在全世界的目光都聚焦于 GPT-5 之际，Matthew Berman 与 OpenAI 的研究主管 Mark Chen 进行了一次深度对话。在GPT-5发布前的紧张氛围中，他向我们揭示了这款万众期待的模型的诞生过程、核心技术突破，以及 OpenAI 对 AI 未来的宏大构想。

这不仅仅是一次技术发布，更像是一场风暴的序幕。那么，风暴中心的 OpenAI 内部究竟是怎样的景象？

发布前的“情绪过山车”与不变的初心

每次重大发布前，OpenAI 内部都像坐上了一趟“情绪过山车”。Mark 坦言，项目初期总是充满兴奋，中途则会陷入一种“内部不确定性”——“这个模型会足够好吗？能达到预期吗？”而当接近终点线，看到所有努力汇聚成型时，那种能量又会重新燃起。此刻，整个团队都迫不及待地想把 GPT-5 展示给世界。

尽管 OpenAI 已经成长为一家拥有成功产品的公司，但其总裁 Greg Brockman 仍然强调，OpenAI 的本质是一个研究实验室。作为研究主管，Mark 如何平衡研究与产品的关系？

他的回答简单而深刻：“研究就是产品。” 每一次重大的研究突破，最终都会转化为对用户有巨大价值和实用性的东西。而产品的成功，又反过来为更大胆的研究提供了资源。这是一种精妙的共生关系，缺一不可。他们希望研究能与世界产生连接，让人们真实地体验到他们正在构建的智能。

GPT-5的诞生：两大秘诀破解“数据荒”与“推理难题”

从 GPT-4 到 GPT-5，外界普遍认为，高质量的公开数据已经接近枯竭。这个假设基本正确，但并不完全。那么，OpenAI 是如何解决这个“数据稀缺”问题的呢？

1. 合成数据的崛起

除了持续寻找新的公开数据源和授权数据，GPT-5 的一大关键突破在于大量使用了合成数据——也就是由模型自己生成，而非人类编写的数据。

很多人质疑，用上一代模型的数据来训练新模型，性能提升会不会非常有限？Mark 认为，合成数据的潜力远不止于此。他们发现，合成数据可以比人类数据质量更高，并能在关键领域显著提升模型性能，而不仅仅是加深表面知识。

尤其是在代码生成这个 OpenAI 极其重视的领域，合成数据发挥了巨大作用。尽管 Mark 没有透露具体比例，但他承认，在 GPT-5 的训练数据中，合成数据的占比正“越来越多”。他相信，合成数据的技术是通用的，未来可以应用到几乎所有领域。

2. 预训练与推理的完美联姻

如果说 GPT-4 是将“预训练范式”（Pre-training Paradigm）规模化到极致的产物，那么 GPT-5 则是第一个将“预训练”和“推理范式”（Reasoning Paradigm）真正融合在一起的模型。

这听起来可能有点抽象，我们不妨这样理解：

  • 预训练：像一个博闻强识的学者，能快速从海量知识库中提取信息，给出直接答案。
  • 推理：像一个深思熟虑的侦探，面对复杂问题时，会花更多时间一步步思考、分析、推导，最终得出结论。

过去，这两个模式相对独立。而 GPT-5 的目标是让用户无需自己判断“这个问题需要快还是慢”，模型会智能地在需要时调用深度推理，在其他时候则提供闪电般的快速响应。将这两个模式无缝集成，背后是 OpenAI 后训练（Post-training）团队的大量工作，他们让推理模型变得更快、更稳健、更可靠。

如何“感觉”一个模型的好坏？顶尖研究员的“Vibe Check”清单

当一个模型训练到什么程度才算“准备好了”？Mark 说这有点像一门艺术，需要在追求完美和把握时机之间找到平衡。除了各种硬核指标，一个关键环节是“Vibe Check”（感觉测试）。

