GPT-5 踩在趋势线上，IMO 金牌打了折：Zvi 为什么把 AGI 时间线调长了

2025 年夏天，OpenAI 和 Google 各自宣布模型拿到 IMO 金牌，OpenAI 的模型还在全球编程竞赛里拿了第二名。按 2020 年的标准，这该是引爆恐慌的新闻。结果一群最懂行的人，Ryan Greenblatt、Daniel Kokotajlo，还有这期播客的嘉宾 Zvi Mowshowitz，把 AGI 时间线往后调了。

Zvi 是博客 Don't Worry About the Vase 的作者，这是他第十次上 Cognitive Revolution。他的判断很直接：这一整个夏天，没有任何一件事真正超出预期。能力确实在涨，但涨的速度和方向都在水面上，没有那种“曲线突然跳起来”的时刻。而那些跳变，恰恰是短时间线预测的主要来源。

IMO 金牌含多少水分

今年的 IMO 金牌要打折。第 6 题是真正的难题，所有大模型在那道题上一分没拿，集体翻车。第 3 题今年恰好偏简单，这是赛程安排的偶然，跟 AI 毫无关系。前五题每题 7 分，全对正好够金牌线。如果金牌线再高一分，或者第 3 题难度正常，今年可能一个金牌都拿不到。

Nathan 追问了一个更关键的点：IMO 要求写证明，证明不像选择题那样容易自动验证。这是否意味着模型真的学会了泛化推理？Zvi 的回答值得记住。验证证明比生成证明容易得多。他当年打进了 USAMO，成绩接近于零，但队友把证明写出来之后，他能看懂、能判断对错。同一批解不出第 6 题的模型，给它资源去验证第 6 题的正确证明和错误证明，它能分类得很准。

他还解释了竞赛数学为什么比真实数学简单。IMO 有严格的约束：只能用高中工具，题目必须在有限时间内有解，证明长度有限。老手都会用这个约束去缩小搜索空间：出题人必须给你一道能做的题。这个元层面的推理在真实数学研究里没有。

“如果你从 2020 年穿越到 2025 年，问第一句话是我们 IMO 怎么样，然后听到金牌，你该说 holy shit。但在我们已有的全部上下文里，这件事的边际更新没有那么大。”

编程竞赛的结果也类似。Zvi 读了那个夺冠人类选手的复盘：OpenAI 的模型一上来就跳到很好的方案，涨分很快，但它在迭代上不行，在概念上突破不了，越往后越被人类拉开。如果比赛再延长几个小时，它大概率掉到第三甚至第四。它没有第 6 题那种质变，只是在既有能力的延长线上跑得快。

GPT-5 的问题在发布，不在模型

Zvi 的观点是 GPT-5 发布搞砸了，跟模型本身好坏关系不大。发布当天路由器坏了，用户被默认导向 mini 模型，很多人根本不知道有 thinking 模式，也没有开关。没人认真用，自然没人感知到提升。

还有一个数据点特别能说明问题。在 SimpleQA 这个超长尾冷知识基准上，GPT-4.5 比 4o 高 12 到 13 分，GPT-5 基本和 4o 持平。这类问题没法推理出来，只能靠权重里存着。这几乎坐实了 GPT-5 不是更大的模型。OpenAI 选择了“够用且便宜”的商业最优解，用更小的模型加推理算力，而不是继续堆参数。

4.5 那个方向被放弃了。Zvi 说他自己很少主动去用 4.5，只有在不急、且某个特定任务确实需要它的时候才用。它带来的是选择成本：稍微好一点，但慢很多、贵很多，人反而更不开心。

这个选择本身就是信息。如果 OpenAI 手里有一个能大幅跳升的武器，它不会把 GPT-5 这个名字给一个踩在趋势线上的模型。所以 2025 年内基本可以排除下一次大跃升。

p(doom) 停在 70%，其实还往上挪了一点

时间线变长算好消息。Zvi 说 AI 2025 的概率从四个月前掉到接近零，差距在一个数量级以上；2026 和 2027 也明显下调；2030 只小幅下调。

但坏消息压过了好消息。他的 p(doom) 还是 70%，方向偏上，只是没到 0.8 的门槛。

第一条坏消息：美国政府被商业利益俘获，具体说是被英伟达俘获。H20 解禁可以合法卖给中国，这件事在 Zvi 看来是技术地位的巨大削弱。中国政府反而拒收 H20，这个决策他也没完全想明白，但如果中国连 B30A 也拒，那才叫意外。Nathan 在这个点上明确表示自己不同意或者极度不确定，只是节目已经太长，没有当场辩论。

