OpenAI为时12天的冗长的发布会，终于在最后一天因为“o3期货”的发布而迎来了最高潮。因为除了几个刷屏的Benchmark外，额外的信息量其实不多，我也没想清楚应该怎么去评价这个模型，所以选择了没在第一时间去评论。
但在过去的一天时间里，不断有朋友问我“怎么看”。我回答了第二感觉：1、模型的结果看起来很棒；2、但绝对不是AGI；3、受众面很小。
经过一天的梳理和思考，准备写下“第三感觉”，与“第二感觉”其实差别不大，不过区别就是“第二感觉”基本凭借着《思考，快与慢》里定义的系统1（直觉，所谓快思考）完成的，下面的“第三感觉”更多需要借助系统2（逻辑，复杂计算，所谓慢思考）完成。
注：我很buy-in《思考，快与慢》书里的想法，但我内心多少抵触过多的将这套理论与o1模型联系起来，不过既然很多人都习惯于这么讨论，我就沿用这套框架来陈述自己的观点吧。
先将OpenAI对于模型稍显混乱的命名体系来作为开始：为什么叫o3，而不是过去一周言之凿凿的“GPT-4.5”？
要回答这个问题，首先需要解释GPT：Generative Pre-trained Transformer（ChatGPT的回答）。
所以GPT体系指的是预训练模型。当然这里有个小的疑问：如果以后预训练不用Transformer架构了，是否还叫GPT？按照我的理解，可以，因为我认为的GPT一直是“Generative Pre-Training”，来源于OpenAI的GPT系列的第一篇论文的题目：虽然用了Transformer架构，但是并没有将预训练与Transformer绑定。
在写这一段的初稿时，正好跟女儿讨论到了，我们争论了接近半个小时，因为她理解GPT的“T”就是指Transformer。最后，我们以上面ChatGPT的回答达成了一致：“T”是指Transformer。好吧，看起来她是对的。
当然，“T”到底是指Training还是Transformer在这里不很重要，无论哪种解释，GPT都是指侧重于预训练的模型。
那么，OpenAI在9月份发布的o1又是什么？大家普遍认为“o”指的是“orion”，一个代号。这个实际意义不大。简单而言，“o”系列模型代表的就是基于GPT系列模型之上的“思考”模型，是强化学习模型，是预训练之后用户完成具体任务的模型。
GPT模型就像是一本百科全书，存储压缩过的知识（参照之前的文章：LLM是个压缩器，写在OpenAI直播展示活动之前），“o”系列模型的目标则是如何在有了GPT之后，在“开卷考试”中取得好成绩：因此，我们会看到OpenAI展示o3在AIME2024中取得的“高分”。
至少目前为止，OpenAI关于GPT和“o”系列的命名体系还算清晰：预训练与任务执行。
这里面遗留一个问题：GPT-5在哪里？
其实，在我看来，到了GPT-4o后，作为预训练目标的“知识压缩”已经在文本和一般图像领域完成了“历史使命”。当然会有“GPT-5678”，但是每一代的提升，都需要更多模态和更大数据量（可能每一代都是十倍以上）才有意义。目前，显然还不具备这个条件（参照我上一篇关于2025的前瞻：又到了写2025年AI领域前瞻的时刻了，两个关键词，若干个预测，一个潜在风险）。
所以，其实名字不那么重要了。
但是，区分这两套模型体系还是非常有必要的：
1、大家普遍讨论的“大模型”更多在预训练即GPT层面。市场最关心的Scaling-Law简单的意义就是如果预训练还可以追求更大规模，那么算力投资就可以继续；
2、预训练一直只是通向所谓AGI（通用人工智能）的基础之一，我们现在讨论的模型的功能，比如搜索，比如代码生成，再到“思考模型”，都是如何利用预训练“压缩过的知识”完成具体任务的垂直领域任务模型；
