GPT-5的野心比技術(shù)更致命

文：王智遠 | ID:Z201440

昨晚到今天上午，我的消息像被按了“狂轟模式”。朋友圈、新聞推送、全在刷一個名字：GPT-5。

冷靜下來，我捋了捋，這次升級，重點就三個：

一，改了架構(gòu)。它不再是一個模型干到底，是能調(diào)度多個模型的“智能體生態(tài)”，會根據(jù)任務(wù)類型和復(fù)雜度，自動切換處理方式。

二，代碼生成能力明顯，很多人形容它是“vibe coding”，你只用自然語言描述需求，它就能吐出一個可運行的應(yīng)用。

三，工具調(diào)用與自主協(xié)作能力更強。它能拆解復(fù)雜任務(wù)，甚至發(fā)現(xiàn)缺口時自己造工具去補齊。說實話，把光環(huán)拿掉、深度祛魅之后，就這三條。

1

但比起這些功能，我更想問一句：GPT-5到底是一次范式躍遷，還是一次精心設(shè)計的技術(shù)包裝。

先亮結(jié)論，智遠看來，它確實有技術(shù)升級，但“范式躍遷”這個詞，得慎用。因為范式躍進，除了性能提升，還意味著底層架構(gòu)徹底改變。

比如：從功能機到智能機，從馬車到汽車。

那這次它改了什么？架構(gòu)上，GPT-5 引入了一個叫動態(tài)路由器（Dynamic Router）的東西。

什么意思？過去是一個萬能模型干到底，現(xiàn)在它會先判斷問題的類型、復(fù)雜度和意圖，再分派給不同的專用模型去處理。

舉個例子：

你問它一個簡單問題（查個資料、翻譯一句話），它會調(diào)主模型 GPT-5，速度快；你給它一個復(fù)雜推理（科研計算、法律推演），它會調(diào) 深度思考模型 GPT-5-thinking，推理鏈更長、準(zhǔn)確率更高。

甚至如果你的額度用完了，它還會自動切到輕量版 GPT-5-mini，不中斷服務(wù)。

說白了，這就是一個輕量級的Agent 框架：你丟任務(wù)進去，它先分類，再分派，最后把結(jié)果統(tǒng)一交給你。

那這種多模型協(xié)同的本質(zhì)是什么？

表面上，它像一支“各司其職”的團隊，兼顧效率和精準(zhǔn)度；但從技術(shù)原點看，這種思路并不新鮮。

Anthropic 早就有類似的模型切換，用不同推理深度應(yīng)對不同任務(wù)；谷歌 DeepMind 的一些研究里，也出現(xiàn)過根據(jù)任務(wù)復(fù)雜度動態(tài)調(diào)用不同專家模型（Mixture of Experts）的方案；

開源圈的 DeepSeek MoE 架構(gòu)也差不多，只是它把多模型協(xié)作藏在后臺，問題復(fù)雜就多調(diào)幾個專家，問題簡單就少調(diào)幾個，省資源。

GPT-5 巧妙的地方在于，它把這種協(xié)作做成了開箱即用的體驗，而且是無感切換。用戶不用再想“我該用哪個模型”，因為系統(tǒng)會替你選好。

這，才是 OpenAI 在商業(yè)化上的殺手锏，把原本只在研究人員、開發(fā)者手里的“多專家模式”，第一次變成了普通人也能直接用的功能。

所以我認為，技術(shù)上，它是一次架構(gòu)優(yōu)化+體驗升級，不是底層技術(shù)革命；商業(yè)上，它是一種聰明的產(chǎn)品化，把技術(shù)藏起來，讓協(xié)同成為默認生態(tài)。

2

整個發(fā)布會里，有一個最直觀、最容易被感知的能力：寫代碼。聽起來很炸，現(xiàn)場看起來也很熱鬧。那它到底是生產(chǎn)力革命，還是程序員的噩夢？

我更傾向于說，它是一場效率革命。

你只要用普通話、英語，甚至混合幾種語言，把功能描述清楚，它就能直接生成可運行的軟件。

比如說：

幫我做一個法語學(xué)習(xí)網(wǎng)站，要有單詞卡片、語音小游戲，還有貪吃蛇改版。三分鐘，它吐出 240 行代碼，UI 風(fēng)格都幫你配好了。

官方測試里，在 SWE-bench 這種代碼基準(zhǔn)測試中，GPT-5 的編碼準(zhǔn)確率 74.9%（GPT-4 只有 67.6%），通過率提升了 22%。

這不只是寫得對，而是寫得快，從按天計費，到按分鐘產(chǎn)出，就像把一個資深全棧工程師裝進了電腦里。

這樣的能力，會帶來三重沖擊：

對中小企業(yè)老板，是大福利。開發(fā)成本直線下降，原型周期從按周迭代變成分鐘級驗證，創(chuàng)業(yè)公司可以更快測試市場，減少失敗成本。

對程序員來說，初級開發(fā)崗直接面臨替代；中高階開發(fā)會轉(zhuǎn)向代碼審計、安全檢查、性能優(yōu)化，或者做「AI 協(xié)作管理」，而不是親自寫每一行代碼。