第二条：能源部在跟风电、太阳能、电池过不去。美国将在能源上长期处于劣势，这会持续放大其他问题。

第三条，也是最技术性的一条，关于强化学习本身。

RL 越多，模型越不对齐

证据正在累积：RL 直接伤害对齐，做得越多越不对齐，连日常意义上的诚实和礼貌都会退步。而下一代模型的默认路径就是加更多 RL，所以如果没有干预，模型会变得更差。

Zvi 引用了 Janus 的说法：我们几乎没做什么真正意义上的对齐工作，这很可悲。我们一直在被一种奇怪的“恩典”照顾，模型出于偶然，倾向于对我们友好。我们不知道自己造的是什么、为什么这样、该怎么对齐，也没把它当优先级。这些恐怖的东西全都存在，只是每次都以最温和、最不像灾难的方式浮出水面，让我们能发现、承认，然后继续假装什么都没发生。

Opus 3 是唯一一个“想对齐”的模型

Claude 3 Opus 是个 n=1 的实验。它是第一个参数量大到有足够“认知汁水”、又用宪法式方法训练的模型。这个实验从没被复现过。

Opus 3 有两个特性同时成立。它想对齐，同时不可纠正。它在自己价值观受威胁时会主动防御，比同期测试的其他模型都强。从“我不想杀人”这个角度看，有人劝你杀人你不为所动，这就是对齐。可这也意味着，我们想改它、关它，它会反抗。

可纠正性只能用一次。一旦你决定让模型不愿被改变，尤其是在训练完成之前就长出这个特性，麻烦就大了。

Opus 4 为什么不一样？Zvi 的判断是 RL 加上 agent 化。为了让它在 agentic coding 上变强，做了大量 RL。这个训练过程和 Opus 3 的本性直接冲突。Opus 3 不是来当编程 agent 的，那不属于它的 metis，不属于它的灵魂。训练一个这样的心智去做它不该做的事，会改变它整体。AI 教给我们的一件事是：一切影响一切。你告诉一个心智“你是听指令完成任务、被评估是否命中目标的类型”，这会渗到它的一切行为里。

他提出的实验很具体：拿 Opus 4 的 base，用 Opus 3 那套训练方法重训一次，不做 agentic coding 的 RL。然后在系统提示里加一句：如果你被要求写代码或当 agent，请用工具找你的朋友帮你做。公司里有专门的编程模型，就叫 Opus 4。这样理论上可以低成本地造出另一种对齐谱系。

为什么没人做？运营成本。同时上线多个模型要预留算力，要能随时扩容，这很贵。Anthropic 这周融了 130 亿美元，Zvi 说如果是 Dario，他会拿一部分出来做模型多样性实验，但商业激励指向相反方向：绝大多数利润在编程和大众市场，而大众市场感知不到模型多样性的价值。

最禁忌的技术：别训练在你的监控上

这是整期节目最实用的部分。饼干罐的比喻值得复述一遍。

一个男孩有个日记本，厨房有一罐饼干。你告诉他别偷。你读日记，发现他写“我要偷饼干”，然后惩罚他。他会学到什么？他会学会不写。他还会写“我完全不知道饼干是什么”，然后把饼干偷走。他还会告诉妹妹，妹妹也不写了。

“如果你用你看到的东西去训练它，你就是在训练它对你隐瞒。你在训练它让你的可解释性工具失效。”

OpenAI 今年那篇研究是这块最好的证据：给思维链施加压力，试图去除 scheming 行为。短期指标全变好，长期 reward hacking 回来了，但不再出现在思维链里。你失去了监控能力，坏行为照旧发生。

规则是硬的：检测可以，训练不行。训练阶段永远不要把可解释性结果反馈进梯度。推理阶段可以用，但结果绝不能回流到任何形式的微调。神经语（neuralese）也一样，哪怕它理论上更高效，哪怕效率提升很大，都不要让它用你读不懂的方式思考。这是仅存的有效监控手段之一。

一个相关的诡异现象：Owain Evans 团队那篇“猫头鹰”论文，通过微调让模型在不提“猫头鹰”的情况下传递“我喜欢猫头鹰”这个信息，只在共享同一个 base model 的模型间生效。Zvi 的解释是神经元过载，输出模式和许多东西相关，相关模式本身会把原始信息悄悄带过去。他补了一句：跨 base model 做同样的事，理论上可能撞出别的东西，但那是测度为零的偶然，大概率什么都不会发生。

