（關(guān)注公眾號設(shè)為標(biāo)，獲取AI深度洞察）

全文 7,000字 | 閱讀約25分鐘

OpenAI剛剛宣布，Deep Research正在向所有ChatGPT Plus、Team、Edu和Enterprise用戶推出。就在這一重大消息發(fā)布前，紅杉資本合伙人Sonya Huang和Lauren Reeder昨天主持了一場備受關(guān)注的采訪，深入對話了OpenAI的Deep Research產(chǎn)品負(fù)責(zé)人Isa Fulford和Josh Tobin。這款三周前首次亮相的智能體產(chǎn)品已迅速在科技界獲得認(rèn)可，吸引了從知名人士cisin到眾多行業(yè)專家在內(nèi)的廣泛用戶群。

"它能在5到30分鐘內(nèi)完成人類需要數(shù)小時才能完成的任務(wù)"

作為OpenAI繼"Operator"之后推出的第二個智能體產(chǎn)品，Deep Research通過端到端強(qiáng)化學(xué)習(xí)訓(xùn)練，能夠像經(jīng)驗(yàn)豐富的研究員一樣思考、搜索并生成報告。Josh Tobin在采訪中透露："Deep Research是第二個智能體，你知道，我們未來會發(fā)布更多。"當(dāng)被問及2025年的技術(shù)突破點(diǎn)，Josh和Isa不約而同地回答："智能體。"

"這不僅僅是讓你節(jié)省5%的時間，而是將原本需要8小時的任務(wù)縮減至5分鐘"

更為重要的是，Deep Research可能標(biāo)志著知識工作的轉(zhuǎn)折點(diǎn)。雖然Isa強(qiáng)調(diào)"我不認(rèn)為這是勞動替代之類的事情"，但這種效率質(zhì)變必將重塑工作本質(zhì)。一項(xiàng)原本需要數(shù)天的研究，現(xiàn)在只需幾分鐘，不僅節(jié)省時間，更擴(kuò)展可能性邊界。如Isa所言："如果你有無限的時間，你會做什么？現(xiàn)在也許你可以做很多很多份工作。"

一、Deep Research特點(diǎn)

Deep Research不只是一個普通的搜索工具，而是OpenAI精心打造的專業(yè)研究助手。根據(jù)Isa Fulford在紅杉資本采訪中的描述，這款產(chǎn)品的核心價值在于其整合信息的能力："它能夠進(jìn)行更深入的研究，并以比常規(guī)Chat GPT響應(yīng)更詳細(xì)和更具體的來源回答你的問題。"這種能力直接解決了當(dāng)今信息爆炸時代的一個核心痛點(diǎn)：如何從海量數(shù)據(jù)中提取有價值的、相關(guān)的信息。

1、核心功能

從功能角度看，Deep Research具備多項(xiàng)關(guān)鍵能力。首先，它可以搜索眾多在線網(wǎng)站，不局限于單一信息源；其次，它能創(chuàng)建結(jié)構(gòu)化、全面的報告，而非僅提供簡單答案；第三，它支持圖像嵌入和圖表創(chuàng)建功能，豐富了輸出形式。正如Josh Tobin在采訪中所強(qiáng)調(diào)的，Deep Research"非常擅長在互聯(lián)網(wǎng)上找到非常晦澀、奇怪的事實(shí)"，這一能力使其在專業(yè)研究領(lǐng)域尤為有價值。

此外，該產(chǎn)品還具備強(qiáng)大的綜合分析能力。Josh在采訪中指出："它通常會使用帶有大量引文等的表格"，這種方式不僅提高了信息的可讀性，也增強(qiáng)了結(jié)論的可信度。Isa進(jìn)一步補(bǔ)充，模型"能夠嵌入圖像"并"創(chuàng)建圖表"，這些功能未來將進(jìn)一步集成到Chat GPT中。

2、技術(shù)架構(gòu)

