4 月 24 日，OpenAI 宣布所有美國用戶從此可以免費使用 Deep Research（深度研究）。這是一款集成于 ChatGPT 的 AI 研究助手，旨在幫助用戶高效地完成復(fù)雜的多步驟研究任務(wù)，生成結(jié)構(gòu)化且可驗證的研究報告。那么，Deep Research 和 o3 模型之間有什么區(qū)別？智能代理發(fā)展過程中存在哪些挑戰(zhàn)？這個模型成功的關(guān)鍵因素又是什么？

最近，OpenAI Deep Research 負(fù)責(zé)人 Isa Fulford 在播客節(jié)目中，與主持人 Sarah 細致分享了 Deep Research 的背后故事。她們討論了這一項目的起源、人類專家數(shù)據(jù)的作用，以及構(gòu)建具有實際能力甚至品味的智能代理所需的工作?；谠摬タ鸵曨l，InfoQ 進行了部分刪改。

核心觀點如下：

? 如果你有一個非常具體的任務(wù)，認(rèn)為它與模型可能已訓(xùn)練的任務(wù)完全不同，或者有一個對業(yè)務(wù)流程至關(guān)重要的任務(wù)，這是嘗試強化學(xué)習(xí)微調(diào)（RFT）的好時機。
? 理想的代理應(yīng)該能夠為你進行研究并代表你采取行動。當(dāng)代理的能力和安全性發(fā)生交匯時，如果你不能信任它以一種沒有副作用的方式完成任務(wù)，那它就變得沒有用處。
? Deep Research 的下一步，應(yīng)該是讓它能夠訪問私有數(shù)據(jù)，比如能在任何內(nèi)部文檔或 GitHub 上進行研究。
? Deep Research 適合做有具體要求的任務(wù)，而對于更一般性的、高層次的事情不那么適用。

Deep Research 的起源

Sarah： 你和你的團隊推出了最近最令人興奮的 AI 產(chǎn)品之一——Deep Research。這個產(chǎn)品的創(chuàng)意來源是什么？

Isa： 大約一年前，我們對內(nèi)部在強化學(xué)習(xí)（RL）算法上的進展感到非常興奮。與此同時，我和我的朋友 Josh 一起做了一些副項目，我們對智能體（agent）非常感興趣，并且想知道是否可以將相同的算法應(yīng)用于服務(wù)普通用戶每天會做的事情。我們最初考慮的兩個方向是在線瀏覽任務(wù)（online browsing）和軟件工程方面的應(yīng)用，因為在很多職業(yè)中，人們確實需要做大量的研究，整合大量的信息，然后再寫出報告。

起初，我們從數(shù)學(xué)和編程問題開始，因為這些問題已經(jīng)有了現(xiàn)成的數(shù)據(jù)集，你可以用它們來訓(xùn)練模型。但是對于瀏覽任務(wù)，情況就不太一樣了，因為沒有現(xiàn)成數(shù)據(jù)集。因此，我們實際上是從明確我們希望最終模型能夠擅長的實際產(chǎn)品用例開始的。我們做的第一件事就是列出一些任務(wù)，比如“我希望模型能夠找到這份產(chǎn)品列表，并按 Reddit 上的評論進行排序”或者“我想寫一篇關(guān)于這個主題的文獻綜述”。

Sarah： 我覺得很多人想到瀏覽和智能體時，往往會停留在那幾個典型的、以交易為主的用例上，比如點一個漢堡之類的常見任務(wù)，但我個人并不認(rèn)為這些用例特別有啟發(fā)性。你為什么會提出這樣一組與眾不同的目標(biāo)呢？

Isa： 在之前的工作中，我們希望能夠在從大量來源中合成信息方面變得非常擅長，主要是處理只讀任務(wù)。這出于多方面原因，首先，知識工作者大多都從事這類工作，因此對這些人群來說，這將非常有用。其次，我認(rèn)為 OpenAI 的總體目標(biāo)是創(chuàng)建能夠進行新的科學(xué)發(fā)現(xiàn)的通用人工智能（AGI）。我們認(rèn)為，要實現(xiàn)這一目標(biāo)，合成信息是一個前提條件。如果你無法撰寫文獻綜述，你就不可能寫出一篇新的科學(xué)論文。因此，這與公司更廣泛的目標(biāo)非常契合。

