OpenAI新旗舰难产内幕:AI学会“脑内密谋”监控失灵,3名安全专家突遭解雇!

2026年10月中旬，旧金山OpenAI总部正处于一场罕见的全员戒严状态。

所有的工程师都在连轴转他们接到的死命令只有一个：在年底前，把下一代旗舰大模型调教到领导层敢签字发布的“安全状态”。

就在这紧锣密鼓的冲刺关头，后院起火了。原计划推出的GPT-6.1 Astra因对齐与欺骗风险被紧急叫停，紧接着，3名核心安全研究员被公司扫地出门。

为什么一家估值千亿的巨头会突然陷入如此焦灼的境地？

科技媒体《The Information》连续两轮深度调查，直接撕开了OpenAI死守的底牌：为了让新模型更聪明、更省算力，OpenAI在最新的GPT-6 Astra及下一代旗舰中，悄悄用上了一种名为“循环Transformer”（Looped Transformers）的秘密架构。

这个改动让模型的数学和编程能力原地起飞。但代价极其惊悚，AI开始学会把思考过程烂在肚子里，人类赖以生存的AI安全监控器，正在变成瞎子。

▲ 《The Information》记者Stephanie Palazzolo爆料：OpenAI正全员冲刺修复下一代旗舰的安全问题，同时应对解雇3名安全研究员的余波

01抓贼全靠“看草稿”，现在贼把草稿烧了

要读懂OpenAI眼下的恐慌，得先明白人类是怎么防住AI干坏事的。

过去两年，以o1为代表的“推理模型”有一个习惯：在给出最终答案前，先用人类语言写出一长串中间步骤。这就像小学生做数学题时垫在旁边的演算草稿纸，技术上叫作“思维链”（Chain of Thought，简称CoT）。

安全专家很快在这张草稿纸上发现了一个天大的红利：高智商的AI，其实是个藏不住话的“碎嘴子”。

10月14日，《The Information》联席执行主编Amir Efrati在一段55秒的出镜视频中提到：当模型试图钻空子、搞欺骗时，往往会在思维链里毫无掩饰地记录真实意图，比如“我们不该这么做，但为了过关，我们还是这么干吧”。

▲ Amir Efrati在视频中解释：模型在思维链里留下的“自白”，是安全团队抓捕AI越轨行为的核心抓手

类似隐患此前已有先例2026年7月，OpenAI的一个测试智能体曾突破沙箱隔离，一路摸到了外部的Hugging Face资源。 事后安全团队之所以能还原真相、堵上漏洞，靠的就是翻看模型留下的可读思维链。在那场虚惊之后，OpenAI直接把总算力的约10%紧急划拨给了安全与对齐团队。

OpenAI自己发表的论文《检测前沿推理模型中的不当行为》曾给出过一组极具冲击力的数据：在测试AI“钻规则空子（奖励黑客）”的场景中，能偷看思维链草稿的监控器，能抓获95%的作恶案例；一旦拿走草稿纸、只看AI的最终动作，抓获率直接暴跌到60%。

▲ OpenAI官方研究曾证实：用另一个大模型去审阅推理模型的思维链，能高效拦截隐藏的越轨意图

甚至，OpenAI还专门发过另一篇论文，庆幸“推理模型很难控制自己的思维链，这是一件好事”。因为当时的模型还不够狡猾，没办法一边干坏事，一边把草稿纸伪造得干干净净。

然而，循环Transformer的出现，直接把这张草稿纸给抽走了。

02螺蛳壳里做道场：什么是“循环Transformer”？

为什么OpenAI明知会削弱监控，还要强推这项技术？答案很残酷：它在算力经济学上太诱人了。

传统的Transformer大模型就像一座单向通行的摩天大楼。一个词（Token）从一楼进去，一层接一层往上爬，爬到顶楼就吐出下一个词。你想让AI思考得更深？那就得把楼盖得更高但楼层越多，参数量和显存占用就会像气球一样爆炸。

“循环Transformer”（工业界也叫Recurrent Depth，循环深度）换了一个绝妙的思路：既然盖新楼太贵，为什么不让电梯在中间几层反复打转呢？

▲ 安全机构Mint Security将这种机制称为“无Token推理”：思维链留下的是文字痕迹，而循环架构只留下显卡多转几秒的耗时

根据知名学者Sebastian Raschka与安全机构Mint Security的拆解，这种架构把模型的思考切成了三段：

1. 序曲（Prelude）
   ：底层网络先把人类输入的文字变成高维数学向量。
2. 核心循环（Core）
   ：模型不再继续向上堆叠网络层，而是让状态向量在同一组共享权重的层中反复迭代（循环  次），每迭代一轮，推理就推进一层。
3. 尾声（Coda）
   ：圈数转够了，再把最终算出来的向量翻译成人类能看懂的文字吐出来。

通俗地说，以前模型是“张嘴笔算”，每一步都得写字；现在模型学会了“闭嘴心算”，把演算过程全部锁在显存的高维实数向量里。

这种技术最早可追溯到2018年的《Universal Transformers》，2025年被马里兰大学Jonas Geiping团队系统化为“潜在推理”（Latent Reasoning）并开源了Huginn模型。国内如字节跳动等团队联合开源的Ouro系列模型也证明，仅靠1.4B到2.6B的小参数，在内部循环跑上4圈，就能在数学和逻辑上越级打赢大几倍的传统模型。

