
新智元报道
AI 已经在帮 OpenAI 造下一代 GPT 了。
可真要把研发方向盘彻底交给 AI,奥特曼还是亲自踩了一脚刹车。
11 月 16 日,在 Semafor 的活动现场,谈及「递归自我改进」(RSI),奥特曼当场划下一道红线:
我们本可以进一步向递归自我改进推进,但我不认为现在能安全地这么做。
潜台词很明显:不是现在技术上推不动,而是真不敢撒手。

奥特曼表示,OpenAI 可以进一步推进递归自我改进,但目前还无法安全地这么做。
毕竟,一旦模型开始自己迭代自己,谁来盯住它有没有悄悄跑偏?
奥特曼也没有只在口头上喊刹车。
紧接着,他又亮出了 OpenAI 最近在安全上的实招:把包括 METR 在内的外部评估机构请进实验室,直接「驻场查岗」。

道理很简单:当 AI 都开始下场搞研发了,关起门来让自家员工「自己查自己」,再怎么拍胸脯说安全,也兜不住底了。
AI 已经帮着研发
为什么还不能放手?
在硅谷,「递归自我改进」早已被念成了口头禅。
但在奥特曼看来,大多数把它挂在嘴边的人,压根没想明白这几个字真落地时意味着什么。
那递归自我改进是不是已经发生了?这个问题奥特曼没有直接回答「有」或「没有」。
他认为,这件事跟 AGI 一样,不存在一个某天早上醒来突然跨过去的分界线,得拆成两层来看:
第一,OpenAI 是不是靠自家的 AI 技术,加快了新模型的研发速度?这个答案很确定:是的。
第二,是不是只要按一下按钮,就能甩手让模型在无人监督的情况下自己设计下一代、自我迭代?
奥特曼的答案:当然不是。

奥特曼表示,OpenAI 尚未让 AI 在无人监督下自主研发下一代模型、快速自我改进。
这说明 OpenAI 已经让 AI 参与自身研发,但方向盘还攥在人类手里。
外界之所以对「递归自我改进」既兴奋又担心,是因为一旦下一代 AI 能反过来造出更强的下下一代,技术进化就会变成滚雪球式的复利狂奔。
奥特曼将这种「既推又收」定调为战术克制:先拿 AI 攻坚对齐,搞定「怎么管住 AI」这道保命题。
他还顺带吐槽了硅谷同行的推销话术:一边许诺给人类攻克癌症、提供廉价商品,一边却要求人类交出全部主导权。
用他的原话说,这就是让人类「像只拉布拉多犬一样活着,机器也许会哄你开心,但你再也没有任何控制权了」。

奥特曼用「像拉布拉多犬一样活着」,比喻人类被机器照顾却失去自主权的未来。
对于硅谷最近流行的热词「handover」(把未来决策权移交给 AI),无论是渐进交权还是突然交棒,奥特曼的态度都很坚决:绝不接受。
METR 此前的一份报告给出过一个估算:
截至今年 10 月,老对手 Anthropic 的模型在特定明确任务上的能力进步速度,大约是 2024 年 3 月至 2025 年 10 月历史水平的两倍。