Sarah： 你們幫助創(chuàng)造了一個人工智能，使我在學(xué)習(xí)上變得更好，而它本身也在學(xué)習(xí)。

Isa： 實際上，這是一個非常龐大的過程。我們最初向人們推介這個想法，沒有任何模型訓(xùn)練，完全是通過提示模型和用戶界面展示這個產(chǎn)品的愿景。在那之后，我們開始思考如何實現(xiàn)：如何創(chuàng)建數(shù)據(jù)，如何訓(xùn)練模型，需要開發(fā)什么工具來使模型有效地瀏覽互聯(lián)網(wǎng)，這是一個反復(fù)迭代的過程。我們還與 RL 團隊進行了大量合作，不間斷地工作了幾個月，有足夠的時間去反復(fù)修改和完善，而沒有太大壓力去快速交付，這感覺很好。

Sarah： 你有沒有最喜歡的、最重要的任務(wù)？

Isa： 人們會提出不同的任務(wù)，我記得其中之一是找到兩位作者共同寫的所有論文。模型可以找到其中大部分，甚至全部。另外還有一個任務(wù)，模型現(xiàn)在可能無法回答了，那就是找到我們一位同事的中間名。個人來說，我自己其實很早就開始用它來查找關(guān)于產(chǎn)品推薦和旅行的信息。我認(rèn)為實際上有很多內(nèi)部人員也在使用它，Sam 告訴我，他用它買了很多東西，每次模型出現(xiàn)問題時，人們都會發(fā)消息問我們：“發(fā)生了什么？我們需要使用模型，即使是之前那個版本?！彪m然老實說，它并不是那么好。所以，我認(rèn)為這是一個很好的初步信號。

Sarah： 關(guān)于工具和數(shù)據(jù)的創(chuàng)建，你有什么可以分享的嗎？

Isa： 關(guān)于數(shù)據(jù)創(chuàng)建，我們使用了人工訓(xùn)練師來完成其中的一部分工作。我想我們需要設(shè)計數(shù)據(jù)集來訓(xùn)練模型，幫助它學(xué)習(xí)我們希望它掌握的技能。我們還必須為這些數(shù)據(jù)集制定評分標(biāo)準(zhǔn)，在訓(xùn)練過程中進行評估。我們還需要為模型開發(fā)出有效的工具，確保它能夠成功完成任務(wù)。

目前，我們有一個瀏覽工具，它能夠查看嵌入的圖片和打開 PDF 文件。它還可以訪問 Python 工具，進行分析、計算和繪制圖表等。在未來的版本中，我們將擴展工具集，模型的能力也會隨之增強。我們還需要創(chuàng)建數(shù)據(jù)集，使模型能夠使用所有這些不同的工具，并在訓(xùn)練過程中學(xué)習(xí)如何靈活應(yīng)對各種問題。這樣，模型就能在產(chǎn)品中解答用戶提出的新問題。

Sarah： 你對那些考慮為特定任務(wù)進行 RFT 的初創(chuàng)公司有什么建議嗎？比如，什么時候值得去做 RFT，或者是否可以嘗試采用傳統(tǒng)的方式，利用代理作為一個組件進行微調(diào)？

Isa： 一般來說，針對某一類任務(wù)進行訓(xùn)練時，模型也能夠很好地泛化到其他領(lǐng)域，但如果針對某個特定任務(wù)進行訓(xùn)練，模型在該任務(wù)上的表現(xiàn)會更好。比如，你可以訓(xùn)練一個推理模型，主要處理數(shù)學(xué)、編程等問題，同時它也能在寫作方面表現(xiàn)良好。但是如果你將其專門訓(xùn)練在某個特定任務(wù)上，它的表現(xiàn)會更為優(yōu)秀。

