GPT-5首次会推理，OpenAI联创曝AGI秘诀！超临界学习吞噬算力，2045金钱无用？

【导读】GPT-5是一个分水岭，终于学会了「推理」。联创Greg Brockman最新访谈畅谈了OpenAI AGI之路，未来AI可以做到边用边学，在超临界模式下推导出N阶后果。

「GPT-5，是一个分水岭」。

昨天，OpenAI联创Greg Brockman在Latent Space团队的专访中对GPT-5做出了高度的评价。

这一小时的访谈，含金量极高。

从GPT-5 的意义、推理与强化学习的转折点，到算力瓶颈、AI工程实践，再到对未来社会的预判，Greg Brockman的对话透露了OpenAI最新战略的思考。

他还表示，「当内部训完GPT-4时，我们就知道下一步必须走向推理范式。这不是新想法，而是让模型变得可靠的唯一途径」。

以下是，全文访谈的核心亮点：

· GPT-4持续对话，但不够可靠；GPT-5开始真正学会「推理」

· 未来模型不再是「一次训练+无限推理」，而是边用边学

· 超临界学习：AI学到的不止是答案，还能推导出后果链

· 使用AI是一门管理学，要当多智能体的经理人。

· 唯一稀缺的，是算力

GPT-5，一个分水岭

谈及GPT-5时，Greg强调这是OpenAI首个「混合模型」，通过路由器在推理模型与非推理模型之间自动切换。

这种模式降低了使用复杂度，避免用户纠结于「该选哪个版本」。

从性能上看，GPT-5 已经在数学、编程、物理等高智力任务上表现出质变。

对此，Greg将其与前几代旗舰做了一个鲜明的对比。

GPT-3出世后，所具备的文本能力还很浅，甚至连「排序数字」这样的基础任务都做不好。

到了GPT-4，其实用性大幅提升，成为广泛商用的基础，但在真正深度智力上仍有欠缺。

「而GPT-5，则是一个分水岭」。

GPT-5在极难的领域上，如IMO、IOI国际比赛中，已经能写出与最优秀人类相当的证明。

这在过去是极大的挑战，而现在我们能用少数人团队把它解决掉。

更令人震惊的是，物理学家已经反馈，GPT-5 给出的推理过程，能重现他们花了数月研究才得出的见解。

这意味着，模型已经不再只是「辅助写作工具」，而是真正的科研合作者。

他还提到，OpenAI在GPT-4之后，做出了一个关键的判断：

光靠海量预训练数据，根本无法让模型真正可靠。

早期实验显示，GPT-4虽能连续对话，但常常「跑偏」，并不可靠。

因此，团队认定必须让模型「测试想法——获得反馈——强化学习」，才能缩小与AGI的差距。

Greg解释道，我们希望语言模型能像当年Dota AI一样，从随机初始化的神经网络，最终学到复杂、稳定的行为。

强化学习能把有限的人类任务设计，放大出可靠的智能。

这也是GPT-5背后最大的范式转折：从静态训练，迈向动态推理。

超临界学习

人类学习有「睡眠回放」，AI也在探索「推理-再训练」的循环。

OpenAI模型从「离线训练+大量推理」转向了「推理+基于推理数据的再训练」，逐步接近人类学习的过程。

Greg表示，「我们正在从『一次性训练，无限次推理』的时代，迈向『边推理边训练』的新纪元」。

这个过程中，人类只需设计少量任务，模型通过成千上万次尝试即可学习到复杂行为，但算力消耗巨大。

当算力增加10倍、10000倍，模型就会出现「超临界学习」（Supercritical learning）。

它意味着，LLM学习不仅是掌握当前任务，还要推导二阶、三阶效应。

展望模型未来新应用，Greg在生物研究所的经历让他相信，DNA就像预言一样，可以被神经网络学习。

他表示，对于神经网络来说，人类语言和生物语言没有本质区别，我们在DNA建模上已经能做到GPT-2的水平。

