OpenAI 研究主管 Mark Chen（马克·陈）谈 GPT-5、开源与 AI 未来

撰文：Techub News 整理

导语

在 GPT-5 正式发布并引发全球热议之际，YouTube 知名科技频道主 Matthew Berman 对 OpenAI 研究主管 Mark Chen（马克·陈）进行了一次深度专访。作为 OpenAI 研究团队的负责人，Mark Chen 深度参与了从 Codex 到 GPT 系列模型的核心研发。此次对话正值 OpenAI 发布其迄今为止最强大的模型 GPT-5 以及两款高性能开源模型，Mark Chen 的分享为我们揭示了这家顶尖 AI 实验室在模型架构、数据策略、研发哲学以及对未来智能形态的思考。

摘要

GPT-5 是预训练范式与推理范式的首次深度融合，标志着模型能力维度的根本性扩展。
合成数据在 GPT-5 训练中扮演了关键角色，被用于针对性提升模型在特定领域（如编程）的表现，且其使用比例正在增加。
OpenAI 拥有坚定且长期不变的研究路线图，外部（包括中国实验室的优秀成果）的进展并未动摇其核心研发方向。
OpenAI 近期发布的开源模型旨在为社区设立安全与性能的新标杆，并经过了严格的风险评估框架测试。
未来的 AI 发展将更侧重于提升模型的推理效率、长程记忆能力，并探索智能体协作的组织形态，最终目标是创造能加速科学研究的 AI。

GPT-5：预训练与推理的范式融合

Mark Chen（马克·陈）将 GPT-5 视为 OpenAI 研发历程中的一个重要里程碑。他指出，如果说 GPT-4 是将预训练（pre-training）范式推向极致的成果，那么 GPT-5 则是首次成功将预训练范式与推理（reasoning）范式深度融合的产物。这意味着 GPT-5 不仅继承了大规模预训练带来的广泛知识，还深度整合了类似 O 系列模型的深度思考能力。

这种融合带来了显著的效率提升。Mark Chen 以多模态任务举例：当模型处理复杂的视觉输入并需要从中提取信息时，GPT-5 所需的“思考时间”比前代模型减少了数倍。这种推理效率的提升是全局性的，使得模型能够更快地为用户提供所需的深度分析。其目标是让用户无需手动选择“是否需要推理模式”，模型能自动根据任务复杂度在快速响应与深度思考间无缝切换。

在编程能力上，GPT-5 的进步尤为明显。Mark Chen 透露，内部评估显示，在代码生成任务上，GPT-5 相较于之前的模型（如 GPT-4o 和 o1 系列）取得了超过 70% 的胜率。模型不仅能生成更美观、更健壮的前端代码，其单次对话中能连贯输出的代码量也大幅提升，可轻松突破千行，更能处理现实世界中庞大的代码库。这一切都源于团队将 GPT-5 定位为一款“为开发者量身打造”的模型，并针对长上下文、代码可靠性等实际场景投入了大量精力。

数据策略：合成数据的崛起与挑战

面对外界关于“高质量新数据是否已耗尽”的疑问，Mark Chen 承认数据获取始终是挑战，但并非无法解决。除了持续寻找和授权更多公开数据源，GPT-5 的一个关键创新在于对合成数据（Synthetic Data）的大规模、战略性应用。

由研究员 Sebastian Bubbeck 领导的合成数据项目在 GPT-5 的开发中“结出了果实”。Mark Chen 强调，OpenAI 相信合成数据有潜力提供比人类数据更高质量的内容，并能以超越简单扩充知识面的方式，实质性地改进模型。合成数据并非用于在所有领域平铺直叙地增加数据量，而是被有选择地用于“希望模型表现卓越的特定领域”。编程便是 GPT-5 发布中重点强调的领域之一。

对于行业关于“基于前代模型生成的合成数据只能让后代模型获得边际改进”的质疑，Mark Chen 表示，他们的研究显示合成数据能带来有意义的超越。虽然他不便透露 GPT-5 中合成数据与人类数据的精确比例，但他明确表示：“随着时间的推移，合成数据的占比正变得越来越多。”这预示着合成数据在未来模型训练中的战略地位将愈发重要。

研发哲学：坚定的路线图与“氛围测试”

当被问及是否从中国实验室（如深度求索）近期出色的开源模型和效率创新中汲取灵感时，Mark Chen 给出了一个令人意外的答案：OpenAI 的研究路线图（Research Roadmap）在过去几年中几乎没有改变，即使在外部出现重大突破的背景下依然如此。

