OpenAI迈向AGI：计算驱动与落地实践

OpenAI的AGI征途，总裁Greg Brockman在最新访谈中透露了清晰的蓝图——

技术维度上，从文本生成转向强化学习的推理范式，在现实世界试错并获取反馈；

资源策略方面，持续投入大规模计算资源；

实际应用中，将模型封装为Agent，将模型能力打包为可审计的服务进程。

这场访谈由AI播客Latent Space主持，与Brockman探讨了OpenAI的AGI技术路线与资源策略。

同时，OpenAI的落地布局及Brockman对未来的思考，也通过访谈逐渐显现。

总结而言，Brockman传达了以下核心观点：

模型正增强现实交互能力，这是下一代AGI的关键；

AGI的主要瓶颈在于计算，计算量直接影响AI发展的速度与深度；

AGI的终极目标是让大模型常驻企业和个人工作流程，手段为Agent；

将模型接入现实应用极具价值，各领域尚待挖掘的潜力巨大。

模型推理范式的转变

谈及OpenAI新发布的GPT-5，Brockman认为这是AI领域的一场重大范式转变，作为OpenAI首个混合模型，旨在缩短GPT系列与AGI的距离。

在训练GPT-4后，OpenAI提出了一个关键问题：

为何它不是AGI？

尽管GPT-4能进行连贯的上下文对话，但可靠性不足，会犯错甚至偏离轨道。

因此，他们意识到需要在现实世界中测试想法，通过强化学习获取反馈以提高可靠性。

这一点在OpenAI早期的Dota项目中已有实践，当时使用纯强化学习，从随机初始化状态学习复杂行为。

△

自GPT-4问世起，OpenAI开始尝试新的推理范式：先通过监督数据使模型学会对话，再利用强化学习在环境中试错。

传统模型训练是一次性的，然后进行大量推理；而GPT-5借助强化学习，在推理过程中不断生成数据，基于这些数据反复训练，将模型与真实世界的观测结果反馈至模型中。

这种新范式改变了所需数据的规模：原先预训练可能需要数十万个示例，而强化学习仅从10到100个任务中学习复杂行为。

这也表明模型正增强现实交互能力，这是下一代AGI的关键。

计算能力决定AGI开发上限

当被问及当前AGI开发的主要瓶颈时，Brockman明确指出：计算。

他认为，拥有更多计算能力，OpenAI总能找到迭代和提高模型性能的方法。计算量直接影响AI研究的深度与速度。

例如，在Dota项目中，当时普遍认为PPO （近端策略优化）算法无法实现扩展。但通过翻倍内核数量，性能持续提升。因此，算法壁垒在扩大计算资源后得以解决。

当前GPT-5的强化学习范式虽提高样本效率，但仍需模型进行数万次尝试才能重复学会一项任务，这需要巨大计算量支持。

图灵曾提出“超临界学习”概念，认为机器不仅要学习即时教授的内容，还要深入思考其二阶、三阶甚至四阶效应并更新知识体系。

这种深层次学习过程同样需要更多计算资源。OpenAI的目标是以更具创造性的方式消耗计算以实现高级学习能力。

Brockman将计算比作基本燃料，将能量转化为存储在模型权重中的势能推动有效操作。

一旦模型通过大量计算训练完成即可反复利用在多任务中分摊巨大计算成本。

让大模型进入生产

“模型要成为现实生产线的一环”

...