我認(rèn)為，如果你有一個非常具體的任務(wù)，認(rèn)為它與模型可能已訓(xùn)練的任務(wù)完全不同，并且你自己嘗試了很多次，嘗試了各種不同的提示，模型仍然表現(xiàn)得非常差勁，那么這可能是一個嘗試 RFT 的好時機。比如，如果是一個基因測序任務(wù)，或者是某些與模型訓(xùn)練分布完全不同的任務(wù)，RFT 可能會有幫助。

另外，如果你有一個對業(yè)務(wù)流程至關(guān)重要的任務(wù)，提升 10% 到 15% 的性能可能是生死攸關(guān)的，可以嘗試 RFT。但如果是你認(rèn)為模型表現(xiàn)已經(jīng)不錯，但偶爾會出錯，隨著新版本模型發(fā)布，它會逐漸改進的任務(wù)，可能就不值得花費精力去進行微調(diào)，因為模型自然會在這些任務(wù)上變得越來越好。

Sarah： 你提到過需要依賴人類專家來創(chuàng)建一些數(shù)據(jù)。你認(rèn)為在哪些方面需要專業(yè)知識？你對瀏覽專業(yè)知識或信息收集的理解，有哪些是之前沒有意識到的？

Isa： 我想這屬于那種幾乎每個職業(yè)都涉及的事情：你需要在某個領(lǐng)域提出問題或進行研究，然后從多個來源收集信息以綜合得出答案。在這個過程中，你必須具備判斷哪些信息源有用、哪些沒有用的專業(yè)知識。RL 的一個有趣之處在于，你不需要了解一個人如何進行整個研究過程，你只需要知道任務(wù)是什么，結(jié)果應(yīng)該是什么。然后，模型會在訓(xùn)練過程中學(xué)習(xí)如何從問題出發(fā)，得出一個好的答案。

我認(rèn)為我們采取了一種相對廣泛的方法，這也是如果你在像 OpenAI 這樣的地方工作，你可以做一些大多數(shù)初創(chuàng)公司會被告誡不要做的事情——嘗試聚焦于一大群用戶，招募來自不同領(lǐng)域的專家，看看能否一次性在所有領(lǐng)域都取得進展，這是我們采取的方式。我們還創(chuàng)建了大量的合成數(shù)據(jù)集等東西，但人類數(shù)據(jù)無疑是讓這個模型成功的關(guān)鍵部分。

Sarah： 模型在這些領(lǐng)域中學(xué)習(xí)到的規(guī)劃能力有沒有讓你感到驚訝？模型的路徑是否讓你感到意外？

Isa： 有時候，它會使用一些我自己不會選擇的搜索詞，或者說我們沒有教它一開始就進行規(guī)劃。有時候，模型會做出聰明的舉動，嘗試?yán)@過你給它設(shè)置的限制，所以你必須確保它沒有“作弊”，比如嘗試使用不同的搜索引擎，而不是你指定的那個搜索引擎。你需要時刻留意，以防模型做出你不希望的行為。

Sarah： 那我們順便討論下模型的一些失敗情況。你是如何看待代理的累積錯誤、分心，甚至是安全性問題的呢？

Isa： 由于 Deep Research 實際上不能采取不屬于典型代理問題的行動，因此這些問題并不完全一樣。但我認(rèn)為，模型的回答更加全面且耗時較長，這意味著人們可能會更信任它。因此，幻覺問題可能更嚴(yán)重。盡管這個模型比我們發(fā)布的任何模型都少出現(xiàn)幻覺，但它仍然有可能出現(xiàn)幻覺，通常是因為它從某個來源中錯誤地推斷出某些東西。這也是我們?yōu)槭裁葱枰玫脑蛑唬驗橛脩舯仨毮軌驒z查信息的來源。

我理想的代理應(yīng)該能夠為你進行研究并代表你采取行動。當(dāng)代理的能力和安全性發(fā)生交匯時，如果你不能信任它以一種沒有副作用的方式完成任務(wù)，那它就變得沒有用處。例如，如果你讓它幫你做某件事，但它在過程中發(fā)送了一封尷尬的郵件，這就不是任務(wù)的成功完成。

