共计 1943 个字符，预计需要花费 5 分钟才能阅读完成。
根据《华尔街日报》的最新消息，OpenAI 正在研发的下一代大型语言模型 GPT- 5 的进展未能按照预期推进，当前取得的成果与其巨额投入之间的差距显而易见。
这一报道与之前《The Information》的一篇文章相呼应，后者曾提到 OpenAI 正在探索新的策略，因为 GPT- 5 可能无法像以往模型那样实现明显的性能提升。《华尔街日报》的进一步报道披露了代号为“猎户座”（Orion）的 GPT- 5 在长达 18 个月的研发过程中所遇到的挑战。
报道称，OpenAI 至少完成了两轮大规模训练，旨在通过海量数据提升模型的表现。然而，首次训练的效果未能达到预期，这意味着后续更大规模的训练将需要耗费更多的时间和资源。尽管据称 GPT- 5 的性能有所提升，但其进步幅度并不足以合理化维持该模型运作所需的高昂成本。
此外报道指出，OpenAI 除了利用公开数据和许可协议外，还雇佣专业人员通过编写代码或解决数学问题来生成新数据。同时，该公司还在使用另一个模型 o1 生成的合成数据。
截至 IT 之家发稿时，OpenAI 尚未对此发表任何声明，之前该公司已表示今年不会发布代号为“猎户座”的模型。
消息称 OpenAI 新模型 GPT-5 研发遇阻，成本高昂、效果未达预期
AI 的进步受限于无法直接验证物理世界，因此其自我训练的过程可能只会产生无尽的“错觉”，它可能认为自己是正确的，但却无法识别出错误所在。
虽然大型模型的知识面广泛，但在实际应用中却往往显得不足。目前高质量的数据资源也接近枯竭，模型的提升因此面临瓶颈。
小型模型在提升学习效率方面可能成为未来的趋势。这不仅仅是计算机技术的问题，更需要与特定行业的专业知识结合进行推理。未来或将涌现出更多的 AI 专家，而非仅仅依赖于超级智能体，GPT- 5 的研发遇阻也在情理之中。
算力与数据的双重挑战
AI 在一个人类设计的不完美空间内学习 ，经常出现“水多了加面，面多了加水”的情况。我们 无法创造一个理想环境来让 AI 自我学习，因此在面对复杂场景时，AI 的能力受限，因为我们根本无法完美复现复杂场景的所有细节。
————–
然而在围棋、游戏等领域，由于人类和 AI 只能在特定的预设环境中进行博弈，变量较少，这样的训练环境对于 AI 而言是相对理想的，因此这些 AI 模型比较容易实现。
与围棋不同，围棋有固定的规则，总共只有 361 种可能的局面，人类无法战胜计算机主要是因为计算能力的差距。
关于代码的编写，AI 并非自主创造，而是模仿他人的写法。由于客户需求千差万别，开发者有时也难以理解，因此 AI 在写出能用的功能时尚可，但要将其定制为客户所需的特定内容，仍需人工介入。因此，目前的 AI 仅能提供辅助，若想实现突破，达到 GPT- 5 这一层次确实困难重重。
应用场景驱动的 AI 才是未来出路
AI 的能力在于其灵活运用，单靠一句话完成整个项目的想法显然不切实际。
例如，Claude-3.5-Sonnet 在代码编写上的能力非常强，但用户至少需要具备一定的编程基础才能充分利用；
当然，能够使用 Claude 的用户基本没什么问题，只是担心被封号。
小型模型和垂直领域的 AI 显然是未来的一个发展方向。可以理解为，当前的 AI 应用已经开始细分，功能专一的 AI 比大型模型更容易上手。
例如，在写作方面，利用迅捷 AI 的预设场景模板进行提问无疑会更加便捷，或者通过专业模式详细设定细节生成文章，避免 AI 风格过重。
当初备受关注的 Sora，正是因为其 AI 生成视频这一具体功能而引发热议；
实际上，OpenAI 近年来推出的新 AI 技术并不少，但这种简单易懂的垂直功能确实更具市场潜力。
从目前的情况来看，拥有雄厚资金与技术的谷歌似乎更有能力推动 AI 的进一步发展，之前该公司一直在密切关注 OpenAI 的发布动态，Gemini 的表现十分出色，甚至提供了免费使用的机会；
而最新的 o3 技术，谷歌显然不会停下脚步。
尽管在接下来的 25 年内全面突破的可能性不大，但 AI 至少在很多领域都能提高效率。例如，在编程时，各种语法细节都可以直接询问 AI，这比起以往在互联网上费时费力寻找相关信息的效率提升了数倍，当前来看仍然相当实用。
借助这些信息，可以减少信息流失，优化人类获取信息时的熵，节省时间，以便做更多的事情……尽管之前的元宇宙概念曾引起过轰动，但生成式 AI 确实具有实用价值，只是部分人对其理解肤浅，导致炒作过度，最终反噬了自身。
