Ilya宣判后GPT-5被曝屢訓(xùn)屢敗，一次訓(xùn)數(shù)月，數(shù)據(jù)要人工從頭構(gòu)建

明敏 克雷西 發(fā)自 凹非寺

量子位 | 公眾號 QbitAI

GPT-5被曝效果遠(yuǎn)不達(dá)預(yù)期。

OpenAI連續(xù)12場發(fā)布會剛剛結(jié)束，大家最想看的GPT-5/4.5影子都沒有，于是華爾街日報這邊爆料了。

• GPT-5已至少完成2輪訓(xùn)練，每次長達(dá)數(shù)月，但是每次訓(xùn)練后都遇到新問題。
• OpenAI正在專門雇人寫代碼、做數(shù)學(xué)題為GPT-5從頭創(chuàng)建數(shù)據(jù)，o1合成數(shù)據(jù)也用，但效率不夠高，想要滿足GPT-5的預(yù)訓(xùn)練需求有難度。

按照市場估算，一次長達(dá)6個月的訓(xùn)練僅計算就需要花費5億美金。GPT-5兩次訓(xùn)練進(jìn)展都不順，背后的成本想必也是個天文數(shù)字。

Ilya前不久在NeurIPS 2024上宣判的預(yù)訓(xùn)練即將終結(jié)，似乎再次得到論證……

這也和The Information此前爆料相呼應(yīng)，隨著GPT系列進(jìn)化速度放緩，OpenAI正在嘗試調(diào)整戰(zhàn)略，比如o1、o3系列的推出。

目前，OpenAI對最新爆料尚無回應(yīng)。

但GPT-5究竟是OpenAI藏著不發(fā)，還是不能發(fā)？答案更確定了一點。

巨量數(shù)據(jù)算力堆不好GPT-5的預(yù)訓(xùn)練

在華爾街日報的爆料中，OpenAI對于GPT-5的預(yù)期很高。

它能夠進(jìn)行科學(xué)探索發(fā)現(xiàn)，并完成例行的人類任務(wù)，比如預(yù)約、訂航班。而且希望它能夠犯更少的錯誤，或者能夠承認(rèn)錯誤存在，也就是減少幻覺。

這與更早透露出的信息相呼應(yīng)。OpenAI前CTO Mira曾形象地將GPT-5的智能水平比作博士生。

這意味著GPT-5能夠在某些特定領(lǐng)域取得高水平成績，能像研究生、博士那樣可以深刻理解、推理，并具備專業(yè)知識。對比來看，GPT-3是蹣跚學(xué)步的孩子，GPT-4是高中生。

今年10月，OpenAI最新籌集到的66億美元融資，估值飆升到1570億美元。投資者的再一次加碼，也被認(rèn)為是因為相信GPT-5將能完成重大飛躍。

但是GPT-5的發(fā)布一直懸而未決。

奧特曼之前表示，GPT-5不會有明確的發(fā)布時間，等什么時候準(zhǔn)備好了，就什么時候發(fā)。這個時間可能是2025，也可能是2026。

如今回溯來看，GPT-5的推出一直都坎坷不斷。

在2023年，OpenAI被曝光放棄了一個代號為Arrakis的模型。放棄原因是該模型不能實現(xiàn)在保持性能的同時減少對計算資源的需求，沒有達(dá)到預(yù)期的訓(xùn)練效率。

這其實反向證明，如果想要訓(xùn)練規(guī)模更大規(guī)模的模型，還是需要更龐大的計算資源、更長的時間。

從設(shè)定來看，GPT-5顯然會是個“巨無霸”。

GPT-5的開發(fā)啟動于GPT-4發(fā)布時。至今已經(jīng)超過18個月了。

它在內(nèi)部的代號是獵戶座Orion。按照原本計劃，微軟是想在2024年年中看到GPT-5的。

華爾街日報披露，GPT-5的大規(guī)模訓(xùn)練至少進(jìn)行了2輪。每次都需要幾個月，每次也都遇到了新問題。

最好的情況下，Orion比OpenAI目前的產(chǎn)品表現(xiàn)都要好。但與所消耗的成本相比，這種提升并不明顯。

據(jù)估測，一次為期6個月的訓(xùn)練僅算力成本就要消耗5億美元。對比來看，GPT-4的訓(xùn)練成本超1億美元。

另一方面，想要更好的模型，就需要更多的數(shù)據(jù)。

公共資源的數(shù)據(jù)消耗殆盡，OpenAI決定雇人從頭構(gòu)建數(shù)據(jù)。據(jù)爆料，它專門找了一些軟件工程師、數(shù)學(xué)家來寫代碼、解數(shù)學(xué)題，供GPT-5學(xué)習(xí)。