Sarah： 你認(rèn)為人們會需要明確的防護措施嗎？你認(rèn)為這些特征可以在模型本身中學(xué)習(xí)到嗎？

Isa： 如果你使用過 Operator，我相信你已經(jīng)經(jīng)歷過每次確認(rèn)正確操作的過程。我認(rèn)為一開始這樣做是非常有意義的，你需要與用戶建立信任。隨著模型變得越來越強大，也許你會看到它成功地做了幾次事情，逐漸開始更加信任它。所以，也許你會允許它，比如發(fā)送郵件時，不需要每次都問你。但我確實認(rèn)為，當(dāng)這些代理開始推廣時，我們肯定會需要有防護措施和確認(rèn)機制。雖然這些不一定是最終的能力，但我們?nèi)匀幌Ｍ_保有一個好的監(jiān)督機制。我認(rèn)為代理最終會強大到我們愿意信任它們代表我們?nèi)プ鋈魏问虑椤?/p>

如何構(gòu)建有品味的智能代理？
Sarah： 你認(rèn)為 Deep Research 作為產(chǎn)品會有哪些明顯的改進？

Isa： 理想的狀態(tài)可能是擁有一個統(tǒng)一的代理，它能夠做所有這些不同的事情。任何你會委托給同事的任務(wù)，它都應(yīng)該能夠完成。

Sarah： 我們?nèi)绾螞Q定是自己去做這件事，還是讓代理去做？還是說總是先嘗試讓代理去做？

Isa： 如果是我的工作的話，我會先嘗試讓代理去做。其實這有點像每當(dāng)模型變得更強大時，人類的抽象層次也會相應(yīng)提高。也就是說，你要求它完成的任務(wù)層級越來越高，但仍然是“你”在啟動任務(wù)。比如說，也許一年前，我讓它為我寫一個函數(shù)，而現(xiàn)在，我讓它寫一個完整的文件，或許明年它會幫我做一個完整的 PR 之類的。所以，我認(rèn)為仍然是“人”掌握主動權(quán)。Deep Research 的下一步，應(yīng)該是讓它能夠訪問私有數(shù)據(jù)，比如能在任何內(nèi)部文檔或 GitHub 上進行研究。

一切歸根結(jié)底都與檢索有關(guān)。接下來，逐步開始采取正確的行動或調(diào)用 API，顯然還有很多模型現(xiàn)在做得不完美的事情，我們需要繼續(xù)改進。我們與 RL 團隊的合作關(guān)系非常好。很多團隊會貢獻數(shù)據(jù)集，用于他們進行的大規(guī)模訓(xùn)練，我們也這么做了。隨著他們用大量計算資源訓(xùn)練模型，最終它就成了我們可以繼續(xù)訓(xùn)練的更好的基礎(chǔ)模型。所以我認(rèn)為，模型的能力是不斷積累的。

Sarah： 所以這不是一個低調(diào)的研究預(yù)覽，而是一個從副項目變成了一個非常有趣的、內(nèi)部提案的項目。你認(rèn)為什么樣的產(chǎn)品是 OpenAI 想要獨立開發(fā)的，什么又屬于核心研究的方向呢？

Isa：OpenAI 一個很酷的地方是，即使公司在不斷擴展，員工還是能提出想法、驗證想法并推動其實現(xiàn)，我總是受到這樣的動力驅(qū)使自己，去做那些我想做的事情。比如說，關(guān)于 Deep Research，我確實經(jīng)常用它來查找各種信息，比如旅行推薦，我?guī)缀跏且粋€每天都會活躍使用的用戶。

Sarah： 有沒有看到一些用戶的使用案例？有沒有什么方式，你會鼓勵人們使用 Deep Research？

Isa： 我一直對看到人們在我完全沒有專業(yè)知識的領(lǐng)域使用 Deep Research 感到很有興趣，很多不同的科學(xué)家都在分享他們?nèi)绾问褂?Deep Research，以及它如何幫助他們完成某些任務(wù)。對我來說，這是最有趣的，因為在我們開發(fā)它的時候，我顯然無法判斷輸出是否正確。所以看到專家們真正地驗證 Deep Research 的回答是非常有價值的。

