编者按： 推理模型的"推理能力"飞跃，究竟是模型本身的进步，还是工程编排的巧妙包装？
我们今天为大家带来的这篇文章提出了一个尖锐的观点：所谓"推理模型"的突破，本质上并非模型智能的根本性提升，而是通过工具调用与流程编排对模型能力停滞所做的工程性补偿。
文章深入剖析了 GPT-5 等最新模型在执行任务时严重依赖 Python 沙箱、API 调用等外部工具的现象，揭示出大语言模型在代码生成与语义理解上的深层瓶颈。作者指出，OpenAI 正从基础研究转向应用变现，其推出的 ChatGPT Apps、Atlas 浏览器等产品，反映的不是技术突破，而是对模型能力停滞的策略性回避。文章进一步探讨了行业面临的两种路径选择：一是在现有架构上不断优化 pipeline 系统，追求短期收益；二是直面 Transformer 架构的根本缺陷，投入高风险、长周期的基础架构创新。
本文系原作者观点，Baihai IDP 仅进行编译分享
作者 | Mani Doraisamy
编译 | 岳扬
01 工具使用（tool use）是如何成为难题求解的替代方案
当 OpenAI 于 2024 年 4 月发布 o1，并称之为"推理模型"时，整个行业为之欢呼，认为这是一次重大突破。终于，AI 能够一步步思考、解决复杂问题，甚至处理研究生级别的数学题了。
但仔细观察其运行机制我们就会发现，当我们让最新模型 ChatGPT-5 计算两个大数的乘积时，它并不会自己进行计算，而是生成一段 Python 代码，在沙箱中执行后返回结果。相比之下，ChatGPT-3 至少还会尝试在内部完成算术运算（尽管常常出错），而 ChatGPT-5 则将计算任务外包给了外部工具。[注释1]
这种模式无处不在。所谓"Agentic AI"的自主性？无非是一连串的工具调用，比如网页搜索、API 调用、数据库查询。真正的突破并不在于模型本身的智能水平，而在于协调外部系统的编排层。从推理能力到 Agentic AI，一切都不过是代码生成的高级应用。 这些能力并非模型本身的进步，而是为停滞不前的模型能力所设计的工程层面的变通方案。
这一点至关重要，因为整个 AI 行业（从数万亿美元的 GDP 预测到独角兽公司的估值[1]）都建立在模型能力持续进步的预期之上。而我们实际得到的，却是越来越复杂的"pipeline 工程"，其底层基础却早已陷入停滞。
02 GPT-5：皇帝的新推理（不是"衣服"😏
2025 年 8 月本该是一场胜利。OpenAI 曾承诺"将博士级智能装进每个人的口袋"，然而他们交付的成果在代码生成这一核心能力上几乎停滞不前 ------ 而其他能力都依赖于此。这正是瓶颈所在：代码生成是交通枢纽。更好的代码 → 更强的推理（通过工具执行）→ 更优的智能体 → 更高的生产力 → 万亿美元级市场。 一旦这个交通枢纽停滞，整条链条便随之停摆。
使用 AI 编程工具的开发者们明显感到了失望。基于 OpenAI 模型构建 AI 编程工具的公司（如 Cursor、Replit）曾押下数十亿美元，赌定每次模型发布都会带来指数级的进步。GPT-5 却打破了这一预期，而这本不该发生。从 GPT-3 笨拙的算术能力，到 GPT-4 生成连贯代码的能力，进步似乎势不可挡。整个行业正是建立在对持续进步的预期之上。但在过去一年里，这种进步明显停滞了。
03 从研究实验室到应用商店
与此同时，OpenAI 正将重心从模型研究转向应用开发。只需观察 OpenAI 在过去几个月的轨迹，这一趋势便已显而易见：
2025 年 10 月 6 日：ChatGPT Apps 上线
第三方应用可直接在 ChatGPT 内运行。通过 Expedia 预订航班，在 Canva 中设计图像，浏览 Zillow 上的房产信息，全程无需离开聊天界面。Apps SDK 为开发者开放了 8 亿用户生态。这标志着 OpenAI 正在变成一个应用商店。
2025 年 10 月 21 日：Atlas 浏览器发布
