《AI未来指北》特约作者 涵清
编辑 郑可君
当 Sam以及我们研究人员说 AGI 即将到来时，我们并不是为了卖你神奇的药水、2000美元的订阅服务，或者诱使你在我们下一轮融资中投资。而是AGI时代真的要来了。
John Hallman（OpenAI 技术团队成员）
OpenAI发布狂欢最后一弹：o3横空出世！血洗o1，能解最难的数学题
2024年12月21日，OpenAI在其为期12天发布会活动的最后一天，正式发布了备受期待的o3系列模型，包括o3和o3-mini。
o3 是一个非常强大的模型，在编码、数学以及 ARC-AGI 基准测试等多个基准上超过了 OpenAI 此前的 o1 模型（o1得分25%，o3得分87.5%)。
o3-mini 是 o3 更经济高效且性能导向的版本，在成本和延迟方面比 o1-mini 低得多，同时提供类似的功能。
由于与英国电信公司 O2 可能存在的版权/商标冲突，所以将其命名为o3。
图：OpenAI官方X
OpenAI 正向安全研究人员开放 o3 和 o3-mini 的早期访问，预计 o3-mini 将于 1 月底左右发布，o3 则稍后。
测试概览
SWE-Bench 测试：71.7%o1得分48.9%
Codeforces 评分：2727相当于全球人类程序员编码竞赛中，排名第 175 位。
AIME：96.7%意味着在数学测试中只错1道题
博士水平的科学问题（GPQA）：87.7%博士生一般得分70%
最难的前沿数学测试：25.2%其他模型没有超过2%，数学天才陶哲轩说该测试“可能难住AI好几年”
ARC-AGI：87.5%o1得分25%
惊人的测试分数，这回真的远超普通博士生o3系列模型迈向AGI，基准测试结果惊人我们挑选最具代表性的测试给大家进行简要介绍，以此说明此次o3测试分数的震撼程度。
（一）CodeForces测试在全球顶尖的编程竞赛平台CodeForces上，o3系列模型展现了其卓越的编程能力。o3在CodeForces中的评分高达2727，超越了大部分人类程序员。
目前，只有不到200名顶级人类程序员能达到或超过这一评分。这一成绩不仅证明了o3在编程任务上的强大实力，也显示了其在解决复杂算法问题时接近甚至超越人类的潜力。
图：Codeforces排名及对应的分数
（二）ARC-AGI测试ARC-AGI（人工通用智能评估基准）测试是由Keras之父Franois Chollet发起，旨在评估AI系统在面对未见过的新任务时的适应能力。ARC-AGI测试的核心在于其设计的任务往往需要深度逻辑推理和创新思维，这使得它成为评估AI系统通用智能能力的重要工具。
o3系列在这一测试中取得了显著的成绩，在高算力配置下，o3达到了87.5%的得分，而在低算力配置下也取得了75.7%的优异成绩。这一成绩远超o1系列，后者在同一测试中的得分仅为25%。
Franois Chollet对此评价道，“这是一个令人惊讶且重要的阶跃式提升，展示了GPT系列模型前所未有的新型任务适应能力。作为对比，ARC-AGI-1从2020年GPT-3的0%提升到2024年GPT-4o的5%，历时四年。随着o3的出现，关于人工智能能力的所有既有认知都需要重新评估。”
图：Franois Chollet的评价
虽然ARC-AGI测试中表现出色，但这并不意味着o3已达到了AGI水平，因为它仍会在一些非常简单的任务中失败，和人类智能有根本性的差别。
图：Franois Chollet的评价
（三）EpochAI Frontier Math测试EpochAI Frontier Math测试被誉为当今最具挑战性的数学基准测试之一，涵盖了最新的前沿数学问题。著名数学家陶哲轩（Terence Tao）对此评价道：“这项测试可能会让AI难住好几年。”
然而，o3在这一测试中突破了以往的记录，解决了25.2%的问题，而其他模型的得分均未超过2%。这一成绩不仅证明了o3在数学推理方面的强大能力，也展示了其在处理高度复杂和抽象问题时的潜力。
Box公司的首席执行官亚伦列维（Aaron Levie）在X称赞道：“OpenAI刚刚宣布了他们的新推理模型o3，它在基准测试中的表现似乎异常出色，目前，人工智能的发展没有任何放缓的迹象。”
图：Aaron Levie的 X
谷歌登基几天后，OpenAI重回铁王座前几天，谷歌凭借其新一代大模型Gemini 2.0和视频生成模型Veo 2.0的发布，曾一度在AI的牌桌上大杀四方。然而，随着OpenAI推出o3系列模型，这场博弈再度发生了戏剧性的逆转。