Mark 分享了他的私人“Vibe Check”清单：

  • 高难度数学题：他有一个钟爱的、鲜为人知的数学问题——“如何用一组小于42的质数随机数生成器，来创建一个模42的均匀随机数生成器？”通过观察模型解决这个问题的创造力和方案的优化程度，他能判断其推理能力的进展。
  • 代码与物理模拟：让他生成一些用户界面，尤其是需要物理模拟的（比如流体模拟、小球在六边形里弹跳）。这能直观地测试模型生成代码的鲁棒性、美观度，以及对物理规律的理解。
  • 创意写作：作为一名经常写作的人，Mark 会把模型当成“思想伙伴”，让它评论、修改自己的文稿。他会看模型的文风是否自然、有说服力、引人入胜。他明确表示，GPT-5 在创意写作上的提升是用户能明显感觉到的。
  • 幽默感（终极挑战）：Mark 笑着说，幽默感是他测试模型的“黄金基准”，因为模型总是在这方面挣扎。他认为，真正理解幽默需要深度推理，这或许是未来衡量模型智能的一个好标准。推理能力更强的模型，在讲笑话时也表现得更好。

面对竞争，坚持自己的“AGI路线图”

近年来，全球尤其是中国的开源模型发展迅猛，在效率和架构上有很多创新。OpenAI 是否从中借鉴了技术？

Mark 的回答令人意外：“我们的研究路线图在过去几年几乎没有改变。” OpenAI 有一个非常明确、长期的 AGI（通用人工智能）发展规划，它指引着团队在短期、中期和长期的研究方向。他们对自己的路径有坚定的信念，不会因为外界的发布而轻易动摇。

当然，他盛赞了 DeepSeek 等中国实验室在架构研究和高效内核编写上的出色工作，但 OpenAI 的核心战略始终是执行自己早已制定的计划。

GPT-5 到底强在哪？开发者将首先感受到巨变

聊到 GPT-5 的具体提升，Mark 强调，许多“涌现能力”需要时间来发掘，但有些提升是立竿见影的：

  • 代码能力：这是最显著的飞跃。在内部测试中，超过70%的开发者更喜欢 GPT-5 生成的代码，而不是 GPT-4o 或 o1 mini。它生成的代码更长、更完整（单次生成轻松超过1000行）、更美观，也更可靠，幻觉现象大幅减少。
  • 智能体与工具调用：在知识工作领域，GPT-5 在执行需要调用外部工具的复杂任务时表现得更好。
  • 多模态感知：虽然模态种类（图像、音频输入）没变，但效率大幅提升。在处理复杂的视觉感知任务时，GPT-5 提取信息所需的“思考时间”缩短了好几倍。

关于未来的几个关键思考

在对话的最后，我们探讨了几个关于 AI 未来的宏大问题。

  • 一个“万能模型”还是多个“专用模型”？ Mark 倾向于前者，即一个能够处理所有任务的“全能模型”（Omnimodel）。他认为一个强大的“大脑”能够更好地学习和分配内部的“子模块”。但同时，他也对“AI组织”——即多个AI智能体协同工作——这个概念充满兴趣。这两种路径孰优孰劣，仍是活跃的研究领域。

  • AI 会让程序员失业吗？ Mark 的建议是：“拥抱这些工具，用它们来加速自己。” AI 不会取代你的想法和对技术的深度理解。如果你能学会与 AI 协作，让自己效率提升2倍、3倍，你的价值只会更大。对于所有知识工作者，道理亦是如此。AI 会改变一些工作，但也会创造出新的工作平面，人类的适应能力非常强。

  • 未来6到24个月，最期待什么？

    • 6个月内：继续扩展“推理缩放范式”（Reasoning Scaling Paradigm）。这意味着探索如何让模型在解决问题时投入更多的计算时间（Test-time Compute），以换取更高质量的答案，并持续革新强化学习（RL）技术。
    • 24个月内：让 AI 具备与人类研究员同等水平的 AI 研究能力。他梦想创造一个AI系统，由AI自己来驱动未来AI系统的创新，实现“自进化”，这才是真正激动人心的未来。

从这次对话中，我们看到的不仅是一个更强大的 GPT-5，更是一个对通往 AGI 路径有着清晰思考和坚定信念的 OpenAI。他们相信，这项技术最终将通过推动科学进步和经济发展，极大地提升大多数人的生活质量。这条路充满挑战，但也充满希望。