这是一款由 AI 驱动的新型网页浏览器，意在挑战 Chrome 的主导地位。该产品具备浏览器记忆、智能体模式，以及集成于浏览器的全链路 AI 助手。这标志着 OpenAI 正在转型为一家消费级产品公司。
他们正逐步从研究领域转向技术应用：
- 推理模型（贴近最前沿、最基础的核心研究）
- 带工作流构建器的 Agentic AI（离核心研究距离更远了）
- ChatGPT Apps（纯粹的生态运营）
- Atlas 浏览器（将 ChatGPT 深度嵌入浏览器）
OpenAI 的每一步都在远离"如何构建更优模型"，迈向"如何将现有模型变现"。
04 关于 OpenAI 转型动因的两种解读
为何这家全球顶尖的 AI 实验室会从技术研究转向应用领域？现有两种主流解释。
解读一：遭遇技术瓶颈却秘而不宣
规模扩张已然失效。尽管投入数十亿美元的算力资源和全球顶尖的研究人员，模型质的飞跃却难再现。模型并未变得更智能，只是更擅长协调外部工具。
与其承认"无法突破模型性能瓶颈"，不如转向变现赛道。ChatGPT Apps 无需技术研究实现突破即可创收，浏览器生态不依赖 GPT-6 就能构建用户壁垒。在摸索下一步方向时，应用业务能为他们争取缓冲时间 ------ 当然，这是一种悲观的解读：将技术进步的停滞包装成战略转型。
解读二：应用赛道的利润更丰厚
训练尖端模型耗资数十亿、历时数载，而基于现有模型开发应用成本低、见效快。后者利润空间更大，风险更低，变现路径更清晰。
或许 OpenAI 经过理性测算，发现应用开发能以更小投入获取更大回报，因而调整资源分配。既然六个月就能打造浏览器，何必耗费 50 亿美元训练 GPT-6？这是从现实主义的视角进行解读：利润空间优先于技术进步。
这两种解读可能都部分正确。但无论如何，结果殊途同归：当整个生态系统最需要突破时，领头羊却减少了对基础模型研发的投入。
05 没人愿面对的架构问题
工具编排（Tool orchestration）确实是令人印象深刻的工程成果。协调网页搜索、代码执行、数据库查询和 API 调用，需要复杂的软件架构。能够管理复杂工作流的智能体框架也的确具备实际价值。但这些都并未回答一个根本问题：模型为何从一开始就离不开工具？
早期模型如 GPT-3 曾饱受词元碎片化（token fragmentation）的困扰（例如将 "strawberry" 拆成 "straw" 和 "berry"，而后者含义完全不同）。现代分词器已缓解了这一问题，但更深层的架构缺陷依然存在：大语言模型仍然缺乏真正的语义理解能力。这类语义问题在代码生成中尤为致命，因为代码对精确性要求极高。 当模型产生幻觉，或在长上下文中丧失连贯性时，引入网络搜索功能并不能根除病灶。固定维度的嵌入（embeddings）会有损地压缩语义信息，注意力窗口则对上下文施加了硬性边界。这些都是架构层面的限制，而非工程问题。
这就好比在一座仅能支撑三层楼的地基上建造摩天大楼。你可以不断加固结构、重新分配承重、安装精密的支撑系统，但最终，你需要的是一个全新的地基。无论围绕现有地基做多少精巧的工程优化，都无法让你建得更高。
06 行业必须面对的抉择
整个行业站在十字路口，尽管多数参与者仍在回避这个现实。
路径一：持续优化 pipeline 系统
延续当前轨迹：略微扩大模型规模，优化工具协调机制，深化与应用平台的整合。推出浏览器与应用商店，构建更完善的智能体框架，在既定架构限制下进行工程优化。
这条路径能带来可预测的短期收益。对许多尚未达到 AI 编程工具智能水平的领域而言尤其如此。由于 AI 编程工具最初是由开发者为自己打造的，他们深刻理解问题所在，并知道如何解决。类似的进步将在其他领域陆续出现，风险投资的资金流仍会持续一段时间。但 a16z 预测的 3 万亿美元 GDP 增长，其前提是生产力翻倍，而不是像当前 AI 编程工具那样仅停在约 20% 的提升水平。要实现突破，必须承认现有基本方法已遇阻。
路径二：承认我们需要全新的基础架构
承认模型规模扩大已触及天花板，投入能解决根本问题的架构创新。这意味着：
