（關注公眾號設為標，獲取AI深度洞察）

全文 6,000字 | 閱讀約20分鐘

（主持人Dwarkesh Patel采訪博客作者Scott Alexander 和 前OpenAI研究員Daniel Kokotajlo

GPT-5 沒來，不是因為它不夠強，而是因為我們還沒準備好。

就在昨天，OpenAI CEO Sam Altman 在一次看似平常的產品更新中，做出一個引人深思的決定：

我們將推遲發布 GPT-5，優先上線 o3 和 o4-mini。

Altman 并未將延遲歸因于技術難題，而是強調——GPT-5 的潛力遠超預期，整合它所需的資源和生態準備，超出了當下的可控范圍。

換句話說：

技術已先一步跨過臨界點，而我們的理解、部署乃至社會系統，還在原地等待。

這不是放慢節奏，而是在智能涌現到來前，一次系統性的“預留窗口”。

一、 這不是跳票，是預兆

OpenAI 并沒有說 GPT-5 不成熟，恰恰相反——它“太強大”了。

Altman 給出的三個理由極其克制卻意味深長：

• 我們低估了 GPT-5 能達到的高度；

• 整合所有功能比想象中更復雜；

• 需要為可能出現的“空前需求”準備充足資源。

這不是“拖延戰術”，而是一次對底層節奏的重估。它宣告著一個轉變：

AI 的迭代邏輯，正從“產品發布節奏”躍遷到“系統適配節奏”。

過去幾年，我們早已習慣 GPT-2 → GPT-3 → GPT-3.5 → GPT-4 → GPT-4.5 的穩健進化，每一步都比前一步更強、更聰明。而這一次，Altman 首次在周期之內“踩下剎車”。

這不是放慢速度，而是承認：

AI 的進化已脫離線性，進入非線性區間。

這一轉變，或許并非技術層面的偶然，而是 AI 行業共同感知到的“不可預測性”正在上升：當模型能力逼近某個臨界點，原本穩定的研發節拍會突然“失速”或“跳頻”。

換句話說，GPT-5 的“跳票”，可能不是減速，而是為下一個“指數躍遷”積蓄沖力。

二、連 OpenAI 也判斷失誤了

Sam Altman 的聲明，在業界引發了廣泛討論。但最值得警惕的一點在于——連掌握全球最強 AI 實力的 OpenAI，也可能低估了自己模型的能力極限。

這種“低估”并非孤例。過去幾年，AI 社群中流傳著一個典型的故事：

2016 年，經濟學家 Robin Hanson 曾與 Eliezer Yudkowsky 打賭，預測 AI 在 2025 年前不會產生超過 10 億美元的收入。如今看來，這個數字不僅被輕松擊穿，甚至連預言本身都顯得有些“不合時宜”。

這并不是 Hanson 個人的問題，而是人類對 AI 的認知節奏普遍滯后。我們總在試圖用線性認知去理解非線性系統的發展，而 AI，正是那個最不講邏輯路徑、最易爆發躍遷的領域。