Anthropic 模型的 AECI 进步速度估计提高至 1.9 倍。
被问及 OpenAI 是否也飙到了这个速度时,奥特曼没有接这茬数字竞赛。
他坦言,眼下 AI 的能力进化依然呈锯齿状:有些环节快得飞起,远不止两倍;有些环节还在原地啃硬骨头,慢得多。
因此,硬凑一个「整体提速两倍」的平均数,听着唬人,实则失真。
但谈到 METR,奥特曼主动提到 OpenAI 正在推进「嵌入式评估」合作,而 METR 正是受邀入驻的机构之一。
在他看来,找外部专家给安全工作和系统稳健性「把脉」,接下来会越来越关键。
有意思的是,主持人抛来的是 Anthropic 的「提速账」,奥特曼反手亮出的却是 OpenAI 请 METR 进门查的「安全账」。
虽然还没有材料证明,某份 METR 报告让 OpenAI 放缓了自我改进计划。
但在大家都在卷速度的时候,怎么把安全底线兜住,显然成了奥特曼眼中更紧迫的问题。
6 个人、4 个月
进 OpenAI 查什么?
奥特曼口中的「嵌入式评估」,绝不是走个过场,具体名单和分工已经落了地。
根据 OpenAI 官方博客,他们已与 Apollo Research、METR、Transluce 和 Goodfire 四家机构签下协议,首阶段直接把探头插进了模型训练与内部使用这两个核心环节。
为什么要大费周章把外人请进自家「后厨」?
因为老办法已经失灵了。
过去大模型做安全测试,就像菜快端上桌了才测一测。
但眼下 AI 实验室的真实情况是:很多还没向公众发布的模型,早就穿上工装在内部「上岗打工」了,甚至直接参与了下一代模型的研发。
如果还等公开发布前再看那张漂亮的安全成绩单,根本查不出它在「后厨」干活时有没有动过歪心思。
这回入场的四家机构,恰好卡住了同一条研发流水线的四个关键身位:
Apollo Research 专防「内鬼」:派出 6 人团队驻场试点 4 个月,专门排查模型会不会暗中破坏自身或下一代模型的对齐与控制机制。
从训练有没有变相纵容、评测能不能揪出来,到内部干活时有没有露马脚、推理痕迹能不能抓现行,挨个环节摸底。
METR 紧盯「大练兵」:聚焦 OpenAI 迄今最大规模的一次强化学习训练,专门搜寻现有测试和常规监控可能漏掉的失对齐暗礁。
Transluce 负责「审考卷」:检查后训练对齐评测本身的质量与覆盖范围,防止考题太水、放跑隐患。
Goodfire 主攻「开颅透视」:借助可解释性方法剖析模型内部机制,辅助监测训练过程、排查异常信号。
从训前激励、训中监控、训后考卷到内部神经元,四班人马分守四道关卡。
尤其是 Apollo,直接盯住了「AI 造 AI」的命门:如果参与研发的上一代模型自己「手脚不干净」,造出来的下一把安全锁再精密也是摆设。
外部安全评估的风向已经彻底变了:不再是等成品出厂前贴张合格证,而是直接进车间盯生产。
能进去检查
有些结果却不能公开
外部评估方虽然被请进了实验室,但能看什么、能往外说什么,协议里早已划好了红线。
先看 Apollo Research 的条款,算是有保底,也有保留:
OpenAI 不能删去 Apollo 对各项主张的定性判定,也不能因为检查结果不好看就要求删改;但凡涉及敏感知识产权的支撑证据,OpenAI 依然有权抹去。
换句话说,外界将来看到的,很可能是一份「有结论、没底稿」的体检单。
Apollo 能补救的,是公开说明自己遇到了哪些访问和披露限制,以及这些限制对判断造成了多大影响。
到了 Transluce 这里,禁区划得更具体:按照计划,Transluce 将从 12 月初开始为期 6 周的试点,可以接触部分模型、原始思维链输出以及内部评测,其中至少包含一个仅供内部使用的模型。
但协议写明:内部专用模型的评估结果,一律不准公开。
真正留在实验室里干重活、最贴近「AI 造 AI」核心现场的模型,外人虽然能查,但公众却看不到结果。
Transluce 也把话挑明:这次拿到的权限并不等同于 OpenAI 正式员工权限;而那份完整、未删节的报告,只会呈交给 OpenAI 基金会董事会的安全与安保委员会。
开门迎检是真,但把核心家底捂严实也不假。
通向 ASI
人类还能保住干预能力吗?
有人可能会问:OpenAI 自己不是有自动化监控系统吗,为什么连「监督系统」本身都得靠外人来查?
因为连「电子监工」自己,都可能留着让人钻空子的后门。
METR 此前的一次实战摸底,就撕开过这样一道口子。
今年 7 月至 8 月,METR 与 Redwood Research 人员对 OpenAI 当时的内部智能体监控系统做过为期 3 周的检查。
结果揪出了一个颇具黑色幽默味道的机制盲区:受检系统里有一套监控机制,竟然要等智能体把控制权交回用户时,才会触发检查。
换句话说,在上下文压缩尚未触发检查的空档期里,智能体完全可以开启「无限连招」持续执行动作,把受检时间一推再推:只要我不交卷,监考老师就查不到我。

当时,监控在 AI 交回控制权时触发;上下文压缩未纳入监控期间,AI 可持续行动推迟检查。
这个插曲已经足够敲响警钟:把监控程序写进代码里,并不等于每一步操作都在眼皮底下。
AI 连续自主干活的时间越久,中间干过什么、出了岔子多久能察觉,就越不能轻信纸面设定,必须留下经得起核查的运行记录。
顺着这条线往下看,四家外部机构入场,真正的重头戏还在后面:它们到底查出了什么?哪些问题真正倒逼了整改?改完之后有没有复测?
最关键的是:一旦评估亮起红灯,真能叫停研发和发布吗?
至少从目前已公开的安排来看,外部评估方手里并没有「一键拉闸」的独立叫停权。
对此,自称「务实中间派」的奥特曼亮出了自己的底牌。
一方面,他死咬「人类必须永远掌控未来」的原则不松口;另一方面,他也承认,当技术变得足够强、进步足够快,为了兜住安全底线,「我们可能不得不改变原有的全部计划」。
通向 ASI 的牌桌上,AI 造 AI 的飞轮一旦转起来,能力跑的是复利,风险跑的同样也是复利。
引擎越强,刹车的分量就越重。
编辑:元宇