3、以下棋为例，一个就是记忆并归纳总结了海量的棋谱，一个就是侧重于如何“赢得棋局”。当然，DeepMind的Alpha-Go和Alpha-Zero并不完全是这样的关系，后面还要重点讨论；
4、从一个层面讲，无论是GPT系列模型还是“o”系列模型都有“记忆”，毕竟压缩了那么多知识和所谓“思考方法”；但是从我们人类理解的层面讲，这些模型都没有“记忆”：它不会在与我们的交互中更新和改变自己；
关于命名体系的问题基本讨论完毕，以上大概展现了一个“慢思考”的系统2的过程（不一一对应）：
1、搜索，无论是自己的“知识库”（或者说记忆），还是外部信息；
2、比对，比如对于“GPT”的含义的查证过程；
3、归纳总结，得出结论：当然我跳了很多步骤；
有意思的是，我并不认为上面的过程体现了所谓的“人类智能”：按照“标准流程”进行的所谓思考估计在多数人眼里也不是“智商”的体现。
这也指向了本篇第二部分的内容，或者说我的核心观点：o3绝对不是AGI，甚至“o”系列模型无法通向我们认为的AGI。
快慢思考的提法出现在本篇开始时提到的丹尼尔·卡尼曼的《思考，快与慢》（系统1和系统2并不是卡尼曼的原创，只是频繁使用）。到了九月份o1模型发布后，各种自媒体就一直在“鼓吹”慢思考。这次o3发布，更是一致惊呼“AGI来了”。
是的，o1模型很强，o3更是在“复杂思考能力”提升了一大截。我也曾点评o1模型的文章里提到下面的这句话：通向AGI的道路越来越清晰了。
是的，那个会思考的O1模型来了：
一句话总结是，我们第一次有了大模型的“指挥官”，“规划者”，“思考者”；再加一句是，通向AGI的道路已经越来越清晰。
道明，公众号：道明AI实验室
“草莓”来了，那个期盼已久的“指挥官”
如今，到了o3后，通向AGI的道路当然更清晰了，不过在我看来，这是因为o3很可能指出了一条不会到达AGI的错误道路：慢思考不能“通向人类智能”。
卡尼曼在自己的书里不止一次强调，他的理论不是要强调“慢思考”的系统2，而是如何借助系统2客服“快思考”系统1的不足，增强系统决策能力。背后根本原因是，人类的系统1无法被关闭，随时随地地影响着我们的决策。
我的理解是：人类的智力或者说智能水平可能更多地体现在“系统1”上。
展开来说，“系统2”的所谓逻辑或者“思考”能力绝大多数可以靠后天学习和训练习得。是的，o3的工作模式确实跟“系统2”很像，结果也很“炸裂”。
可是如果我们再细看一次上面的AIME竞赛的表现，问题就来了：o3比o1-mini提升了约13分（96.7比83.3），但是，延迟增加了接近两倍（23.33秒比8.92秒）。假设o3模型规模跟o1一样（实际上肯定远远高于，因为OpenAI声称测试时训练的sacling-law依然有效），就等于o3以接近三倍的成本将分数从“A”提升到了“A++”。
也许，在包括我在内的许多人看来，这种成本是值得付出的，毕竟我们获得了一个在数学竞赛里表现顶尖的“人工智能模型”。
但是，如果我们用人的视角来讨论这个问题：就类似于，同样的数学竞赛，如果一个十岁的孩子得了83.6分，而一个十八岁的高中毕业生得了96.7分，你会觉得哪个人更聪明？哪个人“智商”更高？
这当然是一个见仁见智的问题，但是，我相信，至少有包括我在内的不小的一部分人，会认为十岁的孩子“智商”更高。
回到模型的表现上来，或许更公允的说法是：如果不考虑成本（OpenAI自己宣称以75.7%的准确率解决一个低计算强度任务的成本是20美金，高计算强度任务则需要1000-6000美金，当然准确率也相应提升到87.5%），o3可能在具体任务上超过了绝大多数人类的表现；但是，这种具体任务上的良好表现，跟人类理解的“智能”并不在一个维度上。
简而言之：o3模型可以成为一个很好的“解决问题”的Agent，却不是我们想要的AGI。
那么，问题在哪里？