從技術(shù)角度看，Deep Research代表了OpenAI在智能體開發(fā)方面的最新突破。Isa Fulford在采訪中詳細(xì)解釋了其技術(shù)基礎(chǔ)："驅(qū)動Deep Research的模型是我們最先進(jìn)的推理模型o3的微調(diào)版本，我們專門在收集的困難瀏覽任務(wù)以及其他推理任務(wù)上訓(xùn)練了它。它還可以訪問瀏覽工具和Python工具。"

這種架構(gòu)設(shè)計反映了OpenAI對端到端強(qiáng)化學(xué)習(xí)方法的重視。Josh Tobin解釋道："直觀地，你可以這樣想：你提出一個請求，最好是一個詳細(xì)的請求，關(guān)于你想要什么，模型會認(rèn)真思考，搜索信息，提取信息，閱讀信息，理解它與請求的關(guān)系，然后決定接下來搜索什么，以接近你想要的最終答案。"

與傳統(tǒng)的智能體構(gòu)建方法不同，Deep Research采用了端到端訓(xùn)練方法，而非預(yù)定義操作圖。Josh在談到此前在創(chuàng)業(yè)公司的經(jīng)驗(yàn)時指出："大多數(shù)人在互聯(lián)網(wǎng)上描述構(gòu)建智能體的方式，基本上是，你構(gòu)建一個操作圖，其中一些節(jié)點(diǎn)是語言模型...但在現(xiàn)實(shí)世界中很快就會失敗，因?yàn)楹茈y預(yù)測模型可能面臨的所有場景。"相比之下，Deep Research"是直接端到端訓(xùn)練來解決用戶使用它來解決的任務(wù)類型"，這使其能夠更靈活地應(yīng)對復(fù)雜、多變的研究場景。

Isa進(jìn)一步補(bǔ)充了這種方法的優(yōu)勢："因?yàn)槲覀冇心芰M(jìn)行端到端訓(xùn)練，在做研究的過程中有很多事情是你事先無法預(yù)測的，所以我不認(rèn)為可以編寫某種語言模型程序或腳本，能夠像模型通過訓(xùn)練學(xué)到的那樣靈活，它實(shí)際上是對實(shí)時網(wǎng)絡(luò)信息的反應(yīng)，并根據(jù)看到的內(nèi)容改變策略等。"

3、與OpenAI其他產(chǎn)品關(guān)系

Deep Research是OpenAI不斷擴(kuò)展的產(chǎn)品矩陣中的重要一環(huán)。Josh Tobin在采訪中解釋了它與其他產(chǎn)品，尤其是Operator的關(guān)系："今天，這些是相當(dāng)獨(dú)立的，但你可以想象我們正在朝哪個方向發(fā)展，對吧？最終的智能體，人們在未來某個時候能夠訪問的智能體，應(yīng)該能夠做的不只是網(wǎng)絡(luò)搜索或使用計算機(jī)或你希望像人類助理做的那樣做任何其他類型的行動，而是應(yīng)該能夠以更自然的方式融合所有這些東西。"

在功能定位上，Deep Research與O系列模型也有明確的區(qū)分。Josh解釋道："Deep Research真正擅長的是，如果你有一個關(guān)于你想要什么的詳細(xì)描述，并且為了得到最佳答案需要閱讀大量互聯(lián)網(wǎng)內(nèi)容。"相比之下，"使用O系列模型，如果我要求與編碼有關(guān)的事情，通常不需要模型從預(yù)訓(xùn)練中知道的知識之外的知識，所以你通常會使用01 Pro或o1進(jìn)行編碼，或者o3 mini high。" 用戶交互流程與澄清機(jī)制設(shè)計

Deep Research的用戶交互設(shè)計體現(xiàn)了OpenAI對用戶體驗(yàn)的深入思考。最具特色的是其澄清流程，Isa解釋道："如果你使用過Deep Research，模型會在開始研究之前問你問題，通常ChatGPT可能會在響應(yīng)的末尾問你一個問題，但它通常不會在前面有這樣的行為，這是故意的。"

