OpenAI员工疯狂暗示，内部已成功开发ASI？被曝训出GPT-5但雪藏

种种迹象表明，最近OpenAI似乎发生了什么大事。

AI研究员Gwern Branwen发布了一篇关于OpenAI o3、o4、o5的文章。

根据他的说法，OpenAI已经跨越了临界点，达到了「递归自我改进」的门槛——o4或o5能自动化AI研发，完成剩下的工作！

文章要点如下——

- OpenAI可能选择将其「o1-pro」模型保密，利用其计算资源来训练o3这类更高级的模型，类似于Anthorpic的策略

- OpenAI可能相信他们已经在AI发展方面取得了突破，正在走向ASI之路

- 目标是开发一种运行效率高的超人AI，类似于AlphaGo/Zero所实现的目标

- 推理时搜索最初可以提高性能，但最终会达到极限

甚至还出现了这样一种传言：OpenAI和Anthropic已经训练出了GPT-5级别的模型，但都选择了「雪藏」。

原因在于，模型虽能力强，但运营成本太高，用GPT-5蒸馏出GPT-4o、o1、o3这类模型，才更具性价比。

甚至，OpenAI安全研究员Stephen McAleer最近两周的推文，看起来简直跟短篇科幻小说一样——

我有点怀念过去做AI研究的时候，那时我们还不知道如何创造超级智能。

在前沿实验室，许多研究人员都非常认真地对待AI短时间的影响，而实验室之外几乎没有人充分讨论其安全影响。

而现在控制超级智能已经是迫在眉睫的研究事项了。

我们该如何控制诡计多端的超级智能？即使拥有完美的监视器，难道它不会说服我们将其从沙箱中释放出来吗？

总之，越来越多OpenAI员工，都开始暗示他们已经在内部开发了ASI。

这是真的吗？还是CEO奥特曼「谜语人」的风格被底下员工学会了？

很多人觉得，这是OpenAI惯常的一种炒作手段。

但让人有点害怕的是，有些一两年前离开的人，其实表达过担忧。

莫非，我们真的已处于ASI的边缘？

超级智能（superintelligence）的「潘多拉魔盒」，真的被打开了？

OpenAI:「遥遥领先」

OpenAI的o1和o3模型，开启了新的扩展范式：在运行时对模型推理投入更多计算资源，可以稳定地提高模型性能。

如下面所示，o1的AIME准确率，随着测试时计算资源的对数增加而呈恒定增长。

OpenAI的o3模型延续了这一趋势，创造了破纪录的表现，具体成绩如下：

• 在Codeforces上得分2727，使其成为全球第175名最优秀的竞技编程者；

• 在FrontierMath上得分25%，该平台的「每个问题都需要数学家几个小时的工作」；

• 在GPQA上得分88%，其中70%的分数代表博士级别的科学知识；

• 在ARC-AGI上得分88%，而在困难的视觉推理问题上,平均Mechanical Turk人工任务工人的得分为75%。

根据OpenAI的说法，o系列模型的性能提升主要来自于增加思维链（Chain-of-Thought，CoT）的长度（以及其他技术，如思维树），并通过强化学习改进思维链（CoT）过程。

