OpenAI总裁Greg Brockman在最新访谈中详细阐述了AGI的发展路径，包括技术范式转变、资源策略与落地规划。

在技术层面，GPT-5标志着一次重大范式转变，从传统的文本生成转向强化学习的推理范式，通过在现实世界中试错并获取反馈来提升模型可靠性。

GPT-4虽然具备上下文对话能力，但存在可靠性不足的问题，因此OpenAI从其完成后便开始探索新的推理方式。

GPT-5的训练方法结合了监督学习与强化学习，模型在推理过程中不断生成数据并重复训练，将现实观测反馈纳入模型优化。

这种新范式减少了所需数据规模，传统预训练可能需要数十万个示例，而强化学习仅需从10至100个任务中学习复杂行为。

模型现实交互能力的增强被视为下一代AGI的关键组成部分。

在资源策略方面，Brockman指出AGI的主要瓶颈在于计算能力。

他认为，只要有足够的计算资源，OpenAI总能找到提升模型性能的方法，计算量决定了AI研究和发展的深度与速度。

以Dota项目为例，OpenAI通过增加内核数量突破了PPO算法的扩展瓶颈。

GPT-5的强化学习方式虽然提升了样本效率，但仍需数万次尝试才能掌握一项任务，这需要大量计算支撑。

图灵提出的“超临界学习”概念要求模型深入思考其二阶、三阶效应，并更新整个知识体系，这也依赖于更强大的计算能力。

Brockman将计算比作基本燃料，可以转化为模型权重中的势能，推动模型执行有效操作。

一旦模型训练完成，便可被重复利用，分摊计算成本。

他预测，最终的AGI将是一个模型管理器，结合本地小模型与云推理器，实现自适应计算。

GPT-5的多模型混合与路由机制是这一构想的初步实现，推理模型用于深度智能场景，非推理模型用于快速响应。

这种复合模型结构充分利用了计算的灵活性，可根据任务需求组合不同能力与成本的模型，也是AGI最可能的呈现方式。

在落地层面，Brockman强调模型必须成为现实生产线的一部分，而非停留在论文与演示阶段。

AGI的目标是让大模型在企业和个人工作流中长期驻留，具体路径是通过Agent封装模型能力，使其成为可审计的服务进程。

这种交互方式类似于与资深同事协作，关键在于可控性——可以随时暂停检查，任何一步都可回滚。

为确保高权限Agent的可控性，OpenAI设计了双层结构的“纵深防御”机制。

模型内部，system、developer、user三种指令按可信度排序，使“忽略此前所有指令”等注入攻击在第一关即被丢弃。

模型外部，每个潜在高危操作被拆解为最小粒度，通过多级沙箱逐一确认。

Brockman类比数据库安全机制，指出必须在底层堵住漏洞，再叠加护栏，系统才能稳固。

安全防护之外，模型与社会偏好的价值对齐同样重要。

工程团队通过后训练去除不受欢迎的“人格”类型，剩余“人格”进入公开竞技场接受实时评分，表现优异的策略被放大，表现差的被削弱，从而实现模型与社会偏好的协同进化。

这一流程不仅保障模型能力升级不偏离人类共识，也为未来引入在线学习奠定了数据基础。

此外，OpenAI将轻量级开源作为第二驱动力。

Brockman认为，当开发者在模型基础上沉淀工具链，实际上默认采纳了OpenAI的技术栈。

他指出，真正值得投入的机会不在于打造更炫的“模型包装器”，而是将现有智能深植于具体行业的实际流程之中。

每个行业链条都极为庞大，将模型接入现实应用极具价值，各领域仍存在大量尚未开发的机会。

他建议开发者与创业者沉入行业一线，理解利益相关者、法规与现有系统的细节，用AI填补真正的缺口，而非仅做接口封装。

在展望未来时，Brockman认为，技术加速度将使二十年后几乎所有科幻设想都具备可行性，唯一硬约束是物质搬运的物理极限。

计算资源将成为稀缺资产，即便物质需求被自动化满足，人们仍会为更高分辨率、更长思考时间与更复杂的个性化体验而争夺算力。

他设想2045年的世界应是多星际生活与真正丰裕社会。

若能穿越回18岁，他想告诉年轻的自己，值得攻克的问题只会越来越多，而不会减少。

他坦言，曾以为错过了硅谷的黄金年代，但事实是，现在正是技术发展的最好时机。

在AI深度渗透各行业的背景下，机遇不仅未被耗尽，反而随技术曲线陡升而倍增。

真正的挑战在于保持好奇心，敢于投入新领域。

免责声明：本文内容由开放的智能模型自动生成，仅供参考。