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。”
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。
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。
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。
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
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。”
本文来自微信公众号“硬AI”，关注更多AI前沿资讯请移步这里