目前，运行o3在最大性能下非常昂贵，单个ARC-AGI任务的成本约为300美元，但推理成本正以每年约10倍的速度下降！

Epoch AI的一项最新分析指出，前沿实验室在模型训练和推理上的花费可能相似。

因此，除非接近推理扩展的硬性限制，否则前沿实验室将继续大量投入资源优化模型推理，并且成本将继续下降。

就一般情况而言，推理扩展范式预计可能会持续下去，并且将是AGI安全性的一个关键考虑因素。

AI安全性影响

那么推理扩展范式对AI安全性的影响是什么呢？简而言之，AI安全研究人员Ryan Kidd博士认为：

• AGI时间表大体不变，但可能会提前一年。

• 对于前沿模型的部署，可能会减少其过度部署的影响，因为它们的部署成本将比预期高出约1000倍，这将减少来自高速或集体超级智能的近期风险。

• 思维链（CoT）的监督可能更有用，前提是禁止非语言的CoT，这对AI安全性有利。

• 更小的、运行成本更高的模型更容易被盗用，但除非非常富有，否则很难进行操作，这减少了单边主义诅咒的风险。

• 扩展可解释性更容易还是更难；尚不确定。

• 模型可能会更多地接受强化学习（RL），但这将主要是「基于过程」的，因此可能更安全，前提是禁止非语言的CoT。

• 出口管制可能需要调整，以应对专用推理硬件。
• 
  

AGI时间表

o1和o3的发布，对AGI时间表的预测的影响并不大。

Metaculus的「强AGI」预测似乎因为o3的发布而提前了一年，预计在2031年中期实现；然而，自2023年3月以来，该预测一直在2031到2033年之间波动。

Manifold Market的「AGI何时到来？」也提前了一年，从2030年调整为2029年，但最近这一预测也在波动。

很有可能，这些预测平台已经在某种程度上考虑了推理计算扩展的影响，因为思维链并不是一项新技术，即使通过RL增强。

总体来说，Ryan Kidd认为他也没有比这些预测平台当前预测更好的见解。

部署问题

在《AI Could Defeat All Of Us Combined》中，Holden Karnofsky描述了一种模棱两可的风险威胁模型。

在此模型中，一群人类水平的AI，凭借更快的认知速度和更好的协调能力超过了人类，而非依赖于定性上的超级智能能力。

这个情景的前提是，「一旦第一个人类水平的AI系统被创造出来，创造它的人，可以利用创造它所需要的相同计算能力，运行数亿个副本，每个副本大约运行一年。」

如果第一个AGI的运行成本和o3-high的成本一样（约3000美元/任务），总成本至少要3000亿美元，那么这个威胁模型似乎就不那么可信了。

因此，Ryan Kidd博士对「部署问题」问题的担忧较小，即一旦经过昂贵的训练，短期模型就可以廉价地部署，从而产生巨大影响。

这在一定程度上减轻了他对「集体」或「高速」超级智能的担忧，同时略微提升了对「定性」超级智能的关注，至少对于第一代AGI系统而言。

监督思维链

如果模型的更多认知，是以人类可解释的思维链（CoT）形式嵌入，而非内部激活，这似乎是通过监督来促进AI安全性的好消息！

尽管CoT对模型推理的描述并不总是真实或准确，但这一点可能得到改进。

Ryan Kidd也对LLM辅助的红队成员持乐观态度，他们能够防止隐秘的阴谋，或者至少限制可能秘密实施的计划的复杂度，前提是有强有力的AI控制措施

从这个角度来看，推理计算扩展范式似乎非常有利于AI安全，前提是有足够的CoT监督。

不幸的是，像Meta的Coconut（「连续思维链」）这样的技术可能很快就会应用于前沿模型，连续推理可以不使用语言作为中介状态。

尽管这些技术可能带来性能上的优势，但它们可能会在AI安全性上带来巨大的隐患。

正如Marius Hobbhahn所说：「如果为了微小的性能提升，而牺牲了可读的CoT，那简直是在自毁前程。」

然而，考虑到用户看不到o1的CoT，尚不确定是否能知道非语言CoT被部署的可能性，除非通过对抗性攻击揭示这一点。

AGI来了

美国AI作家和研究员Gwern Branwen，则认为Ryan Kidd遗漏了一个重要方面：像o1这样的模型的主要目的之一不是将其部署，而是生成下一个模型的训练数据。

o1解决的每一个问题现在都是o3的一个训练数据点（例如，任何一个o1会话最终找到正确答案的例子，都来训练更精细的直觉）。

这意味着这里的扩展范式，可能最终看起来很像当前的训练时范式：大量的大型数据中心，在努力训练一个拥有最高智能的最终前沿模型，并以低搜索的方式使用，并且会被转化为更小更便宜的模型，用于那些低搜索或无搜索的用例。

对于这些大型数据中心来说，工作负载可能几乎完全与搜索相关（因为与实际的微调相比，推出模型的成本低廉且简单），但这对其他人来说并不重要；就像之前一样，所看到的基本是，使用高端GPU和大量电力，等待3到6个月，最终一个更智能的AI出现。