- 采用基于图结构的架构，保留结构化关系，避免分词造成的语义碎片化问题，根治 Transformer 架构的固有缺陷；
- 部署能高效处理长上下文的稀疏注意力机制；
- 借鉴生物神经组织原理的神经形态计算方案。
解决方案在于构建能保留信息而非有损压缩的架构。正如 AI 研究者 Andrej Karpathy 所言，现有模型只是"互联网的有损压缩"。真正的进步需要向无损表征迈进：保留原始信息中固有的组织形式、精确维护信息单元之间的具体关系、维护信息中概念的层级与从属关系。
这条路径成本高昂、前景未卜且进展缓慢。它要求我们直面现有路线的失败，且需要耗费数年的研究投入，且不保证成功。但这是唯一能真正解决问题而非回避问题的途径。
07 总结
目前，AI 编程工具市场正呈爆发式增长：
- Cursor：15 个月实现 5 亿美元年经常性收入（ARR），估值达 100 亿美元
- GitHub Copilot：数百万用户，年收入达数亿美元
- Windsurf：以 24 亿美元被收购
- 数十家初创公司正在融资，金额高达九位数
这一切都建立在同一个假设之上：模型在代码生成能力上将持续进步。如果这个假设是错的，整个市场就会变成一座纸牌屋 ------ 3 万亿美元的 GDP 预期将化为泡影，独角兽估值将失去支撑，生产力革命也将无限期推迟。
反之，谁若能解决底层架构问题，谁就将赢得一切。哪怕只是基础能力的小幅提升，也会在整个生态系统中产生连锁反应：
- 更优的代码生成能力 → 更强的推理能力（通过工具执行实现）
- 更强的推理能力 → 更强大的智能体
- 更强大的智能体 → 真正实现生产力翻倍
- 真正实现生产力翻倍 → 3 万亿美元市场成为现实
由此创造的价值将是天文数字。现在的问题是：是否有任何实验室愿意选择艰难的"修复地基"之路，而不是轻松地在停止加固的地基上继续搭建应用？ 答案将决定这场 3 万亿美元的生产力革命究竟是现实，还是幻想。
注释：
1\] GPT-5 中有两种方式进行乘法运算： * Python 模式：使用 Python 沙箱执行 * 无工具模式：依赖模型内部推理 在 FrontierMath 基准测试中，Python 模式的准确率约为无工具模式的 2 倍（26.3% 对 13.5%），同时成本效益高出 4 到 10 倍。 GPT-5 API 默认使用无工具模式（必须在 API 调用中显式启用工具），而 ChatGPT 用户端很可能默认启用 Python 模式，因为"高级数据分析"（Advanced Data Analysis）已对所有订阅用户默认开启。这使得 OpenAI 在消费级产品中实现了大幅成本优化，而 API 用户若不手动启用工具使用，则需承担低效推理的全部成本。 **END** **本期互动内容 🍻** **❓文章指出，整个 AI 生态的繁荣建立在"代码生成能力持续进步"的假设上。你怎么看待这个观点？** **文中链接** \[1\][a16z.com/the-trillio...](https://link.juejin.cn?target=https%3A%2F%2Fa16z.com%2Fthe-trillion-dollar-ai-software-development-stack%2F "https://a16z.com/the-trillion-dollar-ai-software-development-stack/") ***本文经原作者授权，由** **Baihai IDP** **编译。如需转载译文，请联系获取授权。*** **原文链接：** [manidoraisamy.com/reasoning-n...](https://link.juejin.cn?target=https%3A%2F%2Fmanidoraisamy.com%2Freasoning-not-ai.html "https://manidoraisamy.com/reasoning-not-ai.html")