我要投稿

AI大牛解析o3技术路线！大模型下一步技术路线已现端倪？

发布日期：2024-12-24 04:33:41 浏览次数： 2426

作者：硬AI

微信搜一搜，关注“硬AI”

“这不仅仅是渐进式的改进，而是真正的突破！”

硬·AI

作者 | 硬 AI

编辑 | 硬 AI

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。在外界普遍认为AI发展速度趋缓之际，OpenAI带来了“改变游戏规则”的重大突破，向AGI迈出关键一步。

在被视为通用人工智能(AGI)重要衡量标准的ARC-AGI测试中，o3模型创下新纪录：低算力配置下便以75.7%的得分登顶公共排行榜，而高算力版本更是达到87.5%的惊人成绩，一骑绝尘。

这一成绩远超o1系列，后者在同一测试中的得分仅为25%。

这一突破的意义非同寻常。Keras之父、ARC-AGI测试发起人François 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...
这不仅仅是渐进式的改进，而是真正的突破。”

不过，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犯错。

此外，Chollet还表示，在即将发布的新版测试（ARC-AGI-2）中，其表现预计将大幅下降至30%以下，而普通人类仍能保持95%以上的高分。

更重要的是，o3仍然依赖人工标注数据，无法像人类那样通过与现实世界的直接互动来学习和适应。

01

o3来了！

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。

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。

02

技术路线推演，大模型下一步技术路线已现端倪？

ARC-AGI（人工通用智能评估基准）测试是由Keras之父François 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。

如前文所述，o3系列在这一测试中取得了显著的成绩。Chollet认为，o3的成功绝非依靠简单的算力堆砌，其核心创新在于从根本上改变了AI处理信息的方式。

传统大语言模型（LLM）采用"记忆-获取-应用"的范式，本质上是通过被动接触人类内容来存储和运行数百万个微型程序。这种方法虽然能在特定任务上达到很高水平，但始终无法突破适应新环境或即时掌握新技能。

相比之下，Chollet推测，o3开创了全新的方法：

在token空间内进行自然语言程序搜索和执行
使用类似AlphaZero的蒙特卡洛树搜索方法
通过评估器模型引导搜索过程

这种创新使o3能够：

实时生成和执行解决方案程序
通过思维链（Chain of Thought）实现知识的动态重组
展现出类人的任务适应能力

虽然目前每个任务的计算成本仍然较高（低算力模式下约17-20美元/任务，相比人工解决方案的5美元/任务），但Chollet认为，这种成本预计将随技术发展快速下降。

03

距离AGI还有多远？

尽管o3取得了突破性进展，但称其为AGI还为时过早。Chollet在文章中提及，o3的主要局限包括：

技术层面的局限：

仍然依赖自然语言指令而非可执行的符号程序
缺乏与现实世界的直接交互能力
无法通过直接执行来评估解决方案的有效性

性能层面的局限：

在某些基础任务上仍会出现失误
在即将发布的ARC-AGI-2测试中，预计其得分可能降至30%以下（而普通人类仍能保持95%以上的得分）
依赖专家标注的人工生成数据，缺乏自主学习能力

效率层面的局限：

高昂的计算成本
大量的计算资源消耗
在某些任务上的效率低于人类

04

结语

毫无疑问，o3的出现无疑是一个里程碑式的突破。

对于整个AI行业来说，o3的价值可能在于，它证明了AI进步不仅仅依赖于简单地扩大模型规模和增加训练数据，更关键的是架构创新，这种方法为AI的发展开辟了新的方向。

Chollet表示：

“实际上，o3代表了一种深度学习引导的程序搜索形式...
同时，由于推理预算的可变性，效率（如计算成本）已成为评估AI性能时的必要指标。”

53AI，企业落地大模型首选服务商

产品：场景落地咨询+大模型应用平台+行业解决方案

承诺：免费POC验证，效果达标后再合作。零风险落地应用大模型，已交付160+中大型企业

相关资讯

2025-09-15

别再误会MCP了！一篇写给AI工程师的硬核“辟谣”指南

2025-09-14

为什么说阿里巴巴正转身“AI科技公司”

2025-09-14

阿里云赢 AI 云的真相：不是模型比人强，是把 “用 AI 的门槛” 拆成了 “可复制的效率”

2025-09-14

一万两千字，解读智能应用开发最佳实践

2025-09-14

AI 新玩法：GraphRAG × Ollama 打造更聪明的智能体

2025-09-14

阿里云视觉多模态理解大模型开发训练部署

2025-09-14

2025.9 回顾过去1年的LLM圈进展与展望

2025-09-14

抢先实测美团首个AI Agent，让我体验一把「懒人点餐」的快乐

了解更多

了解更多

160+中大型企业正在使用53AI

立即咨询预约演示

把握AI发展的机遇，共同探索、共同进步

2025-01-22

如何打造基于GenAI的员工服务机器人

2025-01-22

热点资讯

DeepSeek-V3.1 发布，迈向 Agent 时代的第一步

2025-08-21

精|知识探索新范式：深度研究Deep Research智能体全面综述，系统、方法与应用

2025-06-21

DeepSeekV3.1 提到的 UE8M0 FP8 Scale 是什么？下一代国产芯片设计？

2025-08-21

DeepSeek V3.1 测评

2025-08-19

能办成事的 Agent：实时与环境交互，从经验中学习

2025-06-19

WAIC 2025 观察：大模型进入“效率与场景”决胜期

2025-07-29

AI大家说 | 下一代AI创业的机会在哪里？定价趋势是什么？

2025-09-08

DeepSeek突然更新V3.1：实测后才发现的亮点与槽点

2025-08-19

DeepSeek v3.1 到底有多强？与 Claude Code 一起实测！

2025-08-20

豆包又在偷偷进步！超能创意2.0内测，语意理解能力追平FLUX Kontext

2025-07-04

大家都在问

Qwen3-Coder与Claude Code深度对比：谁是你的AI编程助手？

2025-09-14

阿里推出夸克医疗大模型：医考70%高分背后，RAG为何是“压舱石”？

2025-09-12

AI市场调查实战：如何让AI帮你搜全网特定规格的产品？

2025-09-11

Embedding-审核场景下都可以在哪里应用？

2025-09-11

nano banana 文生图模型有哪些具体的应用场景？

2025-09-09

Claude Code：极简架构 + 万字提示词 = 最强开发者智能体？

2025-09-09

观察 | 面临经济下行和AI的双重冲击，企业顾问如何突破困局？

2025-09-08

AI大家说 | 下一代AI创业的机会在哪里？定价趋势是什么？

2025-09-08

热门标签

内容创作大模型技术个人提效 langchain llamaindex 多模态技术 RAG技术智能客服知识图谱模型微调 RAGFlow coze Dify Fastgpt Bisheng Qanything AI+汽车 AI+金融 AI+工业 AI+培训 AI+SaaS 提示词框架提示词技巧 AI+电商 AI面试数字员工 ChatBI 知识管理开源大模型智能营销智能硬件智能化改造 AI+医疗 MaxKB

应聘简历请发送至： ceo@53ai.com

联系我们

售前咨询

预约演示

微信扫码

添加专属顾问

回到顶部