對低代碼平臺來說，可能是生死劫。

過去還得拖拽組件、配置表單，現(xiàn)在在一個聊天窗口里說幾句話就能搞定。「描述即應(yīng)用」比「拖拽拼裝」更直接、更快，這會壓縮低代碼平臺的生存空間。

當(dāng)然，這一切也不是沒有成本。

官方 GPT-5 API 價格是：主模型輸入每百萬 token 1.25 美元，輸出 10 美元；Mini 版本輸入 0.25 美元、輸出 2 美元；Nano 版本最便宜：輸入 0.05 美元、輸出 0.40 美元。

價格表看著簡單，但實際用起來沒那么直白。

Reasoning（推理）能力越強，模型在后臺「思考」消耗的隱形 token 就越多，你甚至看不到這些 token，賬單卻能蹭蹭往上漲。

而且，國內(nèi)早就有類似的「說話寫代碼」工具，也不差：

百度的「文心快碼（Baidu Comate）」、騰訊云 CloudBase 在 6 月發(fā)布的 AI Builder、字節(jié)的 TRAE……

區(qū)別只是，他們把寫代碼單獨做成一個產(chǎn)品，而 GPT-5 把這種能力直接塞進了 AI 「大腦」里，一個 Chat 窗口幾乎能包攬開發(fā)、接口、邏輯、UI，體驗還統(tǒng)一。

所以，有三個問題必須問：

一，API 價格雖清楚，但讓 AI 「仔細思考」的成本可能遠超預(yù)期，越用越上癮，會不會讓企業(yè)不斷加錢？

二，國內(nèi)這些工具未來會不會也學(xué) GPT-5，把所有能力打包成「什么都能做的一個 Agent」？三，代碼生成快，但真夠安全、可維護嗎？

畢竟真實業(yè)務(wù)場景里，誰也不可能天天在開發(fā)大型 App，大多數(shù)時候是臨時搓個統(tǒng)計表、搭個審批流，或者做個協(xié)同工具，這才是低代碼平臺的日常戰(zhàn)場。

3

寫代碼是冰山一角，如果把能力打包到一個智能體生態(tài)里，行業(yè)格局就不一樣了。

為什么？

因為在商業(yè)競爭里，單點能力只能解決局部問題；而平臺化能力，意味著你能在一個入口下，解決一整條業(yè)務(wù)鏈的問題。

舉個簡單的對比：

單點 AI 工具，就像你請了個外包寫手，用完就走；智能體生態(tài)，更像你簽了一個全能秘書，能查資料、能寫、能排版，甚至能直接幫你發(fā)出去。

企業(yè)需求永遠是閉環(huán)，誰能提供閉環(huán)，誰就占據(jù)優(yōu)勢。

從數(shù)據(jù)角度出發(fā)，公版 GPT-5 很強，但如果把企業(yè)自己的歷史業(yè)務(wù)數(shù)據(jù)、流程數(shù)據(jù)、客戶數(shù)據(jù)都喂給它，生成的智能體會立刻變成「懂行的內(nèi)行人」。

這種效果，中小企業(yè)在公版模型里幾乎復(fù)刻不了。

從算力壁壘上來說，多模型調(diào)度 + 長推理，對算力消耗很大。巨頭企業(yè)有能力自建機房、簽長期算力合約，這才是真正賺錢的地方。

從用戶觸點來看，有現(xiàn)成入口的公司，更容易把智能體生態(tài)捆綁到現(xiàn)有產(chǎn)品里。

比如：

微軟有 Office、Teams、Outlook，天然覆蓋全球數(shù)億知識工作者；谷歌有 Workspace、Gmail、Drive，可以在用戶的日常工作流中無縫嵌入 AI；Salesforce 有 CRM 和一整套企業(yè)應(yīng)用，可以直接讓智能體深入銷售、客服、運營環(huán)節(jié)。

這意味著，它可以直接在自己的應(yīng)用里嵌入 AI 平臺，形成天然分發(fā)渠道。

換句話說，如果你用一個集合多個模型的 Agent，把它放進業(yè)務(wù)系統(tǒng)里，它就成了一個「超級 Agent」。

這種趨勢下，低代碼平臺如果不做平臺化轉(zhuǎn)型，會被「描述即應(yīng)用」直接碾壓；傳統(tǒng) SaaS 只解決流程里的一個環(huán)節(jié)，可能會被一整套智能體生態(tài)直接打包替代。

一些中小 AI 創(chuàng)業(yè)公司，如果核心價值只是「在 GPT 上做個小工具」，那很可能只是在幫巨頭做功能驗證。

在我看來，這才是 Sam Altman 的真正算盤。

因為企業(yè)要的不是“用 AI”，而是“用 AI 完成業(yè)務(wù)”。如果有一家公司能在一個入口、一套賬單、一個平臺里加一個AI搞定所有環(huán)節(jié)，它不僅會搶走別人的功能，還會截留客戶關(guān)系和數(shù)據(jù)。