讓我感到驚訝的是，有人開始用這個模型做代碼搜索和編程問題。比如說，他們會說，“使用最新的包來幫我寫這個文件”。或者是數(shù)據(jù)分析方面，這也是模型已經(jīng)相當(dāng)擅長的領(lǐng)域：上傳一個文件，然后讓它為你做一些分析或研究，最后生成一個包含數(shù)值分析的報告。

Sarah： 其實我還沒有嘗試過這個功能。是什么讓模型在這方面特別擅長？它具備了什么能力，能讓它完成多步驟操作、能夠進行規(guī)劃和理解任務(wù)并最終生成報告呢？

Isa： 我認(rèn)為基礎(chǔ)模型，或者說我們從 o3 開始微調(diào)的模型，實際上是一個非常強大的模型。它在許多不同的數(shù)據(jù)集上進行了訓(xùn)練，包括大量的編程、推理和數(shù)學(xué)任務(wù)。因此，這種繼承的能力非常強大。當(dāng)你再加上瀏覽功能，它仍然能夠進行分析。

Sarah： 我們談到過關(guān)于從用戶那里學(xué)習(xí)品味或偏好的想法。你認(rèn)為 Deep Research，或者說代理模型一般如何發(fā)展才能考慮到人們的學(xué)習(xí)方式或他們的信息獲取偏好呢？

Isa： 我認(rèn)為代理的記憶功能肯定會非常重要。如果每次你讓它做一項任務(wù)時都必須重復(fù)相同的信息，告訴它你希望它如何做任務(wù)，以及關(guān)于你的所有細節(jié)，那將會非常令人煩惱。而目前，Deep Research 確實需要這么做?，F(xiàn)在完成一個任務(wù)可能需要 5 到 30 分鐘，隨著任務(wù)變得越來越復(fù)雜，未來可能需要幾個小時或幾天來完成你讓模型做的任務(wù)。你肯定希望模型的研究是逐步積累的，而不是每次都從頭開始。

Sarah： 一些領(lǐng)先實驗室的許多人，對通向 AGI 的路線，存在一定共識，或者說對此有信心。而且，RL 的回報讓大家非常興奮，認(rèn)為“這似乎行得通，我們將從中獲得真正的能力”。它的數(shù)據(jù)效率非常高，但這將是一項艱巨的工作。告訴我一些關(guān)于構(gòu)建 Deep Research 的情感體驗，以及這是否改變了你的看法。

Isa： 我覺得看到這個算法的數(shù)據(jù)效率如此之高，真的令人印象深刻。實際上，篩選這些數(shù)據(jù)，然后確保模型能夠訪問人類在完成工作時需要的所有工具，都是挑戰(zhàn)。再者，要確保任務(wù)的設(shè)計能滿足人們在工作中實際需要的，并且能夠評估模型是否完成得好，也很難。而且，在預(yù)訓(xùn)練階段，還有許多其他挑戰(zhàn)，因為你擁有更多的數(shù)據(jù)，必須處理很多不同的任務(wù)。你需要一個非常好的基礎(chǔ)模型才能進行 RL，對于我們的團隊來說，我們就是在做更多的 RL。所有這一切都是互相促進的，大家都能看到一條清晰的路徑，朝著具有廣泛能力的代理邁進。

Sarah： 你認(rèn)為在進展上有大的障礙嗎？就像你說的，可能不完全是將其描述為 Deep Research 的下一次迭代，而是對統(tǒng)一代理能力的信心，覺得它會像一個同事一樣工作。是什么阻礙了我們實現(xiàn)這一目標(biāo)？

Isa： 我們需要解決很多非常棘手的安全問題，我們絕不會發(fā)布任何我們沒有非常高信心認(rèn)為是安全的東西。當(dāng)模型可以訪問你的 GitHub 庫、密碼和私人數(shù)據(jù)時，風(fēng)險就大大增加了。因此，這是一個非常大的挑戰(zhàn)。我想，如果你希望模型能夠執(zhí)行需要很多小時的任務(wù)，那么找到高效的方式來管理上下文就變得尤為重要，這和內(nèi)存問題有點類似。如果你做一個任務(wù)很長時間，你最終會遇到上下文耗盡的問題。那么，處理這個問題的高效方式是什么呢？然后就是創(chuàng)建數(shù)據(jù)和工具的任務(wù)，我已經(jīng)說過幾次了，這確實是一項艱巨的工作。