OpenAI部署了o1-pro，而不是将其保持为私有，并将计算资源投资于更多的o3训练等自举过程。

Gwern Branwen对此有点惊讶。

显然，类似的事情也发生在Anthropic和Claude-3.6-opus上——它并没有「失败」，他们只是选择将其保持为私有，并将其蒸馏成一个小而便宜、但又奇怪地聪明的Claude-3.6-sonnet。）

OpenAI突破「临界点」

OpenAI的成员突然在Twitter上变得有些奇怪、甚至有些欣喜若狂，原因可能就是看到从原始4o模型到o3（以及现在的状态）的改进。

这就像观看AlphaGo在围棋中等国际排名：它一直在上升……上升……再上升……

可能他们觉得自己「突破了」，终于跨过了临界点：从单纯的前沿AI工作，几乎每个人几年后都会复制的那种，跨越到起飞阶段——破解了智能的关键，以至o4或o5将能够自动化AI研发，并完成剩下的部分。

2024年11月，Altman表示：

我可以看到一条路径，我们正在做的工作会继续加速增长，过去三年取得的进展将继续在未来三年、六年、九年或更长时间里继续下去。

不久却又改口：

我们现在非常确信地知道如何构建传统意义上的AGI……我们开始将目标超越这一点，迈向真正意义上的超级智能。我们很喜欢我们目前的产品，但我们是为了美好的未来。通过超级智能，我们可以做任何事情。

而其他AI实验室却只能望洋兴叹：当超级智能研究能够自给自足时，根本无法获得所需的大型计算设备来竞争。

最终OpenAI可能吃下整个AI市场。

毕竟AlphaGo/Zero模型不仅远超人类，而且运行成本也非常低。仅仅搜索几步就能达到超人类的实力；即使是仅仅前向传递，已接近职业人类的水平！

如果看一下下文中的相关扩展曲线，会发现原因其实显而易见。

论文链接：https://arxiv.org/pdf/2104.03113

继续蒸馏

推理时的搜索就像是一种刺激剂，能立即提升分数，但很快就会达到极限。

很快，你必须使用更智能的模型来改善搜索本身，而不是做更多的搜索。

如果单纯的搜索能如此有效，那国际象棋在1960年代就能解决了.

而实际上，到1997年5月，计算机才击败了国际象棋世界冠军，但超过国际象棋大师的搜索速度并不难。

如果你想要写着「Hello World」的文本，一群在打字机上的猴子可能就足够了；但如果想要在宇宙毁灭之前，得到《哈姆雷特》的全文，你最好现在就开始去克隆莎士比亚。

幸运的是，如果你手头有需要的训练数据和模型，那可以用来创建一个更聪明的模型：聪明到可以写出媲美甚至超越莎士比亚的作品。

2024年12月20日，奥特曼强调：

在今天的噪声中，似乎有些消息被忽略了：

在编程任务中，o3-mini将超过o1的表现，而且成本还要少很多！

我预计这一趋势将持续下去，但也预见到为获得边际的更多性能而付出指数级增加的资金，这将变得非常奇怪。

因此，你可以花钱来改善模型在某些输出上的表现……但「你」可能是「AI 实验室」，你只是花钱去改善模型本身，而不仅仅是为了某个一般问题的临时输出。

这意味着外部人员可能永远看不到中间模型（就像围棋玩家无法看到AlphaZero训练过程中第三步的随机检查点）。

而且，如果「部署成本是现在的1000倍」成立，这也是不部署的一个理由。

为什么要浪费这些计算资源来服务外部客户，而不继续训练，将其蒸馏回去，最终部署一个成本为100倍、然后10倍、1倍，甚至低于1倍的更优模型呢？

因此，一旦考虑到所有的二阶效应和新工作流，搜索/测试时间范式可能会看起来出奇地熟悉。

参考资料：

https://x.com/emollick/status/1879574043340460256

https://x.com/slow_developer/status/1879952568614547901

https://x.com/kimmonismus/status/1879961110507581839

https://www.lesswrong.com/posts/HiTjDZyWdLEGCDzqu/implications-of-the-inference-scaling-paradigm-for-ai-safety

https://x.com/jeremyphoward/status/1879691404232015942

文章来自于微信公众号“新智元”