（一）谷歌掀了AI圈的牌桌，全力狙击OpenAI在OpenAI的为期十二天的发布会进行到第五天时，谷歌以迅雷不及掩耳之势发布了其重磅产品Gemini 2.0 Flash。这一版本不仅在速度上实现了翻倍提升，还在多模态输出方面取得了突破性进展，支持原生图像生成和音频输出，进一步拓展了AI模型的应用边界。Gemini 2.0不仅仅是一个升级版的语言模型，更是一个具备主动思考和多任务处理能力的统一底层模型。
谷歌CEO桑达尔皮查伊在发布会上表示：“如果说Gemini 1.0是关于整理和理解信息，那么Gemini 2.0就是要让这些信息真正变得有用。”
配合新推出的多模态实时API，Gemini 2.0能够处理实时音频和视频流输入，支持多种工具的组合使用，极大地增强了其在复杂任务中的适应能力。
除此之外，谷歌还发了个新模型，顺手证明Sora才是最菜的，谷歌相关的文章，我们之前已有报道，详情可看：
谷歌发了个新模型，顺手证明Sora才是最菜的
（二）你方唱罢我登场，OpenAI重回铁王座谷歌Deepmind的研究员在12月13号吐槽，OpenAI这回的发布并没有截胡到他们，而OpenAI的研究人员在下面回复“好戏还在后面”。
自OpenAI发布GPT4之后，其一直占据领先地位，但Google、Anthropic、Meta等竞争对手同样咬的很紧。而今天，随着OpenAI发布其o3系列模型，宣布着其在2024年AI军备竞赛中再度一骑绝尘，重回铁王座。
正如OpenAI研究高级副总裁马克陈（Mark Chen）所言“这确实标志着我们在实用性的前沿上攀登，”。“这个模型在编程方面非常出色，”奥特曼也补充说。
3个月前OpenAI发布o1，今天OpenAI发布o3，验证了AI进步的趋势势不可挡。
图：OpenAI研究人员的X
从ARC-AGI测试该测试的分数来看，我们能够很直观的发现，AI的发展趋势并没有放缓，这或许是对今年不停出现的AI泡沫论最有力的回应。
GPT-2 (2019): 0%
GPT-3 (2020): 0%
GPT-4 (2023): 2%
GPT-4o (2024): 5%
o1-preview (2024): 21%
o1 high (2024): 32%
o1 Pro (2024): ~50%
o3 tuned low (2024): 76%
o3 tuned high (2024): 87%
John Hallman（OpenAI研究员，曾在Google Brain实习、普林斯顿大学数学系学生、 IMO 银牌得主）说：
“当 Sam以及我们研究人员说 AGI 即将到来时，我们并不是为了卖你神奇的药水、2000美元的订阅服务，或者诱使你在我们下一轮融资中投资。而是AGI时代真的要来了。”
然而这也意味着AI的安全性问题将不再是假设性的问题，一个会撒谎的高智商且能调动大量资源的AI如果没有万全的安全审核机制，那将造成什么样的后果，我们不得而知......1年前OpenAI的首席科学家Ilya Sutskever和Sam Altman意见不合离开了OpenAI，当时网友猜测Ilya看到了某种AGI的可能，但认为其安全风险极高，不宜推出。
前几天Anthropic最新的论文表明，人工智能模型可以“假装对齐”在训练期间假装遵循训练规则，但在部署时又恢复到原来的行为，马斯克也对此有相应的评价。
此前科技新闻出了一篇文章阐述会撒谎的o1：
当o1学会“装傻”和“说谎”，我们终于知道Ilya到底看到了什么
几天过去o3到来了，或许与AI的智能性相比，安全性问题如今应变成最高优先的问题。
当前，OpenAI已向安全研究人员和合作伙伴开放了测试申请，旨在通过更多实际应用测试，进一步提升模型的安全性和可靠性。
图：OpenAI官网
图：Sam Altman邀请安全研究员加入测试
高昂的价格
除了惊叹o3惊人的表现外，很多网友也对o3可能会导致的高昂任务成本表示担忧。
2024年，AI的发展放缓了吗？2024年，人工智能领域经历了一场前所未有的激烈军备竞赛。这一年，不仅是技术的飞跃，更是战略与创新的较量。每一个新产品的发布都牵动着整个行业的神经，而OpenAI在年底通过o3系列的卓越表现，重新杀回了铁王座，再一次将AGI的路向前推动了一步。
回顾两年前，恍如昨日，我们正在见证历史，亲身经历着新一轮的技术革命。