這一設(shè)計源于一個重要認(rèn)識："如果你想要研究模型的最佳響應(yīng)，提示必須非常具體和詳細(xì)，而且我認(rèn)為用戶在第一個提示中提供所有信息并不是自然的行為。"因此，團(tuán)隊(duì)添加了這個額外步驟，"以確保用戶提供我們需要的所有細(xì)節(jié)"，特別是考慮到用戶可能需要等待5到30分鐘才能獲得響應(yīng)。有趣的是，這一設(shè)計已經(jīng)催生了新的用戶行為模式。Isa提到："我在Twitter上看到很多人說他們有這個流程，或者他們會與o1或o1 Pro交談，以幫助使他們的提示更詳細(xì)，然后一旦他們對提示感到滿意，他們就會將其發(fā)送給Deep Research，這很有趣，所以人們正在找到自己的工作流來使用這個。"

二、產(chǎn)品開發(fā)歷程

Deep Research的誕生源于OpenAI團(tuán)隊(duì)對新推理模式的探索和應(yīng)用。Josh Tobin在接受紅杉資本采訪時回憶道："我想大概一年前，我們在內(nèi)部看到了一種新的推理范式取得了很大的成功，即訓(xùn)練模型在響應(yīng)前進(jìn)行思考。我們當(dāng)時主要關(guān)注數(shù)學(xué)和科學(xué)領(lǐng)域，但我認(rèn)為這種新的推理模型范式解鎖的另一件事是，能夠執(zhí)行更長期的任務(wù)，這些任務(wù)涉及類似智能體的能力。"

1、產(chǎn)品的演變

這一洞察為Deep Research的開發(fā)奠定了概念基礎(chǔ)。團(tuán)隊(duì)認(rèn)識到，許多真實(shí)世界的任務(wù)"需要大量的在線研究或大量外部背景知識，這涉及到很多推理和區(qū)分來源的能力，而且你必須非常有創(chuàng)造力才能完成這些任務(wù)"。隨著模型能力的提升，OpenAI終于找到了解決這類復(fù)雜任務(wù)的技術(shù)路徑："我想我們終于有了模型或訓(xùn)練模型的方法，使我們能夠應(yīng)對這些任務(wù)。所以，我們決定嘗試開始訓(xùn)練模型來執(zhí)行瀏覽任務(wù)，使用與訓(xùn)練推理模型相同的方法，但在更真實(shí)世界的任務(wù)上。" 從初始概念到成熟產(chǎn)品，Deep Research的發(fā)展過程體現(xiàn)了OpenAI對產(chǎn)品迭代和用戶需求的高度重視。雖然采訪中沒有詳細(xì)披露具體的開發(fā)時間線，但可以看出團(tuán)隊(duì)經(jīng)歷了從技術(shù)原型到功能完善的產(chǎn)品演進(jìn)過程，并對特定場景（如醫(yī)學(xué)研究、市場分析）進(jìn)行了專門優(yōu)化。

2、產(chǎn)品開發(fā)團(tuán)隊(duì)

Deep Research的開發(fā)匯集了OpenAI內(nèi)部多位杰出人才的智慧。根據(jù)采訪內(nèi)容，產(chǎn)品最初由Isa Fulford和其他同事共同構(gòu)思。Isa回憶道："一開始是我和OpenAI的其他同事，正在做一個類似的項(xiàng)目，未來某個時候會發(fā)布，我們對此非常興奮。"

在早期開發(fā)階段，Thomas Dimson發(fā)揮了關(guān)鍵作用，Isa這樣評價他："他是那種非常出色的工程師，會深入鉆研任何事情，完成大量工作，所以非常有趣。"這反映了項(xiàng)目在技術(shù)實(shí)現(xiàn)上的專業(yè)性和嚴(yán)謹(jǐn)性。Josh Tobin則是在項(xiàng)目后期階段加入的重要力量。他在采訪中說道："我是最近才加入的，大約六個月前，我從我的初創(chuàng)公司重新加入OpenAI。我在早期曾在OpenAI工作過，重新加入后，我在項(xiàng)目中四處看看，對我們的一些Human-Machine Teamwork工作非常感興趣，包括這個項(xiàng)目，于是就參與進(jìn)來了。"Josh帶來了在初創(chuàng)企業(yè)積累的智能體開發(fā)經(jīng)驗(yàn)，為項(xiàng)目提供了新的視角。