一直以來，AI圈內(nèi)都認(rèn)為模型學(xué)習(xí)代碼可以提升它解決其他問題的能力。

同時OpenAI也和一些物理學(xué)家合作，讓GPT-5學(xué)習(xí)科學(xué)家如何理解領(lǐng)域內(nèi)的問題。

但問題就是，這樣太慢了。

AI合成數(shù)據(jù)的路子OpenAI也走。據(jù)說GPT-5就使用了o1合成的數(shù)據(jù)。

這種范式可能已經(jīng)可以被論證。

隔壁Anthropic也被爆料使用AI合成數(shù)據(jù)訓(xùn)練模型。他們的做法是把最好用的模型內(nèi)部自留合成數(shù)據(jù)，因為模型性能與合成數(shù)據(jù)質(zhì)量直接成正比。

以上，大概就是GPT-5最新相關(guān)信息。

不過話說回來，最近誰還在乎GPT-5呢（手動狗頭）？

畢竟OpenAI憑借o1、o3系列開啟了推理Scaling Law。

剛剛發(fā)布的o3在ARC-AGI上刷新成績。最新結(jié)果報告顯示，在400項公共任務(wù)上，o3的最好成績已經(jīng)達(dá)到91.5%。

在核心機制上，o3也給出新啟發(fā)。它通過LLM在token空間內(nèi)搜索和執(zhí)行，實現(xiàn)了在測試時內(nèi)的知識重組。

隨著o3系列發(fā)布，AGI的預(yù)言依舊很有吸引力。

o3屠榜ARC-AGI測試，離AGI還有多遠(yuǎn)？

簡單介紹一下ARC-AGI數(shù)據(jù)集，題目帶有色塊的網(wǎng)格陣列（以文本形式表述，用數(shù)字代表顏色），大模型需要觀察每道題目中3個輸入-輸出示例，然后根據(jù)規(guī)律填充新的空白網(wǎng)格。

這幾個示例比較簡單，但實際面臨的問題可能是這樣的：

ARC-AGI測試集一共包含400道公開試題和100個私有問題。

在公開問題中，o3高效率版的準(zhǔn)確率為82.8%，消耗了1.11億Token，平均每個任務(wù)成本為17美元。

低效率版本（計算量是高效版的172倍），準(zhǔn)確率高達(dá)91.5%，不過消耗的Token數(shù)也達(dá)到了驚人的95億。

另外OpenAI還做了一個專門針對ARC-AGI的版本，使用了75%的公開數(shù)據(jù)集進(jìn)行了訓(xùn)練。

這個版本拿到私有測試集上測試，結(jié)果地計算量模式取得了76%的準(zhǔn)確率，高計算量模式則為88%。

并且，低計算量版本的成本在ARC-AGI-Pub的規(guī)則范圍內(nèi)（<$10k），成為了公共排行榜上的第一名。

88%的高計算量版本則過于昂貴，但仍然表明新任務(wù)的性能確實隨著計算量的增加而提高。

在此之前，GPT-3的準(zhǔn)確率是零，GPT-4o為5%，o1最好也剛剛超過30%。

ARC挑戰(zhàn)的發(fā)起者之一、前谷歌資深工程師、Keras之父Fran?ois Chollet認(rèn)為，o3能夠適應(yīng)以前從未遇到過的任務(wù)，可以說在ARC-AGI領(lǐng)域接近人類水平。

當(dāng)然成本也十分昂貴，即使是低計算量模式，每個任務(wù)也需要17-20美元，而發(fā)起方雇傭真人解決此類問題的成本，平均到每個問題只有5美元。

但拋開成本問題，Chollet指出，o3對GPT系列的改進(jìn)證明了架構(gòu)的重要性，認(rèn)為無法在GPT-4上通過投入更多計算來獲得這樣的成績。

所以，通過ARC-AGI測試，意味著o3實現(xiàn)AGI了嗎？Chollet認(rèn)為并不是。

通過測試發(fā)現(xiàn)，o3在一些非常簡單的任務(wù)上仍然失敗，這表明其與人類智能存在根本差異。

另外，ARC-AGI的下一代ARC-AGI-2也即將推出，早期測試表明其將對o3構(gòu)成重大挑戰(zhàn)，即使在高計算量模式下，其得分也可能會降低到30%以下（而聰明人仍然能夠得分超過95%）。