他解释道，这份路线图规划了通向 AGI（通用人工智能）的路径，明确了短期、中期和长期的目标。OpenAI 的优势在于对其所选路径有坚定的信念，并专注于执行既定计划，而非对外部进展做出“条件反射式”的调整。例如，推理模型的开发就是路线图中早已确定的核心部分，是 OpenAI 为实现通用智能而独立推进的方向。当然，他也高度赞赏了中国实验室在架构研究和高效内核开发方面的卓越工作，认为其中有值得学习之处。

在决定一个模型何时“准备就绪”发布时，Mark Chen 坦言这“有点艺术性”。团队需要在追求完美与及时部署之间取得平衡。模型必须通过严格的“氛围测试”（Vibe Check）——即在实际使用中感觉良好，没有令人担忧的小毛病或异常行为。他分享了自己的个人测试方法：包括一些前沿的数学问题（如设计一个模 42 的均匀随机数生成器）、生成物理模拟或用户界面以检验代码的健壮性和物理直觉，以及作为创意写作的“思考伙伴”来评估其文风、说服力和理解力。他认为，幽默感目前对模型而言仍是“黄金标准”般的挑战。

开源、安全与社区标杆

谈到近期发布的 200 亿和 1200 亿参数开源模型，Mark Chen 显得非常兴奋。他认为，提供能在笔记本电脑甚至手机上运行的强大模型，将极大降低爱好者、学者和有特殊需求开发者的参与门槛，促进更广泛的创新。

更重要的是，这次开源行动旨在为行业“树立新的标杆”。OpenAI 为此进行了广泛的安全评估。他们运用内部的“预备框架”（Preparedness Framework），从生物、化学、网络安全等多个风险维度对模型进行了测试。评估场景包括：如果有恶意行为者对这些模型进行微调，试图最大化其在网络安全攻击等方面的危险性，其“风险上限”会在哪里？OpenAI 确保这些模型在发布前，其潜在风险低于公司设定的“高风险”阈值。Mark Chen 表示，这是确立“何为安全、负责任的开源发布”规范的一次重要实践。

未来展望：智能体、记忆与自我改进的 AI

关于 AI 的未来形态，Mark Chen 回应了同事 Noam Brown 关于“全能模型”（Omnimodel）与众多专业小模型之争的看法。他认为，拥有一个能处理一切任务的“超级大脑”很有吸引力，它能够以某种方式内化各种子模块。但同时，OpenAI 也致力于构建“组织化 AI”（Organizational AI），即由多个 AI 智能体协作完成高级复杂目标的框架。这类似于思考“组织与个体哪个效率更高”，是一个活跃的研究领域。

当前 AI 应用中的大量“脚手架”（Scaffolding，即复杂的提示工程和上下文管理）在 Mark Chen 看来，是为了弥补模型的能力缺陷。随着模型变得更通用、更鲁棒，对复杂脚手架的需求将会减少。而实现这一点的关键突破之一在于“记忆”（Memory）。模型需要能够处理极长的上下文，容纳用户的全部代码库、文档乃至日常视觉信息，从而能够更自主地代表用户行动，减少频繁的人工干预。

展望未来 6 个月，Mark Chen 最兴奋的是继续推进“推理扩展范式”，探索更多利用测试时计算（test-time compute）的方法，并在强化学习（RL）的优化和目标设计上进行创新。而展望未来 2 年，他期待看到模型在 AI 研究方面达到与他本人同等的效能，最终创建一个能够自主驱动人工智能创新的“自我改进”系统。

最后，对于因 AI 编码能力突飞猛进而感到焦虑的开发者与知识工作者，Mark Chen 给出了乐观而务实的建议：拥抱工具，加速自己。通过学习与 AI 协作，将自己变成效率提升 2 倍、3 倍的超级个体，同时深入理解技术原理并贡献其中。他认为，AI 在自动化某些表面的同时，总会创造出新的、需要人类适应和发挥价值的层面。他坚信，这项技术最终将通过推动科学进步和经济繁荣，提升大多数人的生活质量。

免责声明：本文章仅代表作者个人观点，不代表本平台的立场和观点。本文章仅供信息分享，不构成对任何人的任何投资建议。用户与作者之间的任何争议，与本平台无关。如网页中刊载的文章或图片涉及侵权，请提供相关的权利证明和身份证明发送邮件到support@aicoin.com，本平台相关工作人员将会进行核查。