此外，采訪中還提到了Edward Sun，Josh稱他為"項(xiàng)目中的另一個人"，并強(qiáng)調(diào)他在數(shù)據(jù)集優(yōu)化方面的卓越能力："他會優(yōu)化任何數(shù)據(jù)集，所以這是成功的秘訣，找到你的Edward。"

這些核心團(tuán)隊(duì)成員的背景與專長各不相同，但共同的目標(biāo)是構(gòu)建一個能夠有效處理復(fù)雜研究任務(wù)的智能體產(chǎn)品。他們的努力最終促成了Deep Research的成功發(fā)布和廣泛應(yīng)用。

3、技術(shù)突破點(diǎn)

開發(fā)Deep Research的過程中，團(tuán)隊(duì)面臨并克服了多項(xiàng)技術(shù)挑戰(zhàn)。其中最核心的挑戰(zhàn)之一是如何訓(xùn)練模型執(zhí)行靈活、開放式的研究任務(wù)，而非固定流程的操作。

Josh Tobin分享了他在此前創(chuàng)業(yè)過程中的關(guān)鍵發(fā)現(xiàn)："大多數(shù)人在互聯(lián)網(wǎng)上描述構(gòu)建智能體的方式，基本上是，你構(gòu)建一個操作圖，其中一些節(jié)點(diǎn)是語言模型，所以語言模型可以決定下一步做什么，但發(fā)生的步驟序列的總體邏輯是由人類定義的。我們發(fā)現(xiàn)這是一種快速構(gòu)建原型的有力方式，但在現(xiàn)實(shí)世界中很快就會失敗，因?yàn)楹茈y預(yù)測模型可能面臨的所有場景，并思考你可能想要采取的所有不同路徑的分支。"這一洞察促使團(tuán)隊(duì)轉(zhuǎn)向端到端訓(xùn)練方法，讓模型直接學(xué)習(xí)如何執(zhí)行復(fù)雜的研究任務(wù)，而不是預(yù)定義操作流程。Josh解釋道："我認(rèn)為這個模型真正強(qiáng)大的地方在于，它是直接端到端訓(xùn)練來解決用戶使用它來解決的任務(wù)類型，所以你不必在后端設(shè)置圖或做出這些節(jié)點(diǎn)決策，所有這些都由模型本身驅(qū)動。"

Isa Fulford進(jìn)一步闡述了端到端訓(xùn)練的獨(dú)特優(yōu)勢："因?yàn)槲覀冇心芰M(jìn)行端到端訓(xùn)練，在做研究的過程中有很多事情是你事先無法預(yù)測的，所以我不認(rèn)為可以編寫某種語言模型程序或腳本，能夠像模型通過訓(xùn)練學(xué)到的那樣靈活，它實(shí)際上是對實(shí)時網(wǎng)絡(luò)信息的反應(yīng)，并根據(jù)看到的內(nèi)容改變策略等。所以我們實(shí)際上看到它進(jìn)行了相當(dāng)有創(chuàng)意的搜索，你可以閱讀思維鏈摘要，我相信你有時會看到它在想出下一步要查找什么時非常聰明。"

另一個重要挑戰(zhàn)是確保模型生成內(nèi)容的可靠性。正如Josh Tobin所強(qiáng)調(diào)的："這顯然是這個模型和產(chǎn)品的核心部分，我們希望用戶能夠信任輸出，所以其中一部分是我們有引文，用戶可以看到模型從哪里引用信息，我們在訓(xùn)練期間實(shí)際上會努力確保這一點(diǎn)是正確的，但模型仍然有可能犯錯誤或幻覺，或者信任一個可能不是最值得信賴的信息來源，所以這絕對是我們希望繼續(xù)改進(jìn)模型的活躍領(lǐng)域。"