首先是定义的问题，其实关于“人类智能”，我们似乎也没特别统一的标准。就最通用的所谓智商测试而言，普遍认为是年龄越小测试结果越有代表性，似乎，我们承认，“学习和训练”影响了“智商测试”的客观性，是不是我们更多人愿意承认“后天习得”的“解题能力”并非“高智商”的表现？
当然，一般意义上，我们大概也有一些对于“智商高”的评判标准：反应快，记忆能力强，对于从没遇到过的问题，可以更快的找到解决方法，等等。
这可以引申到问题的第二个方面，关于模型能力的评测标准问题。我们看到的ARC-AGI评估体系，只是反映了单一维度：解题能力。这当然能一定程度上体现出“智能”水平，但是与我们理解的“智商”的相关性很可能就是偏低的。
其实，这没有任何问题，只要成本合适（而且未来随着硬件升级会不断降低），模型能比绝大多数人拥有更强的解决问题的能力，却不表现出与人一样的“智商”，不就是很多人期望的吗？
第三，技术层面的问题，值得更深入探讨。
继续回到系统1和系统2的框架下。
一方面，我们上面提到的一些人类普遍关于“智商高”的评判标准，似乎更适用于系统1的定义范围：凭借直觉、经验，快速做出反应和决策。我们可能不会发自内的夸赞一个花了超过三分钟得出“17X48=816”的正常人“聪明”，但是我们大概率会赞叹十秒甚至五秒内报出答案的人。
某种程度上讲，系统1的能力与“智商”的相关性会更高。
其次，人类的“联想”能力可能就是很多创造力的来源。我们应该有这样的经验，很多时候，从几个词想到另一些词，从一个概念想到另一些概念，几乎是下意识的，瞬间的。在“快慢思考”的书中，也不乏这样的例子描述。在这个过程中，可能系统2也会参与工作，但是，显然，系统1在这种决策中的重要性更高；
再次，即使同样是系统1和系统2，不同人的系统的能力或者边界也是不同的。举个书中的例子，回答“2+2=4”这样的问题，被卡尼曼列入了系统1的依靠直觉做决策的范围。然而，这种边界是因人而异的，有些人可能对于两位数甚至三位数四位数内的加减法都是可以凭“直觉”瞬间反应的，而有些人则可能需要专注下来，调用系统2“慢思考”一下才能回答。
这种差异，固然有“天赋”因素存在，更多的，可能恰恰是靠大量的“训练”获得的，如钢琴家的肌肉记忆，如足球守门员出色的反应速度，等等。
也许，大量的系统2范畴内的训练至少可以提升系统1的能力。
以上，如果回到模型，大概可以这么总结：如果真的存在AGI，那么更可能是系统1主导，系统2辅助，系统2范围内的训练更多是为了提升系统1的能力。
这些，也导向了我的结论，我既不认为强调“慢思考”的o3是AGI，更不认同沿着“慢思考”这条路的“o”系列模型可以通向AGI，因为现在的模型体系下，找不到任何“慢思考”的“o”系列模型可以提升OpenAI公布的任何模型中的系统1的能力。也许，以后会有，但是现在并没有。
那么，为什么沿着“慢思考”路的“o”系列模型不能提升系统1的能力呢？
以前文留下的关于DeepMind的Alpha-Go和Alpha-Zero模型作为例子，进一步讨论。
诚然，围棋是一个相对封闭的任务领域，Alpha-Go和Alpha-Zero两代模型却大概可以呈现超级AI的一种研发的路径和方法。虽然并不完全贴切，但基本可以将Alpha-Go理解成一个基于预训练的模型：“学习”极海量的棋谱，而Alpha-Zero则是一个深度强化学习模型：在不断地对弈中学习对弈。
在实际对弈过程中，Alpha-Go每一步都是在搜索可能的选项，计算潜在胜率，然后做出胜率最高的选择。模型能够“看到”的未来的步数，基本上代表着模型的能力，但能够“看到”的步数越多，思考的也越“慢”。自然，这个过程几乎都是系统2的，自然，也有很多人会质疑，胜过人类最顶尖棋手的概率计算能力并不能代表模型比人聪明；