但無論是否達(dá)到AGI，o3能夠?qū)崿F(xiàn)的成績都是前所未有的，甚至有人認(rèn)為，針對ARC這樣的任務(wù)而言，人類的優(yōu)勢其實是在于視覺推理，如果改成像模型看到的那樣用文本形式描述圖形，那人類做的不一定會比AI好。

并且，針對o3“沒能成功”的一個案例，還有人質(zhì)疑是標(biāo)準(zhǔn)答案錯了。

這道題當(dāng)中，變化規(guī)律是將處于同一行或列的兩個藍(lán)色格子連成線，并把穿過的紅色區(qū)域整塊涂藍(lán)。

這道題的“標(biāo)準(zhǔn)答案”和o3的嘗試，區(qū)別就是綠色框中的部分是否被涂成藍(lán)色：

在三個示例當(dāng)中，由紅變藍(lán)的部分都是被連線從中間穿過，但在這道題中連線是從這個3×4的紅色區(qū)域下方經(jīng)過，o3因此認(rèn)為不該把這塊區(qū)域涂藍(lán)。

那么，o3又是怎么實現(xiàn)的呢？

有人認(rèn)為是通過提示詞，但ARC挑戰(zhàn)負(fù)責(zé)人Greg Kamradt和OpenAI的研究人員Brandon McKinzie均否認(rèn)了這一說法，表示給o3的提示詞非常簡單。

另外Chollet推測，o3的核心機制似乎是在Token空間內(nèi)搜索和執(zhí)行自然語言程序——在某種評估器模型引導(dǎo)下，搜索可能的描述解決任務(wù)所需的步驟的思維鏈空間。

按照Chollet的觀點，o3實現(xiàn)了在測試時的知識重組，總之，o3構(gòu)建出了一種通向AGI的新的范式。

英偉達(dá)AI科學(xué)家范麟熙（Jim Fan）認(rèn)為，o3的本質(zhì)是“放松單點RL超級智能，以覆蓋有用問題空間中的更多點”。

也就是用深度換取廣度，放松對于個別任務(wù)的強化學(xué)習(xí)，換得在更多任務(wù)上的通用性。

范麟熙舉例說，像AlphaGo、波士頓動力電子地圖集都是超級人工智能，在特定的任務(wù)上表現(xiàn)非常出色。

但o3不再是像這樣只能應(yīng)付單點任務(wù)的專家，而是一個在更大的有用任務(wù)集都表現(xiàn)優(yōu)異的專家。

不過范麟熙也表示，o3仍然無法涵蓋人類認(rèn)知的所有分布，我們?nèi)匀惶幱谀S克悖論之中。

（莫拉維克悖論認(rèn)為，人類所獨有的高階智慧能力只需要非常少的計算能力（例如推理），但是無意識的技能和直覺卻需要極大的運算能力。）

ARC挑戰(zhàn)發(fā)起方的發(fā)現(xiàn)——o3在一些非常簡單的任務(wù)上失敗，似乎剛好印證了這一觀點。

最后，關(guān)于AGI，范麟熙表示，我們已經(jīng)實現(xiàn)了巨大的里程碑，并且有清晰的路線圖，但還有更多事情要做。

One More Thing

作為12天發(fā)布的一部分，OpenAI在最后一天發(fā)布o(jì)3的同時，也發(fā)了一篇關(guān)于安全問題的論文。

論文引入了一種名為慎重對齊（deliberative alignment）的對齊方式，直接向推理模型傳授人工編寫、可解釋的安全規(guī)范，并訓(xùn)練他們在回答之前對這些規(guī)范進(jìn)行明確的推理。

結(jié)果，訓(xùn)練出的模型不需要人工標(biāo)記的CoT或答案，就可以高度精確地遵守OpenAI的安全政策。

OpenAI發(fā)現(xiàn)，o1在一系列內(nèi)部和外部安全基準(zhǔn)方面顯著優(yōu)于GPT-4o等其他最先進(jìn)模型 ，并且在許多具有挑戰(zhàn)性的（安全）數(shù)據(jù)集上的性能達(dá)到飽和。

這一發(fā)現(xiàn)，揭示了推理將成為提高模型安全性的一條新途徑。

參考鏈接：
[1]https://www.wsj.com/tech/ai/openai-gpt5-orion-delays-639e7693?st=ng5hBi
[2]https://x.com/mckbrando/status/1870285050555810198
[3]https://x.com/DrJimFan/status/1870542485023584334
[4]https://arcprize.org/blog/oai-o3-pub-breakthrough