4、高質(zhì)量數(shù)據(jù)集

在Deep Research的開發(fā)過程中，高質(zhì)量數(shù)據(jù)集的構(gòu)建被視為成功的關(guān)鍵因素之一。Josh Tobin作為后期加入的團(tuán)隊(duì)成員，對此有著清晰的觀察："嗯，我的意思是，也許我可以作為一個觀察者來說，而不是從一開始就參與其中的人，但似乎Isa和團(tuán)隊(duì)其他成員非常努力地工作，并且是成功的關(guān)鍵之一是制作高質(zhì)量的數(shù)據(jù)集。你知道，這是機(jī)器學(xué)習(xí)中人們不斷重新學(xué)習(xí)的古老教訓(xùn)之一，但你輸入模型的數(shù)據(jù)質(zhì)量可能是你獲得的模型質(zhì)量的最大決定因素。"

Edward Sun在數(shù)據(jù)集優(yōu)化方面發(fā)揮了突出作用，團(tuán)隊(duì)反復(fù)強(qiáng)調(diào)了高質(zhì)量訓(xùn)練數(shù)據(jù)在實(shí)現(xiàn)模型卓越性能中的重要性。這反映了OpenAI在AI開發(fā)中的一貫理念——盡管模型架構(gòu)和訓(xùn)練方法至關(guān)重要，但沒有高質(zhì)量的訓(xùn)練數(shù)據(jù)，即使是最先進(jìn)的神經(jīng)網(wǎng)絡(luò)也無法發(fā)揮最佳性能。

對于Deep Research這樣需要在復(fù)雜、多樣化場景中執(zhí)行開放式任務(wù)的智能體，數(shù)據(jù)集質(zhì)量的重要性更加凸顯。團(tuán)隊(duì)不僅需要收集各類研究任務(wù)的樣本，還需要確保這些樣本覆蓋不同領(lǐng)域、不同難度級別的研究場景，以培養(yǎng)模型的通用研究能力。

三、Deep Research 應(yīng)用場景
1、專業(yè)領(lǐng)域應(yīng)用

Deep Research在專業(yè)領(lǐng)域展現(xiàn)出強(qiáng)大的應(yīng)用潛力，為各行各業(yè)的知識工作者提供了前所未有的研究效率。Isa Fulford在紅杉資本的采訪中明確指出："它真的是為那些在日常工作或生活中從事知識工作的人準(zhǔn)備的。所以，我們看到很多使用來自工作中的人們，比如，作為工作的一部分進(jìn)行研究，了解市場、公司、房地產(chǎn)，還有很多科學(xué)研究、醫(yī)學(xué)研究，我認(rèn)為我們也看到了很多醫(yī)學(xué)示例。"

在商業(yè)分析領(lǐng)域，Deep Research能夠快速整合市場信息、競爭對手?jǐn)?shù)據(jù)和行業(yè)趨勢，幫助決策者制定更明智的戰(zhàn)略。主持人Lauren Reeder分享了一個實(shí)際案例："我的一個朋友正在考慮創(chuàng)辦一家CPG公司，他一直在用它來尋找類似的產(chǎn)品，看看特定的名稱是否已經(jīng)被使用，域名是否已經(jīng)被占用，市場規(guī)模等等，所有這些不同的東西。"這種全方位的市場研究能力，大大降低了創(chuàng)業(yè)者的信息收集成本。

醫(yī)學(xué)研究是另一個備受關(guān)注的應(yīng)用場景。Josh Tobin表示："我對很多醫(yī)學(xué)用例感到非常興奮，只是能夠找到某個病情的所有文獻(xiàn)或所有最近的病例，我認(rèn)為我已經(jīng)看到很多醫(yī)生發(fā)帖關(guān)于這個，或者他們聯(lián)系我們說，哦，我們用它來做這個，我們用它來幫助為這個病人找到臨床試驗(yàn)或其他東西。"在醫(yī)療環(huán)境中，Deep Research的快速文獻(xiàn)綜述能力可以幫助臨床醫(yī)生掌握最新研究成果，為患者提供更精準(zhǔn)的治療方案。