而到了Alpha-Zero时代，已经很少听到上面的质疑了。尽管系统2一定仍在模型的运作过程中发挥着巨大的作用，但是通过不断地在“对弈中学习对弈”的强化学习的过程，Alpha-Zero已经慢慢的将“围棋能力”变成一种直觉或者本能。如今的Alpha-Zero早已成为了棋手的朋友和陪练，再顶尖的棋手也都能从与Alpha-Zero的对弈中提升自己的能力。这自然也要归功于系统1的引入（这个表述不完全准确，但大体是这个意思）。
Alpha-Zero的这种模式，给出了通向AGI的一条非常理想的道路。其实，主流的前沿模型开发者，无论OpenAI，还是Google或者Anthropic，甚至其他公司，首选的路线图大体上应该也是如此的。只是，这里面有两个非常重要的点：1、我们是否有足够的有标签（labeled）数据来进入强化学习（监督学习）阶段；2、AGI首先面对的问题要足够开放，但是在开放领域里，很多问题都是没有标准答案的，而且是极度个性化的，一个不能根据与用户或者世界的交互产生“记忆”并自适应调整自己的模型，不能在交互中不断提升系统1能力的模型，自然很难符合“AGI”的定义。
足够多的数据，“记忆能力”，不断训练产生系统1的“类直觉”能力。
是的，这其实大概就是为什么我一直以来更看好Google DeepMind的原因：1、Google有足够多的用户数据，这是带标签的，虽然这些数据并不能够直接拿来训练，但是基于这些数据生成高质量的带标签数据，是Google比较独特的优势；2、DeepMind一直都是强化学习领域的先行者，有足够的储备，同时DeepMind也一直都在尝试通过有记忆的强化学习通向AGI（参照：世界模型：科学家打游戏，工程师搞艺术）；3、Google的生态能力可以给予模型更多的与用户和具体任务交互的机会，甚至有机会实现用户“个性化”的模型，并通向AGI；
以上并非要推荐Google，只是如果把Google DeepMind的这些优势列出来，并与OpenAI进行apple to apple的比较，或许，我们可以得出更公允的结论：某种程度上，“o”系列的慢思考模型是必要的，但是押注在“慢思考”上可能也是OpenAI无奈的被动选择。
毕竟，OpenAI在这之前是一家没有独家数据，没有场景的纯模型公司，即使ChatGPT已经是日活前八的APP。但是有多少用户会给模型反馈，提供“价值连城”的带标签数据？又有多少强场景提供模型跟用户交互并可以提供“个性化模型”的机会？
OpenAI也不是没有意识到这个问题，所以不断有功能被加入到ChatGPT中，但是这种特别细分领域的两年的数据积累，又如何与Google、Meta、Apple等公司比较呢？
写到这里，我基本完成了关于“o3”模型评价的系统2慢思考过程。论据不一定正确，逻辑不一定完整，结论也自然不一定正确。但是，关于AI或者AGI的问题，不就是给我们人类一个不断研究自己，反思自己，发现自己的机会吗？
最后，可能还会有朋友关心，“o3”会不会拉动算力需求：
1、“o3”最高精确度模式下巨大的推理成本（几千美金一个任务），并不意味着训练“o3”需要更高昂的算力开销；
2、如今的格局下，未来三五年内，对于模型训练投入的算力开销已经基本上是个相对确定的值（集群算力的进步速度，芯片厂产能，数据中心能源供应，数据量，等等因素共同决定）。至于推理，需求当然非常大，但是对不同算力类型的兼容性也更强；
3、“o3”最适合的应用领域是科学研究、生物医药等非常前沿，受众面又非常小的领域，单一项目都可能是一个“天价”成本支出，但是总和相对于目前各科技厂商的资本开支而言，依然是个很小的数字。
结语：不考虑使用成本，“o3”毫无疑问是一个非常重大的进步，在科研、生物医药等领域，主打系统2“慢思考”的“o3”有很好的应用场景。可是，“慢思考”大概率不能导向“AGI”。模型发展到现在，缺乏场景和数据的OpenAI正在进入一个很难突破的“瓶颈期”。