OpenAI Group PBC将把其下一代模型GPT-5.6先向少数合作伙伴开放,而非面向公众发布。这一安排是应特朗普政府要求做出的,也是华盛顿方面希望在前沿人工智能模型大规模发布前进行审查这一趋势的最新体现。
该计划由首席执行官萨姆·奥特曼在周三一场内部员工问答会上披露,《The Information》对此进行了详细报道。据称,奥特曼告知员工,联邦政府要求公司采取分阶段发布的方式,并表示这是实现大规模推广的最快路径。根据报道,他在一份内部备忘录中表示,政府将在预览期间"逐一客户审批访问权限",并补充称,若审查顺利,他希望更大范围的发布能在"数周后"跟进。
这一安排与竞争对手Anthropic PBC处理Mythos模型的方式如出一辙。今年4月,Anthropic将具备高级网络安全能力的Mythos模型仅向特定合作伙伴开放,而非公开发布。此后,特朗普政府以国家安全为由,依据紧急出口管制指令,于本月初要求Anthropic将Mythos及其配套模型下线。这一对峙似乎已为政府处理前沿模型发布树立了先例。
路透社同样报道了GPT-5.6审查一事,并指出此次审查请求源于与两个机构的磋商,分别是国家网络总监办公室和科学技术政策办公室。目前,逐一客户审查的具体内容及持续时长尚不明确。OpenAI和白宫均未就相关报道公开发表评论。
这一事件揭示出一个转变:究竟由谁来决定强大模型何时进入市场。多年来,AI开发商一直就系统开放程度争论不休,而如今这一决定权正越来越多地向华盛顿靠拢。官员们担忧,能够发现软件漏洞或入侵高安全级别系统的模型,可能在安全保障措施就位之前就已流传至对手手中。
与此同时,OpenAI在应对新一轮审查的同时,也在权衡股市上市的时机——一旦上市,将成为史上规模最大的IPO之一。据《纽约时报》今日报道,该公司倾向于等到2027年再上市,而非今年提交申请。
近期市场波动也是影响因素之一。SpaceX于6月11日以750亿美元完成首次公开募股,上市首日虽有上涨,但随后收回大部分涨幅,这一走势令OpenAI对零售投资者需求不足心存顾虑。据《纽约时报》报道,首席财务官萨拉·弗莱尔力主推迟上市,理由是公司现金消耗巨大、算力投入承诺繁重,以及公开披露的合规压力。弗莱尔至少从去年起便倾向于2027年上市,而奥特曼此前则更倾向于尽快推进。
OpenAI已于去年10月完成了上市所需的公司重组,将其营利性部门转型为如今的公共利益公司OpenAI Group PBC。当时有报道称,公司正考虑最早于2026年下半年提交申请,估值或高达1万亿美元。今年3月31日,该公司以8520亿美元估值完成了一轮1220亿美元的融资。
OpenAI一位发言人此前曾向路透社表示:"IPO并非我们当前的工作重心,因此我们不可能已经确定日期。"
Q&A
Q1:OpenAI为什么要让政府审查GPT-5.6?
A:根据特朗普政府的要求,OpenAI将GPT-5.6先向少数合作伙伴开放,而非直接公开发布。政府希望在前沿AI模型大规模推广前进行审查,主要担忧是这类能发现软件漏洞或入侵高安全系统的模型,可能在安全保障措施就位前流传至对手手中。审查由国家网络总监办公室和科学技术政策办公室主导,具体审查内容和周期目前尚未公开。
Q2:Anthropic的Mythos模型被下线和GPT-5.6审查有什么关联?
A:Anthropic在今年4月将具备高级网络安全能力的Mythos模型仅向特定合作伙伴开放,而非公开发布。随后特朗普政府以国家安全为由,依据紧急出口管制指令要求Anthropic将Mythos及配套模型下线。这一事件被认为为政府审查前沿AI模型树立了先例,GPT-5.6的分阶段发布安排正是在此背景下形成的。
Q3:OpenAI的IPO计划为什么推迟到2027年?
A:OpenAI倾向于等到2027年再上市,主要原因有几点:近期市场波动令公司对零售投资者需求存疑;首席财务官萨拉·弗莱尔认为公司现金消耗大、算力投入重、公开披露合规要求高,时机尚不成熟。OpenAI已于2024年10月完成公司重组,并于2025年3月以8520亿美元估值完成1220亿美元融资,但官方表示IPO目前并非工作重心。
好文章,需要你的鼓励
牛津大学提出PHYSIFORMER,一种扩散变换器模型,通过三维网格顶点轨迹直接在世界坐标空间预测刚性与弹性物体的物理运动,一次性生成全序列轨迹,超越自回归基线。
随着医疗数据数字化与互操作性的进步,跨机构纵向患者数据的研究应用成为可能。本研究通过对20位领域专家的访谈,识别出8种数据收集方法,涵盖智能手机应用、结构化数据导出、区域/全国研究查询及聚合数据源等。研究发现,各方法均有其优缺点,无单一最优方案。参与者中介交换方式可绕过复杂治理安排,但存在数据缺口;全国性网络尚不支持研究查询。公共政策的持续推进将对该领域发展起关键作用。
研究发现主流奖励模型对同等质量答案给出差异悬殊的分数,并提出"奖励聚类"算法通过蒙特卡洛随机失活将连续分数离散化,在不重训模型的前提下有效减少AI训练中的奖励作弊现象。