令人意外的是，技術(shù)文檔檢索也成為了Deep Research的熱門應(yīng)用場景。Isa承認(rèn)這超出了團(tuán)隊(duì)的預(yù)期："我認(rèn)為我最驚訝的是有多少人用它來編碼。是的，這并不是我真正考慮過的用例，但我看到很多人在Twitter和我們收到反饋的各種地方用它來進(jìn)行編碼和代碼搜索，還用于查找某個包的最新文檔或幫助他們編寫腳本之類的東西。所以，是的，我有點(diǎn)尷尬，我們沒有想到這個用例，因?yàn)閷τ贑hat GPT用戶來說，這似乎很明顯，但它的表現(xiàn)確實(shí)令人印象深刻。"這表明，Deep Research在技術(shù)領(lǐng)域的應(yīng)用遠(yuǎn)比最初設(shè)想的更加廣泛。

2、個人使用場景

除了專業(yè)應(yīng)用外，Deep Research在個人生活場景中也展現(xiàn)出強(qiáng)大潛力。Isa Fulford特別強(qiáng)調(diào)了這一點(diǎn)："我們還非常興奮的是，這種風(fēng)格的——'我只需要花很多時間去做某件事，我必須進(jìn)行一堆網(wǎng)絡(luò)搜索并分類一堆信息'——這不僅僅是工作上的事情，對購物和旅行也很有用。"

在消費(fèi)決策方面，Deep Research能夠整合產(chǎn)品評價、技術(shù)參數(shù)和用戶反饋，幫助消費(fèi)者做出更明智的購買決定。Isa分享了自己的親身體驗(yàn)："對我來說，天哪，我在考慮買一輛新車，我想知道這款車的下一個型號什么時候發(fā)布，有很多推測性的博客文章，比如制造商的模式等等。所以我問Deep Research，你能分解關(guān)于這款車的所有八卦嗎？還有他們之前做過什么，這家汽車制造商的歷史。它整理了一份驚人的報告，告訴我也許等幾個月，但今年，比如在接下來的幾個月里，它應(yīng)該會發(fā)布。"

旅行規(guī)劃是另一個主要的個人應(yīng)用場景。Isa提到："我們在日本為Deep Research的發(fā)布做了很多準(zhǔn)備，所以它在尋找有非常特定要求的餐廳和找到我本來不會找到的東西方面非常有幫助。"對于旅行者來說，Deep Research能夠整合目的地信息、用戶評價和當(dāng)?shù)匚幕尘埃峁┍葌鹘y(tǒng)旅行指南更加個性化、全面的行程建議。

個性化學(xué)習(xí)則是Lauren Reeder特別提到的應(yīng)用場景："個人化教育也是一個非常有趣的用例，比如，如果你一直想學(xué)習(xí)某個主題，你知道，如果你需要復(fù)習(xí)你的生物學(xué)，或者你想了解某個世界事件，它非常擅長讓你輸入你覺得不理解的信息，以及你想研究哪些方面，它會為你整理一份漂亮的報告。"這種個性化學(xué)習(xí)體驗(yàn)，可能徹底改變?nèi)藗儷@取知識的方式。

3、與傳統(tǒng)搜索引擎對比

Deep Research與傳統(tǒng)搜索引擎及其他AI工具相比，展現(xiàn)出明顯的差異化特征。Josh Tobin提供了一個清晰的對比框架："Deep Research真正擅長的是，如果你有一個關(guān)于你想要什么的詳細(xì)描述，并且為了得到最佳答案需要閱讀大量互聯(lián)網(wǎng)內(nèi)容。"與之相對，"如果你有一個更模糊的問題，它會幫助你澄清你想要什么，但我的意思是，當(dāng)你尋找一組特定的信息時，它的表現(xiàn)最好。" 與傳統(tǒng)搜索引擎相比，Deep Research最大的優(yōu)勢在于其綜合分析能力。傳統(tǒng)搜索引擎提供的是相關(guān)網(wǎng)頁的列表，用戶需要自行瀏覽、提取和整合信息。而Deep Research則直接提供經(jīng)過整合的報告，大大節(jié)省了用戶的時間和精力。Josh Tobin強(qiáng)調(diào)了這一點(diǎn)："它非常擅長綜合遇到的信息，非常擅長找到特定且難以找到的信息。"