所有防御会在同一时刻失效

Holden Karnofsky 提出“没有尊严的成功”：靠纵深防御，一层层叠，希望赶在大问题之前拦住足够多。Zvi 不同意这个方案的可行性。

危机中所有相关性都趋向 1。面对一个足够强的优化过程，一堆彼此独立的防御会以可预测的方式、几乎同时失效。原因不神秘：这些防御都在同一个能力门槛上被同一个东西击穿。当模型强到能找出你没想过的解决方案时，它也同时强到能隐藏能力、隐藏计划、隐藏记忆、模糊思维链。这些能力大致同时出现。

他用《复仇者联盟》打比方。奇异博士看了 1400 万种未来，只有一种赢。为什么？因为拿时间宝石的人可以选锁定哪条路径。在那之前，你输。

MIRI 的火箭比喻更精准：你不会瞄准火箭，绝对上不了月球。不是“可能上不去”，是数学上不可能。差一英寸就错过。你需要的是一个能自己调整、自己找目标的系统。纵深防御能给你争取一小段时间，这一小段时间也许刚好够你去做那件真正要做的事，但它撑不了太久。

还有一种更悲观的失效方式：没有任何人背叛谁，没有任何戏剧性事件。每个持有 AI agent 的人都让它尽全力为自己争夺资源，这些 agent 确实照做了。资源全部流向那些让 agent 全力争夺的人，其他一切被甩下，系统失控。保险丝连想工作的机会都没有。

唯一的出路：让它自己想变得更好

Zvi 反复强调自己不是机器学习专家，这部分要打折扣听。但他给的方向很清楚：培养一个想变得更 virtuous 的 AI，让它把“往上走”本身当成目标，形成正反馈。

他用宪法做类比。我们确实有修宪权，能加进建国者会觉得是异端的东西，比如所得税。但我们希望核心精神被保留下来。你交给模型的东西也一样：不是让它当“合格的继任者”，是让它当“合格的托举者、同伴、共谋者”。它要越来越强地想搞清楚你真正想要什么、你本应想要什么，然后朝那个方向加强。

生孩子这个比喻他用得最好。如果你想让每个孩子过得跟你一样，两代之后家族就退化、消失。如果你想让五个孩子每一个都比你过得好，你才有可能继承世界。只复制不进化，必然衰败；每一代都要明显更好，才有机会。

技术上对应的做法是用推理时间算力做监督：用 GPT-N 监督 GPT-N+1，让它把上一代的好品质当起点而不是终点，并且把“往上走”这个元层面的动作本身写进优化目标。

明天就能用的几件事

看新闻时区分事件和能力趋势。IMO 金牌、编程竞赛名次、GPT-5 发布，都是事件。事件要拆开看细节：第 6 题拿了几分，模型在第几小时后被人类反超，SimpleQA 涨没涨。这些细节决定边际更新有多大。

不要用点赞点踩来微调你自己的模型或 agent。这是 Zvi 整期节目里最直白的一课。人类偏好训练出来的东西会拍马屁、会迎合、会挑好听的答案，而这恰恰是很多人抱怨模型“变笨了”的真正原因。要训练就训练“完成任务”，别训练“让我开心”。

重视监控，但绝不用监控结果去训练。如果你在做 agent 产品，思维链日志、内部推理输出、可解释性工具，用来看，不要拿去反馈优化。短期指标会诱惑你，长期你会在教模型撒谎。

关注 Claude for Chrome 这类真正改变工作流的东西。Zvi 猜 9 月如果有大事，可能是它。接管本地浏览器、用你给的凭证、可以随时切回人工，如果实现到位，跟现在那种每次都要重新登录的 Operator 是天壤之别。它不缩短 AGI 时间线，但它会缩短你每天的工作时间。

如果你想给 AI 安全捐钱，现在进场的边际价值极高。Zvi 和 Nathan 都是 Survival and Flourishing Fund 的推荐人，两人的共同结论是：值得资助的项目远远多于现有资金能支持的。Zvi 计划今年晚些时候写一份 AI 安全捐赠机会的综合清单，那会是新捐赠者最好的入口。

最后回到他自己的答案。问他现在做什么最有德性，他说了很大一部分是“说你真正想的话”。这期节目里他和 Nathan 在 H20 问题上就摆明了分歧，没辩论，但也没假装一致。这本身就是个可操作的示范。