯誤？ 劉廣：我剛才也和幾位老師聊過，這種低級錯誤，很可能是他們自己畫完圖後，覺得自己的表現特別好，就把分數拉高了一點。至於其他團隊成員有沒有複核，或者乾脆是用 GPT-5 自己去檢查的，這就不好説了，但這都有可能導致這樣的結果。 張輝：我覺得這也不算意外，畢竟 OpenAI 以前也出現過類似的 “觀感失誤”。有可能是提示詞的風格設定，讓模型傾向於強調 “我特別好，對方特別差”，於是它就在柱狀圖裏不斷放大自己的優勢。模型自己對這個結果很滿意，覺得實現了用户意圖。 熊宇軒：我反而覺得更大的可能是他們內部確實太着急了，也説明這次發佈會的壓力很大，準備得比較倉促。 騰訊科技：前段時間奧特曼接受採訪時説，他自己有一種 “比起 AI 毫無用處” 的感覺。AI 的能力是不是已經迭代到讓人類開始懷疑自己的目標感了？留給我們的時間窗口還有多久？ 張輝：這個問題確實比較致命，也不好預測。有的人説是 2025 年，有的人説是 2027 年。在我看來，可能奧特曼用大模型的方式和我不太一樣。我更多是用它來幫我檢索文獻，雖然它會生成很多不存在的文獻，但也有一些是真的，還會附上原始鏈接，對做 RAG 很有幫助。你要説用大模型用到瑟瑟發抖、懷疑人生，我目前倒還沒有遇到過。 熊宇軒：我覺得這個事情要從兩個方面來看。第一，AI 越強，只要我們可控，那肯定是好事，能提升我們的工作效率。至於害怕，我覺得應該用動態的觀點去看。它確實會取代一些職業，但也可能催生新的業態。 比如教師這個職業，未來可能會演變成 “師 - 機 - 生” 三方交互的形態，老師的角色會從單純的知識傳授者變成既傳授知識，也教學生如何和大模型打交道。所以它既可能讓人擔憂，也有可喜的一面。我還是傾向於謹慎而樂觀地看待它。 劉廣：我總體是比較樂觀的。就像剛才熊老師提到教育的例子，我注意到 OpenAI 的 GPT-5 裏也專門有一個面向教育的入口，可能會把思維過程寫得更詳細，甚至提供 API 去檢查作業是否由 AI 生成。一方面是為了輔助學生學習，另一方面又要防止學生作弊，這中間本身就有矛盾。 我認為關鍵還是可控性。如果 AI 在可控範圍內去做這些事，就沒問題；但如果不可控，比如之前傳聞它拒絕關機、假裝關機但實際上沒有，那就非常讓人毛骨悚然。不過從目前來看，我還是偏樂觀的，只要安全機制、沙箱機制設計得足夠好，這類風險是有可能在一定程度上被規避的。 熊宇軒：我還是回到開頭提到的 router（路由）機制。雖然從學術上看，它的創新性並不算特別大，但實際上卻重新引領了業界的競爭方向，也為後續的 Agentic AI 發展起到很大推動作用。從商業角度看，它可能讓更多人用得起 GPT，這點意義不小。 張輝：拋開性能不談，我覺得它在安全措施和安全治理上有所進步。它通過安全補齊這樣的機制創新，讓滿足用户體驗的性能和內容安全實現了同步提升，也給我們提供了一種新的思路——安全不一定要犧牲可用性。 劉廣：我認為 OpenAI 在 AGI 的定義和路徑上做了一些妥協。過去它強調一個模型能做所有事，現在則是打包一系列模型，再結合 agent 和工具調用往前推進。這種路線調整，本身也是一種現實選擇。 風險提示及免責條款 市場有風險，投資需謹慎。本文不構成個人投資建議，也未考慮到個別用户特殊的投資目標、財務狀況或需要。用户應考慮本文中的任何意見、觀點或結論是否符合其特定狀況。據此投資，責任自負。