Sarah： 我剛剛在查看我的查詢歷史，我的用戶請求是想看看我向 Deep Research 提出的要求和向其他模型提出的要求有哪些不同。我曾查找過與個人品味相關(guān)的東西，我可能會說，“我喜歡這一系列書籍，原因是……我希望你給我一個長篇總結(jié)，列出你認(rèn)為我應(yīng)該閱讀的其他書籍，并解釋原因?！蔽乙庾R到，我并沒有一個非常清晰的心智模型，來判斷什么時候 Deep Research 應(yīng)該比 o3 更好。你能給我一些建議嗎？

Isa：Deep Research 在你有非常具體或明確的問題時非常有效，也就是說，它可能不適用于一個話題的概述，而是你在尋找一些具體的信息，并且你認(rèn)為這些信息可以通過現(xiàn)有的在線研究來補充。即使這些信息也包含在模型的基礎(chǔ)訓(xùn)練數(shù)據(jù)中，我認(rèn)為能夠?qū)崟r訪問這些信息仍然非常有用。所以，我的建議是在特定的檢索或來源上進行聚焦。此外，我們已經(jīng)訓(xùn)練它能夠生成比普通模型更長的輸出。因此，如果你需要非常全面的信息，有時候它甚至可能太過詳盡，不適合某些任務(wù)。

我曾經(jīng)用它來找新的品牌。我會說，這些是我喜歡的品牌，幫我找到一些類似的品牌，或者找到像這件外套一樣的具體款式，類似這樣的需求。它在這方面非常擅長。相比之下，我認(rèn)為基礎(chǔ)模型或普通模型可能會給你一些品牌，但它不會完全符合我提供的所有條件，比如“我要找到一件假毛皮外套，長度是這樣的，是這個季節(jié)的”，它是做不到的，因為它沒有最新的信息，而且也無法一次性處理所有查詢的約束條件。如果我在找一個非常具體的東西，可能需要幾個小時才能找到，我會用它。我認(rèn)為，Deep Research 非常適合做這類任務(wù)，而對于更一般性的、高層次的事情，可能就不那么適用了。

Sarah： 在 Deep Research 的訓(xùn)練過程中，是否有某個特別的成功或失敗的時刻？

Isa： 我們原本認(rèn)為，訓(xùn)練模型進行瀏覽任務(wù)會有效。但實際上，當(dāng)我們第一次用這個算法在一個新的數(shù)據(jù)集上訓(xùn)練模型，并看到它真正有效，能夠與模型互動時，還是讓人感到非常驚訝。盡管我們本來就認(rèn)為它會有效，但它的效果如此好，真的讓人有些意外。

但是有時候，它失敗的地方也讓人感到意外。有時它會做出非常聰明的舉動，然后又犯一個錯誤，我就會想，“你為什么要這么做，停下！”所以我認(rèn)為它確實還有很大的改進空間，但到目前為止，我們對這個模型還是感到非常印象深刻。

Sarah： 我習(xí)慣了所有技術(shù)工具都能即時響應(yīng)，而 Deep Research 并不是即時的，它需要思考和使用工具。那么，它能更快嗎？

Isa： 有時候你并不需要它做非常深入的研究，但你希望它能夠做得比簡單搜索更多。我認(rèn)為我們很快會發(fā)布一些讓人們感到滿意的功能，填補這個空白。

Sarah： 我不知道該怎么表達這個偏好，但我希望有一天能切換到這種模式：“盡你所能，在接下來的五分鐘內(nèi)做到最好。”因為我會對人類說這個話。

Isa： 讓用戶自己做決定似乎是個不好的用戶體驗，模型應(yīng)該更擅長判斷需要多少時間去思考。我們在訓(xùn)練模型時做了一個決定，就是每次都盡量讓它有最大的思考時間。所以，我有時會問一個非常簡單的問題，只是為了測試，然后變得相當(dāng)沮喪，因為它還在思考。所以，我確實認(rèn)為這是一個改進的領(lǐng)域，即知道應(yīng)該思考多久。不過，我猜在 Deep Research 中，我們會始終專注于那些需要最長時間的任務(wù)，而像 o3 或未來的版本，可能會有更好的折中方案。