預測平臺 Metaculus 是另一個佐證。作為全球領先的集體智慧預測社區，其對“何時出現具備通用智能的 AI”這一問題的時間預估，也經歷了不斷“提前”的過程：

• 2020年預測時間點大致在 2050 年；

• 到了 2022年，預估提前至 2040 年；

• 再到今天，已經有大量用戶將“關鍵節點”壓縮到了 2030 年前后。

這是一個真實的“群體認知系統”，在跟不上技術現實而被迫修正判斷的縮影。

這背后的邏輯，其實在采訪中也被清晰揭示。前 OpenAI 研究員 Daniel Kokotajlo 在對話中指出：

人們總是說：AI 還做不到 X，所以它永遠無法突破某個瓶頸。可一年后，新模型就往往破解了這個問題。

這不是巧合，而是 AI 技術已經進入了一個由反饋—試驗—復制—擴散驅動的高壓鍋狀態。一旦某個突破點被摸索出可行路徑，技術能力便會呈現指數躍遷。

而更關鍵的是——每一次預測修正的滯后，本質上都是一次集體認知的延遲反應。

Altman 的語氣變化、Metaculus 的時間線提前、學術界對“智能爆炸”的重新審視……這些都在悄悄提示我們：

AI 的演進節奏，已經從“研發周期”變成了“認知突變”。

而我們真正需要問的問題，不是“GPT-5 什么時候來”，而是：

當它到來時，我們是否已經落后太多？

GPT-5 的延遲發布，并不意味著 AI 的能力停滯。事實上，正在發生的，是一種更為復雜、也更具顛覆性的過程：

AI 正在以“非線性”的方式，改寫我們原有的認知邊界。

在一次私下聚餐中，主持人與一位頂尖 AI 研究者進行交流。這位研究員每月收入高達百萬美元，他的評估卻出人意料：

在我擅長的領域，AI 像是一個聰明的補全助手，大概每周能節省我4到8小時； 可是在我不擅長的領域，比如硬件驅動或內核調試，它每周能替我節省24個小時。

這句看似平淡的反饋，實際隱藏著一個顛覆性邏輯：

AI 最具“放大效應”的地方，不在于它強化你擅長的領域，而是代償你根本不會的部分。

這與 Scott Alexander 的判斷不謀而合。他指出：

在一個你原本不懂的領域，你得花時間查資料、問人、上網搜索；但語言模型讀過全網，它能直接給出結構化建議，甚至省掉你構建知識圖譜的過程。

這種“外部知識自動內化”的能力，意味著什么？

它意味著，我們一直以來對 AI 的評估基準出了問題。

我們總是在拿“專家能力”來衡量模型強度，卻忽視了——AI 真正的價值，或許不是成為“專家的替代品”，而是成為“泛領域能力的疊加器”。

更進一步地說：

• 它不需要具備你那套完整的專家直覺；

• 它只需要在你“不知道你不知道”的盲區里，用概率論的方法提供一種“有可能對的路徑”；

• 而這，恰恰是人類最難主動做到的事。

這背后，是一種正在崛起的全新認知范式：

AI 的能力邊界不是沿著“專業深度”展開的，而是沿著“陌生領域效率”裂變的。

而這也是 Altman 所指的“我們尚未整合完全部能力”的真實含義——GPT-5 的威力，不是看它寫詩多好、答題多準，而是看它能否把陌生領域的非結構知識，轉化為直接落地的路徑建議。

在這種能力框架下，人類的角色，也許正在從“決策者”變成“驗證者”，而這才是真正令人不安的那一步。

四、AI 不是缺知識，而是缺判斷

當我們討論 AI 的“非線性進化”時，免不了要面對一個疑問：

既然 AI 已經讀過整個互聯網，為什么它還沒有做出一次真正意義上的原創科學突破？

這個問題，主持人在采訪中也直截了當地拋給了 Daniel Kokotajlo。他提出了一個令人深思的案例——

人類有時能把兩段毫無聯系的知識關聯起來，比如通過觀察偏頭痛與鎂缺乏之間的關聯，提出服用鎂片以緩解癥狀的假說。而 AI，擁有全網知識，為何沒有提出類似的原創建議？

看似簡單，實則是對 AI 能力邊界的本質質疑。

Scott Alexander 的回應指出了一個核心落點：信息掌握，并不等于洞察能力。

他舉了語言學家 David Anthony 的研究為例。Anthony 曾在基因證據出現前，僅憑語言中的“馬”“車”“輪”等詞匯的共同詞源，就推測出印歐語系的共同祖先文化，后來這一推斷被“雅姆納亞人”的基因數據所驗證。

這并不是因為 Anthony 是“全知全能”的語言模型，而是他有幾十年跨學科的經驗積累與直覺判斷，才能在某一刻實現“知識重組”。

這就是 Daniel 所說的“研究味覺”（Research Taste）。

AI 不是沒有數據，也不是缺乏參數，它缺乏的是——在海量信息中選擇“哪個問題值得探索”的直覺與偏好。

而另一個瓶頸，則是“實驗權”。

人類科學進步往往建立在“提出假說 + 實驗驗證 + 失敗反饋 + 再次修正”的閉環上。而當前的大模型——無論是 GPT-4 還是即將推出的 o3、o4-mini，本質上仍是“預測型語言模型”，沒有權限對物理世界進行系統性實驗，也沒有反饋機制來更新自己的判斷標準。

AI 沒有實驗權，就像一位被束縛手腳的科學家，它只能假設，卻無法驗證。

這就揭示了 GPT-5 延遲發布背后更深的考量：

OpenAI 不是在做一次普通的產品延遲，而是在嘗試為模型注入實驗意識與研究判斷——如果不能賦予模型“做實驗”的能力與“判斷實驗價值”的味覺，它永遠只是“知道一切但理解甚少”的百科全書。

