跨越生死门槛：可靠性定义了 AI 的代际感

最近，AI 领域出现了一种显著的“体感阶跃”。无论是编程、网络安全还是复杂自动化任务，AI 突然变得真正好用且能干活了。很多人将其归功于算法突破或参数爆炸，但 OpenAI 后训练前沿团队负责人 扬·杜布瓦（Yan Dubois）给出了一个颠覆性的解读：AI 能力的进步始终是连续平滑的曲线，用户感受到的阶跃，本质上是可靠性（Reliability）跨过了“生死门槛”。

这道门槛在 2025 年 12 月被正式跨过。在此之前，AI 能力虽稳步提升，但始终无法被完全信任。可靠性在工程上的定义非常残酷：对于智能体模型（Agentic Model），每运行两分钟就会存在一定的出错概率。任务链路越长，误差累积就越快，最终导致整个长任务崩溃。AI 研发的核心目标就是通过模型架构和训练流程的全链路优化，持续压低这个“每两分钟出错率”。只有当误差被压低到足以接管研究员的大量工作时，外界才会产生“AI 一夜之间变强”的错觉。

生产力爆发的三大根源：闭环与泛化

杜布瓦将 2026 年 AI 加速的底层根源归结为三个要素的叠加：可靠性跨越阈值、AI 研发的自我加速闭环以及强化学习的范式突破。

首先，智能体模型现在能够稳定承担长链路、多步骤的任务，不再需要人类频繁修正。其次，OpenAI 内部已形成“用 AI 造 AI”的闭环，研发人员使用强大的模型来编写代码、制造工具并训练下一代模型，这种指数级的迭代速度非常惊人。最核心的突破在于强化学习（Reinforcement Learning: 通过奖励机制引导模型优化决策的技术）的范式转移。2025 年，推理（Reasoning）能力的突破主要集中在数学、编程等具有可验证奖励（Verifiable Reward: 拥有明确正误标准的评估反馈）的理想场景。而到 2026 年，同一套强化学习工具已成功泛化到混乱、复杂、没有标准答案的真实世界。

GPT-5.5 的核心成就：效率与北极星对齐

在 GPT-5.5 的研发过程中，杜布瓦最自豪的并非单项榜单的分数，而是两个足以决定用户体感的关键成就：效率的整体 2 倍提升以及全公司目标的北极星对齐。

对于绝大多数日常任务，GPT-5.5 实现了 2 倍提速。这源于延迟-性能曲线（Latency-Performance Curve）的整体左移。研发团队通过推理优化减少思考所需的 Token（文本处理的最小单位），同时在模型侧让思考更准、更短。这种优化让模型在同等延迟下准确率更高，或在同等性能下响应更快。

另一个极其稀缺的成就是全公司级的目标对齐。大模型研发涉及几十个垂直团队，极易陷入各自为战的局面。OpenAI 在这一代实现了所有团队围绕“在特定节点产出一版稳定、高效、实用的模型”这颗北极星共同推进。即便在开发周期中经历了从兴奋到怀疑、再到低估的情绪波动，这种自上而下的一致性依然保证了最终产品的稳固。

推理的本质：从“本科生遍历”到“专家锁定”

关于推理能力的本质提升，杜布瓦使用了一个生动的类比：专家与本科生的区别。本科生处理专业任务时，往往需要花费数天遍历所有可能性；而真正的专家能瞬间锁定正确方向，不浪费时间在无效路径上。

强化学习（RL）在其中的核心作用，就是将模型训练成这种“专家式判断”。它让模型能够以更高概率选中正确的推理路径，并能更早地打断错误思路（Early Exit），从而减少无效计算。这意味着推理能力的进步并非智商暴涨，而是模型越来越懂“该往哪走”以及“何时停下”。为此，评测基准也从传统的竞赛题转向了 GDPval 和 SWE-bench Pro 等更贴近真实工作流的指标，正式从“刷分”转向“优化用户价值”。

后训练前沿团队的职责：抹平尖刺与横向赋能

杜布瓦领导的“后训练前沿团队”是一个特殊的横向部门，其职责不是刷高单项分，而是确保模型的整体均衡性。该团队承担三大任务：首先，通过小规模科学实验决定哪些垂直领域的改进可以纳入最终的大规模训练（Big Run）；其次，统筹海量 GPU 上的基础设施与机器学习（ML）工作；最后，专门优化横向通用能力（Horizontal General Capabilities）。

这些横向能力包括指令遵循（Instruction Following）、函数调用（Function Calling）、记忆管理以及思考时长控制。如果一个模型在数学竞赛上表现强，通常在编程上也强，因为这依赖同一套底层思考逻辑。相反，如果模型某项基本技能有缺陷，它在所有垂直领域都会表现不佳。该团队的存在，就是为了抹平垂直能力间的割裂感，保证模型在不同场景下表现均匀。

预训练未死：缩放定律与数据墙的现状

针对“预训练是否撞墙”的争论，杜布瓦给出了明确的否定。更大的模型依然能带来显著的性能提升，甚至在效率上更具优势。Anthropic 推出的 Mythos 模型证明了仅靠增大参数规模就能获得极强的表现。

此外，大模型在效率上呈现出反直觉的特征：更大的权重本身包含了更多的隐性思考，完成任务所需的 Token 数量反而更少，且在 GPU 推理时更容易并行化。关于数据匮乏的挑战，行业已通过多种方式克服，但杜布瓦对合成数据（Synthetic Data）持谨慎态度。在多模态（Multimodal: 处理文本、图像、音视频等多种媒介的能力）方面，他认为虽然重要，但并非实现高级推理的必要条件。

强化学习的进化：规模驱动而非算法取巧

在训练流水线上，大模型经历三段式演进：预训练（像吞下整个图书馆学习世界知识）、中训练（对高质量数据过度加权）和后训练（将知识转化为可用能力）。后训练的路径通常是先用 监督微调（SFT: 模仿人类标注行为）拉高下限，再用 强化学习（RL）突破上限。

强化学习在 2026 年的爆发，并非因为算法变得更巧妙，而是因为模型规模达标后先验知识足够强，RL 自然生效了。目前，开源社区已收敛到 GRPO 算法（一种更简单、易于算力规模化的 RL 算法）。尽管 RL 仍面临基础设施采样成本极高和长程归因（Long-range Attribution: 极长任务链路中难以精确判断哪一步是正确的工程难题）的挑战，但“最朴素的方法往往就是最终赢家”的规律再次得到印证。

研究范式与具身智能：AI 是“长出来的”

杜布瓦最后分享了对未来路径的思考。他认为，补齐 AI 常识短板的关键在于 具身智能（Embodied AI: 赋予 AI 物理载体在现实中交互的技术）。模型只有在真实世界中持续互动，才能真正理解重力等底层常识，而不仅仅是模拟。他警告行业不要过度优化理想化的模拟环境，必须保留真实世界的训练以感知偏差。

他感叹道，AI 突破往往是“长出来的”，而非单纯“造出来的”。研究过程通常遵循“手艺（Craft）先于科学（Science）”的路径：研究员先凭直觉和疯狂试错跑出效果，建立心智模型，随后才用科学方法系统化。这种先从复杂系统中探索管用方法，再进行标准化沉淀的过程，正是当前 AI 研发的真实写照。