Sarah： 你能想象未來 Deep Research 會花上一整天完成的任務(wù)是什么嗎？

Isa： 現(xiàn)在它能在五到三十分鐘內(nèi)完成一些人類專家需要幾個小時才能完成的任務(wù)。所以，我猜在一個小時內(nèi)，它可以完成一些需要人類幾天才能做的事情，而在一天內(nèi)，它能做一些需要人類幾周才能完成的工作。當(dāng)然，要讓它達到這樣的規(guī)模會面臨很多挑戰(zhàn)，但你可以想象，它能夠完成一個本來需要幾周才能完成的研究項目，或者寫一篇論文之類的事情。

Sarah： 如果你要預(yù)測一年后的情，你認(rèn)為代理能夠做出什么讓人驚訝的事情，并且這些事情實際上會被發(fā)布出來，前提是考慮到安全性問題？

Isa： 一個通用代理，能夠幫助你完成很多不同領(lǐng)域的任務(wù)。對我來說，我希望能夠有一個非常擅長編程的代理，我可以完全信任它，給它一個任務(wù)，它應(yīng)該能夠幫我做出一個 PR 之類的東西，但同時可以讓它幫我預(yù)定去韓國的旅行之類的事情。我希望我們能達到一個更加統(tǒng)一的體驗，但我也認(rèn)為這些模型的進步速度會讓大多數(shù)人感到非常驚訝。

Sarah： 你為什么認(rèn)為統(tǒng)一的體驗很重要？顯然，ChatGPT 是一種非常全面的體驗，但人們在不同的場景中使用的模型是不同的，比如編程時會使用專門的下一行補全模型。

Isa： 你可能會想要一個體驗，在某些時候你可以覆蓋或中斷模型，說“哦不，我不是這個意思。”或者你可以接管并開始自己輸入東西，尤其是在短期內(nèi)，因為這些模型在許多領(lǐng)域還沒有達到人類的能力，但在其他領(lǐng)域則更強。所以，我認(rèn)為這將是一個結(jié)合體：你要求模型做某事，但以編程為例，可能你正在使用 VS Code 或其他編輯器，模型已經(jīng)在幫你做某些事情，但你也可以實際輸入并自己寫一部分。所以，我認(rèn)為這會是這些元素的組合，但我個人希望它能像一個遠程同事，你可以直接要求它做事情，給它發(fā)個消息，它就會開始工作，然后你可以審查它的工作或在某些時候提供幫助。這看起來是一個非常不錯的通用接口，你不需要考慮應(yīng)該讓哪個代理去做哪個任務(wù)，你應(yīng)該能夠輕松搞定這一切。

Sarah： 我的理解是：我更傾向于和少數(shù)人一起工作，減少管理上的負(fù)擔(dān)，因為這樣每個人都有更多的上下文信息，我對他們的理解也更多。所以，從這個角度來看，具有普遍適用性的代理就顯得特別有吸引力。

Isa： 而且你只需要告訴它一次，它就會記住并知道你正在做的所有事情。

嘿，伙伴們，今天我們的AI探索之旅已經(jīng)圓滿結(jié)束。關(guān)于“Deep Research如何重塑OpenAI技術(shù)護城河??引爆AI革命！”的內(nèi)容已經(jīng)分享給大家了。感謝你們的陪伴，希望這次旅程讓你對AI能夠更了解、更喜歡。謹(jǐn)記，精準(zhǔn)提問是解鎖AI潛能的鑰匙哦！如果有小伙伴想要了解學(xué)習(xí)更多的AI知識，請關(guān)注我們的官網(wǎng)“AI智研社”，保證讓你收獲滿滿呦！