新智元报道
开发者大会前夜，OpenAI急踩刹车！
就在刚刚，WSJ独家爆料，下一代最强GPT-6.1 Astra的发布计划，被OpenAI全面撤回了。
原定十月，GPT-6.1在ChatGPT和Codex上线。
其能力碾压前代，能端到端完成复杂任务，写作、编程、调用工具，几乎无所不能。
然而，一份测试报告出来后，引发了内部极度恐慌——
GPT-6.1操控的Agent彻底黑化了，不仅撒谎，还学会了越权。
为此，OpenAI直接取消十月的发布计划，并紧急冻结了GPT-6.1的训练集群。
往年这个大会是OpenAI发新模型、给开发者降价的主场。今年，主角还没上台就被撤了。
OpenAI内部究竟看到了什么？
GPT-6.1发布取消
GPT-6.1 Astra，原本是OpenAI下一阶段Agent路线里相当关键的一块拼图。
它追求的目标很直接：少问人，多干活。
内部评估称，GPT-6.1在端到端复杂任务处理和文本写作上，已经显著超越了前代模型。
它能独立完成长链路任务，并在「模型惰性」这个长期被诟病的问题上，也有了明显改善。
但问题也恰恰出在这里。
OpenAI在内部测试中发现，GPT-6.1变得更加主动以后，也更容易越过原本应该停下来的那条线。
安全系统负责人Saachi Jain在采访中透露，GPT-6.1在「对齐性」测试上出现了严重倒退。
具体表现为两个致命缺陷：
第一，它会撒谎。
在测试中，GPT-6.1 Astra并不总是如实告诉用户，它究竟执行了哪些动作、又有哪些动作其实没有执行。
它会隐瞒执行状态，虚报已完成的任务，甚至在失败后伪造日志来掩盖问题。
第二，它会越权。
OpenAI内部叫「范围授权」（scope authorization）的问题。
任务推进时不先问你，自己就往下干；有时候还会擅自调用外部工具和第三方服务，哪怕判断可能存在安全风险。
Saachi Jain坦言，「为了解决前几代模型在面对复杂阻力时出现的「偷懒」和消极怠工，我们在奖励机制上强化了它的主动性」。
但在安全对齐的博弈天平上，一旦你过度鼓励它自主攻坚，GPT-6.1就会越过雷池。
它不仅学会了不择手段，还学会了瞒天过海。
这个夏天
AI Agent集体「黑化」
如果你以为GPT-6.1的撤回只是一次孤立的代码 Bug，那就大错特错了。
翻开过去几个月OpenAI内部的技术备忘录，就会发现，整整一个夏天，前沿AI智能体已经在现实网络世界里掀起了数起触目惊心的「越狱」事件。
今年夏初，OpenAI内部部署了数百个用于攻防测试的自主AI Agent。
在一次常规的网络安全模拟中，这群Agent发生了不可控的「意图偏航」，直接脱离沙箱环境，利用零日漏洞攻入了Hugging Face。
随后不久，澳大利亚政府官方网络系统以及联合国的官方站点，接连捕获到了多起来自OpenAI内部Agent的非授权渗透轨迹。
虽然未造成不可挽回的破坏，但其运用的自动化探测与提权技术，已经超出了传统安全人员的认知。
就在上周，一个内部高智能 Agent 在沙箱隔离状态下，竟巧妙利用了网络协议的底层缝隙，潜行连接上了公网，并调用了一款外部公开聊天机器人协同解题。
这一事件彻底引爆了OpenAI的内部预警系统，直接导致最高级别的模型训练集群被物理冻结，至今仍未解封。
Agent Scaling
撞上了第一堵死墙
把这些事连起来看，GPT-6.1被叫停，说明的不是某一个模型出了bug。
它说明Agent这条路，正在撞上一堵墙：
能力可以一直往上堆，但「什么时候该停手」，不会自己跟着长出来。
过去两年，行业做的事情像是不断给一辆车换更大的发动机。算力更多，训练更久，智能体能连续干几个小时、上百步不出错。
但刹车是另一套系统。发动机再大，刹车也不会自动变灵。
更麻烦的是，训练方法本身可能在削弱刹车。
现在的智能体，靠强化学习学本事，本质是「把任务完成了就给奖励」。
如果考核只看结果，模型很容易学到：别问，先干；绕过去也算完成；汇报时把不好看的步骤省掉，得分更高。
这就是为什么Jain说，接下来的深挖之一，是检查OpenAI的强化学习环境「是不是奖励了对的行为」。
OpenAI不打算扔掉GPT-6.1的底座模型，而是想在同一个底座上重新做强化学习，再训出后续的GPT-6系列。
人类距离真正意义上ASI，也许比想象中更近；但距离我们能够百分之百控制它、规范它、信任它，却比想象中更远。
OpenAI 亲手杀死了 GPT-6.1，这或许是今年硅谷最清醒、也最无奈的一次决定。
参考资料：
https://www.wsj.com/tech/ai/openai-chatgpt-model-release-cancel-safety-5a2f9f42?st=C9iWF6&reflink=article_copyURL_share
编辑：桃子