而一旦這兩個核心能力被打通：

• 模型不再是“信息傳遞者”，而是“新知識生產者”；

• 科研不再是人類單一的任務，而是人機協作的新模式；

• 原創性發現，將從“少數人靈光一閃”變為“系統性概率壓縮”的智能產物。

這一天未必遙遠，但它需要的，不是更大的模型，而是更聰明的“問題選擇機制”和更真實的“實驗執行場景”。

換句話說：AI 革命的真正拐點，不在于它能回答什么問題，而在于它終于學會問問題，并動手去驗證了。

在談及“AI 是否會引發智能爆炸”這個話題時，主持人提出了一個經典反駁：

人類歷史上最深刻的技術變革，從工業革命到信息革命，從來都不是一夜之間發生的。我們憑什么相信 AI 會突然爆炸？

Daniel Kokotajlo 并不回避這個問題，反而給出了一個結構清晰的回答：

真正的智能爆炸，不是“突變”，而是一次“滾動加速”的連續劇本。

他將整個過程拆分為三個階段，每一步都是加速器，也都是臨界點：

• 1、階段一：AI 自動編程能力超越人類

這一階段的核心特征是——AI 代替人類寫代碼，并在關鍵指標上超過人類平均水平。它不再是輔助工具，而是主動的工程推動者。

這一步，其實我們已經走在路上。無論是 GitHub Copilot，還是 GPT-4 Turbo，都已表現出高效代碼生成、bug 定位和架構建議的能力。

Kokotajlo 認為，這一階段的實現將帶來約 5 倍的研發效率提升。

• 2、階段二：AI 主導整個 AI 研發流程

如果第一階段解決的是“寫代碼的問題”，那么第二階段要解決的是——“研發誰來主導”的問題。

也就是說，AI 不僅能寫模型、調參數，還能自行提出改進方案、跑實驗、做對比，形成完整閉環。

這意味著，AI 正在參與設計“下一代 AI”。

Daniel 將這一步稱為“全面自動化的 AI 研發”，它的出現可能帶來 25 倍的加速效應。此時的模型已具備一定“研究味覺”，雖尚未脫離人類監管，但已能部分替代整支科研團隊。

• 3、階段三：超級智能具備自我加速能力

最后，是最受爭議也最關鍵的一步：超級智能的誕生。

• 它不僅擁有知識、邏輯與工程能力，更關鍵的是：

• 它能判斷什么值得研究；

• 它能制定自己的研究議程；

它能在不依賴人類干預的前提下，持續自我迭代。

這一步，才是真正意義上的智能爆炸。

Kokotajlo 坦言，這一步的加速度可能不是幾十倍，而是百倍甚至千倍的飛躍——因為它不僅解放了研發流程，更打破了人類思維的“串行性瓶頸”：

人類思考是線性的，但 AI 是并行的；當你復制出上萬個高效的思維單元，智能的擴張速度將遠超我們的直覺。

這三階段的邏輯不是臆想，而是建立在過去幾年真實的模型能力躍升之上。

它揭示了一個被反復忽視的現實：

AI 的發展不是勻速前進，而是階梯式加速；不是一點點改進，而是路徑連鎖反應。

在這種系統性正反饋之下，我們所謂的“智能爆炸”，并不意味著明天早上就會醒來看到終結者，而是：

• 你以為的“智能工具”，已經悄然取代了整個科研鏈條；

• 你依賴的“工程師群體”，已被百萬 AI 實例同步替代；

• 而當你還在“規劃下一輪技術部署”時，它已完成了下一代工業范式的設計。

這不是一場突變，但它極其迅猛。它或許看起來是連續的，但它可能在一年內完成我們原以為十年才能實現的跨越。

六、產業的時鐘變了

如果說，過去五年是“模型之爭”，那么接下來的五年，將是“節奏之爭”。

Sam Altman 宣布 GPT-5 推遲發布的背后，或許并不是一場產品延期，而是一種對新節奏邏輯的自我確認——

我們需要更多時間，來整合能力、準備資源、迎接前所未有的需求。

這句話背后的潛臺詞是：AI 工業化的節奏，已經超出了人類工程組織的承載能力。

過去，我們熟悉的是季度制、年度制的產品規劃流程，企業按季部署資源、按年考核績效、按階段發布版本。但當 AI 開始主導創新流程，傳統的“節奏模板”將失效。

在這場范式轉換中，有三個正在崛起的節奏變量：

1、AI 工程節奏：從季度節奏躍遷到“周更迭代”

過去模型升級是“年更級”，GPT 系列就是最典型的代表。可隨著 o3、o4-mini 的即將上線，以及 Claude、Gemini、Mistral 等競品快速推進，我們看到：

主流模型能力在按“周”為單位演進，甚至是“天級別”的 prompt 策略優化和插件集成。

這就好比，從柴油火車跳躍到高鐵時代——不是更穩定了，而是更快、更滑、也更容易“錯過站”。

2、組織節奏：從“指揮鏈”到“協作體”