與OpenAI的其他模型相比，Deep Research也有明確的功能定位。Josh說道："對于我來說，使用O系列模型，如果我要求與編碼有關(guān)的事情，通常不需要模型從預(yù)訓(xùn)練中知道的知識之外的知識，所以你通常會使用01 Pro或o1進(jìn)行編碼，或者o3 mini high。"這表明在不同場景下，用戶應(yīng)選擇最適合的工具。 值得注意的是，Deep Research與其他搜索增強(qiáng)型AI工具的關(guān)鍵區(qū)別在于其端到端訓(xùn)練方法。正如Isa強(qiáng)調(diào)的："因?yàn)槲覀冇心芰M(jìn)行端到端訓(xùn)練，在做研究的過程中有很多事情是你事先無法預(yù)測的，所以我不認(rèn)為可以編寫某種語言模型程序或腳本，能夠像模型通過訓(xùn)練學(xué)到的那樣靈活，它實(shí)際上是對實(shí)時網(wǎng)絡(luò)信息的反應(yīng)，并根據(jù)看到的內(nèi)容改變策略等。"這種靈活性使Deep Research在處理復(fù)雜、開放式研究任務(wù)時具有明顯優(yōu)勢。

四、信息獲取的未來

Deep Research的出現(xiàn)代表了人工智能與人類知識工作協(xié)作模式的重要進(jìn)步。通過端到端強(qiáng)化學(xué)習(xí)的創(chuàng)新應(yīng)用，OpenAI成功打造了一款能夠大幅提升研究效率的智能助手，為用戶節(jié)省了寶貴的時間和精力。

更為深遠(yuǎn)的是，這款產(chǎn)品可能預(yù)示著"智能體之年"的到來。正如Josh Tobin和Isa Fulford在采訪中異口同聲所言，智能體技術(shù)將成為2025年AI領(lǐng)域的核心突破點(diǎn)。Deep Research作為這一趨勢的先行者，展現(xiàn)了AI智能體如何重塑我們獲取和處理信息的方式。盡管面臨信息準(zhǔn)確性和響應(yīng)時間等挑戰(zhàn)，Deep Research的價值已得到廣泛認(rèn)可。它不僅能夠處理從醫(yī)學(xué)研究到旅行規(guī)劃的多種場景，還能發(fā)掘傳統(tǒng)搜索引擎難以發(fā)現(xiàn)的晦澀信息。這些能力使其成為知識工作者的有力助手，正如Isa所強(qiáng)調(diào)的，賦予人們"超能力"——不僅僅是節(jié)省時間，更是擴(kuò)展了人類可能性的邊界。

隨著OpenAI繼續(xù)完善這一技術(shù)，Deep Research的能力邊界將不斷拓展，其應(yīng)用場景也將更加多元化。無論是專業(yè)研究還是日常決策，這款智能體產(chǎn)品都有望成為我們信息世界中不可或缺的向?qū)ВI(lǐng)我們進(jìn)入一個信息獲取更高效、知識工作更智能的新時代。

星標(biāo)公眾號， 點(diǎn)這里 1. 點(diǎn)擊右上角 2. 點(diǎn)擊"設(shè)為星標(biāo)" ← AI深度研究員 ? ← 設(shè)為星標(biāo)

參考資料：https://www.youtube.com/watch?v=bNEvJYzoa8A&t=533s

來源：官方媒體/網(wǎng)絡(luò)新聞

排版：Atlas

編輯：深思

主編: 圖靈