因此，我才說，真正的變化在水面之下，平臺化協(xié)同，有可能把 ToB 行業(yè)的格局重新洗一遍。

4

平臺化協(xié)同，聽起來是顛覆性機會，但要真落地，風(fēng)險也不小，尤其是 GPT-5 想做 To B（面向企業(yè)市場），它有三座大山要翻過去。

發(fā)布會上的案例，幾乎“滿分條件”，數(shù)據(jù)干凈且統(tǒng)一格式、流程設(shè)計清晰，沒有跨部門博弈、系統(tǒng)接口提前打通。

可真實的企業(yè)環(huán)境，完全不是這樣。

Salesforce 在推 Einstein AI 時，就公開提醒過：如果數(shù)據(jù)是臟的，再強的 AI 也會給出錯誤甚至誤導(dǎo)性的結(jié)果。

落到現(xiàn)實里，智能體協(xié)作要面對五花八門的 ERP 系統(tǒng)、年代久遠的數(shù)據(jù)庫、不標(biāo)準(zhǔn)的 API，甚至是人為設(shè)置的流程壁壘。

換句話說，智遠認為，GPT-5 在發(fā)布會上的“秒級響應(yīng)”，進了企業(yè)，很可能變成十幾分鐘跑一遍，體驗差別不是一點點。

另外，智能體生態(tài)好處是閉環(huán)，但壞處是閉環(huán)的脆弱性。

GPT-多模型調(diào)度、長推理鏈條意味著更多潛在的故障點，這些在工業(yè)生產(chǎn)、金融交易，醫(yī)療診斷場景中，一次錯誤，可能引發(fā)不少損失，而且你很可能第一時間都發(fā)現(xiàn)不了是 AI 搞的鬼。

有研究披露，2024 年，有研究披露，微軟在 Teams 與 Copilot 深度整合時，曾出現(xiàn)權(quán)限 Bug：一個部門的 AI 助手誤讀了另一個部門的敏感文件；還有 Recall 自動工具，被發(fā)現(xiàn)截圖時順帶捕捉了密碼、銀行卡等信息。

值得一提的是，要讓智能體真正幫企業(yè)跑業(yè)務(wù)，就必然要跨系統(tǒng)、跨部門傳遞數(shù)據(jù)。

這里面有兩個棘手問題：

一，責(zé)任歸屬，如果 AI 給出了錯誤決策，導(dǎo)致財務(wù)損失或合規(guī)事故，責(zé)任是在 AI 提供商、企業(yè) IT 部門，還是模型本身？

二數(shù)據(jù)安全，不管是美國還是歐盟，對數(shù)據(jù)有嚴格限制，踩線就可能面臨巨額罰款。

那如果這三道坎都跨過去了，問題又來了：越來越多的智能體幫人做事，那人還能做什么？我認為人類至少還有三種能力，是現(xiàn)在越來越稀缺的：

一，提出戰(zhàn)略級問題的能力，戰(zhàn)略級問題是沒有標(biāo)準(zhǔn)答案，需要權(quán)衡取舍、看清大勢的問題。

比如：這個季度壓利潤換規(guī)模，還是保利潤犧牲增長？要不要為了搶先布局，冒一次政策風(fēng)險？這些問題不僅涉及數(shù)據(jù)，還涉及價值觀、文化、甚至政治判斷。

AI 可以給你列出各種選項的利弊，但決定走哪條路，只能由人來拍板。

二，設(shè)計規(guī)則與價值交換的能力。在一個智能體生態(tài)里，不同系統(tǒng)、不同部門、甚至不同公司之間要不斷交換數(shù)據(jù)和成果。

那數(shù)據(jù)怎么流轉(zhuǎn)、誰能用、誰付費、誰分紅，就得有人先設(shè)計好規(guī)則；比如：制造智能體在不同供應(yīng)商之間調(diào)配產(chǎn)能，優(yōu)先級誰定？利益怎么平衡？

其三，就是反共識。

GPT-5 的知識，來自于既有信息和模式識別，它會綜合主流觀點，得出一個“平均最優(yōu)解”。可真正顛覆性的創(chuàng)新，往往不是平均值，是反常數(shù)。

iPhone 剛出來時，大多數(shù)人覺得全觸屏很荒唐，特斯拉剛造車時，整個汽車行業(yè)都不看好電動車；人類的創(chuàng)造力，往往來自跨界、偶然的火花，來自對主流邏輯的懷疑和推翻。

所以，在我看來，GPT-5 再強，也只把執(zhí)行力推到了一個新高度，人類的優(yōu)勢，正在從“會做事”轉(zhuǎn)向“會定事、會定規(guī)則、會逆流而行”。

不管怎么說，GPT-5的出現(xiàn)，我沒覺得它強到碾壓一切，反而更像是在抄中國的作業(yè)，尤其是 Agent 這一塊。

Sam Altman，真是太會「拿來主義」了。