Greg还提到，自己的妻子患有罕见遗传病，AI在医疗上的突破，对于他来说有着更重要的个人意义。

最佳工程实践，打造Prompt武器库

有了如此强大模型，开发者如何将其发挥出最大的效用？

「若要充分发挥模型的潜力，确实需要一些特殊的技巧」。

这需要一种近乎偏执的韧性，去真正摸清模型能力的边界与缺陷的轮廓。

为此，Greg提出了最佳工程实践——

1. 构建AI友好型代码库：模块清晰、单元测试完整、文档详尽；

2. 拆解任务，让多个智能体并行完成；

3. 要做「Prompt库」管理，积累自己的提示武器库，不断探索模型的边界。

不过，这些Prompt往往不是唯一正确答案，而是能让模型发挥创造性和多样性的测试。

访谈中， Greg表示，「我始终模型当作一个开发团队，而不是单一的工具」。

它可以远程异步完成任务，也可以像结对编程一样实时协作。

更重要的是，AI不介意被完全「微观管理」，而且还可以被无限复制，这一点是人类开发者无法做到的。

GPT-5在前端测试上表现突出，但开发者不能只「过拟合」某些强项场景，要学会让AI在不同模块间切换，形成完整的工作流。

Greg举了一个例子，自己平时会把非关键任务外包给模型，降低风险，同时还能保持信息流动。

他还豪言，OpenAI正在建造人类史上最庞大的智能机器。相比之下，「阿波罗计划」这样的工程都黯然失色。

即便部分工作被自动化，优秀工程师依然稀缺。

关于当前AI研究现状，Greg指出，不同实验室并非是同质化，而是各自有独特取向。

OpenAI的重点是——下一个范式的转折，优先级包括：推理范式、多模态、应用。

算力，是永恒的瓶颈

下一个未来，算力将成为最炙手可热的资源。

在OpenAI内部，拥有更多计算资源后，研究人员才能开展更大的项目，取得更多的成果。

近来，奥特曼称，我们内部有更强大的模型，但因算力不够，还拿不出来。

谈到AI的极限时，Greg一针见血，「瓶颈永远是算力」。

如果你能给我们更多的算力，我们就能把它转化为更强的模型。

他还将算力比做一种「能量」，预训练是将能量转化为潜在的智力（potential energy），而推理则把智力再次释放为动能（kinetic energy），用于现实世界中的任务。

为此，OpenAI今年开始打造「星际之门」超级集群，不断扩张基础设施。

在Greg看来，未来社会中的「算力分配」将成为核心议题，甚至比财富更加稀缺。

用他的话来说，「未来唯一肯定会稀缺的资源，是算力」。

Greg相信，随着算力Scaling，AI推理深度将呈指数级增长。

2045年：AI生成一切，钱没用了？

访谈中，当主持人问及，你想要发送到2045年一张便条会是什么？

Greg Brockman表示，那将会是一个惊人丰饶的世界，AI的进步可能让我们实现科幻小说中的梦想，甚至迈向多星球文明。

AI的应用空间无比广阔，无论是医疗、教育还是其他行业，都有无数「未被采摘的果实」等待探索。

不过，如何构建一个公平、高效的社会来分配计算资源，将是未来需要深思的问题。

但他也认真强调：

如果AI能免费生成一切物质，金钱可能会失去意义；

但算力将成为新的稀缺品，谁能获得更多算力，就能做更多事。

采访的最后，Greg回忆起年轻时，常觉得「错过了时代」。

他表示，「我曾以为等到我准备好时，所有酷炫的问题肯定早被解决完了…结果证明这想法大错特错。问题的数量会随时间增长而非减少」。

换句话说，现在依然是进入AI的最佳时机。

参考资料：

https://www.youtube.com/watch?v=35ZWesLrv5A&t=1s

https://x.com/slow_developer/status/1956741490170106288