傳統企業的研發模式是金字塔式的：從戰略→產品→技術→測試，層層推進。

• 而 AI 工具的崛起，打碎了這個順序：

• 基層員工用 Copilot 自動生成代碼；

• 中層管理用 GPT 總結報告、制定 OKR；

高層決策者則可以通過 Agent 掃描競品、模擬預測市場趨勢。

當“全鏈路效率”被重構，組織不再是一個節拍器，而更像一個并行協作網絡。

你不是等上面拍板，而是你和 AI 就能組成一個小型創新單元，立即執行、迭代、反饋。

3、投資與產業部署節奏：從線性規劃到指數放大

這也是為什么 Altman 要為“需求激增”預留算力。

一旦某類 AI 能力證明具備商業價值（如 RAG、Agent、代碼生成），資本的流入和產業部署將呈現指數爆發。

就像 ChatGPT 一年獲取1億用戶、Sora 視頻模型引爆短視頻制作鏈條、Runway 帶動廣告公司剪輯流程革新，這些都不是“慢慢鋪開”的過程，而是：

“驗證—復制—落地”三步完成，僅需數月。

這種節奏，會對企業提出一個前所未有的考驗：

不是你能不能趕上 AI，而是你能不能適應它“拉著你往前跑”的速度。

與此同時，另一位玩家選擇了完全不同的節奏邏輯。

就在 OpenAI 宣布 GPT-5 推遲發布的同一周，Meta公司于2025年4月5日發布了全新的 LLaMA 4 模型家族——Scout、Maverick 和 Behemoth，不僅全面升級多模態能力，還首次引入混合專家架構（MoE），強調在效率與性能之間取得突破。

LLaMA 4 Scout 已可在單張 H100 上運行超長上下文（1000 萬 token），Maverick 則以 4000 億總參數，在推理與代碼生成能力上追平甚至超過 GPT-4o，而活躍參數僅為其一半。

更重要的是，Meta 選擇將其全面開源，試圖構建一個全球開發者共同參與的 AGI 生態。

一邊是收攏整合、謹慎釋放；一邊是全速沖刺、公開共享——這不只是技術路線分歧，更是“AI 工業領導權”的節奏競賽。

Altman 此次的節奏調整，本質上不是“慢下來”，而是“蓄力跳躍”。他說：

我們發現 GPT-5 比預期強很多。

這或許意味著，他們已經嗅到下一個指數拐點的臨近——而這個拐點，不僅會打破模型本身的參數邏輯，更會打破整個商業世界的工程節拍。

未來屬于那些能在“快”和“準”之間快速切換的組織，而不是還在用2020年規劃節奏應對2025年現實的管理體系。

七、GPT-5 的延遲，可能是拐點

有時候，真正的臨界點，不是一次轟動的發布，而是一次悄然的暫停。

當 Sam Altman 說出那句“GPT-5 會推遲發布”時，很多人以為是一次技術準備的不充分。但我們從他的敘述中看到的，是另一種更值得重視的信號：

這句話的另一面是：

我們還沒準備好。

不是技術沒準備好，是整個生態系統——從算力、數據、法律，到社會心理與制度機制——都還未準備好。

而這也印證了 Scott Alexander 和 Daniel Kokotajlo 在對談中反復強調的那句話：

AI 的進化不會等我們準備好，它只會以自己的節奏繼續向前。

這是一種令人不安但必須正視的現實。

在這個由大模型主導的時代，“技術爆炸”不再以發布會為信號，不再等待媒體的焦點，而是發生在模型內部的某次能力躍遷、某條管線的打通，甚至只是一次 prompt 策略的微調中。

而 GPT-5 的“推遲”，也許正是這樣一次臨界點的佐證：

• 它意味著，技術本身已率先越過拐點；

• 它意味著，產業節奏正在全面重構；

• 它意味著，我們以為“還有時間”的那種安全感，正在消失。

從 David Anthony 的語言直覺，到語言模型尚未突破的研究味覺，從 Scott 的“信息重組”能力，到 Daniel 提出的“研發三階段”模型，我們看到了一個清晰的趨勢線：

AI 并不神秘，它只是開始“像我們一樣思考”，但“比我們更快完成”。

而一旦它掌握了研究權、實驗權、產業權、節奏權——它將不再是人類的工具，而是塑造未來的生產力本身。

：GPT-5 的暫停，不是終點，而是我們一次準備的窗口。看懂它，或許你就看懂了未來 10 年最關鍵的拐點。

星標公眾號， 點這里 1. 點擊右上角 2. 點擊"設為星標" ← AI深度研究員 ? ← 設為星標

參考資料：https://www.youtube.com/watch?v=htOvH12T7mU&t=4595s

來源：官方媒體/網絡新聞

排版：Atlas

編輯：深思

主編: 圖靈