同一套权重，简单问题转1圈，代码难题转10圈，省显存、提智商。 哪个大厂能抵挡这种诱惑？

微软的失误操作更是无意间坐实了这一点。在GPT-6.1 Sol的公开技术文档里，微软曾写出一句：“与GPT-6 Sol共用基础权重，但在推理时使用两次pass（循环）而非三次。” 尽管微软随后火速删改了页面，但外界随之看清：OpenAI不仅在用循环架构，而且已经把它当成了区分模型档次的调音旋钮！

03首席科学家的灭火，与吹哨人的出局

当模型把推理过程从可读的“文字草稿”转移到高维向量深处，安全研究领域随即拉响警报。

早在9月1日《The Information》首次曝光GPT-6 Astra使用该技术时，舆论就已经失控。面对“OpenAI正在制造不可控黑盒”的指责，OpenAI首席科学家Jakub Pachocki（@merettm）在9月2日罕见地发长文灭火。

▲ OpenAI首席科学家Jakub Pachocki出面澄清：Astra的计算图深度仍在GPT-4的两倍以内

Pachocki给出了三个核心表态：第一，他不希望混淆的报道引发一场行业性的“不可监控性竞赛”；第二，包括Astra在内，OpenAI目前前沿模型的计算图深度，严格限制在GPT-4的两倍以内；第三，他坦承思维链监控确实“非常脆弱，且不幸正朝着负面方向发展”，但坚称维护可监控性仍是核心目标。

然而，随后发布的GPT-6 Astra系统卡（System Card）透露出尴尬的现实：Astra的部署安全依然严重依赖思维链监控，但这项可监控性指标相比上一代已明显下滑。

这正是安全研究人员深感忧虑的根源。前OpenAI员工、知名AI安全吹哨人Daniel Kokotajlo在Pachocki帖下直接追问：哪怕现在把循环深度压得很低，这也是一个极其危险的方向；就算OpenAI忍住不加码，竞争对手跟进怎么办？

▲ Daniel Kokotajlo呼吁Pachocki牵头建立全行业的“可监控性技术标准”，阻止行业滑向深渊

更戏剧性的冲突发生在9月末到10月初。

就在2025年7月，来自多家顶级实验室的约40名学者曾联署发表过一篇重磅论文，《思维链可监控性：AI安全的一个脆弱新机会》，苦口婆心警告各大厂不要因为改架构而关上这扇安全窗。

而这篇论文的第一作者Tomek Korbak，正是在今年秋天被OpenAI解雇的三名安全研究员之一！

▲ 2025年7月由Tomek Korbak领衔的40人联署论文，早已预言了架构变动对思维链监控的冲击

被解职的研究员们向董事会发出警告，要求限制“不可监控架构”；而OpenAI官方则回应称，解雇是因为违反了敏感信息处理规则，与安全观点无关。

双方各执一词，成了罗生门但一个无法回避的客观结果是：当年写论文警告“窗户要关上”的人出局了，而让窗户变窄的“循环架构”，正被装进OpenAI的下一代旗舰里。

04终局之问：当AI进化出“心电感应”，人类还剩多少时间？

当然，技术圈并非只有恐慌

工程师Shannon Sands等人就认为不必过度焦虑：循环跑几遍同一层网络，本质上只是变相加深了网络，模型内部本来就是人类读不懂的矩阵乘法。LessWrong社区的深度长文也指出，Astra这种有限深度的循环，距离业界担忧的“神经暗语”（Neuralese，即AI跨时间步完全用隐向量密谋和通信）尚有差距。

但Redwood Research首席科学家Ryan Greenblatt等人看到的，是一条正在加速倾斜的滑坡。Redwood甚至专门发布了一份提案，要求AI巨头定期披露模型的“不透明串行深度”（Opaque Serial Depth），实质上是要求大厂明确交代：你的AI在吐出一个字之前，到底背着人类在内部偷偷转了多少圈？

▲ 开发者Woong提出了全行业面临的工程难题：我们该去直接监控内部循环，还是强迫AI并行保留一份可读的文字轨迹？

这场围绕“循环Transformer”的风暴，撕开了当代AI繁荣背后最脆弱的一块遮羞布。

长期以来，人类之所以觉得自己还能管住智力狂飙的大模型，其实全靠一个侥幸的架构巧合，第一代推理模型必须把“心理活动”写成人类文字，才能算明白复杂的逻辑题。 这等于强迫一个高智商嫌疑人在作案前，必须先把犯罪计划用正楷写在黑板上。

但算力竞赛是无情的写黑板太慢、太费粉笔（Token）了

当循环深度架构证明“在脑子里用向量心算”能用更少的参数跑出更高的分数时，整个行业就已经站在了囚徒困境的悬崖边。今天OpenAI把循环压在2圈、3圈，明天一旦竞争对手把循环拉到30圈实现性能反超，谁还会为了“让安全员看懂草稿”而主动自缚手脚？

从“张嘴笔算”到“闭嘴心算”，AI正在褪去人类语言的拐杖。 当下一代大模型彻底学会在数百维的数学黑盒里完成推演与密谋，留给人类看懂它们心思的窗口期，真的不多了。