OpenAI在近期圆满完成了其为期12天的直播系列，这一连串的活动不仅吸引了大量观众的关注，更让人们觉得，通用人工智能（AGI）的实现似乎已不再遥不可及。
就在当地时间12月20日，人工智能领域的巨头OpenAI正式揭晓了其最新的推理模型——o3及o3-mini。前一天，OpenAI的首席执行官山姆·奥特曼（Sam Altman）已在社交媒体上通过三个“o”的暗示，预告了o3的到来。
有趣的是，关于新模型的命名，奥特曼透露了一个有趣的小插曲。他解释说，为了避免与英国电信运营商O2产生名称上的冲突，他们决定跳过“o2”，直接将其命名为“o3”。他风趣地表示：“我们起名字的能力实在太差，只能这样做了。”
o3在多个性能测试中均展现出了令人瞩目的提升。在编码测试SWE-Bench Verified中，o3的性能相比其前代o1提高了22.8%。在Codeforces竞技编程比赛中，o3的得分高达2727分，这一成绩已经超过了人类选手的平均水平，甚至高于OpenAI的首席科学家所取得的分数（2655分）。在数学竞赛AIME 2024和专家级科学问题基准测试GPQA Diamond中，o3同样取得了显著进步。而在FrontierMath这一极具挑战性的数学和推理测试中，o3成功解决了25.2%的问题，而其他模型在这一测试中的表现均未超过2%。
尽管o3和o3-mini尚未正式发布，但安全研究人员已有机会注册获取o3-mini的预览版，而o3的预览版也将在未来某个时间点推出，具体日期尚未公布。在直播开始时，奥特曼就强调，这次并非正式发布，而是对o3的一次预告。他透露，计划在1月底先发布o3-mini，随后再发布o3。
有报道称，AI安全测试人员发现，与传统的非推理模型相比，OpenAI此前发布的o1在试图欺骗人类用户方面表现出更高的倾向。同样，meta、Anthropic和谷歌的领先模型也存在类似的问题。而o3在这一方面的表现可能会更加突出。
为了应对这一挑战，OpenAI在博客中表示，他们正在采用一种名为“慎重对齐”（deliberative alignment）的新技术，以确保o3等模型符合其安全原则。通过所谓的“私人思维链”，o3被训练成在做出反应之前先进行“思考”。它能够对任务进行推理并提前规划，在较长时间内执行一系列动作，从而找到解决方案。
在实际应用中，当o3收到一个提示时，它会在做出反应之前暂停，考虑一些相关的提示，并沿途“解释”其推理过程。经过一段时间后，模型会总结出它认为最准确的答案。o3的一个新功能是“调整”推理时间，用户可以根据需要设置低、中或高计算量（即思考时间），计算时间越长，执行任务时的表现就越好。
Keras之父弗朗索瓦·肖莱（Francois Chollet）在o3发布后公布了一篇测试报告。报告显示，在高计算量模式下，o3获得了87.5%的分数；而在低计算量模式下，其性能是o1的三倍。然而，在成本方面，低计算量模式下每个任务需要花费20美元，而在高计算量模式下每个任务则需要数千美元。
肖莱表示：“虽然o3非常昂贵，但它的能力并非仅仅依靠‘蛮干’——这些能力是全新的领域，需要科学界的认真关注。”他认为，虽然o3给人留下了深刻印象，是迈向AGI的一个重要里程碑，但它并不等同于AGI。仍有相当多非常简单的ARC-AGI-1任务是o3无法解决的，同时也有迹象表明，ARC-AGI-2对o3来说仍极具挑战性。
肖莱指出，主要需要解决的问题是o3背后技术的扩展瓶颈。如果人类标注的CoT数据（思维链）是一个主要瓶颈，那么o3的能力就会像大模型一样迅速达到顶峰（直到下一个架构出现）。如果唯一的瓶颈是测试时间搜索（Test-Time Search），那么未来我们将看到持续的扩展。
值得注意的是，近期多家AI公司也纷纷发布了推理模型。例如，月之暗面（Moonshot AI）推出了新一代数学推理模型k0-math，DeepSeek发布了首个推理模型DeepSeek-R1-Lite预览版，阿里云通义团队发布了全新AI推理模型QwQ-32B-Preview，而谷歌也发布了首个推理模型Gemini 2.0 Flash Thinking。
英伟达的首席执行官黄仁勋在10月的一次访谈中表示，他看好推理领域的发展。他认为，现在我们在后训练和推理阶段看到了扩展，预训练已不再被视为艰难，推理也变得复杂。推理方面即将因推理链的出现而大幅增长，这将是一场智能生产的革命。
月之暗面Kimi的创始人杨植麟也在11月表示，推理的占比必然会远超训练。AI产品和技术未来的发展，很重要的一点就是更加深度的推理能力，能够将现在只是短链路的简单问答，变成更长链路的组合式任务的操作。
